ANÁLISE ESPACIAL DE CHUVA ACUMULADA DIARIAMENTE PARA IDENTIFICAÇÃO DE CARACTERÍSTICAS LOCAIS Reinaldo B. da Silveira Carina Klug Padilha Reinke Ricardo Raposo dos Santos RESUMO Dados de chuva acumulada em 24 horas, observada nas estações do Instituto Nacional de Meteorologia (INMET) e outras redes de observações no Brasil e América do Sul, foram espacializados para compor um campo de bi-dimensional de chuva, constituindo-se o que se chamou de análise gradeada de chuva, num esforço do Climate Prediction Center (CPC) do NCEP, Estados Unidos, em conjunto com vários centros operacionais de Meteorologia e Recursos Hídricos da América do Sul, em particular o INMET. O resultado é uma representação de boa qualidade do campo de chuva à superfície, em grade regular com espaçamento de grau (aproximadamente 00 km). Neste trabalho, os produtos provenientes desta análise são utilizados para examinar séries diárias de chuva na busca de precursores para início e término da estação chuva em qualquer ponto no domínio da análise gradeada. Embora preliminares, os resultados mostram alguns indicadores para entender o comportamento médio diário da chuva numa dada localidade. ABSTRACT Rainfall data collected from meteorological surface data, over 24 hours accumulation, from the National Meteorological Institute (INMET) and other station networks from Brazil and South America, are used to build up a two-dimensional grid analysis. This effort was a joint initiative of NCEP, through its Climate Prediction Center (CPC), South America meteorological and hydrological centers and, in particular, the INMET. The result is a good quality representation of rainfall field, on a degree mesh of a regular latitude/longitude grid. In this work, we use these products to exam possible precursors of beginning and end of rainfall season, at any particular point within the grid analysis. Although, this is still ongoing activities the results gathered so far give some indicators of daily rainfall behavior. Palavras-chave: Chuva, análise espacial de chuva, indicativo de chuva.
INTRODUÇÃO Muitos esforços são empregados para entender e prever a distribuição espacial e temporal da chuva. Como exemplo, Kousky (988) estudou o início e término da estação chuvosa no Brasil, usando dados de sensoriamento remoto. Ainda, simulações diversas, tanto por modelos físicos e matemáticos como por métodos estatísticos, tais como aplicado por Murphy (999), são realizadas, principalmente para prever com longa antecedência o início da estação de chuvas, entendido como o período com chuvas regulares e possivelmente diárias. No Brasil os regimes de chuva variam consideravelmente com local e períodos de ocorrência, devido às condições de tempo e extensa área territorial, com regimes de chuva equatoriais bem definidos no ano e de latitudes temperadas com chuvas durante todo ano. Estas limitações, somadas à dificuldade em obter os dados diários das estações completos, tornam a tarefa de análise dos regimes de chuva, tanto espacial como temporal, um desafio. O NCEP, através do Climate Prediction Center (CPC) (http://www.cpc.noaa.gov), realizou, em parceria com diversas instituições na América do Sul, em particular o Instituto Nacional de Meteorologia (INMET), uma composição dos dados de chuva coletados nas estações convencionais em uma grade regular latitude/longitude, com malha de grau (~00 quilômetros). O resultado fornece um campo bi-dimensional de chuva de boa qualidade, para todo o Brasil e América do Sul, salvo situações onde a amostragem por área é insuficiente para compor este campo bi-dimensional. Este trabalho utiliza dados de de janeiro de 975 a 7 de maio de 2006 para compor a análise gradeada, sendo um exemplo do campo bi-dimensional apresentado na figura, com indicação das estações disponíveis para a análise. Figura : distribuição das estações utilizadas para a análise gradeada de chuva, com aproximadamente 550 estações. 2
Tais análises foram então utilizadas para o propósito de examinar a variação diária de indicação de chuva acumulada em 24 horas, para qualquer localidade dentro do domínio, doravante indicado por P. O indicador é uma variável binária que será se acontecer chuva maior que um dado valor (digamos 5, 0,...) q milímetros de acumulação e 0 caso não aconteça chuva em dada área que contenha o ponto de interesse, tal como uma estação de observação à superfície. Calculamse então médias espaciais dos valores de chuva na área e estas médias são comparadas ao limite desejado, determinando-se o indicador, tal que: IC AREA = M N N j= M i= IC i, j () onde IC é o indicador médio de chuva para área, M número de pontos de grade e N total de anos utilizados. Outra quantidade calculada é o desvio médio do indicador de chuva entre áreas com centro em P, de modo que: ΔIC = IC AREAX IC AREAY = M X N N M X IC i, j j= i= ( M X M Y ) (2) Se () e (2) são aplicados ao mapa de análise de chuva, obtém-se análise descritiva da chuva diária para qualquer ponto de interesse e a relação entre a vizinhança, podendo ser obtida por medidas diversas, tais como o coeficiente de correlação de Pearson, como descrito por Morrison (978): cov( Δ K, Δ L ) ρ K, L = (3) var( Δ ) var( Δ ) K L onde K,L correspondem aos desvios de IC em áreas distantes e centradas em P. RESULTADOS Escolhendo Brasília, São Paulo e Fortaleza, como pontos P de interesse e o valor limite para 5 mm por dia, as representações das áreas, delimitadas por quadrados, são apresentadas na figura 2, para três estações de observação à superfície, Brasília, Fortaleza e São Paulo, respectivamente, com 0 áreas afastada a múltiplos de 00 km do ponto de interesse (pequeno quadrado no interior). 3
Figura 2: áreas concêntricas, escolhidas para a análise. As áreas estão separadas em 00 km e área máxima está a 000 km do ponto de interesse, sendo representado pelo pequeno quadrado no centro da figura, para Brasília (esquerdo), São Paulo (centro) e Fortaleza (direito). A variação temporal do indicador de chuva médio (IC) para as três localidades é mostrada na figura 3. A curva sobreposta ao valor original do IC consiste em um filtro de médias móveis, de ordem 5, informada apenas para ilustração, sem maiores aplicações para fins deste trabalho além de indicar variação semelhante às normais climatológicas, constante no gráfico da figura 4. Nota-se a escolha do baixo limite para a acumulação de chuva, possibilitando a indicação de qualquer chuva no domínio escolhido e que a alta freqüência com relação ao gráfico das normais permite identificar mudanças de estrutura, como inflexões não claras nos dados de baixa freqüência, principalmente nos dias que antecedem o início e fim da estação chuvosa nas localidades escolhidas. As figuras que seguem são os resultados para os desvios ( _IC) médios calculados com relação ao ponto P, para as três localidades, Brasília, São Paulo e Fortaleza (figuras 5, 6 e 7, respectivamente), calculados para distâncias desde 00 km de P até 600 km. Nota-se dos resultados que Brasília destaca-se por indicar o período de seca até áreas distantes, o que não acontece com São Paulo, em que o desvio aumenta rapidamente ao afastar-se de P. O comportamento em Fortaleza também é peculiar, principalmente no período chuvoso. Enquanto o regime de seca estende-se também até grandes distâncias, nota-se que a indicação de chuva difere no período de chuva, ao afastar-se já a 00 km de P. Estes resultados podem ser verificados com as correlações entre os desvios, apresentadas na figura 8, onde se observa, por exemplo, como em São Paulo a indicação de chuva diária difere sensivelmente daquela para áreas vizinhas, já nos primeiros 00 km. 4
Figura 3: Variação diária do Indicador de Chuva, IC, para Brasília, São Paulo e Fortaleza. Figura 4: Normais climatológicas para Brasília, São Paulo e Forlateza. INMET. 5
Figura 5:desvios para Brasília. Figura 6: desvios para São Paulo. 6
Figura 7:desvios para Fortaleza. Figura 8: Correlações dos desvios, para 0 distâncias de P, de 00 a 000 km. 7
CONCLUSÕES O procedimento aplicado neste trabalho possibilita análise sem dificuldades de séries de dados, pósprocessados, de chuva com alta freqüência, o que dependendo da aplicação constitui uma boa ferramenta, como por exemplo, para análise de estrutura e inflexões nas séries temporais. Os resultados, ainda que preliminares, indicam que as relações entre os padrões de chuva de um dado local e a vizinhança podem indicar nos dados, características úteis para investigar tais quebras de estrutura, o que certamente é valioso num centro de previsão e análise do tempo. AGRADECIMENTOS Os autores agradecem ao CPC, do NCEP, NOAA e Vernon Kousky, por gentilmente disponibilizar o código e dados para a análise gradeada. Os agradecimentos são dados também ao Dr. Paulo Lúcio pelas discussões e sugestões ao trabalho. REFERÊNCIAS BIBLIOGRÁFICAS Kousky, V. E., 988: Pentad Outgoing Longwave Radiation Climatology for the South American Sector. Revista Brasileira de Meteorologia, v. 3, p. 27-23. Morrison, D.F. 978: Multivariate Statistical Methods. McGraw-Hill, USA. Murphy, J., 999: An evaluation of statistical and dynamical techniques for downscaling local climate. Journal of Climate, 2, 2256-2284. 8