VERIFICAÇÃO DA PREVISÃO NUMÉRICA DO TEMPO POR ENSEMBLE PARA AS REGIÕES HOMOGÊNEAS DO ESTADO DO CEARÁ

Transcrição

1 VERIFICAÇÃO DA PREVISÃO NUMÉRICA DO TPO POR ENSBLE PARA AS REGIÕES HOMOGÊNEAS DO ESTADO DO CEARÁ Cleiton da Silva Silveira Dirceu Silveira Reis Júnior;Alexandre Araújo Costa; Mosefran Barbosa Macedo Firmino ;Mariane Mendes Coutinho; Aurélio Wildson Teixeira de Noronha & Fco das Chagas Vasconcelos Jr. X Simpósio de Recursos Hídricos do Nordeste Fortaleza, 8 de novembro de 2

2 Introdução Incertezas nas condições iniciais: As observações fornecem uma medida do estado atual da atmosfera, mas de uma forma incompleta: São distribuídas de forma irregular ; São feitas em diferentes horários, de modo que nem todas coincidem com horário a partir do qual se quer rodar o modelo; Possuem erros; Muitas não correspondem diretamente a variáveis existentes no modelo. Incertezas físicas dos modelos: As Parametrizações Físicas (turbulência,convecção,radiação eetc); No caso de modelos regionais também erros provenientes das condições fornecidas pelo modelo global para as fronteiras laterais do modelo.

3 Teoria do Caos: one flap of a sea-gull s wing may forever change the future course of the weather (Lorenz, 963) "... insignificant factors can amplify themselves temporally in order to radically change a state... Previsão por Conjunto É uma técnica de previsão que considera uma série de condições iniciais perturbadas (ensemble de condição inicial) ou um conjunto de situações com modelo ligeiramente modificado (ensemble físico), obtendo-se um conjunto de previsões a partir de cada uma das análises perturbadas ou configurações do modelo. Fonte: Wilks, 995.

4 Metodologia Membros do Ensemble Modelos regionais usados: RAMS 6. and WRF 3.; Total de seis membros: usando de diferentes parametrizações de convecção e distintos forçantes de grande escala. A grade do modelo regional possui 25 km e inclui todo o Nordeste brasileiro. Membros Parameterizações De Convecção Modelos Regionais Modelos Globais Kain-Fritsch RAMS 6. GFS Kuo RAMS 6. GFS Kain-Fritsch RAMS 6. CPTEC Kuo RAMS 6. CPTEC Kain-Fritsch WRF 3. GFS Grell WRF 3. GFS

5 Cálculo da precipitação média por regiões homogêneas do Ceará(29-2) Para o cálculo da precipitação média foi usado o polígono dothiessen poligono, dado por: P= P i A i A Em seguida, as previsões são corrigidas usando a função de distribuição de probabilidades (PDFs) modelada e observada,dos últimos dois anos.

6 Verificação das previsões Heidke Skill Score : 2(ad bc) IH = (a+c)(c+d)+(a+b)(b+d) Proportion of correct: PC= a+d n False Alarm Ratio: FAR= b a+b False Alarm Rate : F= b b+d Probability of detection: POD= a a+c BIAS: B= a+b a+c Previsão Tabela de Contigência2x2 Observação Sim Não Sim a b Não c d Limiares de precipitação utilizados : mm, 5 mm e mm

7 Resultados e Discussões PDF:Modelado versus Observado para precipitação diária

8 Impactos da Correção via PDF Região de Jaguaribana

9 Verificação das previsões de 72 h com correção IH mm PC mm POD mm FAR mm De cima para baixo e da direita para esquerda : Ensemble médio,,,,,, e persistência.

10 Verificação das previsões de 72 h com correção IH 5mm PC 5mm POD 5mm FAR 5mm De cima para baixo e da direita para esquerda : Ensemble médio,,,,,, e persistência.

11 Verificação das previsões de 72 h com correção IH mm PC mm POD mm FAR mm De cima para baixo e da direita para esquerda : Ensemble médio,,,,,, e persistência.

12 Região de Jaguaribana IH 24h PC 24h,8,6,4,2 mm 5 mm mm,8,6,4,2 mm 5 mm mm POD 24h FAR 24h,8,8,6,4,2,6,4,2 mm 5 mm mm mm 5 mm mm

13 Region:Jaguaribana,8,6,4,2 -,2 IH mm 24 h 48 h 72 h,8,6,4,2 PC mm 24 h 48 h 72 h FAR mm POD mm,8,8,6,4,2,6,4,2 24 h 48 h 72 h 24 h 48 h 72 h

14 Conclusões Os modelos tendem a apresentar resultados melhores que a persistência, principalmente para 48h e 72h. À medida que o evento de interesse fica mais intenso, ou seja, que o limiar de chuva adotado na construção da tabela de contingência aumenta, a qualidade das previsões diminui. O modelo WRF por possuir um BIAS seco tende a apresentar um menor falso alarme do que o RAMS. Porém isso implica que esse modelo subestima os eventos de precipitação; O modelo de persistência possui dificuldade de detectar chuva, principalmente para os limiares de 5 mm e mm, o que torna inviável o seu uso para fornecer informações para alerta de eventos extremos ou para modelos hidrológicos do tipo chuva-vazão; A correção estatística reduz substancialmente o erro de viés e melhora o índice de HeidKe.