Temperaturas Mínimas no Rio Grande do Sul. Parte II: Previsibilidade Através de um Modelo Numérico de Mesoescala

Transcrição

1 Temperaturas Mínimas no Rio Grande do Sul. Parte II: Previsibilidade Através de um Modelo Numérico de Mesoescala Bruno Vidaletti Brum, Adriano Battisti, Otávio Costa Acevedo, Vagner Anabor, Marco Aurélio Halmenschlager, Everson Dal Piva Universidade Federal de Santa Maria UFSM Avenida Roraima, 1000 Cidade Universitária Camobi Santa Maria RS Brasil, ABSTRACT: Minimum temperatures forecasted by BRAMS are compared to those observed at 6 stations in Rio Grande do Sul State, southern Brazil. The model overestimates the observed values consistently. At the higher stations, the overestimation does not depend on wind speed and is proportional to station height. At stations lower than its surroundings, the overestimation increases appreciably as the wind speed decreases, and the forecast approaches the observed values for windy conditions. Two major problems of the model are identified. Firstly, it does not reproduce the temperature adiabatic variation with height, which is observed in windy conditions. Secondly, it does not reproduce the disconnection between surface and upper levels that happens at lower places in low-wind conditions, causing severe temperature decrease. Palavras-chave: BRAMS, Temperaturas mínimas, Vento. 1 INTRODUÇÃO Os modelos de previsão do tempo comumente usados operacionalmente fornecem prognósticos das variáveis atmosféricas para células de grade, que são regiões razoavelmente extensas. No caso da versão do modelo BRAMS (Brazilian developme nts on the Regional Atmospheric Modelling System), rodada operacionalmente pelo Grupo de Modelagem Atmosférica (GruMA) da Universidade Federal de Santa Maria (UFSM), as células de grade tem dimensões de 20 x 20 km. A variabilidade da temperatura mínima em uma região com essas dimensões, em noites de pouco vento, pode ser substancialmente alta, atingindo mais de 10 o C de diferença entre dois pontos distintos. Portanto, a previsão desta variável deve levar em conta as variabilidades de subgrade. Em particular, características do relevo, uso do solo e proximidade a obstáculos tendem a ter um efeito significativo nos registros de temperatura mínima. Na primeira parte deste trabalho, analisou-se a distribuição espacial de temperaturas mínimas no estado do Rio Grande do Sul, utilizando-se dados de 7 estações. Mostrou-se que os padrões espaciais não dependem apenas da altitude, mas também da intensidade do vento. Em condições de vento fraco, não há mistura turbulenta suficiente junto à superfície para mantê-la conectada a níveis superiores da atmosfera. Neste caso, a temperatura é controlada por processos locais, como acúmulo de ar frio em localidades baixas e escoamentos de drenagem. A previsão destes processos através de esquemas numéricos ainda é um grande desafio, pois os esquemas utilizados tem grande dificuldade em reproduzir o desacoplamento entre a superfície e a atmosfera (Cuxart et al., 2006). No presente trabalho, comparamos os dados das estações em questão à previsão de temperatura mínima obtida pelo GruMA. Os erros são analisados e propostas de melhorias são apresentadas. 2 - MATERIAL E MÉTODOS Os dados observacionais utilizados são do ano de 2008 de 5 estações automáticas do INMET (Instituto Nacional de Meteorologia), nos municípios de Caçapava, Cruz Alta, Santa

2 Maria, São Gabriel e Rio Pardo e 1 estação meteorológica do Laboratório de Micrometeorologia da UFSM, em Veranópolis. Na parte 1 deste trabalho, apresentamos o mapa topográfico da região e as altitudes específicas de cada estação. O modelo computacional BRAMS rodado pelo GruMA integra numericamente as equações básicas do escoamento atmosférico, em uma grade horizontal de 20 x 20 km que cobre a porção Sul da América do Sul. As simulações são inicializadas duas vezes por dia, gerando prognósticos de previsão do tempo para até 3 dias. Os campos de saída do modelo incluem variáveis como precipitação, temperatura, umidade do ar e pressão atmosférica nos diversos níveis verticais da atmosfera. Da previsão do modelo BRAMS, retirou-se a temperatura mínima em superfície prevista para o primeiro dia, de cada rodada das 00 UTC, obtendo-se assim, as temperaturas para o ano todo. Por ser no estado do Rio Grande do Sul que está atrasado três horas em relação a Greenwich, foram utilizados os dados previstos das 03 UTC do 1 dia às 03 UTC do 2 dia. Retirou-se, também, a altitude do ponto de grade mais próximo à cada localidade. 3 RESULTADOS E DISCUSSÃO Figura 1 - Comparação entre as temperaturas mínimas observadas em cada estação e a prevista pelo BRAMS. De maneira geral, a comparação entre as temperaturas mínimas observadas e as previstas pelo GruMA (figura 1) indica que o modelo tende a superestimar os valores observados na maioria dos casos, em todas as estações. Para alguns locais como Veranópolis, Caçapava do Sul e Cruz Alta, justamente as estações localizadas em maiores altitudes, esta superestimativa é sistemática, ocorrendo na quase totalidade dos casos. Nas demais estações, localizadas em áreas mais baixas, ainda que o modelo tenha a tendência geral de superestimar

3 as temperaturas mínimas observadas, há uma quantidade razoável de casos com subestimativa. Nestas estações, a figura 1 também sugere que a superestimativa ocorre com maior frequência quando as mínimas são mais baixas. Nos casos de mínimas mais altas, a previsão do GruMA nestas três estações localizadas em áreas mais baixas se aproxima do valor observado. Na parte 1 deste trabalho, mostramos que as temperaturas mínimas observadas apresentam uma significativa dependência do vento. Em condições de vento fraco, as estações mais baixas que seus arredores (Santa Maria e São Gabriel) desconectam -se de níveis superiores da atmosfera e tornam-se apreciavelmente mais frias, devido ao acúmulo local de ar frio. Como o erro nessas estações em relação à previsão do GruMA segue um padrão semelhante, sendo maior nas condições mais frias, analisaremos a seguir o papel do vento na qualidade da previsão fornecida pelo modelo numérico. Figura 2 Erro médio da previsão de temperatura mínima para cada estação, de acordo com a legenda, em função do vento médio em 24 h observado na estação. Cada ponto representa a média de 36 valores. A figura 2 mostra que boa parte da variabilidade da qualidade da previsão do GruMA, nas estações mais baixas (Santa Maria, São Gabriel e Rio Pardo), é explicada pela magnitude dos ventos observados. De fato, em condições com vento acima de um determinado limite, o erro médio nessas três estações fica abaixo de 1 C. Porém, em condições de vento fraco, a superestimativa da previsão de temperatura mínima cresce de maneira significativa, chegando a valores médios de 4,5 C nas condições extremas em Santa Maria e São Gabriel e 2,5 C nos casos com vento de menor intensidade, em Rio Pardo. Um padrão diferente acontece nas demais estações. Em Veranópolis e Caçapava do Sul a superestimativa da previsão é sempre grande e independente do vento observado. A estação de Cruz Alta, por sua vez, parece se comportar de maneira mista entre os dois padrões. Ainda que haja uma superestimativa apreciável e consistente, esta tem uma dependência do vento, sendo maior em casos de vento fraco.

4 Figura 3 Distribuição de frequências dos ventos médios em 24 h, observados em cada uma das estações estudadas. O que explica estes padrões de erro entre a temperatura observada e a prevista pelo GruMA? E por que os erros seguem dois diferentes padrões nas estações consideradas? Para responder essas perguntas, inicialmente analisamos a distribuição de frequências dos ventos em cada estação (figura 3). As estações de São Gabriel e Santa Maria (mais baixas que seus arredores) apresentam os menores valores observados de vento médio em 24 h, frequentemente abaixo de 2 m/s e jamais acima de 6 m/s. Por outro lado, em Veranópolis, Cruz Alta e Caçapava do Sul há raros casos abaixo de 2 m/s e um número significativo de ocorrências acima de 6 m/s. Portanto, as estações mais baixas apresentam grande erro na previsão com vento fraco e pequeno erro com vento forte, enquanto que as mais altas, com vento intenso, tem um erro que depende pouco do vento. Esses resultados indicam que boa parte do erro da previsão é causado pelo fato do esquema numérico utilizado não ser capaz de reproduzir o fenômeno do desacoplamento da superfície. Assim, o resfriamento intenso observado devido ao acúmulo de ar frio não é simulado, de forma que a superestimativa cresce apreciavelmente nas condições de vento fraco. Por outro lado, estações mais altas tem consistentemente uma intensidade do vento suficiente para manter a superfície conectada a níveis mais altos da atmosfera e o erro não se explica pelo processo do desacoplamento. Nos casos com vento acima de um limite arbitrariamente escolhido de 1,2 m/s, o erro da previsão depende da altitude da estação (figura 4, painel superior esquerdo). Isso explica a maior superestimativa nas estações mais altas, de Veranópolis e Caçapava do Sul. Na parte 1 deste trabalho, mostramos que nas condições com vento intenso, a distribuição espacial de temperaturas mínimas observadas se aproximava da variação adiabática da temperatura com a altitude. O fato da superstimativa da previsão aumentar com a altitude indica que o modelo não está reproduzindo a variação adiabática em noites de vento, ou seja, as localidades mais altas estão se resfriando menos do que ocorre no mundo real. A razão desta discrepância no modelo ainda é desconhecida e objeto de estudo. Por outro lado, nas condições de vento abaixo do limite de 1,2 m/s, o erro da previsão parece ser independente da altitude da estação

5 ou da altitude do ponto de grade mais próximo (figura 4, painéis esquerdo e central inferiores). Neste caso, entretanto, o erro é muito bem explicado pela diferença entre a altitude real e a do ponto de grade mais próximo (figura 4, painel direito inferior). Assumindo que o ponto de grade mais próximo seja um bom indicativo da altitude média na região, essa diferença seria uma forma de mensurar se a estação é mais alta ou mais baixa que seus arredores. Nos casos de localidades abaixo de seus arredores, o acúmulo de ar frio é favorecido à noite e a temperatura cai significativamente. Este processo é claramente mal representado no modelo, pois o erro em condições de pouco vento nas estações mais baixas que os arredores é muito grande. Figura 4 Erro médio da previsão em função da altitude da estação (esquerda); da altitude do ponto de grade mais próximo (centro) e da diferença entre a altitude da estação e a altitude do ponto de grade mais próximo, para vento médio em 24 h maior que 1,2 m/s (painéis superiores) e menor que 1,2 m/s (painéis inferiores). As siglas indicam a localidade. 4 CONCLUSÕES A análise mostrou duas deficiências do modelo. Em noites com vento, há dificuldade de reproduzir a variação adiabática da temperatura mínima com a altura, observada na parte 1 deste trabalho. Isso causou maiores erros das previsões de temperatura mínima nas estações mais altas e as causas desta dificuldade ainda são incertas. O segundo erro está associado à desconexão da superfície com os níveis mais altos em noites de pouco vento. Este processo acontece em localidades mais baixas, levando a grandes erros de previsão. No próximo passo planejamos usar a análise aqui apresentada para aprimorar os esquemas de interação turbulenta entre a superfície e a atmosfera e, com isso, obter uma melhora nas previsões de temperatura mínima do BRAMS. 5 REFERÊNCIAS BIBLIOGRÁFICAS CUXART, J.; HOLTSLAG, A. A. M.; ET AL Single-column model intercomparison for a stably stratified atmospheric boundary layer. Boundary-Layer Meteorology, 118: