Previsão de tempo e clima sazonal por ensemble. Chou Sin Chan

Transcrição

1 Ministério da Ciência e Tecnologia Instituto Nacional de Pesquisas Espaciais Centro de Previsão de Tempo e Estudos Climáticos Previsão de tempo e clima sazonal por ensemble Chou Sin Chan chou@cptec.inpe.br

2 MODELO ATMOSFÉRICO Sistema de equações diferenciais parciais não-lineares Eq. Navier Stokes: Conservação de momentum, conservação de energia, conservação de massa 1. Vento horizontal 2. hidrostática 3. Continuidade 4. Termodinâmica 5. Gás Ideal 6. Vapor d água DVH 2 z V Dt 1 p 0 g z D. V Dt c v DT Dt p RT Dq Dt H D p Q Dt Q' 1 H p F D Dt H onde u v w t x y z H, x y u v V x y w z 2

3 GRADE DO MODELO O espaço é dividido em CAIXAS definidas por grades horizontais e níveis verticais. Em cada caixa a atmosfera é homogênea e é suficiente conhecer o valor em 1 ponto da caixa. Temperatura, vento, umidade, pressão, chuva, etc. 3

4 PROCESSOS FÍSICOS NUVENS+CHUVA RADIAÇÃO ATMOSFÉRICA BIOSFERA-SOLO-ATMOSFERA TURBULÊNCIA ATMOSFÉRICA 4

5 MODELO ATMOSFÉRICO Sistema de equações diferenciais parciais não-lineares Eq. Navier Stokes: Conservação de momentum, conservação de energia, conservação de massa 1. Vento horizontal 2. hidrostática 3. Continuidade 4. Termodinâmica 5. Gás Ideal 6. Vapor d água DVH 2 z V Dt 1 p 0 g z D. V Dt c v DT Dt p RT Dq Dt H D p Q Dt Q' 1 onde H p F D Dt H Processos físicos inseridos via parametrização u v w t x y z H, x y u v V x y w z 5

6 Hierarquia dos Modelos Numéricos Atmosféricos Globais: Acompanhamento dos padrões de escala sinótica para todo o globo. Regionais: Aplicação semelhante aos modelos globais, mas com resolução mais alta sobre uma área limitada de maior interesse. Mesoescala: Acrescenta detalhes aos padrões de escala sinótica previstos no modelo regional. Interação entre os modelos ci Global Regional Mesoescala ci ci cc cc Global CPTEC 100km Eta 15km Meso-Eta 5km 6

7 CPTEC OPERATIONAL NUMERICAL MODELS 1. GLOBAL ATMOSPHERIC : CPTEC AGCM 2. GLOBAL COUPLED OCEAN-ATMOSPHERE: CPTEC AGCM+MOM4 3. REGIONAL and HIGH RESOLUTION MODEL: Eta Model 4. AIR QUALITY: CATT-BRAMS 5. OCEAN WAVE MODEL CCST NUMERICAL MODELS 1. BESM: BRAZILIAN EARTH SYSTEM MODEL: CPTEC AGCM+MOM4 + INLAND + MOZART 2. RESM: REGIONAL and HIGH RESOLUTION MODEL: Eta Model + INLAND + CHEM Models run in: - different horizontal resolutions - ensemble mode, - different forecast ranges. 7

8 CPTEC GLOBAL MODEL operational Suite 1. T213 L45 2X DAY 15 DAYS Weather and extended weather forecast Seasonal climate forecast 2. T126 L28 ENSEMBLE 15 INTEGRATIONS 1xDAY 15 DAYS 3. T299 L64 1X DAY 15 DAYS Coupled Ocean-Atmosphere (MOM4) 4. T062L28 1x DAY 30 DAYS T062L28 1x MONTH 6 months, 90-member ens Coupled Ocean-Atmosphere T062L28 1x MONTH 6 months, ~10-member ens Initial conditions currently taken from NCEP analyses 8

9 INPE ETA MODEL OPERATIONAL SUITE Resolution Application Frequency Range No. members Domain 40 km Seasonal forecasts 1X/month 4.5 months 5+3 South America 40 km SUB-Seasonal forecasts 40 km Ensemble Forecasts 1X/day 60 days 1 South America 1X/day 11 days 5+3 South America 15 km Weather forecasts 2X/day 11 days 1 South America 10 km Weather forecasts 1X/day 3 days 1 Northeast Brazil 5 km Weather forecasts 2X/day 3 days 5 Southeast Brazil NH 1 km NH Weather forecasts 1x/day 3 days 1 Part of Southeast Brazil 20 km Climate Change Studies 5 km NH Climate Change Studies 20 km Climate Change Studies Upon request RCP4.5 HadGEM years At least 1 South America Upon request years At least 1 Southeast Brazil Paleo climate studies years At least 1 Brazil Refers: Mesinger et al 2012 Chou et al 2012; Pesquero et al 2009; Chou et al

10 CRAY XE6 Nodes: 1280, 24 cores each node Total processing cores: Effective Velocity: 258 TFlop/s. Primary storage: 866TB HSM storage: 3.84PB HSM tape: 6PB 10

11 Como são produzidas as Previsões Numéricas de Tempo? Etapas: 1. Coleta das observações: superfície, altitude, satélite, aeronaves 2. Controle de qualidade das observações 3. Geração da condição inicial: OBS + PREV (t o -12h) > Análise 4. Integração do modelo numérico (Modelo Global, Modelo Regional Eta 5. Pós-processamento (geração dos produtos) 11

12 Etapas para produzir Previsão Numérica de Tempo Observações Estimativa (Previsões: t o -12h) Pré-Processamento controle de qualidade Análise (assimilação das observações) Cond. contorno Modelo Numérico Pós processamento Domínio Público Banco de dados Meteorologistas Aplicações específicas Diversos usuários 12

13 PRODUTOS DE PREVISÃO NUMÉRICA DE TEMPO: exemplos Precipitação mm/dia + Pressão atmosférica Temperatura do ar ( o C) + Vento a 10m (m/s) Cobertura de nuvens 13

14 PRODUTOS DE PREVISÃO NUMÉRICA DE TEMPO: exemplos Previsão 1h/1h várias cidades, ex. Ribeirão Preto Precipitação Temperatura do ar Umidade Relativa Vento a 10 metros Pressão atmosférica Nebulosidade 14

15 Fatores que afetam a qualidade das previsões Densidade de dados Método de assimilação de dados O modelo numérico A interação entre usuário e desenvolvedores do modelo Topografia, percentagem de oceanos e continentes; hemisfério HN ou HS Regimes meteorológicos (verão e inverno) Dificuldades nos trópicos Sensibilidade a estabilidade estática Predomina a representação dos processos físicos como turbulência, convecção, radiação, processos de superfície, etc. Mais incertezas. 15

16 O Caos Definição de sistemas caóticos: sistemas determinísticos que possuem uma pequena quantidade de aleatoriedade e que são altamente dependentes de modificações interiores nas condições iniciais. A dependência às condições iniciais gera uma impossibilidade de se obterem previsões perfeitas, ou mesmo medianas num futuro suficientemente longo. 16

17 Previsão Numérica por conjunto > previsão probabilística O limite da previsibilidade dos modelos de PNT é de aproximadamente 2 semanas nas latitudes médias e 1 semana nos trópicos devido a característica caótica da atmosfera. O que podemos fazer para minimizar o problema da dependência às condições iniciais? A ideia básica é incluir a incerteza do estado inicial da atmosfera na previsão final, tomando um conjunto de estados ligeiramente diferentes da análise inicial e gerando uma saída do modelo para cada um dos estados desse conjunto. A partir daí a previsão final poderá ser obtida utilizando métodos estatísticos, como a média das várias previsões obtidas. 17

18 PREVISÃO POR CONJUNTO Métodos: 1- Diferentes perturbações nas condições iniciais; 2 - Diferentes perturbações em parâmetros do modelo; 3 - Multi-model ensemble; 4 - Diferentes condições de contorno lateral (RCMs) O conjunto de integrações fornece um conjunto de cenários possíveis da previsão. A média do conjunto de simulações tende a ser melhor que uma previsão individual. Ensemble de BOA qualidade P + C Ensemble de BAIXA qualidade P + C M M T P - P - T P + - pert. positiva P - - pert. negativa C - previsão controle M - ensemble médio T - estado real da atmosfera 18

19 Sistema de Previsão de Tempo por Conjunto do CPTEC/INPE Conjunto de Previsões Plumas de Probabilidade Análise Inicial (sem perturbação) Previsões: 24,48,...,168 horas Previsão de Controle Análise Perturbada 1 Previsões: 24,48,...,168 horas Membro 1 Perturbação da Análise Inicial baseada em Funções Ortogonais Empíricas Análise Perturbada 2 Previsões: 24,48,...,168 horas Membro 2 Produtos Análise Perturbada 3 Previsões: 24,48,...,168 horas Membro 3 Análise Perturbada N Previsões: 24,48,...,168 horas Membro N Previsão de Probabilidades 19

20 PRODUTOS de Previsão de Tempo por Conjunto ( ensemble ) 15 membros gerados a partir de perturbação na condição inicial 20

21 Modelagem Regional Modelo Eta Condição Inicial e de contorno lateral para rodar o modelo Eta Previsão por Conjunto Modelo Eta 5km 50 níveis Versão do modelo Eta Parametrizações Convectiva/Microfísica Prazo de Previsão Modelo Eta 40km Eta 5km BMJ/Ferrier Previsão 72h Modelo Eta 40km Eta 5km BMJ/Zhao Previsão 72h Modelo Global GFS Eta 5km BMJ/Ferrier Previsão 72h Modelo Global GFS Eta 5km KF/Ferrier Previsão 72h Modelo Global GFS Eta 5km KFfm/Ferrier Previsão 72h Operacional no CPTEC: Modelo Eta: resolução 5 km / 50 níveis 2 vezes ao dia (00 e 12 UTC) Prazo de integração 72 horas 5 membros

22 Modelagem Regional Modelo Eta Produtos da Previsão por Conjunto utilizando o modelo Eta Eta 5km B_F_F BMJ/Ferrier/ CPTEC B_F_G BMJ/Ferrie/ GFS B_Z_Z BMJ/ZHAO/ CPTEC K_F_G KF/Ferrier/ GFS Kfm_F_G KFfm/Ferrier /GFS

23 Modelagem Regional Modelo Eta Produtos da Previsão por Conjunto utilizando o modelo Eta Eta 5km M1 B_F_F BMJ/Ferrier/ CPTEC M2 B_F_G BMJ/Ferrie/ GFS M3 - B_Z_Z BMJ/ZHAO/ CPTEC M4 - K_F_G KF/Ferrier/ GFS M5 Kfm_F_G KFfm/Ferrier /GFS

24 Modelagem Regional Modelo Eta Produtos da Previsão por Conjunto utilizando o modelo Eta Eta 5km M1 B_F_F BMJ/Ferrier/ CPTEC M2 B_F_G BMJ/Ferrie/ GFS M3 - B_Z_Z BMJ/ZHAO/ CPTEC M4 - K_F_G KF/Ferrier/ GFS M5 Kfm_F_G KFfm/Ferrier /GFS

25 Modelagem Regional Modelo Eta Caso de Precipitação Intensa sobre a Serra do Mar Região da Baixada Santista mm em 12h

26 Modelagem Regional Modelo Eta Precipitação Acumulada em 24 horas Eta 5km mm mm mm mm mm mm M1 BMJ/Ferrier/ CPTEC M2 BMJ/Ferrie/ GFS M3 BMJ/ZHAO/ CPTEC M4 KF/Ferrier/ GFS M5 KFfm/Ferrier /GFS

27 Modelagem Regional Modelo Eta Linhas em verde: KF Linhas em azul: BMJ Linha vermelha: Ensemble Médio

28 22/02 18Z 23/02 06Z 22/02 18Z 23/02 06Z Modelagem Regional Modelo Eta mm em 12h

29 Campos de precipitação média do período fevereiro-maio de 2013 (mm/dia) Observado (interpolado) B_F_F B_F_G B_Z_Z K_F_G Kfm_F_G O campo observado mostra máximos de precipitação na região serrana do RJ e no sul de MG, alcançando 10 mm/dia. Devido à baixa quantidade de dados e ao método Kriging, o campo espalha a precipitação resultando em pouca variabilidade espacial (desconsiderar o oceano). As previsões do modelo Eta mostram significativa diferença com o observado e entre os membros. As previsões com o esquema de convecção Betts-Miller (B_*) apresentam valores mais próximos do observado, especialmente a versão com a condição de contorno do GFS (B_F_G). De modo geral, o modelo representa a variabilidade local, com máximos sobre as regiões serranas e mínimos nos vales.

30 Serie temporal de precipitação média da região sobre a bacia do Paraiba do Sul Unidades em (mm/hora) Período Chuvoso Período Seco B_F_F B_F_G B_Z_Z K_F_G Kfm_F_G BIAS 0,12 0,09 0,12 0,10 0,16 RMS 0,53 0,45 0,53 0,55 0,60 A configuração B_F_G mostra o menor BIAS e RMS da série temporal sobre o recorte, como também sugere ter uma melhor distribuição espacial (slide anterior).

31 Ciclo diário de precipitação média da região sobre a bacia do Paraíba do Sul para um período chuvoso tendo as unidades em (mm/hora) Percebe-se que durante um período chuvoso, o comportamento dos membros do modelo diferem com os dados observados e o Cmorph. Os esquemas de convecção Kfm_F_G e K_F_G antecipam a precipitação com relação aos esquemas B_F_F, B_F_G e B_Z_Z. Também nota-se nesse caso, que em boa parte do ciclo diário os esquemas de Kain-Fritsch subestima a precipitação com relação aos esquemas de Betts-Miller.

32 Eta Ensemble Forecast Products Probability forecasts Precip > 1mm Precip > 10mm Precip > 50mm ENSEMBLE FCSTS OBSERVATIONS 32

33 PRODUTOS DE PREVISÃO NUMÉRICA DE TEMPO: exemplos HORIZONTE 10 DIAS 33

34 HORIZONTE 7 DIAS 34

35 Definição meteorológica PREVISÃO DE TEMPO Prazo de poucas horas até cerca de 15 dias, data de ocorrência do fenômeno PREVISÃO CLIMÁTICA Prazo de meses, estação do ano, características estatísticas 35

36 PREVISÕES CLIMÁTICAS Se não há previsibilidade além de poucos dias, como usar as previõsoes para prazos mais longos, para prazos climáticos? Desempenho das previsões determinísticas (previsão de posição e horário do evento meteorológico) é da ordem de poucos dias. Por outro lado, em previsões de longo prazo (meses, anos), esperase que a previsão forneça as propriedades estatísticas do período em questão (por exemplo a variabilidade da chuva, anomalia de temperatura, etc) 36

37 Previsibilidade Climática Sazonal Apesar da atmosfera se comportar como um sistema caótico, o que limita sua previsibilidade, em determinadas regiões e situações sua previsibilidade climática sazonal pode ser bastante elevada. De acordo com Trenberth (1985) a expectativa da existência de previsibilidade climática em escalas de tempo sazonal fundamenta-se na identificação de algum sinal que se destaque do ruído de fundo provocado pelas instabilidades internas atmosféricas, tais como os eventos sinóticos diários. Tal sinal pode surgir dos modos de variação lenta da atmosfera, por exemplo oscilação de dias de Madden e Julian (1972), ou das condições de contorno, que evoluem numa escala de tempo mais lenta do que as condições do tempo, podendo portanto comunicar significativa previsibilidade à evolução do estado atmosférico.

38 Previsibilidade Climática Sazonal As condições de contorno envolvidas incluem a temperatura da superfície do mar (TSM), temperatura e cobertura do gelo, temperatura e albedo da superfície terrestre, umidade do solo e cobertura de neve (Shukla, 1984). As condições de contorno não são igualmente importantes em todas as regiões do globo. Dentre elas, a TSM é a mais comumente utilizada nos trópicos devido a sua forte conexão com a circulação sazonal média.

39 Controle da Temperatura da Superfície do Mar sobre o clima da região tropical IC1 SST1 IC1 SST2 Fig A & D; B & E use: same ICs and different SSTs -> Different atmospheric patterns IC2 SST1 IC2 SST2 Predictability in the Midst of Chaos: A Scientific Basis for Climate Forecasting (Shukla et al, 1998) Predictability of the second kind OBS OBS Therefore, it should be possible to predict the large-scale tropical circulation and rainfall for as long as the ocean temperature can be predicted. 39

40 Resultados para América do Sul Autor Sampaio, 2001 Modelo, Membros e período CPTEC T62L28-25 membros (DJF-MAM-JJA-SON) TSM pers e prev -7 membros dez95 a mai/99 Integração contínua TSM obs Resultados Tabela - Porcentagem de membros do conjunto com o sinal da anomalia de precipitação prevista corretamente para cada trimestre do ano entre dezembro de 1995 e maio de 1999, para as três regiões de estudo e com o modelo forçado com TSM persistida e prevista (prev) (Fonte: Sampaio, 2001). - Melhor performance do modelo: NEB - No NE e S a previsibilidade aumenta em anos de ENOS, o que não ocorre no SE do Brasil. - Região Sudeste: De 5 verões, em 2 mais da metade dos membros acerta o sinal da anomalia da precipitação. - Na integração contínua, mesmo utilizando TSM observada modelo não consegue simular o regime pluviométrico no SE e sul do NEB NORDESTE SUDESTE SUL PREVISÃO Porcentagem Porcentagem Porcentagem DJF 95/ MAM JJA SON DJF 96/ MAM JJA SON DJF 97/ MAM MAM 98 prev JJA SON DJF 98/ DJF 98/99 prev MAM MAM 99 prev

41 Resultados para América do Sul Autor Dereczynski, 2004 Modelo, Membros e período CPTEC T62L28 9 membros dez-mai TSM obs e pers de fev Resultados -No Sul do NE do Brasil, diferente do que ocorre no Norte do NE, utilizar TSM obs não melhora a performance do modelo (em relação a TSM prev e pers), o que indica que os sistemas que provocam precipitação na região (sistemas transientes) não são majoritariamente governados pela TSM. -No sul do NE, a variab. dos membros é muito elevada e a previsão da prec. é altamente dependente da frequência e das características dos sistemas transientes, sendo estes os principais limites da previsibilidade na região. - Com a integração longa do MCGA CPTEC foi observado baixos valores de RSR (0,92) no SNE, enquanto no NNE a media é 4,14. N 2 1 s N j 1 P j P 2 Sinal: Variab. Interanual 2 R 1 M N P i, j Pj M. N i 1 j 1 2 Ruído: Variab. Inter-membros

42 Resultados para América do Sul Autor Misra et al., 2003 Modelo, Membros e período MCGA COLA T42L18 e Mod. Espectral Regional (RSM-80km) Resultados - Alta resol. do RSM não mudou o ruído em relação ao MCGA, exceto sobre oceanos e parte da Bacia do Rio Amazonas. - A prec. de verão sobre a AS tropical e subtropical é altamente imprevisível.

43 Resultados para América do Sul Autor Stern Miyakoda (1995) e Modelo, Membros e período MCGA T42L18 GFDL da NOAA 9 membros 5,5 meses R ruído sin al Resultados - o espalhamento dos membros dentro de um mesmo conjunto pode ser uma boa estimativa do desvio padrão da distribuição de probabilidade de estados de previsão. - Então, a média do conjunto deve ter relativamente boa performance quando o espalhamento do conjunto é pequeno. Contrariamente, um grande espalhamento do conjunto pode indicar que a média da previsão por conjunto não é confiável. Valores pequenos de R alta reprodutibilidade Ruído = média em todo o período da variância intra-membros (ruído) Sinal = variância interanual da média de cada conjunto (sinal) Reprodutibilidade da precipitação em DJF. O intervalo do contorno é 0,1. As áreas com reprodutibilidade menor que 0,8 são indicadas com pontilhados pequenos e aquelas onde a reprodutibilidade é menor do que 0,7 são indicadas com pontilhados maiores (Fonte: Adaptado de Stern e Miyakoda, 1995). DJF

44 1. O limite da previsibilidade dos modelos de PNT é de 2 semanas, depois disso os modelos perdem previsibilidade devido a natureza caótica da atmosfera. 2. Na previsão de tempo sazonal o objetivo não é prever quando ocorrerá a passagem de um sistema transiente, mas sim prever as propriedades estatísticas de algum estado climático futuro, como um mês ou uma estação. 3. A expectativa de que haja previsibilidade climática na escala sazonal é de que as condições de contorno, que evoluem numa escala de tempo mais lenta do que os sistemas transientes, possam conferir significante previsibilidade à evolução do estado médio da atmosfera. 4. Previsões climáticas sazonais de qualidade: Enorme desafio, principalmente fora das regiões tropicais

45 Scientific Challenge: SACZ low predictability Marengo et al. (2002) DJF MAM CPTEC AGCM, 50 years, 10 Member Ensemble, Kuo, T062L28, Obs SST

46 AVALIAÇÃO DA PREVISIBILIDADE dispersão entre os membros Pouca dispersão entre os membros Baixa Previsibilidade Alta previsibilidade 46

47 CPTEC seasonal prediction operational runs AGCM 1.7 KUO, RAS, GRELL, DERF FCST SSTA, PERSISTED SSTA 15 Members each: 120 total 4-month forecasts CGCM 1.0 T062L28, RAS CPTEC AGCM ¼ degree deep tropics, L20 MOM3 OGCM 10 Members per month 7-month forecasts Eta 40 km grid L38 LBC AGCM T062L28, Kuo 5 members, ic 4-month forecasts (Chou et al, Nonlinear Processes in Geophysics, 2005) Instituto Nacional de Pesquisas Espaciais 47

48 Condições iniciais NCEP T062L28 para os dias 13, 14, 15, 16, 17 /06/2008, as 1200 UTC para cada mês. Cada hincast tem 5 membros. Condições de contorno lateral Modelo Eta 40km de resolução horizontal e 20 níveis na vertical, 6/6h Condição de contorno inferior: Anomalia de TSM persistida, atualizada diariamente durante a integração, Umidade do solo climatológica, Albedo sazonal. Climatologia do Modelo Eta Sazonal (Eta Model Seasonal Hindcasts) Prazo de Integração: 4,5 meses Resolução do Modelo: 15km/38nívies Período: de 2001 até 2010 (10 anos). Total 120 membros para a climatologia de cada mês UFMT

49 PRECIPITATION (mm/month) SEASONAL FORECASTS T+2mo: Eta 40km +AGCM T+2mo: Eta 40km + OAGCM GPCP Jan/2008 T+1mo: Eta 40km +AGCM T+1mo: Eta 40km + OAGCM GPCP Dec/2007

50 PRECIPITAÇÃO (MM/MÊS) T+4mo: Eta 40km +AGCM T+4mo: Eta 40km + OAGCM GPCP Mar/2008 T+3mo: Eta 40km +AGCM T+3mo: Eta 40km + OAGCM GPCP Feb/2008

51 * Modelo Eta/INPE * Previsões climáticas sazonais, antecedência de 4.5 meses, 40 km Previsão para Jan-Fev-Mar 2014 Anomalia de chuva prevista para JFM/2014 chuva prevista no trimestre JFM/2014 Climatologia do modelo para o trimester JFM 51

52 PREVISÃO SAZONAL DJF 2015 CPTEC AGCM Eta RCM Eta RCM DJF SKILL

53 PREVISAO ANOMALIA DE PRECIPITAÇÃO JFM 2015 NMME (NCEP Multi Model Ensemble (8 modelos climáticos globais) 53

54 * Modelo Eta/INPE * Previsões sub-sazonais, 40-km, antecedência de 60 dias, atualização 1x/dia, aninhado ao Modelo Acoplado oceano-atmosfera CPTEC. Apoio planejamento de recursos hídricos, etc. Previsão do fim do período seco do verão de 2014 Antecedência 45 dias 11-21/Feb /Feb-3/Mar /Mar /Mar Média de 4 membros

55 PREVISÕES SUBSAZONAIS

56 * Modelo Eta/INPE * Previsões sazonais (4,5 meses) com nova versão de modelo Eta climático, 40 km Construção de previsões sazonais retrospectivas de 10 anos ( ) BMJ-Zhao-AGCM Previsão por ensemble: 9 membros Média de 10 anos, 5 membros da previsão para JANEIRO, a partir de perturbação de condição inicial OBS BMJ-Zhao-OGCM BMJ-FERR-AGCM KF-FERRIER-AGCM KF-FERRIER-OAGCM Média de 10 anos da previsão para JANEIRO, a partir de perturbação de física e de condição de contorno inferior e lateral 56

57 Necessidades: Avaliação das previsões subsazonais e sazonais; Identificação dos períodos de maior previsibilidade subsazonal e sazonal; Aumento do número de membros, melhorar a previsão de probabilidades; Adequar os produtos às necessidades dos usuários; Aprimoramento do modelo (1.produção de chuva, 2.radiação, 3.descrição da superfície, 4.acoplamento com modelo oceânico Aumento resolução especial (horizontal e vertical) 57

58 Work in progress/planned: 1. Increase horizontal and vertical resolutions in larger domains; 2. Increase the number of members in short-range ensemble forecasts and in seasonal forecasts. Inclusion of physics perturbation; 3. Implement subseasonal forecasts and evaluate predictability; 4. New Radiation scheme (RRTM) with more gases and aerossols 5. Coupling with ocean model MOM4; 6. Coupling with hydrological model of small catchment; 7. Coupling with atmospheric chemistry transport model; 8. Coupling with dynamical vegetation scheme; 9. Develop coffee crop model and couple to the land surface scheme; 10.Test gravity wave drag; 11.Tests with BMJ scheme and its variations (precip eficiency, CAPE dependence) 12.Tests with Kain-Fritsch scheme and its variations (F fct, CMF) 13.Tests with 3 microphysics schemes: Zhao scheme, Ferrier scheme and Ristic scheme. 14.Evaluation of forecasts with initialized soil moisture 15.Introduce refinement to Eta PBL turbulence parameterizations by adding prognostic equations for potential turbulence energy, and total turbulence energy 16.Global version of Eta Model (GEF) 58

59 Instituto Nacional de Pesquisas Espaciais Centro de Previsão de Tempo e Estudos Climáticos Rod Pres Dutra km 39, Cachoeira Paulista, SP OBRIGADA! chou@cptec.inpe.br Porto Alegre Maio