XII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002

Transcrição

1 CONTROLE OPERACIONAL DE QUALIDADE DOS DADOS DE METAR E SYNOP Demerval Soares Moreira (1) Pedro Leite da Silva Dias (2) Maria Assunção Faus da Silva Dias (2) (1) Laboratório MASTER (2) Departamento de Ciências Atmosféricas Instituto de Astronomia, Geofísica e Ciências Atmosféricas Universidade de São Paulo Rua do Matão, 1226, Cidade Universitária, São Paulo SP, CEP: demerval@master.iag.usp.br ABSTRACT This work has as objective to present the quality control method of the surface data used operationally at the MASTER/IAG laboratory. The data of each SYNOP and METAR stations are evaluated in relation to a first guess field provided by the analysis system of the Regional Atmospheric Modeling System - RAMS, classifying the stations in accordance with the magnitude of the differences between the observed data and the simulated values. Depending on these differences, the data are accepted, rejected or a second level of decision, based on the comparison with neighboring values, is activated. 1. INTRODUÇÃO Para que a utilização de dados SYNOP (Rede de superfície que circula no GTS - Global Telecommunication System) e METAR (Informações de superfície baseadas em observações realizadas em aeroportos) no modelo regional RAMS (Regional Atmospheric Modeling System, descrito por (Pielke et al., 1992) contribua para a melhoria da destreza da previsão, é necessário que os dados de entrada passem por um rigoroso controle de qualidade. Esse controle é fundamental para evitar a introdução de ruídos indesejáveis na previsão numérica. Mesmo que haja apenas uma estação com problemas o resultado do modelo pode ser bastante comprometido. Vuolo (1996) classifica os erros como sendo aleatórios e/ou sistemáticos. Os erros aleatórios são devidos a inúmeros fatores independentes e tendem a se distribuir simetricamente em torno de zero, além de não dependerem do valor medido. Tais erros estão presentes em todas as séries de dados, e não é possível remove-los destas, embora o erro quadrático médio devido aos erros aleatórios deva tender a zero em conjuntos de dados acurados. Por outro lado, os erros sistemáticos não se distribuem simetricamente em torno de zero, e podem ser devidos a erros na escala do instrumento ou qualquer outro fator que seja persistente no tempo, ou que dependa deste (aumentando gradativamente com o tempo, por exemplo). É possível remover este erro desde que se conheça a sua origem e se determine qual é a relação funcional deste com o tempo. São vários os fatores que podem ocasionar erros nestes dados de superfície, tais como: (a) instrumentos descalibrados ou envelhecidos este em geral é o erro mais difícil de ser detectado e pode persistir por um longo período, até que seja feita uma recalibragem ou substituição do instrumento; (b) erro de leitura dos dados o observador pode se confundir e ler ou anotar um valor erroneamente, geralmente estes erros são grandes em magnitude e distorcem de maneira significativa os campos analisados, por outro lado, estes erros são facilmente detectáveis justamente por causa da discrepância em relação aos demais dados; (c) erro na transmissão dos dados estes dados são disponibilizados em códigos e se, por exemplo, apenas um caracter for escrito em uma posição incorreta, o programa decodificador pode registrar um valor completamente diferente do observado. Segundo Gandin (1988), é possível classificar o controle de qualidade de dados em diversas categorias. A primeira delas, muito comum para remoção de erros grosseiros, é a inspeção visual, que, embora subjetiva, é bastante útil ainda hoje, pelo menos na determinação da origem do erro em situações mais complicadas. Uma outra categoria seria o método de consistência espacial, que se baseia no fato de que os valores de uma variável em pontos próximos não devem ser muito diferentes. Entretanto, deve-se tomar cuidado especial ao se utilizar este método, pois em regiões tropicais a ocorrência de fenômenos meteorológicos de escalas menores pode produzir, por algumas horas, diferenças significativas mesmos em pontos adjacentes, dependendo da resolução espacial a 3850

2 passagem de frente de rajadas em apenas uma estação, por exemplo, pode produzir tais diferenças. Outro método bastante utilizado é o da verossimilhança, que verifica os dados de maneira independente e pode ser dividido em dois gêneros: o primeiro, mais simples, rejeita valores impossíveis, sejam estes medidos diretamente ou calculados; o segundo, estatístico, consiste em verificar valores suspeitos, que estejam fora de intervalos de confiança de 68 e 95% de probabilidade de ocorrência, por exemplo. Finalmente, é possível utilizar equações diagnosticas às quais os dados devem obedecer pelo menos em uma primeira aproximação, este método é denominado método de consistência física. 2. METODOLOGIA O controle de qualidade dos dados tem como objetivo eliminar os dados duvidosos, fazendo com que o modelo RAMS assimile apenas os confiáveis. Para este controle foi criada uma rotina em FORTRAN que se baseia nos seguintes procedimentos: 1. É feita inicialmente uma análise no tempo inicial na grade do RAMS, sem assimilação dos dados de superfície (i.e., assimilando apenas a análise do CPTEC em baixa resolução). Este procedimento usa o esquema operacional do RAMS para análise objetiva que simplesmente interpola a análise de baixa resolução em níveis de pressão, nos níveis sigma-z do RAMS e na grade de alta resolução. Este procedimento considera o ajuste do campo do vento à topografia na malha do RAMS. 2. Para cada estação, é feita a diferença absoluta (i.e, o módulo da diferença) entre o dado observado na estação e o valor obtido, desta mesma variável, pela interpolação da análise do passo 1 na latitude e longitude da estação. Esta interpolação é bi-linear no momento. 3. Se a diferença absoluta for menor que α 1, aceita-se o dado da estação, que adquire a classificação "verde". 4. Se a diferença absoluta for maior do que α e menor do que β, classifica-se a estação como "amarela". Se a diferença for maior do que β e menor do que γ classifica-se a estação como "vermelha" e caso contrário o dado é imediatamente descartado. 5. No caso das estações amarelas utiliza-se o método da consistência espacial, avaliando a sua vizinhança. Somente se δ% das estações vizinhas (dentro de um raio φ) também forem da mesma cor, a estação em questão é aceita. O mesmo procedimento é aplicado para as estações vermelhas com valores de δ e φ diferentes. Este procedimento faz com que agrupamentos de estações "amarelas" ou mesmo "vermelhas" possam ser aceitas, pois a probabilidade de que estes dados sejam corretos é relativamente alta no caso de concentração de estações com a mesma classificação. No caso de, por exemplo, uma frente de rajada passar apenas na estação avaliada, provavelmente esta estação será rejeitada. Entretanto, como existe uma população de estações bem grande (ver figura 4) com o mesmo comportamento, casos deste tipo tornam-se mais raros. O procedimento acima descrito é aplicado independentemente para as variáveis: vento zonal, vento meridional, temperatura e umidade relativa. 3. RESULTADO E DISCUSSÃO A figura 1 apresenta o campo analisado da temperatura no primeiro nível do modelo (neste caso em 57,3m) sem assimilação de dados de superfície. A única fonte de dados neste caso vem da análise operacional do CPTEC no mesmo horário. A figura 2 mostra uma análise do mesmo caso da Figura 1, porém com a assimilação de dados SYNOP e METAR sem passar por um controle de qualidade. Observa-se nesta figura que existe um núcleo bem quente no noroeste de Minas Gerais. Este núcleo foi causado pela estação que registrou temperatura de 38,1 ºC sendo que as estações vizinhas estavam em torno de 23 ºC. Logo, suspeita-se que o valor 38,1 ºC possa não estar correto. 1 α, β, γ, δ e φ são valores ajustáveis do algoritmo. 3851

3 Figura 1: Campo de temperatura em 57,3 metros para o dia 10/Jan/2002 às 00:00Z obtido com o modelo RAMS sem assimilação dos dados de superfície. Figura 2: Idem a fig. 1, mas assimilando os dados de superfície sem controle de qualidade. A figura 3 é semelhante à figura 2, com a diferença que nesta utilizou-se os dados de superfície que passaram pelo controle de qualidade. Observa-se que o núcleo citado anteriormente não aparece nesta figura. Comparando a figura 1 com a figura 3 pode-se observar que a assimilação dos dados de superfície pelo modelo RAMS modificou bastante o resultado da analise. 3852

4 Figura 3: Idem a fig. 1, mas assimilando os dados de superfície com controle de qualidade. No intuito de ter uma visão espacial das estações com as suas classificações (cores), foi desenvolvido um script a ser utilizado no GrADS, o qual apresenta uma interface gráfica bastante amigável (ver figura 4). Segundo a escolha do usuário, pode-se optar pela visualização dos campos: obtidos da analise do RAMS sem assimilação dos dados de superfície e interpolado na latitude e longitude da estação (U fst, V fst, T fst, UR fst ), dos dados observados na estação (U obs, V obs, T obs ou UR obs ) e da diferença entre X fst e X obs onde X é a variável analisada. No menu ESTAÇÃO pode-se observar o campo do vento (barbelas), a temperatura, a umidade relativa e a altitude da estação; Se for escolhido o menu NOME, será plotado o nome das estações; e no menu que mostra a data, podese selecionar a visualização dos últimos 20 arquivos que passaram pelo controle de qualidade. A figura 4 mostra um exemplo de como ficou as classificações das estações para os dados de temperaturas do dia 10/jan/2002 as 00Z. Observa-se que a estação citada acima (83531) apresenta um erro na temperatura de 15,2 ºC em relação a análise do RAMS sem assimilação dos dados de superfície. As cores dos dados são referentes à classificação descrita anteriormente. 3853

5 Figura 4: Diferença entre a temperatura da analise do RAMS sem assimilação dos dados de superfície (T fst ) e a observada nas estações de METAR e SYNOP (T obs ). Os valores com as cores verdes, amarelas e vermelhas são referentes às classificações citadas anteriormente. Os valores pretos são os descartados, por ter uma diferença absoluta de temperatura maior que γ. Os valores que estão superpostos com o símbolo ** referem-se àquelas estações que foram completamente excluídas através do procedimento número 5 do controle de qualidade, ou seja, não foi aceito nem o vento zonal, nem o vento meridional, nem a temperatura e nem a umidade relativa. Pode-se observar na figura 5 que os dados de superfície que passaram pelo controle de qualidade deram uma grande contribuição na simulação do modelo RAMS, melhorando o resultado em até 3 o C na região de Brasília. Enquanto que os dados completos, que não foram filtrados pelo controle de qualidade, deram uma contribuição bem inferior. Ao fazer a simulação utilizando os dados de superfície sem o controle de qualidade, o modelo parou após 36 horas de integração, este fato é suficiente para inviabilizar a assimilação operacional de dados de superfície pelo modelo RAMS sem um prévio controle de qualidade destes dados. Em regiões mais favoráveis à ocorrências de fenômenos como: sistemas frontais, brisas, frentes de rajadas, etc. a contribuição dos dados de superfície pode não ser tão pronunciada, podendo em alguns casos ter até uma contribuição negativa. Este fato deve-se principalmente a escassez de estações meteorológicas, pois o controle de qualidade pode excluir dados p. ex. vermelhos, que são verídicos, por falta de estações vizinhas que também seriam vermelhas. A análise objetiva de Barnes (Koch et al., 1983) feita pelo RAMS, também pode ser muito afetada por este fator. Observa-se na figura 6 que durante a noite a simulação com o controle de qualidade teve uma contribuição positiva e durante o dia pode-se dizer que esta contribuição foi nula, pois esta ficou cerca de 3 o C abaixo do valor medido e a assimilação sem os dados de superfície ficou cerca de 3 o C acima. Este fato pode ser explicado pela brisa marítima que chega no período da tarde na cidade de Campinas. 3854

6 Figura 5: Comparações entre a temperatura medida no aeroporto de Brasília-DF (METAR) com três simulações realizadas pelo modelo RAMS e interpolada na latitude/longitude desta estação. 1) Com assimilação dos dados de superfície sem controle de qualidade (de 6 em 6 horas); 2) assimilação dos dados que passaram pelo controle de qualidade e 3) sem assimilação de dados de superfície (assimilando apenas as análises do CPTEC). figura 6: Idem a fig. 5, mas para o aeroporto de Campinas-SP. Baseando-se no trabalho de Longo et al. (2002), pretende-se fazer o controle de qualidade dos dados de radiossondagens para serem também assimilados operacionalmente pelo modelo RAMS. 3855

7 4. APLICAÇÃO Segue abaixo o esquema atual do ciclo de assimilação que está em operação no laboratório MASTER (Meteorologia Aplicada a Sistema de Tempo Regional) desde dezembro de Análise do CPTEC RAMS Dados de METAR + SYNOP Controle de Qualidade Visualização das estações com suas classificações Dados de METAR + SYNOP filtrados Análise do ciclo Visualização em GrADS History do último ciclo RAMS Novo history do ciclo Reinício do processo ao chegar uma nova análise do CPTEC e novos dados de METAR e SYNOP 5. CONCLUSÕES Este trabalho apresentou o controle de qualidade dos dados de METAR e SYNOP e mostrou a importância deste controle na assimilação dos dados de superfície pelo modelo RAMS. Este controle vem sendo aplicado com sucesso no laboratório MASTER. O método de inspeção visual não foi utilizado, pois, este controle de qualidade tem caráter operacional, não sendo viável o emprego deste método. Também não se utilizou o método da verossimilhança estatística, mas em pesquisas futuras, este método poderá ser implementado. Devido a escassez de estações meteorológicas este controle de qualidade pode não ser muito eficiente em determinadas regiões, mas em geral a contribuição é positiva. 6. AGRADECIMENTOS Agradecemos à FINEP (Financiadora de Estudos e Projetos) pelo apoio financeiro. 3856

8 7. REFERÊNCIAS BIBLIOGRÁFICAS Gandin, L. S., 1988: Complex quality control of meteorology observations. Mon. Wea. Rev., 116, Koch, S.E., M. Desjardins, P.J. Kocin, 1983: An Interactive Barnes Objective Map Analysis Scheme for Use with Satellite and Conventional Data. Journal of climate and applied meteorology, 22: (9) Longo, M., R.I. Albrecht, L.A.T. Machado, G. Fisch, M.A.F. Silva Dias, 2002: Controle de qualidade dos dados de radiossondagem da campanha WET-AMC/LBA. Submetido à Revista Brasileira de Meteorologia. Pielke, R.A.,W.R. Cotton, R.L. Walko, C.J. Tremback, W.A. Lyons, L.D. Grasso, M.E. Nicholls, M.D. Moran, D.A. Wesley, T.J. Lee e J.H. Copeland, 1992: A Comprehensive meteorological modeling system RAMS. Meteor. Atmos. Phys., 49, Vuolo, J.H., 1996: Fundamentos da teoria de erros. 2 a ed., São Pulo, Edgar Blücher, 249pp. 3857