Bruno Teixeira (2018) .pdf
Bruno Teixeira (2018) .pdf
Documento PDF (5.6MB)
Documento PDF (5.6MB)
UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
PÓS-GRADUAÇÃO EM METEOROLOGIA
ESTUDO DA EFICIÊNCIA DA PREVISÃO NUMÉRICA DO TEMPO DE
CURTO PRAZO PARA O MUNICÍPIO DE MACEIÓ/AL, UTILIZANDO O
MODELO WRF.
BRUNO CÉSAR TEIXEIRA CARDOSO
MACEIÓ – AL
2018
BRUNO CÉSAR TEIXEIRA CARDOSO
ESTUDO DA EFICIÊNCIA DA PREVISÃO NUMÉRICA DO TEMPO DE
CURTO PRAZO PARA O MUNICÍPIO DE MACEIÓ/AL, UTILIZANDO O
MODELO WRF.
Dissertação submetida ao colegiado do Curso
de Pós-Graduação em Meteorologia da
Universidade Federal de Alagoas - UFAL,
como parte dos requisitos necessários para
obtenção do título de Mestre em Meteorologia.
Orientador:
Prof. Dr. Rosiberto Salustiano da Silva Júnior
MACEIÓ – AL
2018
Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Bibliotecária responsável: Janis Christine Angelina Cavalcante – CRB: 1664
C268e
Cardoso, Bruno Cesar Teixeira.
Estudo da eficiência da previsão numérica do tempo de curto prazo para o
município de Maceió, utilizando o modelo WRF. / Bruno Cesar Teixeira
Cardoso. – 2018.
96 f. : il. color., grafs. tabs.
Orientador: Rosiberto Salustiano da Silva Junior.
Dissertação (Dissertação de mestrado em Meteorologia) –
Universidade Federal de Alagoas. Instituto de Ciências Atmosféricas, Maceió,
2018.
Bibliografia: f. 85-89.
Anexos: f. 90-96.
1. Previsão do tempo. 2. Modelo WRF. 3. Topografia. 4. Uso do solo.
I. Título.
CDU: 551.509
DEDICATÓRIA
À minha família, DEDICO.
AGRADECIMENTOS
Aos meus familiares, meu pai (Apolônio - in memoriam), minha mãe (Maria
Alice), meus irmãos (Carolina e Daniel), meus filhos (Lucas e Giovanna) e minha
noiva (Anna Paula), por terem me apoiado nos momentos bons e não tão bons,
sendo as pessoas que me fizeram buscar força e inspiração.
Ao Prof. Dr. Rosiberto Salustiano, pela paciência, amizade e
companheirismo por ter acreditado e me motivado a todo o momento, além de
enriquecendo meus conhecimentos na área computacional de meteorologia e
pela sua orientação tornando possível a conclusão deste trabalho e contribuindo
para meu crescimento profissional.
Ao meu amigo Prof. Dr. Heliofábio Barros Gomes que incentivou para
realizar o mestrado na Meteorologia e todo apoio durante o curso.
Aos amigos de turma e do Laboratório de Modelagem Atmosférica,
parceiros e incentivadores mútuos, principalmente nos momentos difíceis que às
vezes enfrentávamos.
Agradeço o apoio, motivação, compreensão dos meus amigos/irmãos da
equipe de Jiu-Jitsu Vicente Júnior da qual faço parte e tenho muito orgulho.
RESUMO
Neste trabalho aplicam-se métodos simples de estatística para comparar o
desempenho do modelo realizando o comparativo das variáveis meteorológicas
com dados observados de uma estação automática e dados simulados pelo
modelo WRF. Com a inserção dos modelos numéricos, se tornou possível
realizar previsão do tempo com melhor confiabilidade e um curto prazo em busca
de resultados mais eficientes. Os dados analisados dessas variáveis foram do
período de 10 a 19 de julho de 2017, utiliza-se estatística e ferramentas
computacionais:
modelo
atmosférico
de
mesoescala
(WRF),
planilhas
eletrônicas, além de linguagens de programação específicas e scripts para
execução dos dados. A estação automática da qual foram extraídos os dados
observados está localizada em Maceió. As simulações do WRF foram validadas
através de séries de dados e análises estatísticas e ficou comprovado que nas
variáveis houve eficiência do WRF nas previsões. Os resultados mostraram-se
eficiente com coeficiente de correlação entre média e forte para 24h na maioria
dos simulados e uma correlação média para 48h e 72h na maioria dos simulados,
foi possível concluir que o modelo está ajustado para prever valores médios e
que em alguns momentos que os resultados mínimos e máximos não
conseguiram ser simulados, logo é possível indicar o modelo como uma
ferramenta a ser utilizada para realizar previsão de curto prazo desde que haja
atualização de topografia e uso do solo para o município de Maceió. Nessa
pesquisa foi possível obter resultados satisfatórios, porém pode-se aperfeiçoar
os equipamentos de medição e processamento de dados para se obter
resultados ainda mais satisfatórios.
Palavras-Chave: Previsão do Tempo. Modelo WRF. Topografia. Uso do Solo.
ABSTRACT
With the insertion of the numerical models, it became possible to carry out a more
reliable and short-term forecast of the time in search of more efficient results
besides being necessary to improve the model and to acquire knowledge of its
performance. In this work we apply simple statistical methods to compare the
performance of the model by comparing the meteorological variables with
observed data from an automated weather station (AWS) and data simulated by
the WRF model. The analyzed data of these variables were from July 10 to 19,
2017, using statistical and computational tools: atmospheric mesoscale model
(WRF), spreadsheets, as well as specific programming languages and scripts for
data execution. The (AWS) from which the observed data was extracted is
located in Maceió. The WRF simulations were validated through data series and
statistical analyzes and it was verified that in the variables there was efficiency of
the WRF in the predictions. The results expected with correlation coefficient
between average and strong for 24h in most simulated and a mean correlation
for 48h and 72h in most of the simulated, it was possible to conclude that the
model is adjusted to predict average values and that in some moments that the
minimum and maximum results could not be simulated, it is therefore possible to
indicate the model as a tool to be used to carry out short-term forecasting
provided there is updating of topography and land use for the city of Maceió. In
this research it was possible to obtain expected results, but the equipment of
measurement and data processing can be improved to obtain even more
satisfactory results.
Key-Words: Weather Forecast. Model WRF. Topography. Use of the soil.
LISTA DE FIGURAS
Figura 01 - Ilustração da influência do espaçamento entre pontos de grade, na
representação
(adaptação
de
das
parâmetros
notas
de
meteorológicos
aula
do
Prof.
contínuos.
Adilson
Fonte:
Wagner
Autor
Gandu
IAG/USP)...........................................................................................................27
Figura 02 - Localização do Estado de Alagoas na região Nordeste do Brasil.
Fonte: EMBRAPA (2012)...................................................................................34
Figura 03 - Mesorregiões de Alagoas, Leste (Mata Norte, Litoral e Mata Sul),
agreste e o sertão. Fonte: IBGE (2015).............................................................35
Figura 04 - Localização da estação meteorológica automática (Maceió-A303) do
INMET................................................................................................................36
Figura 05 - Normais Climatológicas do Brasil. Precipitação acumulada mensal e
anual(mm). Fonte: INMET (2017).......................................................................42
Figura 06 - Cobertura espacial de 80km(a) e 20km(b) gerados a partir de dados
topográficos do modelo WRF. Fonte: Autor........................................................44
Figura 07 - Atualização dos dados topográficos do modelo WRF, atualizado com
dados da NOAA com cobertura espacial de 5km. Fonte: Autor..........................45
Figura 08 - Cobertura espacial de 80km gerados a partir de dados do uso do
solo do modelo WRF. Fonte: Autor.....................................................................46
Figura 09 - Atualização dos dados do uso do solo do modelo WRF, atualizado
com dados da NOAA com cobertura espacial de 20km. Fonte: Autor.................47
Figura 10 - Atualização dos dados de uso do solo do modelo WRF, atualizado
com dados da NOAA com cobertura espacial de 5km. Fonte: Autor...................48
Figura 11-1 - Imagens do satélite GOES-13 realce colorido e imagens obtidas
do modelo WRF. Ambas para os dias 10 e 11/07/2017......................................51
Figura 11-2 - Imagens do satélite GOES-13 realce colorido e imagens obtidas
do modelo WRF. Ambas para os dias 12 e 13/07/2017......................................52
Figura 11-3 - Imagens do satélite GOES-13 realce colorido e imagens obtidas
do modelo WRF. Ambas para os dias 14 e 15/07/2017......................................53
Figura 11-4 - Imagens do satélite GOES-13 realce colorido e imagens obtidas
do modelo WRF. Ambas para os dias 16 e 17/07/2017......................................55
Figura 11-5 - Imagens do satélite GOES-13 realce colorido e imagens obtidas
do modelo WRF. Ambas para os dias 18 e 19/07/2017......................................56
Figura 12 - Gráficos comparativos da Temperatura do Ar para previsões de
24h/48h/72h. Fonte: Autor..................................................................................59
Figura 13 - Gráficos comparativos de Precipitação para previsões de
24h/48h/72h. Fonte: Autor..................................................................................62
Figura 13-a - Imagens geradas pelo modelo WRF de Precipitação de
precipitações acumuladas no dia 11/07/17 de 00-06h, 06-12h, 12-18h. Fonte:
Adaptado pelo Autor...........................................................................................64
Figura 13-b - Imagens do satélite GOES-13 canal infravermelho de Precipitação
de precipitações acumuladas no dia 11/07/17 de 00-06h, 06-12h, 12-18h. Fonte:
CPETC, 2017. Adaptado pelo Autor...................................................................65
Figura 13-c - Imagens geradas pelo modelo WRF de Precipitação de
precipitações acumuladas no dia 13/07/17 de 00-06h, 06-12h, 12-18h. Fonte:
Adaptado pelo Autor...........................................................................................66
Figura 13-d - Imagens do satélite GOES-13 canal infravermelho de Precipitação
de precipitações acumuladas no dia 13/07/17 de 00-06h, 06-12h, 12-18h. Fonte:
CPETC, 2017. Adaptado pelo Autor...................................................................67
Figura 13-e - Imagens geradas pelo modelo WRF de Precipitação de
precipitações acumuladas no dia 19/07/17 de 00-06h, 06-12h, 12-18h. Fonte:
Adaptado pelo Autor...........................................................................................69
Figura 13-f - Imagens do satélite GOES-13 canal infravermelho de Precipitação
de precipitações acumuladas no dia 19/07/17 de 00-06h, 06-12h, 12-18h. Fonte:
CPETC, 2017. Adaptado pelo Autor...................................................................70
Figura 14 - Gráficos comparativos da Velocidade do Vento para previsões de
24h/48h/72h. Fonte: Autor..................................................................................74
Figura 15 - Gráficos comparativos da Direção do Vento para previsões de
24h/48h/72h. Fonte: Autor..................................................................................79
Figura 16 - Gráficos das simulações da Direção do Vento com dados observados
e simulados para previsões de 24h/48h/72h. Fonte: Autor.................................80
Figura 17 - Gráficos comparativos da Pressão Atmosférica para previsões de
24h/48h/72h. Fonte: Autor..................................................................................81
Figura 18 - Gráficos comparativos da Umidade Relativa para previsões de
24h/48h/72h. Fonte: Autor..................................................................................90
Figura 19 - Gráficos comparativos da Temperatura do Ponto de Orvalho para
previsões de 24h/48h/72h. Fonte: Autor.............................................................91
Figura 20 - Gráficos comparativos da Radiação Solar para previsões de
24h/48h/72h. Fonte: Autor..................................................................................92
LISTA DE TABELAS
Tabela 01 - Características da área de estudo do município de Maceió, Altura do
relevo e uso do solo............................................................................................38
Tabela 02 - Características dos tipos de solo na área de estudo do município de
Maceió. Fonte: IGBP, 2017................................................................................39
Tabela 03 - Classificação dos valores das correlações de Pearson. Fonte:
Adaptado de Cavalcante, 2003..........................................................................40
Tabela 04 - Tabela de analise estatística da Temperatura do Ar para previsões
de 24h/48h/72h. Fonte: Autor.............................................................................60
Tabela 05 - Tabela de analise estatística de Precipitação para previsões de
24h/48h/72h. Fonte: Autor..................................................................................63
Tabela 06 - Tabela com o percentual de acertos e erros para cada hora
comparada no período do estudo de 10/07/17 a 19/07/17 das Precipitações para
previsões de 24h/48h/72h. Fonte: Autor.............................................................71
Tabela 07 - Tabela de analise estatística de Velocidade do Vento para previsões
de 24h/48h/72h. Fonte: Autor.............................................................................75
Tabela 08 - Tabela de analise estatística de Direção do Vento para previsões de
24h/48h/72h. Fonte: Autor..................................................................................77
Tabela 09 - Tabela de analise estatística de Pressão Atmosférica para previsões
de 24h/48h/72h. Fonte: Autor.............................................................................82
Tabela 10 - Tabela de estatista de viés, desvio padrão e coeficiente de
correlação comparando os dados no período do estudo de 10/07/17 a 19/07/17
para previsão de 24h. Fonte: Autor.....................................................................93
Tabela 11 - Tabela de estatista de viés, desvio padrão e coeficiente de
correlação comparando os dados no período do estudo de 10/07/17 a 19/07/17
para previsão de 48h. Fonte: Autor.....................................................................94
Tabela 12 - Tabela de estatista de viés, desvio padrão e coeficiente de
correlação comparando os dados no período do estudo de 10/07/17 a 19/07/17
para previsão de 72h. Fonte: Autor.....................................................................95
LISTA DE ABREVIAÇÕES E SIGLAS
CPTEC – Centro de Previsão de Tempo e Estudos Climáticos
DOL – Distúrbios Ondulatórios de Leste
ENOS – El Niño Oscilação Sul
IBGE – Instituto Brasileiro de Geografia e Estatística
INPE – Instituto Nacional de Pesquisas Espaciais
LI – Linhas de Instabilidade
MDE – Modelo Digital de Elevação
NASA – National Aeronautics and Space Administration
NCAR – National Center for Atmospheric Research
NCEP – National Center for Environmental Prediction
NEB – Nordeste Brasileiro
NOAA – National Ocean and Atmospheric Administration
OMM – Organização Meteorológica Mundial
PNT – Previsão Numérica do Tempo
POA – Perturbação Ondulatória dos Alísios
SEMARH – Secretaria de Estado do Meio Ambiente e dos Recursos Hídricos
SRTM – Shuttle Radar Topography Mission
UFAL – Universidade Federal de Alagoas
UTM – Universal Transversa de Mercator
WRF – Weather Research and Forecasting
ZCIT – Zona de Convergência Intertropical
SUMÁRIO
1-
INTRODUÇÃO ..................................................................................... 13
2-
REVISÃO BIBLIOGRÁFICA ...............................................................
17
2.1- Previsão do Tempo ..............................................................................
17
2.2- Variáveis Climáticas ............................................................................. 18
2.3- Ferramentas utilizadas na previsão do tempo .....................................
21
2.4- Modelagem Atmosférica ......................................................................
22
2.5- A influência da Topografia e Uso do Solo na Previsão do Tempo.......
25
2.6- Uso de Radar e Satélite na previsão do tempo ...................................
27
2.7- Principais campos meteorológicos de previsão do tempo ................... 28
2.8- Sistemas Meteorológicos Atuantes em Alagoas .................................. 29
3-
MATERIAIS E MÉTODOS ................................................................... 31
3.1- Caracterizações do Estado de Alagoas ............................................... 31
3.2- Dados Observados ..............................................................................
33
3.3- Modelo atmosférico utilizado ...............................................................
34
3.4- Análises Estatísticas ............................................................................
37
4-
RESULTADOS E DISCUSSÃO ..........................................................
39
4.1- Testes de atualização de Topografia e Uso do Solo ...........................
41
4.2- Atualização do Uso do Solo ................................................................. 44
4.3- Validação da Variável Nebulosidade ...................................................
47
4.4- Validação da Variável Temperatura do Ar ...........................................
55
4.5- Validação da Variável Precipitação Pluviométrica ...............................
58
4.6- Validação da Variável Velocidade do Vento ........................................
70
4.7- Validação da Variável Direção do Vento .............................................
73
4.8- Validação da Pressão Atmosférica ......................................................
78
5-
CONCLUSÃO ......................................................................................
80
6-
REFERÊNCIAS BIBLIOGRÁFICAS ...................................................
82
Anexos .................................................................................................
87
15
1- INTRODUÇÃO
Atualmente destaca-se a importância de realizar previsão do tempo de
curto prazo, com a finalidade de fazer estimativas das variáveis meteorológicas
(consequentemente tendo uma avaliação do meio ambiente) para que a
sociedade possa usar como ferramenta no seu cotidiano e fazer uso das
previsões para os devidos fins no dia a dia. Previsões dos fenômenos como
tempestades, chuvas, ventos, formação de gelo, auxiliam na orientação da
melhor rota para o navio. Muitos aspectos da indústria, comércio e agricultura
tem influência em relação ao tempo. Todos os aspectos do tempo podem ser
importantes para as mais diversas áreas, tanto para a previsão de lucros como
para a proteção de bens e pessoas. A previsão também pode ser útil para o
turismo, onde o tempo indica quais os melhores locais a serem visitados nas
condições de tempo presente e futuro. O cotidiano da sociedade atual se baseia
na condição do tempo e clima, fazendo com que seja realizado um planejamento
das atividades a serem realizadas com base nas previsões.
A previsão é feita a partir da análise de dados captados em todo o mundo
por uma rede internacional. Até o fim da Segunda Guerra Mundial, as
informações meteorológicas tinham fins militares. Com a criação da Organização
das Nações Unidas, os países começaram a trabalhar em conjunto e surgiu a
Organização Meteorológica Mundial (OMM) em 1950. Ela estabelece o estado
inicial global, que mostra as condições de tempo em todo o planeta a partir de
dados obtidos pelos países membros. Mesmo com tantos dados e poderosos
computadores, muito da previsão vem da leitura que os meteorologistas fazem
dessas informações, com isso as previsões para um mesmo local em um mesmo
dia podem variar devido as análises meteorológicas. Outro problema é que há
áreas do globo sobre as quais há menos informações, o que deixa a previsão
menos precisa. A coleta de informações começa em terra na estação
meteorológica. Em geral, esses instrumentos são alimentados por painéis de
energia solar.
Seria extremamente inviável monitorar todo o globo com estações
meteorológicas por conta do alto custo e logística. Por isso, além das estações
meteorológicas automáticas e convencionais do INMET, também são utilizadas
miniestações espalhadas em lugares como os aeroportos, que medem ventos,
16
pressão atmosférica, chuva e umidade do ar, por exemplo. Além de usar os
dados para garantir a segurança dos vôos, os aeroportos também os enviam à
OMM, que com tantas informações vindas de fontes tão diferentes, organiza o
processamento dos dados vindos de 182 países e 6 territórios. Algumas
empresas de meteorologia fazem boletins meteorológicos para meios de
comunicação. Existem canais de TV especializados no assunto e emissoras que
têm meteorologistas próprios
A principal dificuldade de realizar previsão do tempo no Nordeste e no
Brasil é a quantidade reduzida de profissionais na área e a falta de investimento
do governo em equipamentos que facilitem o trabalho de processar os dados
coletados, ou seja, os dados são coletados em quase todo o globo e parte deles
compartilhados, mas as análises devem ser feitas pelos profissionais daquela
região onde existe o interesse em realizar as previsões. Em Alagoas existem
alguns órgãos que realizam o trabalho de análise e previsão do tempo que traz
informações importantes para toda a sociedade local, mas a falta de profissionais
na área e falta de investimento do governo em equipamentos é fato e dificulta a
melhoria desse tipo de trabalho.
O progresso da computação tornou a Previsão Numérica do Tempo (PNT)
um instrumento poderoso para a evolução da meteorologia operacional e
climatológica. A utilização de modelos matemáticos que resolvem as equações
primitivas vindas da mecânica dos fluídos e que descrevem os processos
fundamentais que ocorrem na atmosfera vem ganhando espaço nos últimos
tempos graças ao avanço tecnológico dos supercomputadores com capacidade
de processamento de trilhões de cálculos por segundo. O WRF se encontra em
diversos trabalhos que estão sendo feitos relacionados à validação deste modelo
concentrando no ensaio das possibilidades oferecidas pelo vasto leque de
configurações possíveis que incluem vários esquemas de parametrização para
cada processo físico, diferentes opções na formulação dinâmica e inúmeras
alternativas nos próprios métodos numéricos.
De modo a exemplificar as dificuldades de realização da previsão de curto
prazo, no tocante a representatividade a validação dos modelos, Gandu et al,
(1986) afirmam que os fenômenos meteorológicos de mesoescala não
conseguem ser representados ou estudados com parâmetros observados em
apenas um “ponto” de medida, tal como uma estação meteorológica de
17
superfície ou uma radiosondagem. De alguns anos até a atualidade, os
fenômenos meteorológicos passaram a ter grande importância econômica e
social, já que alguns deles estão associados a inúmeros eventos meteorológicos
extremos tais como: ventos fortes, chuvas intensas e relâmpagos.
Com base em Skamarock et al, (2005), as análises das saídas dos
modelos inicialmente assume-se o pressuposto de que esses dados
representam bem as condições meteorológicas sobre a região estudada. Esse
nem sempre é o caso, pois em algumas regiões o modelo atua bem,
representando de forma realística as diferentes variáveis quando comparados a
dados observados, no entanto, em outras regiões o modelo pode encontrar
certas dificuldades na previsão devido a diversos fatores tais como topografia,
vegetação, condição inicial, umidade e tipo do solo, entre outras anomalias.
Entretanto, o modelo tende a não fazer uma leitura ideal de dados com
intensidades mínimas muitas vezes sendo desconsiderado devido a sua maneira
de obter as informações na atmosfera. Devido a esse e outros conceitos
semelhantes o referido estudo proporciona a atualização de alguns desses
fatores, dessa forma é possível uma melhor representação do modelo
comparado ao observado.
Objetivo Geral:
a) Avaliar a precisão do modelo WRF, na realização de previsão do tempo
de curto prazo;
O objetivo específico deste trabalho para alcançar bons resultados foi:
a) Gerar informações para validação do modelo atmosférico para as
variáveis de Precipitação, Temperatura do Ar, Umidade Relativa do Ar,
Direção do Vento, Velocidade do Vento, Pressão Atmosférica,
Temperatura do Ponto de Orvalho e Radiação Solar;
b) Analisar as saídas dos dados gerados pelo modelo atmosférico de
mesoescala WRF;
c) Comparar o comportamento dos diferentes esquemas de dados gerados
pelo WRF com os dados observacionais da região de Maceió;
d) Avaliar o impacto da atualização dos dados de entrada de topografia e
uso do solo do modelo WRF;
18
e) Analisar através de ferramentas estatísticas a precisão do modelo
atmosférico.
19
2 - REVISÃO BIBLIOGRÁFICA
2.1 - Previsão do Tempo
A junção de ciência e tecnologia pode ser utilizada para realização de
previsão do tempo e uma descrição detalhada de ocorrências futuras esperadas
na atmosfera em determinado local. Sendo assim, entende-se que prever o
tempo é resolver um sistema de equações tendo condições iniciais e de fronteira
com variabilidades conhecidas e devido a estas dificuldades nem sempre
conseguimos obter previsão do tempo com total exatidão.
A previsão do tempo inclui o uso de modelos objetivos baseados em
determinados parâmetros atmosféricos. A busca de informações do tempo e
clima baseada nas condições meteorológicas momentâneas que busca
antecipar com o máximo de certeza as condições meteorológicas futuras, pode
ser chamado de prognóstico. Com base em Carvalho, Iriart & Pereira Neto (2011)
esse estudo de previsão do tempo é baseado em dados de diferentes áreas, por
vez são utilizados para rodar em modelos numéricos utilizando computadores de
grande capacidade de processamento para comparar o estado inicial e analisar
as várias possibilidades da evolução do tempo, gerando previsões baseadas
em probabilidades.
Podemos chamar a sucessão de diferentes estados do tempo que se
repetem e se sucedem na atmosfera ao longo do ano em determinada região de
clima. Para se obter o clima de um determinado local, é necessário que se faça
observações do tempo atmosférico diariamente, durante anos, analisando a
regularidade das combinações dos elementos, sendo esses elementos
formadores do clima, a temperatura, pressão atmosférica, precipitações (chuva,
neve, e granizo) e os ventos. O tempo atmosférico é chamado de uma condição
passageira dos elementos do clima. Ele altera de um dia para outro ou até de
uma hora para outra. As previsões meteorológicas são combinadas dos
elementos do clima. Geralmente são usadas as expressões: tempo bom, tempo
nublado, parcialmente nublado ou tempo chuvoso (REBOITA et al., 2012).
De acordo com Corte-Real J. e Santos, J.A. (2004), realizar previsão do
tempo é determinar os estudos futuros da atmosfera tendo um dado inicial e
condições que descrevam o forçamento da qual a atmosfera está sendo
submetida, tal fato é possível porque as variáveis que definem o estado
20
momentâneo da atmosfera estão ligadas entre si por equações que traduzem
leis fundamentais da física. Por outras palavras, qualquer tipo de dado impreciso
no estado inicial vai implicar em falhas na previsão e o forçamento da atmosfera
também não é conhecido com precisão.
2.2 - Variáveis Climáticas
Em qualquer região o clima é influenciado em grande parte pela circulação
geral da atmosfera, resultando no diferencial do clima pela radiação solar, na
diferente distribuição de oceanos e nas diversas características topográficas dos
continentes. A circulação padrão gerada na atmosfera redistribui calor, umidade
e movimento por todo o globo. Porém, essa redistribuição não é homogênea,
atuando algumas vezes no aumento ou diminuição das variações e dos
elementos climáticos, tais como, precipitação, temperatura e incidência da
radiação solar na qual, têm enorme influência nas atividades humanas. O
Nordeste Brasileiro é considerado uma região semi-árida por apresentar
substanciais variações temporal e espacial da precipitação pluviométrica, e
elevadas temperaturas no decorrer do ano (AZEVEDO et al., 1998). Apesar das
elevadas temperaturas no ciclo anual, as máximas amplitudes térmicas ficam em
torno de 6°C. Segundo Uvo e Berndtsson (1996), alguns mecanismos existentes
que são fortemente atuantes no regime de chuva da região nordeste são: El
Niño-Oscilação Sul (ENOS); Temperatura da superfície do mar (TSM) na bacia
do oceano Atlântico, Ventos Alísios, Pressão ao Nível do Mar (PNM); Zona de
Convergência Intertropical (ZCIT) sobre o oceano Atlântico, Frentes Frias, e
Vórtices Ciclônicos de Altos Níveis (VCAN). Paralelo a esses mecanismos
destacamos também a atuação das linhas de Instabilidade (LI), dos Complexos
Convectivos de Mesoescala (CCM) e os efeitos das brisas marítima e terrestre
na precipitação.
Em determinados interstícios anuais nos quais se verificam anomalias
positivas ou negativas da Temperatura da Superfície do Mar (TSM) nas bacias
do oceano Atlântico, a célula de Hadley e a célula de Walker são perturbadas
causando fortes anomalias na circulação atmosférica sobre os trópicos. Sendo
assim, essas células ao serem deslocadas de suas posições climatológicas,
causam anomalias que interferem nas intensidades e duração do período
chuvoso na região nordeste (RAMOS et al., 1994).
21
Considerado como um dos principais sistemas atmosféricos inibidores ou
causadores de chuva sobre a região Nordeste do Brasil, a Zona de Convergência
Intertropical (ZCIT) pode ser definida como uma banda de nuvens que circunda
a faixa equatorial do globo terrestre, formada principalmente pela confluência
dos ventos alísios do hemisfério norte com os ventos alísios do hemisfério sul,
em baixos níveis, baixas pressões, altas temperaturas da superfície do mar,
intensa atividade convectiva e precipitação. A ZCIT é o fator mais importante na
determinação de quão intensa ou deficiente serão as chuvas no setor norte do
Nordeste do Brasil. Normalmente ela migra sazonalmente de sua posição mais
ao norte, em agosto-outubro para posições mais ao sul, entre fevereiro a abril.
Esse deslocamento está relacionado aos padrões da Temperatura da Superfície
do Mar (TSM) sobre essa bacia do oceano Atlântico Tropical (UVO, 1989). A
Temperatura da Superfície do Mar (TSM) é o principal fator na posição e
intensidade da ZCIT.
Outro mecanismo importante que pode causar chuva no Nordeste do
Brasil está na inserção de frentes frias até às latitudes tropicais. As frentes frias
são bandas de nuvens que se formam em confluência entre uma massa de ar
frio com uma massa de ar quente. A massa de ar frio penetra sob a quente, e
faz com que o ar quente e úmido ascenda, forme nuvens e por fim, as chuvas.
Segundo Gan e Kousky (1982), Vórtice Ciclônico de Altos Níveis (VCAN)
é um conjunto de nuvens com uma forma aproximada de círculo girando no
hemisfério sul. Ao seu redor formam-se nuvens que provocam chuva e no centro
há movimentos de ar de cima para baixo, elevando a pressão e impedindo a
formação de nuvens. O tempo de vida útil desses sistemas tem uma variabilidade
média de 7 a 10 dias. Na região Nordeste do Brasil quando ocorre esse sistema,
inicia-se no oceano Atlântico, geralmente com mais intensidade entre os meses
de novembro e março, e sua trajetória normalmente segue de leste para oeste,
chegando ao seu ápice nos meses de janeiro e fevereiro.
Linhas de Instabilidade são bandas de nuvens causadoras de chuva,
normalmente do tipo cumulus em forma de linha. Segundo Cavalcanti (1982) sua
formação ocorre pelo fato da grande quantidade de radiação solar incidente
sobre a região tropical acontecendo o desenvolvimento das nuvens cumulus,
atingem uma intensa quantidade no fim da tarde e início da noite, onde a
22
convecção é máxima, consequentemente chuva. A proximidade da ZCIT no
interstício de fevereiro e março é outro fator que influencia no incremento das LI.
O aglomerado de nuvens formadas devido às condições locais como
temperatura, pressão atmosférica, relevo, e outras, provocam chuvas fortes e de
curta duração acompanhadas de fortes rajadas de vento. Chamamos esse
sistema de Complexos Convectivos de Mesoescala (CCMs). Na região
subtropical, ocorrem com mais frequência nos meses de primavera e de verão,
formando-se no período noturno com um ciclo de vida entre 10 e 20 horas
(SOUZA et al., 1998).
Ondas de Leste são ondas que provocam chuvas da Zona da Mata
estendendo-se do Recôncavo Baiano até o litoral do Rio Grande do Norte, formase aproximadamente na faixa tropical do globo, na região sob influência dos
ventos alísios, e se deslocam de oeste para leste, ou seja, da costa da África até
o litoral leste do Brasil (VAREJÃO-SILVA, 2001).
As Brisas Marítima e Terrestre resultam do aquecimento e resfriamento
diferenciais que se estabelecem entre a terra e a água. Durante o dia o
continente se aquece mais rapidamente que o oceano, fazendo com que a
pressão sobre o continente seja mais baixa que sobre o oceano. Fazendo com
que o vento à superfície sopre do oceano para o continente, vento esse
denominado de brisa marítima. No interstício da noite o continente perde calor
mais rápido que o oceano, fazendo o oceano ficar com temperaturas mais
elevadas às do continente, a pressão fica maior sobre o continente fazendo com
que o vento sopre do litoral para o oceano, vento esse chamado de brisa terrestre
(FEDOROVA, 2001). No nordeste brasileiro, os ventos alísios são persistentes
e intensos durante todo o ano, quase constantemente as brisas contribuem para
mudar um pouco a direção e a velocidade dos alísios (AZEVEDO et al., 1998).
O fenômeno El Niño-Oscilação Sul (ENOS) é caracterizado por anomalias
na temperatura da superfície do mar (TSM), sendo positivas (El Niño) ou
negativas (La Niña), ocorrem no Pacífico equatorial, e sua caracterização é feita
através de índices (ENFIELD E MAYER, 1997).
2.3 - Ferramentas utilizadas na previsão do tempo
As estações de superfície, navios, bóias, balões, aviões, etc, fornecem
informações a respeito da temperatura, umidade, vento, pressão, tipos de
23
nuvens e precipitação, sendo que as duas últimas informações podem variar de
lugar para lugar devido ao clima de cada região. Para obtermos tais estimativas
utilizamos o radar meteorológico, o qual é o meio técnico mais potente para
medições de queda de chuva. Com o feixe de radar a prospectar
horizontalmente, qualquer chuva, neve ou saraiva, que esteja no alcance do
radar refletirá o sinal e fornecerá uma visão pormenorizada da distribuição da
precipitação. A intensidade do eco de radar refletido pelas gotas de chuva pode
ser relacionada com a taxa de queda de chuva (STÉPHANIE NASUTI, 2013).
A atmosfera é observada em locais distribuídos irregularmente por toda a
Terra e, algumas das observações são sinóticas, algumas outras por satélites e
monitorado em horários diferentes. Quando uma análise é concluída, torna-se
possível aplicar equações matemáticas que representam todos os processos
físicos que interessam, e assim, calcular a modificação que ocorrerá em cada
valor de cada ponto da rede num intervalo de tempo curto chamado incremento
de tempo. O cálculo, em cada ponto da rede, implicará em adições, subtrações
e multiplicações, utilizando-se valores dos pontos da rede à volta. Logo que
tenham sido calculados novos valores das variáveis (velocidade e direção do
vento, pressão atmosférica, temperatura e umidade relativa do ar), para todos
os pontos da rede e a todos os níveis, todo o processo pode ser repetido para
se avançar outro incremento temporal. O sistema de equações, aproximações e
cálculos é chamado modelo numérico da atmosfera. (SKAMAROCK et al, 2008).
Por isso, a previsão consiste em métodos aproximados de probabilidades, com
base em dados de observações de superfície, de altitude, satélites, radar e
análise numérica.
Os modelos numéricos da atmosfera para previsão global exige um
grande número de cálculos a serem realizados em tempo reduzido, portanto são
utilizados os chamados “supercomputadores”. Outra alternativa seria comprimir
as interações numéricas no modelo, otimizando o espaço entre os pontos na
rede. Os modelos são executados com dados disponibilizados que são emitidos
por outras ferramentas que auxiliam na extração dos dados para que sejam
compilados nos modelos (SILVA JÚNIOR et.al, 2016).
2.4 – Modelagem Atmosférica
A modelagem atmosférica em mesoescala é uma excelente ferramenta
computacional para avaliação de curto a longo prazo pois possibilita elaborar
24
estudos prévios antes e diagnosticando áreas promissoras com base em
informações climatológicas de tal forma que considerando alguns fatores que
resultam em uma maior confiabilidade dos produtos gerados pelo modelo
(OLIVEIRA, 2013). O aumento da resolução, ou seja, diminuir o espaçamento da
grade em um modelo possibilita uma melhor qualidade nos dados gerados em
simulações (SILVA JUNIOR et.al, 2016), pois descrevem com maior exatidão o
que ocorre localmente, e ainda incorporando o efeito dos fenômenos
meteorológicos de escala sinótica, porém quanto maoir a resolução do modelo,
verifica-se que os processos físicos em microescala são mais relevantes.
O problema da previsão de tempo em curto prazo envolve o detalhamento
dos sistemas de tempo com escalas que variam das poucas dezenas até as
várias centenas de quilômetros. No entendimento de (ORLANSKI, 1975) esses
sistemas de tempo pertence a chamada mesoescala, com dimensões espaciais
de cerca de dezenas até um milhar de quilômetros. No entanto, a mesoescala
inclui sistemas que tem diferentes características, quanto à origem e evolução
temporal. Ainda segundo (ORLANSKI, 1975) a previsão de tempo à curto prazo
depende essencialmente de características do ambiente de grande escala.
Conforme afirmativa de Gandu (2018), Todo modelo é uma representação
da realidade e, como tal, é sempre incompleta e limitada. O modelo atmosférico
condiciona a realização de uma previsão futura, ou a seja, observar a evolução
temporal das variáveis que definem o estado da atmosfera, tais como a pressão,
temperatura, ventos e umidade do ar. Entretanto, realizar uma previsão numérica
do tempo já seja uma possibilidade, o desenvolvimento dos modelos só foi
possível com a invenção e aperfeiçoamento dos computadores. Atualmente a
previsão numérica do tempo é uma das principais ferramentas científicas
associada à computação para o estudo da atmosfera, a previsão operacional do
tempo e a simulação do clima e suas variabilidades. Como todo modelo
numérico, todo modelo atmosférico precisa atender a alguns requisitos
matemáticos para que ele possa expor as informações previstas em questão. Os
critérios são: consistência, convergência, precisão e estabilidade.
Devido ao resultado de uma parceria conjunta entre várias instituições e
agências governamentais, entre elas: o Centro Nacional de Pesquisas
Atmosféricas (NCAR), a Administração Nacional de Oceanos e Atmosfera
(NOAA) e o Centro Nacional de Previsão do Meio Ambiente (NCEP) foi
25
disponibilizado o modelo de mesoescala “Weather Research and Forecasting”
(WRF) versão “Advanced Research WRF” (ARW) sendo de acesso livre ao
público, porém o usuário necessita de conhecimento básicos de informática para
sua instalação (SKAMAROCK et al., 2005).
Os modelos atmosféricos são utilizados como uma poderosa ferramenta
computacional para pesquisas e previsão do tempo e clima. No caso desse
trabalho foi utilizado o modelo atmosférico WRF (Weather Research and
Forecasting) que está disponível de forma gratuita para download precisando
apenas de algumas configurações para a sua instalação. O referido modelo é
flexível no que diz respeito a assimilação e formato de saída de dados, utilizando
uma arquitetura computacional que dispõe de um alto desempenho em suas
simulações e armazenamento de dados. Outro ponto importante é a adequação
a uma ampla gama de aplicações em escalas que variam de metros a milhares
de quilômetros, um recurso para ampliar a resolução de um modelo é aumentar
o número de pontos na mesma área de domínio do modelo (diminuindo, portanto
o espaçamento dos pontos da grade). Entretanto, o aumento na resolução
implica num aumento nos recursos computacionais, pois o modelo deve
determinar valores para mais pontos de grade. Pois, se a distância entre os
pontos de grade for dividida pela metade (uma resolução mais alta), o numero
de pontos de grade sobre a mesma área quadruplica. (SKAMAROCK et al.,
2008).
Conforme afirmativa de Gandu (2003) exposta na figura 01 é
exemplificada de qual a menor escala que um modelo de pontos de grade pode
representar. Ao simular um fenômeno, no caso uma sequência de nuvens
precipitantes, com escala “L”. Caso fosse possível medir a precipitação de forma
contínua, obteríamos um gráfico contínuo (em azul) conforme primeiro painel.
Porém, não é possível fazer essa medida continua, mas sim com pluviômetros
pontuais ilustrados na figura 01 como uma cruz verde que devem ser colocados
sob as nuvens, a uma distância “S” entre eles. Nos dois painéis seguintes, os
pluviômetros foram colocados espaçados de “S=L”, sendo esse então o
“espaçamento da grade”. Conforme pode ser observado, o valor medido (em
tracejado azul) é um valor constante, podendo variar de zero ao valor máximo
real, conforme a posição relativa dos pontos da grade. Na situação seguinte, os
pluviômetros foram colocados em distâncias “S=(3/4)L” que agora mostra uma
26
certa variação espacial, mas de maneira errônea em relação à real. Isso significa
que um determinado comprimento de onda é “visto” pelo modelo como sendo de
outro comprimento de onda maior. O último painel mostra uma situação onde os
pluviômetros estão espaçados de “S=(1/2)L”, sendo agora possível observar que
o padrão ondulatório do fenômeno é bem melhor representado pelas
observações.
Dessa forma, um modelo de pontos de grade é capaz de analisar
fenômenos que tenha no mínimo uma escala de duas vezes o espaçamento da
grade que na verdade, para simular um determinado fenômeno meteorológico
são necessários de 8 a 10 pontos de grade, para que suas características reais
sejam preservadas. Entretanto, aumentar a resolução espacial de um modelo,
através da diminuição do espaçamento da grade, implica também na
necessidade de diminuir o passo no tempo, que de certa forma um menor passo
de tempo oferece uma melhor resolução temporal. Entretanto, nem sempre é
possível escolher o espaçamento de grade e o passo de tempo que se quer. A
limitação mais comum se trata da máquina que irá processar essa gama de
dados, o espaço limitado de memória impede o uso de um número muito grande
de pontos de grade, e a capacidade limitada de processamento inviabiliza o uso
de um número excessivo de passos de tempo, que levaria processamento dos
dados extremamente elevado (GANDU e GEISLER, 1991).
27
Figura 01 - Ilustração da influência do espaçamento entre pontos de grade,
na representação de parâmetros meteorológicos contínuos.
Fonte: Autor (adaptação das notas de aula do Prof. Adilson Wagner Gandu IAG/USP,
2018).
2.5 – A influência da Topografia e Uso do Solo na Previsão do Tempo
A interação e troca de energia e matéria entre a atmosfera e superfície
terrestre ocorrem nas diferentes escalas. Fatores na superfície, como relevo e
cobertura vegetal influenciam e controlam os elementos climáticos em escalas
inferiores e distribuição da radiação solar, controla o clima em escalas
superiores, Ribeiro (1993).
Em concordância ao exposto por Ribeiro (1993), escalas inferiores são
aquelas mais próximas dos indivíduos e da superfície terrestre, onde ocorrem as
interações climáticas com a sociedade, sendo que a influência dos elementos
presentes na superfície se torna mais acentuada nessas escalas. Entretanto, os
28
fenômenos
climáticos
ligados
às
escalas
superiores
interferem
no
comportamento da atmosfera em escalas inferiores. Dessa forma, quanto menor
a escala, maior o número de variáveis que interferem no comportamento dos
elementos climáticos, fazendo com que as análises em mesoescalas sejam mais
complexas. Sabe-se que a vegetação desempenha importante papel na variação
dos elementos climáticos em escala local, elevando as taxas de umidade relativa
e reduzindo consideravelmente os valores de temperatura do ar em relação ao
seu entorno. Entretanto, as características geomorfológicas de determinado
lugar (relevo, altitude, declividade) também são capazes de influenciar de modo
significativo. Devido a esses fatos, as alterações no uso da terra (atividade
agropecuária, ocupações urbanas e o intenso processo de industrialização)
modificam o balanço de energia, alterando o comportamento das variáveis
climáticas locais. A ausência de áreas verdes, impermeabilização elevada do
solo, presença maciça de concreto e asfalto favorecem o acúmulo de calor
nessas áreas, alterando as taxas de umidade relativa do ar, circulação dos
ventos e precipitação.
Alguns estudos têm sido realizados com modelos tendo o objetivo de
melhor representar os processos de mesoescala, topografia e características da
superfície terrestre da América do Sul. Quando se trata de modelos, a
confiabilidade das simulações em alta resolução depende da qualidade da
condição de contorno lateral e também da própria capacidade do modelo de
desenvolver características realísticas do clima presente (SILVA, 2012). Uma
das vantagens do uso de modelos é que suas grades incorporam uma alta
resolução de topografia que tendem a representar melhor os efeitos da orografia
na distribuição de chuva na área de interesse modelada. (GIORGI e MEARNS,
1999; TANAJURA, 1996; DICKINSON et al., 1989).
As simulações de tempo e clima também são diretamente influenciadas
pelas condições do solo e pela umidade inicial inserida em um modelo de
previsão, devido à influência destes na partição de energia entre calor latente e
calor sensível (DIRMEYER et al, 1999). Essa partição é responsável pelas
diferenças na disponibilidade de calor e água na superfície, determinando o
balanço de energia na superfície e o ciclo hidrológico da região. Verifica-se então
que as condições do solo podem afetar não só a temperatura próxima da
29
superfície e a umidade do ar, mas também a circulação local e principalmente a
precipitação.
2.6 – Uso de Radar e Satélite na Previsão do Tempo
No uso dos dados de radar meteorológico para previsão do tempo a maior
vantagem seria de estimar as correlações e a alta resolução espaço-temporal
dos mesmos. A totalização de pontos utilizados que determinam as correlações
da amostra é uma função do número de pares, onde existe ao menos um deles
com mensuração no registro de precipitação. A correlação espacial é função da
distância entre 2 km x 2 km de pixels em intervalos diferentes de acumulação,
resultando na média de todas as estimativas de correlação numa dada distância.
A função ajustada deve decrescer quando ela preservar ou inverter com a
distância (PEREIRA FILHO et al., 1998).
Atualmente o uso dos radares na previsão de nebulosidade, visibilidade e
condições de vento nos aeroportos são essenciais no planejamento e
monitoramento das decolagens e aterrisagens. Determinadas condições
meteorológicas perigosas podem aparecer durante vôos em altos níveis, como
a turbulência em ar limpo e gelo decorrente no interior de nuvens convectivas.
As previsões de alguns fenômenos meteorológicos são informadas por uma
“carta de tempo significativo”, como parte da documentação de vôo para a
tripulação. Essas informações a respeito da temperatura e vento são também de
extrema importância para os aviões, as quais podem levar a variações
significativas no combustível necessário numa determinada rota (CURTO LUCÍA
et al., 2016).
Medições realizadas por satélites meteorológicos que fornecem valores
numéricos da temperatura do ar em vários níveis são as mais visadas pelos
profissionais da área. O ar é uma mistura de gases onde cada gás emite radiação
de tipos particulares. Os radiômetros dos satélites utilizados para sondagem da
temperatura são sintonizados para medir a radiação da pequena quantidade de
anidrido carbônico que o ar contém. Pela medição da intensidade da radiação
em vários comprimentos de onda da radiação, é possível deduzir valores
diferentes da temperatura do ar. As sondagens por satélite fornecem informação
da temperatura do ar em altitude onde outro modo nada existiria, inclusive sobre
todos os oceanos (GARCIA, G. J.; MARCHETTI, D. A B; ESPINDOLA, C. R.,
1985).
30
2.7 - Principais campos meteorológicos de previsão do tempo.
Para a condição de previsão de tempo de curto prazo, é necessário definir
um método de aquisição e análise de dados permitindo a visualização dos
diversos aspectos dinâmicos nas atividades convectivas. Browning e Collier
(1982) mostram três estágios na previsão de tempo de curto prazo: o primeiro
se refere aos padrões de precipitação observados por radar e satélite que são
analisados e linearmente extrapolados, o segundo se refere ao índice de
temperatura, umidade e vento na superfície e em altitudes na mesoescala
utilizando as redes de dados convencionais, além dos dados processados via
satélite, o terceiro estágio é onde inicia o processamento das informações já
obtidas nos estágios anteriores com o intuito de detectar ocorrências nos
processos físicos. O procedimento de análise a partir dessa fase tem o suporte
de três técnicas: modelos numéricos prognósticos, modelos diagnósticos e
modelos
estatísticos.
Os
resultados
interpretados
dos
modelos,
no
enquadramento de grande escala, são realizados em função de modelos
conceituais baseados nas teorias de desenvolvimento de sistemas de
precipitação em mesoescala, como as descritas por Browning (1986). Os
modelos numéricos de mesoescala podem ser os mais sofisticados, como, o
utilizado em Rotunno e Klemp (1982), ou simplificados como o descrito por
Machado e Silva Dias (1986). As técnicas diagnósticas são determinadas no
cálculo de parâmetros havendo a possibilidade de incorporar novos parâmetros
a medida que se desenvolvem novas teorias (BENNETS e SHARP, 1981). As
técnicas estatísticas utilizam equações de regressão linear múltipla, obtidas de
longas séries de observações e de resultados de modelos prognósticos. Sendo
assim esses parâmetros previsores podem ser escolhidos conforme utilizados
nos modelos diagnósticos de mesoescala e de grande escala. As variáveis que
podem ser estatisticamente previstas são a probabilidade de precipitação, de
ventanias e da queda de granizo (GLAHN e LOWRY, 1972). Entende-se que, o
uso
integrado
das
informações
meteorológicas
convencionais
e
não
convencionais, devido ao apoio pelos resultados de modelos prognósticos,
diagnósticos e estatísticos, é que forma a base para um eficiente sistema de
previsão de curto prazo.
2.8 - Sistemas Meteorológicos Atuantes em Alagoas
31
Pode-se afirmar que a variabilidade climática no Nordeste brasileiro está
mais associada à irregularidade que à escassez, sendo essa, talvez, a principal
dificuldade do homem não permanecer no meio rural, pois a água existente não
atende suas necessidades básicas nem torna o solo apropriado para cultivo
(BRITO et al. 1999).
Estudos sobre as secas no Nordeste revelam que no século XX ocorreram
mais de 20 períodos de secas, algumas das quais classificadas como extremas.
Segundo Moreira Filho et al.,(2002) a ocorrência cíclica das secas e seus efeitos
catastróficos são por demais conhecidos e remontam aos primórdios da história
do Brasil. Os anos de secas têm em comum, o fato de as precipitações se
situarem, abaixo da média histórica (PESSOA e CAVALCANTI, 2002). Onde, o
regime de chuvas é marcado pela escassez, acentuada irregularidade espaçotemporal e longos períodos de estiagem, enquanto a maior parte da precipitação,
geralmente, ocorre em três ou quatro meses do ano e, muitas vezes num lugar
restrito, mas pode passar meses sem chover em grandes áreas, com média
anual inferior a 800 mm.
A descrição do contexto em que ocorrem as secas no Nordeste brasileiro
mostra as dificuldades naturais e institucionais em que se dá a convivência do
sertanejo com o fenômeno climático. A falta de reorganização fundiária,
disponibilidade e uso adequado dos recursos hídricos e de tecnologias
apropriadas para a agricultura dependente de chuvas, de culturas adaptáveis às
condições de clima e solo, causam efeitos econômicos e sociais.
Dentro deste contexto é pertinente afirmar que os principais fenômenos
atuantes e que influenciam os níveis de precipitação no Nordeste brasileiro, são:
o Dipolo do Atlântico Tropical; o El Niño; e a Zona de Convergência Intertropical
(ZCIT).
Perturbações
Ondulatórias
nos
Alísios
(POA)
geralmente
estão
associadas a sistemas convectivos e são um dos principais mecanismos
responsáveis por elevadas taxas de precipitação sobre a Costa Leste do NEB,
durante a estação chuvosa. A faixa costeira, região leste do NEB, que se estende
do Rio Grande do Norte até o sul da Bahia, apresenta um clima quente e úmido
com totais pluviométricos similares aos da região sul do NEB, mas com
quadrimestre chuvoso compreendido entre abril e julho (MOLION e BERNARDO,
2002).
32
Os eventos extremos chuvosos e secos são associados aos fenômenos
climáticos regionais como El Niño Oscilação Sul (ENOS) e gradiente meridional
de Temperatura da Superfície do Mar (TSM). Durante as fases negativas de
ENOS e as positivas da TSM as chuvas são elevadas, enquanto as fases
positivas de ENOS e as negativas da TSM são caracterizadas pelo menor
volume da chuva e ocorrências de secas (Lucena et al., 2011), podemos
entender que com a fase negativa de ENOS e positiva de TSM associamos estes
fenômenos a formação da ZCIT, ocasionando no período da estação chuvosa
um índice de precipitação muito acima da normal climatológica. Na conhecida
quadra chuvosa na região nordeste, é prevista mudanças na temperatura e
precipitação que poderão acarretar vários impactos regionais e globais, atingindo
vários setores ambientais, sociais e econômicos. (KARL & TRENBERTH 2003;
IPCC 2007; BUCKERIDGE 2008).
33
3 - MATERIAIS E MÉTODOS
3.1 - Caracterizações do Estado de Alagoas
O Estado de Alagoas situa-se geograficamente na porção leste do
Nordeste do Brasil. Limita-se ao Norte com Pernambuco, ao Sul com Sergipe, a
Oeste com a Bahia e a Leste com o Oceano Atlântico. Localiza-se entre as
coordenadas geográficas de Latitude 8º40’00’’e 10º40’00’’ de Latitude Sul e
38º20’00’’ e 35º00’00’’ de Longitude Oeste, (ver figura 02). O Estado possui uma
área aproximada de 27.779,343 km² o que representa 1,78% da área total da
região Nordeste e 0,32% do território nacional, portanto, é considerado o
segundo menor território da federação, ficando à frente apenas do Estado de
Sergipe. Com base na regionalização fisionômica realizada pelo Instituto
Brasileiro de Geografia e Estatística (IBGE, 2017), Alagoas divide-se em três
mesorregiões e 13 microrregiões, com um total de 102 municípios. De acordo
com a classificação climática de Köppen, predominam no Estado três tipos de
clima: Tropical e Quente Úmido, com chuvas de outono-inverno; Tropical Quente
e Seco, com chuvas de outono-inverno e Tropical Quente e Seco, com chuvas
de verão-outono (IBGE, 2012), (ver figura 03). Segundo a classificação do
projeto RADAMBRASIL1 no que diz respeito à Fitogeografia, o Estado apresenta
oito tipos de vegetação, sendo elas as Formações Pioneiras, Floresta Ombrófila,
Cerrado, Floresta Estacional Semidecidual, Ecótono, Floresta Estacional
Decidual, Caatinga e Refúgio Ecológico.
1
https://www.bdpa.cnptia.embrapa.br/consulta/busca?b=ad&biblioteca=vazio&busca=autoria:%22Projeto%20RADAMBR
ASIL.%22
34
Figura 02 - Localização do Estado de Alagoas na região Nordeste do
Brasil.
Fonte: EMBRAPA (2012).
De acordo com o Instituto Brasileiro de Geografia e Estatística (IBGE,
2010) no Brasil, Alagoas se encontrava na 16ª colocação em número de
habitantes no ano 2000 e em 2010 é o 17º estado no ranking. Na região
nordestina, atualmente ocupa a 7ª colocação entre os nove estados Alagoas é
um dos estados brasileiros mais densamente povoados, onde 73,6% do total
populacional vivem no meio urbano e 26,37% no meio rural. A densidade
demográfica, em 2010, apresentou a razão de 112,3 habitantes por km², sendo
o 4º Estado com maior densidade demográfica do Brasil. Dentre as cidades mais
populosas, encontram-se: Maceió (932.748), Arapiraca (214.006), Palmeira dos
Índios (70.368), Rio Largo (68.481) e União dos Palmares (62.358) (IBGE, 2012).
35
Figura 03 - Mesorregiões de Alagoas, Leste (Mata Norte, Litoral e Mata
Sul), agreste e o sertão.
Fonte: IBGE(2015).
3.2 - Dados Observados
Os dados observados de precipitação, temperatura do ar, umidade
relativa do ar, temperatura do ponto de orvalho, pressão atmosférica, velocidade
e direção do vento e radiação solar, foram coletados no repositório do Instituto
Nacional de Meteorologia (INMET) da estação Maceió-A303, localizada no
município de Maceió no estado de Alagoas, aberta em 25 de fevereiro de 2003,
localizada entre as coordenadas na latitude de -9.551168°, longitude de 35.770195° e altitude de 65 metros. No estudo estatístico dos dados serão
avaliados nos prognósticos os valores de Viés Médio, Desvio Padrão,
Coeficiente de Correlação e Erro Médio. Tais valores estatísticos serão
apresentados de acordo com o período analisado, obtidos com séries de dados
do observados (INMET) e modelo atmosférico (WRF).
36
Figura 04 – Localização da estação meteorológica automática (MaceióA303) do INMET
Fonte: Google(2018).
A Figura 04 mostra a estação meteorológica de superfície automática do
Instituto Nacional de Meteorologia – INMET2, localizada em Maceió, composta
por sensores responsáveis pelo monitoramento das variáveis meteorológicos:
pressão atmosférica, temperatura e umidade relativa do ar, precipitação,
radiação solar, direção e velocidade do vento dentre outras. Composta por uma
unidade de memória central acoplada a um “data logger”, que realiza o
processamento, armazenamento e transmissão das variáveis mencionadas para
o sistema do INMET.
3.3 – Modelo Atmosférico Utilizado
Segundo Skamarock et al. (2008), o modelo atmosférico de mesoescala
(WRF), Weather Research and Forecasting Model, é um modelo de previsão
numérica de tempo e clima que possui uma estrutura numérica e computacional
baseado em conceitos físicos.
Através de processamento automatizado por algoritmos em Shell Script,
foram realizadas previsões diárias realizadas com o modelo WRF que tiveram
duração de 72h para cada simulação durante o período de 10 a 19 de julho de
2017. As previsões com o WRF foram configuradas com 3 (três) domínios
aninhados com resoluções de 80, 20 e 5km, de modo a cobrir espacialmente a
2
http://www.inmet.gov.br/portal/css/content/topo_iframe/pdf/Nota_Tecnica-Rede_estacoes_INMET.pdf
37
América do Sul (d01, 91x71 pontos xy e 31 níveis verticais com topo de 50mb),
Nordeste Brasileiro (d02, 81x81 pontos xy e 31 níveis verticais com topo de
50mb) e Estado de Alagoas (d03, 93x89 pontos xy e 31 níveis verticais com topo
de 50mb). Os dados simulados no modelo foram com aplicação de variáveis
diferentes no mesmo período de julho de 2017, foram usados os dados:
default(padrão), NDVI(Índice de Vegetação da Diferença Normalizada),
Topografia, Umidade do solo e NDVI e Topografia juntas. Esses dados do
modelo WRF foram comparados estatisticamente com os dados do observado
(INMET), os dados do Instituto Nacional de Meteorologia foram extraídos no
repositório do Portal Eletrônico no período de 10 a 19 julho de 2017. Além disso,
utilizou-se os dados de topografia disponibilizados no repositório da EMBRAPA3
que serviram como dados de entrada para o WRF, proporcionando um melhor
ajuste para o contorno da topografia para a área de estudo.
Silva Junior et al., 2016 afirmam que o WRF é um modelo atmosférico de
mesoescala para previsão numérica de tempo (PNT) e clima. De código aberto
e flexível, disponibilizado livremente para uso operacional e de pesquisa. Por
possuir um código robusto, o WRF pode ser executado desde máquinas comum
a um supercomputador dependendo da quantidade de dados que será
processado.
Na atualização da topografia para obter uma melhor descrição superficial
do WRF foi realizada uma atualização da topografia e uso do solo, com os dados
do Projeto Brasil em Relevo. Este incluiu como fonte primária os modelos de
elevação digital, com aproximadamente 90 metros de resolução espacial,
originários da missão de mapeamento do relevo terrestre SRTM (Shuttle Radar
Topography Mission), desenvolvido pela NASA (National Aeronautics and Space
Administration) e NGA (National Geospatial-Intelligence Agency) dos Estados
Unidos no ano 2000.
Com base nos dados da tabela 01, pode-se notar que não existe diferença
significativa entre a configuração padrão e a atualizada, com relação ao uso do
solo, pois em ambas as situações simuladas a área considerada é classificada
como urbana, vale destacar o fato que a atualização do uso do solo é
considerada a área analisada próxima estação Maceió-A303 do INMET e ao seu
3
https://www.embrapa.br/
38
entorno não houve alteração comparado ao modelo padrão e o atualizado. Já
com relação à topografia, nota-se uma grande diferença entre a previsão padrão
e atualizada, onde a simulação atualizada considera a altura de 79m e a antiga
somente 20,88m, o que confere as novas simulações uma maior precisão
quando comparado ao observado (84m conforme Google Earth).
Tabela 01. Características da área de estudo do município de Maceió,
Altura do relevo e uso do solo.
Observado
(Google Earth)
WRF_Old
WRF_New
Altura do relevo
84 metros
20,88 metros
79 metros
Uso do solo
Urbano
Urbano
Urbano
Fonte: Autor (2018).
Na atualização do uso do solo ocorreu que a descrição do tipo de solo na
configuração padrão do modelo está datado do ano de 1992 com resolução
horizontal de 1km, e a atualização proposta faz referência ao ano de 2001 com
resolução horizontal de 0,25km. Os dados obtidos para atualização do uso do
solo tem base no Programa Internacional Geosfera Biosfera (IGBP)4, esses
dados foram utilizados no estudo como parâmetro na análise do solo da área de
estudo no município de Maceió. A tabela 01 mostra o tipo de uso do solo
atualmente utilizando a ferramenta online Google Earth(atualizada em março
2018), na qual faz referência a área estudada como tipo de solo urbano. Quanto
a atualização, pode-se notar que o ponto de validação das previsões, não houve
mudança para a classificação para o tipo de uso do solo, pois em todos os casos
Default, WRF_Old e WRF_New, foram classificados como área urbana. Na
tabela 02 são apresentados os respectivos códigos e descrição dos tipos
possíveis de classificação do uso do solo considerados nas previsões realizadas
com o modelo WRF, destaque para o código 13 Urbano.
4
http://www.igbp.net/
39
Tabela 02. Características dos tipos de solo na área de estudo do
município de Maceió.
Código
Descrição
1
Floresta Alta Latitude Média Densa
2
Floresta Alta Tropical Densa
3
Floresta Alta Latitude Média Menos Densa
4
Floresta Alta Tropical Menos Densa
5
Floresta Mista
6
Floresta Rasteira Densa
7
Floresta Rasteira Menos Densa
8
Árvores e Savanas
9
Savanas
10
Pastos Selvagens
11
Vegetação Alagada
12
Área Cultivada
13
Urbano
14
Área Cultivada/Natural
15
Neve e Gelo
16
Solo Exposto (arenoso)
17
Água
Fonte: IGBP(2017).
3.4 - Análises Estatísticas
Os cálculos dos índices estatísticos leva em consideração todo o período
dos dados horários observados e previstos, ou seja, caso haja ocorrência de
problemas relacionados à ausência e/ou falhas no banco de dados da estação
e/ou do modelo foram descartados e não considerados nas análises estatísticas.
Para avaliar os dados observados e previstos nas diferentes condições de
atualizações, foram utilizados índices estatísticos, como: o erro médio (VIÉS),
que indica a direção do erro, onde o Viés positivo indica superestimação e uma
negativa subestimação dos valores analisados e por fim o coeficiente de
correlação de Pearson (r), onde se mede o grau de relação linear entre duas
variáveis quantitativas. O valor de r apresenta uma variação entre -1 e 1. O sinal
40
(positivo ou negativo) é o valor que sugere a direção e a força deste
relacionamento, enquanto o (zero) indica a ausência de correlação. O desvio
padrão é uma medida que expressa o grau de dispersão de um conjunto de
dados. Ou seja, o desvio padrão indica o quanto um conjunto de dados é
uniforme. Quanto mais próximo de (zero) for o desvio padrão, mais homogêneos
são os dados.
Com o auxílio de softwares computacionais que aceleram o processo da
análise os valores destes índices estatísticos VIÉS equação (1), DP equação (2)
e r equação (3) são calculados pelas seguintes equações,:
1
𝑉𝐼É𝑆 = 𝑁 ∑𝑁
𝑖=1(𝑥𝑖 − 𝑦𝑂𝑏𝑠 )
(1)
𝑁
∑ (𝑥𝑖 −𝑀𝐴 )²
𝐷𝑃 = √ 𝑖=1
(2)
𝑛
𝑟=
∑𝑁
̅)
𝑖=1(𝑥𝑖 −𝑥̅ )(𝑦𝑖 −𝑦
(3)
2
𝑁
√(∑𝑁
̅) )
𝑖=1(𝑥𝑖 −𝑥̅ )²)((∑𝑖=1(𝑦𝑖 −𝑦
Onde 𝑥𝑖 é o valor dos dados previstos, 𝑦𝑜𝑏𝑠 é o valor dos dados
observados na superfície e N é o número de dados analisados.
A validação da previsão foi feita para detectar o grau de acerto do modelo
WRF e prever a sua eficiência comparada aos dados observados das estações
automáticas do INMET, onde foram utilizados os dados para correlacionar no
município de Maceió, os resultados foram aplicados dentro das análises através
das correlações para previsão de tempo do município de Maceió. Os valores das
correlações de Pearson são classificados de acordo com o grau de intensidade
da correlação. CAVALCANTE (2003) classificou os valores das correlações da
seguinte forma:
Tabela 03. Classificação dos valores das correlações de Pearson.
Coeficiente de Correlação (r)
0,00
0,00 – 0,30
0,30 – 0,60
0,60 – 0,90
1,00
Fonte: Adaptado de Cavalcante, 2003.
Classificação
Nula
Fraca
Média
Forte
Perfeita
41
4 - RESULTADOS E DISCUSSÃO
Nesta seção serão avaliadas e comparadas as diferentes previsões
realizadas para o município de Maceió/AL, para o período de 10/07/2017 a
19/07/2017, tendo por objetivo verificar o impacto das atualizações da topografia
e uso do solo nas previsões realizadas de curto prazo.
Em linhas gerais, as variáveis meteorológicas mais estudadas em
previsão do tempo de curto prazo são a precipitação, temperatura e umidade
relativa do ar, velocidade e direção do vento, que serão abordadas nesta seção
incluindo a pressão atmosférica nesta lista.
De modo a caracterizar o regime de chuvas do Nordeste Brasileiro, a
(figura 05) mostra o saldo de precipitação para o mês de julho de 2017,
comparado a normal climatológica de 1961-1990. A estação chuvosa terminou
com chuvas abaixo da média no norte da região nordeste, em particular no norte
da região semiárida. Por outro lado, em parte do leste e litoral da região nordeste,
houve excesso de chuva em Alagoas e Pernambuco ultrapassando a média dos
últimos 10 anos, Acredita-se que o aumento da convergência de umidade e a
formação de alguns episódios de distúrbios no escoamento de leste, na região
do Atlântico Sul (típicos para este período do ano) favoreceram os elevados
totais de chuvas em Pernambuco, Alagoas e Sergipe. (ANA, 2017).
42
Figura 05 - Normais Climatológicas do Brasil. Precipitação acumulada
mensal e anual(mm).
Fonte: INMET (2017).
Vale salientar que o ano de 2017 foi atípico em termos de regime de
chuvas e de acordo com dados da Normal Climatológica (INMET, 2017)
Maceió teve o terceiro julho mais chuvoso em 56 anos, desde 1961. Este mês,
a capital de Alagoas ficou sem chuva apenas nos dias 15, 16 e 17 de julho. O
Instituto Nacional de Meteorologia registrou 436 mm de chuva. A média de chuva
para julho fica em torno de 230 - 280 mm. No período de 1961 a 2017, o julho
mais chuvoso foi o do ano 1989, quando Maceió acumulou 779,9 mm. O
segundo julho mais chuvoso neste período foi o de 1969 que acumulou 631,2
mm, no presente trabalho foi analisado o período de 10 a 19 de julho de 2017,
onde foi registrado neste período o acumulado de precipitação de 75,62 mm
correspondendo a 17,45% do total do mês de julho de 2017 que foi de 436 mm,
vale ressaltar que nesse período houve eventos de chuvas severas e dias sem
43
precipitação o que favoreceu as análises do modelo para períodos sem ou forte
chuva.
4.1 – Testes de atualização de Topografia e Uso do Solo
A representação do terreno em modelos numéricos é normalmente muito
mais suavizada que na realidade. Isso pode provocar significativos erros na
simulação do escoamento e de outras características associadas sobre
topografia complexa. A suavização do terreno é função da resolução horizontal
do modelo e dos detalhes do conjunto de dados de topografia utilizado. Se o
conjunto de dados de topografia for grosseiro, ele não pode fornecer os detalhes
da topografia para modelos de alta resolução. Se a resolução do modelo for
baixa, não pode resolver os padrões da orografia, e os detalhes fornecidos pelo
conjunto de dados serão perdidos pela suavização. Na maioria dos casos, é
desejável alguma suavização do terreno, em parte porque o escoamento do ar
sobre terreno complexo pode gerar ruídos de pequena escala nos campos
meteorológicos simulados, mascarando os sinais de maior escala (GANDÚ,
2018).
Dados topográficos usados em modelos vêm de várias fontes. Atualmente
é possível obter-se pela Internet dados de topografia com resolução de cerca de
1 km, como no portal da NOAA. Na pesquisa utiliza-se os dados de uso do solo
e topografia da NOAA tentando melhorar os resultados destes comparativos,
conforme exposto nas figuras configuradas com 3 (três) domínios aninhados
com resoluções de 80, 20 e 5km, de modo a cobrir espacialmente a América do
Sul (d01, 91x71 pontos xy e 31 níveis verticais com topo de 50mb), Nordeste
Brasileiro (d02, 81x81 pontos xy e 31 níveis verticais com topo de 50mb) e
Estado de Alagoas (d03, 93x89 pontos xy e 31 níveis verticais com topo de
50mb).
44
Figura 06 - Cobertura espacial de 80km(a) e 20km(b) gerados a partir de
dados topográficos do modelo WRF.
Domínio 01
Domínio 02
Fonte: Autor(2018).
45
Figura 07 - Atualização dos dados topográficos do modelo WRF, atualizado
com dados da NOAA com cobertura espacial de 5km.
Topografia no Domínio 03
(a)
(b)
(c)
(d)
Fonte: Autor(2018).
Houve atualização dos dados de entrada do modelo de uso do solo e
topografia com melhores resoluções e mais recentes, que substituíram os dados
de entrada padrão do modelo, sendo perceptível a melhora bastante
considerável se observarmos a figura 07(c) sendo o domínio 3 a área de estudo
que cobre todo o estado de Alagoas e resolução espacial de 5km. Os dados dos
46
domínios 1 e 2 que abrangem a América do Sul e toda a Região Nordeste
Brasileira respectivamente, não foram atualizados devido a grande quantidade
de dados que necessitaria de processamento. Para se ter um entendimento
apenas no domínio atualizado houve um processamento de mais de 10GB
somente para os dados de topografia, caso fosse realizado a atualização de
outras variáveis obtém-se uma demanda de desempenho bastante considerável
de recursos computacionais que iria ocasionar em erros e lentidão no processo.
4.2 – Atualização do Uso do Solo
A figura 09 mostra os detalhes sobre a configuração dos testes quanto a
atualização do uso do solo para o domínio 2 (NEB), pode-se notar que nas
figuras 09(a) e 09(b), não houve atualização do uso do solo (Default e Topo), já
a figura 09(c) e 09(d) fica evidente que para estes casos o uso do solo foi
atualizado em termos de resolução e informações mais recentes quanto a
cobertura do solo (Ndvi e Topo+Ndvi). A resolução foi aprimorada de 1km para
250m e atualizada da década de 80 para o ano de 2017.
Figura 08 - Cobertura espacial de 80km gerados a partir de dados do uso
do solo do modelo WRF
Uso do Solo no Domínio 01
Fonte: Autor(2018).
47
Figura 09 - Atualização dos dados do uso do solo do modelo WRF,
atualizado com dados da NOAA com cobertura espacial de 20km.
Uso do Solo no Domínio 02
Fonte: Autor(2018).
(a)
(b)
(c)
(d)
48
O mesmo aconteceu para o domínio 3 (estado de Alagoas) em termos de
atualização do uso do solo. Onde se pode destacar a alteração da vegetação do
Agreste e sertão de Pernambuco, Sergipe e Alagoas. E o forte aumento do
código 14 (área cultivada) do IGBP para a faixa litorânea.
Figura 10 - Atualização dos dados de uso do solo do modelo WRF,
atualizado com dados da NOAA com cobertura espacial de 5km.
Uso do Solo no Domínio 03
Fonte: Autor(2018).
(a)
(b)
(c)
(d)
49
Essas atualizações exigiram uma grande capacidade de processamento
dos dados através do computador, que diferentemente dos dados de topografia
foram atualizados o NDVI para os domínios 2 e 3, havendo um processamento
de mais de 20GB por dados de 2 domínios, vale ressaltar que devido a essa
atualização houve uma demanda de desempenho bastante considerável no
computador ocasionando lentidão no processo.
4.3 – Validação da Variável Nebulosidade
Percebe-se que numa média de 9 dias analisados, a previsão do modelo
para algumas variáveis chega muito próximo aos dados observados. Ocorre uma
alternância mínima nos dados do modelo comparados ao observado quando os
dados previstos pelo modelo WRF são melhorados quando ocorrem as
atualizações da topografia e uso do solo, como por exemplo, nas simulações
identificadas como IGBP, Topografia, IGBP + Topografia e Umidade do solo.
Com o auxílio das imagens de satélites GOES-13 para o intervalo de dias
compreendidos entre 10 – 19/07/2017, sempre para os horários de 9h e 15h UTC, pode-se verificar de forma visual as previsões realizadas com o modelo
WRF, para a variável nebulosidade. Vale lembrar que as figuras de nebulosidade
do modelo foram obtidas com base nos dados da Umidade Relativa do Ar em
diferentes níveis de altura, 100mb até 850mb (nuvens baixas), 850mb até 500mb
(nuvens médias) e 500mb até 200mb (nuvens altas). Para facilitar a comparação
entre as imagens de satélite (toda a América do Sul) com nebulosidade obtida
com o modelo WRF, foi utilizado o domínio 1 (América do Sul), e como o domínio
1 não sofreu atualizações de topografia e uso do solo, os resultados serão
mostrados apenas no domínio 1.
Com base nas imagens de satélites GOES-13 comparadas com imagens
geradas do modelo WRF do período de 10 a 19 de julho de 2017, nota-se nas
imagens de satélite a atuação da ZCIT na região Norte e Nordeste do Brasil,
assim como a atuação de frentes frias na região Sul e Sudeste do Brasil. Podese destacar no dia 11/07/2017 às 9h e 15h a possível presença de onda de leste,
atuando no litoral leste do NEB, vale destacar que os fenômenos citados foram
detectados pelas previsões feitas com o modelo WRF quando comparamos o
posicionamento e a intensidade da nebulosidade, ver figuras 11-1,11-2 e 11-3.
Com base em Reboita 2010, que afirma que o sistema de tempo mais importante
na região norte do Brasil e pelo litoral do nordeste do Brasil é a ZCIT. Já
50
Hastenrath, 1991, constatou que os máximos pluviométricos registrados no
primeiro semestre dos anos, ocorrem por conta são da migração da ZCIT para o
Hemisfério Sul. E menciona que a ZCIT no oceano Atlântico no verão e outono
localiza-se em ~4°S e no inverno em ~10°N. Além da ZCIT que atua nessa
região, outro processo importante para a precipitação é brisa marítima que atua
na grande zona litorânea, este sistema transporta umidade para o interior do
litoral do nordeste do Brasil. Yamazaki e Rao, 1977; Chou, 1990; Espinoza, 1996;
Souza Filho, 2003, afirmam que as ondas de leste se deslocam de oeste para
leste, desde a costa da África até o litoral leste do nordeste do Brasil. Nieto
Ferreira e Schubert, 1997, enfatizam que estas ondas geram quebras na ZCIT,
isto é, regiões com nebulosidade intercaladas por regiões sem nebulosidade.
As imagens de satélites GOES-13 entre os dias de 10 a 15/07/2017 às
09:00 e às 15:00 – UTC, mostram que a Zona de Convergência Intertropical
(ZCIT) atua em torno de 08°/10°N no Oceano Pacífico e entre 04°/06°N no
Oceano Atlântico. Entretanto, fica confirmada a análise dos autores citados
acima sobre o posicionamento desse sistema e também de uma possível
influência das ondas de leste, ressaltando que o intuito do estudo não é de
realizar análise de sistemas climatológicos e sim, analisar a precisão das
imagens do satélite com as imagens do WRF para os dias analisados em relação
ao posicionamento da nebulosidade.
Nota-se que nas imagens WRF das figuras 11-1, 11-2 e 11-3 as nuvens
se encontram na mesma posição em relação as imagens do satélite, porém a
densidade das nuvens do modelo são maiores devido a atualização dos dados
de umidade do solo, essa atualização faz com que as nuvens apareçam com
mais intensidade na imagem. Esse resultado pode continuar sendo considerado
como um acerto pelo modelo.
51
Figura 11-1 - Imagens do satélite GOES-13 realce colorido e imagens
Dia - 11/07/2017
Dia - 10/07/2017
obtidas do modelo WRF. Ambas para os dias 10 e 11/07/2017.
Imagem Satélite(GOES-13) – 09h
Imagem WRF – 09h
Imagem Satélite(GOES-13) – 15h
Imagem WRF – 15h
Imagem Satélite(GOES-13) – 09h
Imagem WRF – 09h
Imagem Satélite(GOES-13) – 15h
Imagem WRF – 15h
Fonte: Autor(2018).
52
Figura 11-2 - Imagens do satélite GOES-13 realce colorido e imagens
Dia - 13/07/2017
Dia - 12/07/2017
obtidas do modelo WRF. Ambas para os dias 12 e 13/07/2017.
Imagem Satélite(GOES-13) – 09h
Imagem WRF – 09h
Imagem Satélite(GOES-13) – 15h
Imagem WRF – 15h
Imagem Satélite(GOES-13) – 09h
Imagem WRF – 09h
Imagem Satélite(GOES-13) – 15h
Imagem WRF – 15h
Fonte: Autor(2018).
53
Figura 11-3 - Imagens do satélite GOES-13 realce colorido e imagens
Dia - 15/07/2017
Dia - 14/07/2017
obtidas do modelo WRF. Ambas para os dias 14 e 15/07/2017.
Imagem Satélite(GOES-13) – 09h
Imagem WRF – 09h
Imagem Satélite(GOES-13) – 15h
Imagem WRF – 15h
Imagem Satélite(GOES-13) – 09h
Imagem WRF – 09h
Imagem Satélite(GOES-13) – 15h
Imagem WRF – 15h
Fonte: Autor(2018).
54
Analisando as imagens de satélites GOES-13 entre os dias de 16 a
19/07/2017 às 09:00 e às 15:00 – UTC, a Zona de Convergência Intertropical
(ZCIT) segue atuando em torno de 08°/10°N no Oceano Pacífico e entre
04°/06°N no Oceano Atlântico. Entretanto, enfatizado por Nieto Ferreira e
Schubert (1997) o padrão de circulação acima mencionado induz o escoamento
de leste, transportando umidade em parte do litoral leste do Nordeste.
Nota-se que nas imagens WRF da figura 11-4, as nuvens se encontram
na mesma posição em relação às imagens do satélite, porém no leste da região
nordeste e no sul da Bahia surgem nuvens que não são perceptíveis pelas
imagens do GOES-13 e constam nas imagens do modelo, apesar da densidade
das nuvens do modelo serem maiores devido a atualização dos dados de
umidade do solo, essa atualização nas figuras (11-1, 11-2 e 11-3) são mais
densa nas imagens, porém não surgiram nuvens diferentes relacionadas as
imagens do GOES-13. Esse resultado pode ser considerado como uma pequena
falha do modelo, ressaltando que pode ser algum sistema surgindo que devido
a atualização da umidade do solo tenha intensificado o resultado do modelo
especificamente nos dias 16 e 17 de julho de 2017. Na figura 11-5, observa-se
que nas imagens de satélite existe uma nebulosidade pouco intensa no dia 18/07
e praticamente desaparece no dia 19/07, mas que nas imagens do WRF são
intensas no dia 18/07 e menos intensa, mas ainda perceptível no dia 19/07 pode
também se considerar uma pequena falha do modelo ou se levar em
consideração a atualização da umidade do solo realizada no modelo.
No período de 10 a 19/07/2017, ao comparar as imagens de satélite e as
imagens do modelo WRF fica claro que o modelo foi bem representado tendo
sofrido a atualização de umidade do solo, o que pode ser destacado é que em
algumas imagens não é possível detectar de forma idêntica a intensidade da
nebulosidade em algumas imagens do modelo comparadas com as imagens do
satélite GOES-13. Porém, no contexto geral é possível analisar e pode ser
considerado que o modelo reagiu bem ao que foi proposto no período
comparado.
55
Figura 11-4 - Imagens do satélite GOES-13 realce colorido e imagens
Dia - 17/07/2017
Dia - 16/07/2017
obtidas do modelo WRF. Ambas para os dias 16 e 17/07/2017.
Imagem Satélite(GOES-13) – 09h
Imagem WRF – 09h
Imagem Satélite(GOES-13) – 15h
Imagem WRF – 15h
Imagem Satélite(GOES-13) – 09h
Imagem WRF – 09h
Imagem Satélite(GOES-13) – 15h
Imagem WRF – 15h
Fonte: Autor(2018).
56
Figura 11-5 - Imagens do satélite GOES-13 realce colorido e imagens
Dia - 19/07/2017
Dia - 18/07/2017
obtidas do modelo WRF. Ambas para os dias 18 e 19/07/2017.
Imagem Satélite(GOES-13) – 09h
Imagem WRF – 09h
Imagem Satélite(GOES-13) – 15h
Imagem WRF – 15h
Imagem Satélite(GOES-13) – 09h
Imagem WRF – 09h
Imagem Satélite(GOES-13) – 15h
Imagem WRF – 15h
Fonte: Autor(2018).
57
4.4 – Validação da Variável Temperatura do Ar
Com base nas figuras 12 e tabela 04, nota-se que nas primeiras 24h o
modelo obteve uma melhor precisão para a temperatura prevista referente a
simulada, apenas nos dias 16 e 17/07/2017 o modelo não conseguiu representar
as temperaturas mínimas em algumas horas desses dois dias, onde o observado
possa ter detectado algum fenômeno de grande escala ocorrendo uma queda de
temperatura em alguns momentos desses dias no qual tenha induzido o modelo
ao erro. Já para previsões mais longas, o modelo apresentou grandes
dificuldades em simular as temperaturas mínimas para 48h e 72h, mais
precisamente nos dias 14,16, 17 e 19/07/2017, podendo ser notado no desvio
padrão do WRF Default foi de 0,97 para 48h e aumentou a diferença para 1,38
em 72h. O que possivelmente possa ter ocorrido para estes dias seria uma
tendência o modelo prever temperaturas maiores para 48h e 72h. Observando a
tabela 04, percebe-se que os melhores resultados aparecem no viés médio e
coeficiente de correlação das 24h e o desvio padrão do WRF nas 48h, com isso
ficam comprovados que nesses pontos os resultados se tornam mais confiáveis.
Como os dados de topografia e uso do solo não demostraram variações
significativas para as previsões realizadas, pode-se afirmar que a ocupação do
solo não seria o problema na previsão da temperatura mínima.
Nos dias 13 e 14 houve uma queda de temperatura nos dados previstos,
porém esse ponto 24h obteve o melhor resultado para a temperatura mínima, já
as máximas temperaturas todas as previsões 24, 48 e 72h simularam bem.
Como as mínimas temperaturas não estão sendo bem representadas existe a
possibilidade do resfriamento radiativo não está sendo bem representado pelo
modelo (parametrização de radiação de onda longa).
Em afirmativa de Hackerott (2013), os possíveis erros causados nas
máximas e mínimas medições de temperatura do ar, mostra que há problemas
nos esquemas que resolvem trocas de calor na CLP para os modelos regionais
e globais tanto em áreas urbanizadas como as não urbanizadas. Outra hipótese
para estes erros, também afirmada por HACKEROTT (2013) é que a altitude das
estações em relação a área de estudo é influenciada para a medição do modelo
em picos de máximas e mínimas na temperatura do ar. A estação dessa
pesquisa está localizada a (65m de altitude), e assim a altitude do modelo
atualizado é de 79m no ponto da estação, a altitude média do município de
58
Maceió é em média de 84m, de forma que mesmo com a atualização do modelo
ainda existe uma diferença entre o modelo e a estação da pesquisa, numa
atmosfera padrão essa diferença significa uma variabilidade nas medições,
dependendo do fenômeno atuante naquele momento em que os dados foram
captados para realização do comparativo.
Dessa forma, mesmo com as possibilidades de erros e com a variância
em alguns dias para o período de 48h e 72h, continua-se a entender que ao ter
realizado as atualizações de topografia e uso do solo foi possível melhorar a
previsão no comparativo com os dados observados, pode-se afirmar que é válido
dispor de tempo e recursos computacionais para aumentar a atualização das
variáveis estudadas, principalmente da topografia e uso do solo. Contudo,
percebe-se que a descrição física do modelo (parametrização da superfície)
ainda deva está influenciando nos resultados. Vale ressaltar que apesar de
atualizar o uso do solo, a questão da resolução do modelo deve ser considerada
e a comparação de um ponto (observado) com uma área de 25km² (modelo).
Em linhas gerais as previsões de 24, 48 e 72h conseguiram representar
as variações horárias da temperatura do ar para o município do Maceió/AL.
29
27
25
23
21
19
17
15
Temperatura do ar(°C)
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
15/07/2017 00:00
14/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
15/07/2017 00:00
14/07/2017 00:00
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
10/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
15/07/2017 00:00
14/07/2017 00:00
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
10/07/2017 00:00
Fonte: Autor(2018).
Umidade do Solo
Topo+NDVI
Topografia
NDVI
Observado
Default
Umidade do Solo
Topo+NDVI
Topografia
Default
27
25
23
21
19
17
15
Temperatura do ar(°C)
Umidade do Solo
Topo+NDVI
Topografia
NDVI
Observado
Default
NDVI
Observado
Previsão 48h
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
10/07/2017 00:00
29
27
25
23
21
19
17
15
Temperatura do ar(°C)
59
Figura 12 - Gráficos comparativos da Temperatura do Ar para previsões
de 24h/48h/72h.
Previsão 24h
29
Previsão 72h
60
Tabela 04. Tabela de análise estatística da Temperatura do Ar para
previsões de 24h/48h/72h.
Previsão 24h
Viés_Médio
Temperatura
Temperatura
Temperatura
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Desvio WRF
Desvio
Observado
Coef.Correlação
0,73
1,72
0,54
1,41
0,49
1,48
0,72
1,80
Previsão 48h
1,59
1,59
1,59
1,59
0,74
0,74
0,73
0,75
Viés_Médio
Desvio
Observado
Coef.Correlação
1,58
0,97
1,18
0,89
1,15
1,02
1,43
1,16
Previsão 72h
1,62
1,62
1,62
1,62
0,65
0,68
0,70
0,71
Viés_Médio
Desvio WRF
Desvio
Observado
Coef.Correlação
1,27
0,97
1,05
1,28
1,38
1,24
1,41
1,58
1,62
1,62
1,67
1,62
0,64
0,67
0,66
0,65
Desvio WRF
Fonte: Autor(2018).
4.5 – Validação da Variável Precipitação Pluviométrica.
Em concordância com Mariano et al., 2009, a época chuvosa que atinge
grande parte da região leste do NEB é causada pelo sistema meteorológico
chamada de ZCIT (Zona de Convergência Intertropical). A região de Maceió
apresenta clima quente e úmido, precipitação anual bastante variável e sofre
grande influência de sistemas de grande escala, com direção de ventos
predominantemente de sudeste, sendo a época chuvosa representada pelos
meses de Abril, Maio, Junho e Julho (Quadra Chuvosa).
Neste sentido o objetivo dessa análise é identificar se o modelo consegue
prever eventos de precipitação intensa, prevendo com antecedência de até 72h.
Foi utilizado o Modelo de Elevação Digital fornecido pela EMBRAPA que permite
o WRF ajustar melhor o contorno da topografia para a área de estudo,
favorecendo a obtenção de resultados melhores. O grau de confiabilidade das
informações das simulações foi validado com ferramentas estatísticas utilizando
o coeficiente de correlação (r) de Pearson conforme figura 13-1.
Segundo Nogueira (2010, p.29) “Apesar dos contínuos avanços na área
de modelagem atmosférica, a comunidade meteorológica em geral concorda
sobre as dificuldades envolvidas na quantitativa de precipitação simulada pelos
modelos globais e regionais”, pois a precipitação é considerada uma das
61
variáveis mais difíceis de ser estimada. Trabalhos anteriores que tentam simular
a precipitação utilizando modelos numéricos mostram a superestimativa do valor
dessa variável. De acordo com Carvalho (2008), a simulação de precipitação é
superestimada quando da passagem de sistema frontal sobre a região Sul do
Brasil.
De modo geral, analisando a tabela 05, houve uma melhor correlação
entre os dados obtidos pelo INMET e a previsão realizada com o WRF para 24h
ao ser atualizado a topografia e uma correlação média apenas com os dados
Defaults do modelo, no entanto, houve período em que o modelo superestimou
os valores medidos, no dia 13 para o período de 72 horas, possivelmente por ter
sido um dia que o observado mediu chuvas extremas o modelo possa ter falhado
ao tentar uma máxima e também o modelo subestimou nos dias 11 e 12 para o
período de 24h, não conseguindo analisar com precisão com os dados Defaults.
Entretanto, ao atualizar os dados de topografia e NDVI fez com que todos os
resultados encontrados fossem promissores a ponto de identificar cada detalhe
e precisão da previsão para o município de Maceió.
Na figura 13, foi destacado com um círculo a fim de ressaltar que esses
dias não foram analisados por conta de ser da previsão de 48h no dia 10/07 e
72h nos dias 10 e 11/07. Visualmente a previsão para 24h foi que 48h que por
sua vez foi melhor que 72h, onde a análise estatística da tabela 05 comprova.
Nota-se também conforme em destaque na figura 13 na previsão de 24h nos
dias 13 e 19/07 o modelo conseguiu prever bem as chuvas intensas, porém nas
previsões de 48 e 72h o modelo não conseguiu prever essas chuvas intensas
com destaque na previsão de 72h do mesmo dia 13/07 que o modelo
superestimou o resultado do observado.
62
Figura 13 - Gráficos comparativos de Precipitação para previsões de
24h/48h/72h.
Previsão 24h
Default
Observado
NDVI
Topografia
Topo+NDVI
Umidade do Solo
35
Precipitação Acumulada (mm)
30
25
20
15
10
5
0
Previsão 48h
Default
Observado
NDVI
Topografia
Topo+NDVI
Umidade do Solo
Previsão 72h
Default
Observado
NDVI
Topografia
Topo+NDVI
Umidade do Solo
35
Precipitação Acumulada (mm)
30
25
20
15
10
5
0
35
Precipitação Acumulada (mm)
30
25
20
15
10
5
0
Fonte: Autor(2018).
63
Tabela 05. Tabela de análise estatística de Precipitação para previsões de
24h/48h/72h.
Previsão 24h
Viés_Médio
Precipitação
Precipitação
Precipitação
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Desvio WRF
Desvio
Observado
Coef.Correlação
-0,13
0,23
-0,12
0,25
-0,11
0,27
-0,14
0,22
Previsão 48h
0,48
0,48
0,48
0,48
0,20
0,34
0,30
0,19
Viés_Médio
Desvio
Observado
Coef.Correlação
-0,17
0,23
-0,17
0,23
-0.19
1,19
-0,13
0,27
Previsão 72h
0,50
0,50
0,50
0,50
0,13
0,16
0,11
0,16
Viés_Médio
Desvio WRF
Desvio
Observado
Coef.Correlação
-0,08
-0,01
0,04
0,03
0,51
0,35
0,47
0,45
0,47
0,47
0,47
0,47
0,11
0,11
0,12
0,17
Desvio WRF
Fonte: Autor(2018).
Ao observar as figuras 13-a e 13-b que são imagens geradas com base
nas previsões feitas com o modelo WRF e imagens do satélite GOES-13. Na
figura 13-a estão sendo mostradas as imagens do WRF Default e imagens com
dados
atualizados
de
topografia
e
topografia
+
NDVI.
Observando
especificamente para a região do nordeste, próximo ao estado de Alagoas, podese notar que a nebulosidade intensa se forma no decorrer das horas, conforme
pode ser visto na figura 13-b, as 00h é possível notar e comparar com base na
figura 13-a uma grande semelhança nessa área específica que vai intensificando
às 12h e fica mais intensa às 18h. Porém, a estação do INMET de Maceió/AL na
qual foi extraído os dados observados, aferiu para o dia 11/07/17 o total de
15,2mm e o modelo estimou uma quantidade de precipitação de 3,87mm com o
dado default, mas com a atualização da topografia + NDVI o modelo estimou o
quantitativo de 12,61mm tendo um resultado bastante satisfatório, pois a
atualização resultou em melhoria na estimativa de precipitação acumulada
diária.
64
Figura 13-a - Imagens geradas pelo modelo WRF de Precipitação de
precipitações acumuladas no dia 11/07/17 de 00-06h, 06-12h, 12-18h.
Precipitação Acumulada para o dia 11/07/2017 – Imagens geradas pelo WRF
Default
Fonte: Adaptado pelo Autor(2018).
Topografia
Topografia + NDVI
65
Figura 13-b - Imagens do satélite GOES-13 canal infravermelho de
Precipitação de precipitações acumuladas no dia 11/07/17 de 00-06h, 06-
pelo Satélite GOES-13
Precipitação Acumulada para o dia 11/07/2017 – Imagens geradas
12h, 12-18h.
11/07/17 – 00UTC
11/07/17 – 06UTC
11/07/17 – 12UTC
11/07/17 – 18UTC
Fonte: CPETC, 2017. Adaptado pelo Autor(2018).
Em observância as figuras 13-c e 13-d feitas a partir das previsões
realizadas com o modelo WRF e imagens do satélite GOES-13, pode-se notar
na figura 13-c que mostra o teste WRF Default e imagens com dados atualizados
de topografia e topografia + NDVI, que especificamente na região do NEB,
próximo ao estado de Alagoas pode-se notar que existe uma nebulosidade não
tão intensa como no dia 11/07 e conforme exposto visualmente em ambas as
figuras 13-c e 13-d, a quantidade de nuvens e de chuva é reduzida. Porém, a
estação do INMET de Maceió/AL registrou para este dia 13/07/17 o total de
17,8mm e o modelo estimou uma quantidade de precipitação de 12,04mm para
o caso WRF default, mas com a atualização da topografia o modelo estimou o
quantitativo de 13,27mm tendo um resultado também bastante satisfatório, e
para o caso da atualização topografia + NDVI o total de 12,53mm. É correto
afirmar que nesse dia 13/07/17 o modelo obteve uma correlação forte tanto com
66
os dados default, bem como somente atualizando a topografia, e também
quando atualizada a topografia + NDVI, nesses 3 casos os resultados foram
próximos aos valores medidos pela estação INMET.
Figura 13-c - Imagens geradas pelo modelo WRF de Precipitação de
precipitações acumuladas no dia 13/07/17 de 00-06h, 06-12h, 12-18h.
Precipitação Acumulada para o dia 13/07/2017 – Imagens geradas pelo WRF
Default
Fonte: Adaptado pelo Autor(2018).
Topografia
Topografia + NDVI
67
Figura 13-d - Imagens do satélite GOES-13 canal infravermelho de
Precipitação de precipitações acumuladas no dia 13/07/17 de 00-06h, 06-
GOES-13
Precipitação Acumulada para o dia 13/07/2017 – Imagens geradas pelo Satélite
12h, 12-18h.
13/07/17 – 00UTC
13/07/17 – 06UTC
13/07/17 – 12UTC
13/07/17 – 18UTC
Fonte: CPETC, 2017. Adaptado pelo Autor(2018).
Nas figuras 13-e e 13-f, especificamente na região do NEB conforme já
discutido nos dias anteriores a precipitação prever no dia 19/07 o total de
18,2mm para o observado e o modelo estimou uma quantidade de precipitação
de 12,31mm com o dado default, mas com a atualização da topografia o modelo
estimou o quantitativo de 9,89mm e com a topografia + NDVI obteve o valor de
11,66mm ocorrendo um resultado mais próximo ao observado. As análises que
mais se destacaram foram nos dias 11, 13 e 19/07/17 para previsão de 24h.
Percebe-se também que existe uma relação visual entre a previsão do
acumulado de precipitação e a cobertura de nuvens apresentados nas figuras
13-e e 13-f, em termos de posicionamento geográfico. Por exemplo, de acordo
68
com análises do CPTEC pode-se observar o posicionamento da Frente Fria são
bandas de nuvens organizadas que se formam na região de confluência entre
uma massa de ar frio com uma massa de ar, ITCZ banda de nuvens que circunda
a faixa equatorial do globo terrestre, formada principalmente pela confluência
dos ventos alísios do hemisfério norte com os do hemisfério sul e Onda de Leste
que se formam no campo de pressão atmosférica, na faixa tropical do globo
terrestre, na área de influência dos ventos alísios, e se deslocam de oeste para
leste, ou seja, desde a costa da África até o litoral leste do Brasil. O Estado do
Ceará também recebe chuvas nos meses de junho, julho e agosto, que são
influenciadas por esse sistema atmosférico denominado Ondas de Leste. Este
sistema provoca chuvas principalmente na Zona da Mata que se estende desde
o Recôncavo Baiano até o litoral do Rio Grande do Norte. Quando as condições
oceânicas e atmosféricas estão favoráveis as Ondas de Leste também provocam
chuvas no Estado do Ceará, principalmente na parte centro-norte do Estado.
69
Figura 13-e - Imagens geradas pelo modelo WRF de Precipitação de
precipitações acumuladas no dia 19/07/17 de 00-06h, 06-12h, 12-18h.
Precipitação Acumulada para o dia 19/07/2017 – Imagens geradas pelo WRF
Default
Fonte: Adaptado pelo Autor(2018).
Topografia
Topografia + NDVI
70
Figura 13-f - Imagens do satélite GOES-13 canal infravermelho de
Precipitação de precipitações acumuladas no dia 19/07/17 de 00-06h, 06-
Precipitação Acumulada para o dia 19/07/2017 – Imagens geradas pelo Satélite GOES-13
12h, 12-18h.
19/07/17 – 00UTC
19/07/17 – 06UTC
19/07/17 – 12UTC
19/07/17 – 18UTC
Fonte: CPETC, 2017. Adaptado pelo Autor(2018).
Em afirmativa de Nogueira (2010) o mesmo concorda sobre as
dificuldades envolvidas na previsão quantitativa de precipitação utilizando
modelos globais e regionais, diz ainda que a variável mais difícil de ser estimada
é a precipitação e corroborando com esse conceito temos Carvalho (2008) que
afirma sobre trabalhos anteriores superestimar a simulação da precipitação e
que em alguns casos são possíveis sistemas meteorológicos atuantes na região
do NEB.
71
No tocante as taxas de acertos e erros, e também avisos falsos, pode-se
destacar que as previsões de 24h foram feitas com o teste de topografia (taxa
de acerto 66,6%, taxa de erro 33,3% e 26,6% de avisos falsos). Já para as
previsões de 48h e 72h os níveis de acertos foram melhores para Topografia +
NDVI (48h – taxa de acerto 67,92%, taxa de erro 32,08% e 21,66% de avisos
falsos) e (72h – taxa de acerto 66,25%, taxa de erro 33,75% e 22,91% de avisos
falsos).
Tabela 06. Tabela com o percentual de acertos e erros para cada hora
comparada no período do estudo de 10/07/17 a 19/07/17 das Precipitações
para previsões de 24h/48h/72h.
Default
WRF - 24H
% acerto(horas
acerto/horas
analisadas)
% erros(horas
erro/horas
analisadas)
Taxa de
Acerto
e Erro
Avisos
Falsos
% acerto(horas
acerto/horas
analisadas)
% erros(horas
erro/horas
analisadas)
Avisos
Falsos
61,66%
% acerto(horas
acerto/horas
analisadas)
% erros(horas
erro/horas
analisadas)
Taxa
de
Acerto
e Erro
66,6%
Ndvi
Taxa
de
Acerto
e Erro
Avisos
Falsos
60,83%
26,6%
Topografia
Taxa
de
Acerto
e Erro
Avisos
Falsos
63,75%
Taxa de
Acerto e
Erro
Taxa de
Acerto e
Erro
Avisos
Falsos
64,5%
60,8%
39,1%
Topografia+Ndvi
Umidade do Solo
Taxa de
Acerto e
Erro
Taxa de
Acerto e
Erro
Avisos
Falsos
21,66%
Ndvi
Avisos
Falsos
25,41%
35,83%
Topografia
Taxa
de
Acerto
e Erro
Avisos
Falsos
Topografia+Ndvi
Umidade do Solo
Taxa de
Acerto e
Erro
Taxa de
Acerto e
Erro
Avisos
Falsos
Avisos
Falsos
66,25%
57,5%
65,83%
Avisos
Falsos
64,17%
26,25%
36,25%
Taxa
de
Acerto
e Erro
30%
32,08%
38,33%
Avisos
Falsos
Avisos
Falsos
35,4%
67,92%
39,17%
Taxa de
Acerto
e Erro
Umidade do Solo
28,7%
27,5%
24,58%
Avisos
Falsos
Topografia+Ndvi
33,3%
40,4%
39,5%
Taxa de
Acerto
e Erro
Avisos
Falsos
Topografia
30,8%
29,5%
Default
WRF - 72H
Taxa
de
Acerto
e Erro
59,5%
60,4%
Default
WRF - 48H
Ndvi
60,83%
61,67%
28,33%
25%
34,16%
Fonte: Autor(2018).
29,58%
42,5%
39,17%
22,91%
33,75%
27,5%
38,33%
72
4.6 – Validação da Variável Velocidade do Vento.
Na figura 14 para 24h os resultados mostraram que o modelo conseguiu
representar as variações na velocidade do vento, mas com exceção em alguns
momentos dos dias 11 e 12 de julho de 2017, Pois o modelo não conseguiu
prever os valores mínimos havendo uma disparidade quanto a intensidade e fase
da velocidade do vento. Nos demais dias simulados para 24h, como por
exemplo, nos dias 13, 16 e 17/07/2017 o modelo não previu a velocidade do
vento nos valores mínimos, em alguns momentos percebe-se um atraso da
previsão.
Ainda com base na figura 14 para 48h, pode-se notar que o modelo no
período de 14 a 17/07/2017 apresentou grandes dificuldades em prever a
velocidade do vento, especialmente nos mínimos valores de velocidade do vento
com defasagem em alguns dias. Portanto, não podemos afirmar que os motivos
dessas dificuldades tenham ocorrido pela má representação da atualização do
modelo, pois o mesmo atraso em alguns momentos ocorre com o dado Default.
A mesma situação ocorre na figura 14 para 72h no mesmo período de 14 a
17/07/2017 referente a 48h o modelo obteve um atraso na previsão.
Conforme exposto na tabela 07, as atualizações da topografia, uso do solo
e umidade, foram realizadas com sucesso, pois a variabilidade dos dados foram
representadas pelo modelo WRF. Estatisticamente os melhores coeficientes de
correlação de PEARSON para 24h foi de 0,67(forte) para umidade do solo, 48h
foi de 0,54(média) para umidade do solo e topografia + NDVI e para 72h foi de
0,60(média) também para umidade do solo, os coeficientes para o default do
modelo foram 0,60, 0,45 e 0,44 respectivamente, ou seja, no período onde o
modelo apresentou maiores dificuldades nas simulações, as atualizações
proporcionaram melhorias significativas nas simulações. Com base na
correlação a maioria dos dados pode ser atribuída à melhoria das simulações na
umidade do solo, pois a atualização feita para Topografia e NDVI não gerou
mudança expressiva no estudo em questão.
Os dados de velocidade do vento simulados mantiveram o mesmo padrão
de desenvolvimento temporal comparado ao extraído pela estação na região de
estudo. A atualização da topografia, uso do solo e umidade podem ter
ocasionado influência no aumento dos máximos da velocidade do vento em
relação ao padrão do modelo tendo em vista que é fortemente influenciada
73
rugosidade do terreno, segundo Ramos et. al (2012) são características
importantes para a escolha de regiões adequadas na distribuição e instalação
dos aerogeradores devido que em uma região pode ter diferença de topografia
e rugosidade, outra constatação pode ser atribuída a maior influência dos ventos
alísios ou dos ventos locais.
Em geral o modelo tem dificuldades de prever as mínimas velocidades do
vento, da mesma forma que aconteceu com a temperatura, mas de qualquer
forma após realizar ao processamento dos dados constata-se pelos resultados
dos gráficos que as previsões de 24h foram as melhores para a velocidade do
vento.
7
6
5
4
3
2
1
Velocidade do Vento(m/s)
20/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
2
1
0
11/07/2017 00:00
12/07/2017 00:00
13/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
10/07/2017 00:00
11/07/2017 00:00
12/07/2017 00:00
13/07/2017 00:00
16/07/2017 00:00
3
16/07/2017 00:00
4
15/07/2017 00:00
5
15/07/2017 00:00
6
14/07/2017 00:00
7
14/07/2017 00:00
17/07/2017 00:00
Umidade do Solo
Topo+NDVI
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
14/07/2017 00:00
8
Topografia
10/07/2017 00:00
Fonte: Autor(2018).
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
10/07/2017 00:00
Previsão 72h
NDVI
Default
Umidade do Solo
Topografia
Topo+NDVI
15/07/2017 00:00
Previsão 48h
NDVI
Observado
Default
7
6
5
4
3
2
Velocidade do Vento(m/s)
Umidade do Solo
Topo+NDVI
Topografia
NDVI
Observado
Default
Observado
Velocidade do Vento(m/s)
74
Figura 14 - Gráficos comparativos da Velocidade do Vento para previsões
de 24h/48h/72h.
Previsão 24h
8
1
0
8
0
75
Tabela 07. Tabela de analise estatística de Velocidade do Vento para
previsões de 24h/48h/72h.
Previsão 24h
Viés_Médio
Velocidade
do Vento
Velocidade
do Vento
Velocidade
do Vento
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Desvio WRF
Desvio
Observado
Coef.Correlação
1,02
1,15
1,28
1,11
1,30
1,12
1,06
1,17
Previsão 48h
1,15
1,15
1,15
1,15
0,65
0,61
0,60
0,67
Viés_Médio
Desvio
Observado
Coef.Correlação
1,40
1,20
1,79
1,06
1,76
1,06
1,28
1,26
Previsão 72h
1,12
1,14
1,14
1,14
0,56
0,56
0,62
0,61
Viés_Médio
Desvio WRF
Desvio
Observado
Coef.Correlação
1,24
1,57
1,57
1,22
1,19
1,15
1,29
1,24
1,12
1,12
1,12
1,12
0,50
0,56
0,65
0,68
Desvio WRF
Fonte: Autor(2018).
4.7 – Validação da Variável Direção do Vento.
Prever de forma correta a direção do vento também é fundamental,
pois possibilita indicar o posicionamento para a formação das nuvens e
advecção de temperatura e umidade. Na figura 15 são mostradas as direções
predominantes dos valores observados e previstos pelo modelo no período
estudado com as atualizações que vem sendo aplicadas na pesquisa.
Pode-se observar com o auxílio da figura 15 que com os dados
observados no período em questão a direção do vento oscila algumas horas
dos dias 11, 16, 18 e 19 de julho de 2017 nas previsões de 24, 48 e 72h e
alguns o modelo não consegue prever quando o vento muda para o norte. Os
desvios desses dias chegam a aproximadamente quase 0° a 260°, 350°, 360°
e uma mínima de 51°, respectivamente. Porém, no maior período o modelo
conseguiu prever bem a direção do vento onde a predominância do vento foi
de SE conforme explicito na figura 16, em somente alguns casos isolados o
modelo não conseguiu acompanhar o observado.
Em observância a figura 15 na previsão 24h os dados simulados
default e umidade do solo foram os mais eficientes em comparativo aos dados
76
observados e os dados de topografia+NDVI foram os que menos se
aproximaram, podemos confirmar essa análise na tabela 08 no coeficiente de
correlação, a suposição mais coerente é a influência do contraste topográfico
que força a mudança de direção do vento e conforme estudado acima na
atualização dos dados de topografia a atualização dessa variável no modelo
teve um resultado satisfatório, mas mesmo assim continua uma diferença de
relevo em alguns momentos possa ter influenciado na simulação. Ayoade,
(1998) afirma que a variação sazonal da direção do vento é relacionada com
a variação da posição do centro de alta pressão do Atlântico Sul.
Evidentemente os processos físicos envolvidos são diferentes no modelo,
desde micro à mesoescala, mas ambos possuem relação com as
características da superfície, como topografia e condições do solo.
Para a análise da previsão de 48h e 72h os estudos mostraram que os
dados de topografia conseguem simular o observado. Com isso, basta
confirmar as séries de dados estatísticos na tabela 08, deve-se averiguar
alguma circulação local do ar que influencia na direção do vento em alguns
períodos. Visando averiguar as variações da direção do vento, principalmente
durante o período estudado que pode ser considerado chuvoso (inverno).
Dessa forma verifica-se que a diferença entre o observado e o simulado é bem
menor no inverno, quando o vento tende a soprar mais de sudeste. Segundo
Ramos et. al (2012), no âmbito geral, o modelo WRF é mais eficiente em
simular a direção do que a velocidade do vento em todos os estudos
realizados. De acordo com Lemes e Moura (2004), a diferença de frequência
entre direções do vento medida e simulada, comparada em alturas distintas,
obviamente possuirá um desvio inserido devido a espiral de Ekman.
Na análise estatística representada na figura 16 previsões de 24h, 48h
e 72h predomina a direção do vento para Sudeste para todo o período
estudado, a que obteve o menor percentual de aproximação foi a umidade do
solo chegando a 80% para previsão de 24h, já as variáveis de topografia e
topografia + NDVI foram as que obtiveram o maior percentual de acertos na
predominância do vento para Sudeste com 90% e 89,1% respectivamente na
previsão de 24h, já para 48h topografia + NDVI registrou 80,4% e apenas a
topografia registrou 79,9% e na previsão das 72h a topografia marcou 77,91%
e topografia + NDVI 72,5%. A simulação do estudo mostra que de modo geral
77
a umidade do solo obteve um melhor resultado para todos os dias analisados,
mas a topografia e topografia + NDVI tiveram uma tendência maior no período
que o vento sopra mais para Sudeste.
Tabela 08. Tabela de analise estatística de Direção do Vento para
previsões de 24h/48h/72h.
Previsão 24h
Viés_Médio
Direção do
Vento
Direção do
Vento
Direção do
Vento
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Fonte: Autor(2018).
Desvio WRF
Desvio
Observado
Coef.Correlação
0,85
28,38
-9,45
16,88
-7,13
18,11
3,09
29,22
Previsão 48h
36,69
36,69
36,69
36,69
0,33
0,25
0,21
0,42
Viés_Médio
Desvio
Observado
Coef.Correlação
-9,45
16,33
-13,60
13,85
-13,72
13,93
-3,46
24,43
Previsão 72h
38,11
38,11
38,11
38,11
0,19
0,21
0,23
0,17
Viés_Médio
Desvio WRF
Desvio
Observado
Coef.Correlação
-7,39
-16,25
-7,78
-0,74
28,16
18,16
27,07
37,69
39,58
39,38
37,96
39,38
0,08
0,18
0,10
0,14
Desvio WRF
200
150
100
50
0
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
150
100
50
0
11/07/2017 00:00
12/07/2017 00:00
13/07/2017 00:00
14/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
10/07/2017 00:00
11/07/2017 00:00
12/07/2017 00:00
13/07/2017 00:00
14/07/2017 00:00
16/07/2017 00:00
200
16/07/2017 00:00
250
15/07/2017 00:00
300
15/07/2017 00:00
17/07/2017 00:00
Umidade do Solo
Topo+NDVI
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
14/07/2017 00:00
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
350
Topografia
10/07/2017 00:00
Fonte: Autor(2018).
Default
Previsão 48h
Observado
Default
Previsão 72h
Umidade do Solo
Observado
Direção do Vento(°)
Topografia
10/07/2017 00:00
300
250
200
150
100
Direção do Vento(°)
250
16/07/2017 00:00
300
NDVI
Topo+NDVI
Umidade do Solo
Topo+NDVI
Topografia
15/07/2017 00:00
350
NDVI
Observado
Default
Previsão 24h
NDVI
Direção do Vento(°)
78
Figura 15 - Gráficos comparativos da Direção do Vento para previsões de
24h/48h/72h.
350
50
0
79
Figura 16 - Gráficos das simulações da Direção do Vento com dados
observados e simulados para previsões de 24h/48h/72h.
Direção do Vento - 24h
100,0
90,0
80,0
70,0
observado
60,0
Default
NDVI
50,0
Topografia
40,0
Topo+NDVI
30,0
Umidade
20,0
10,0
0,0
N
NE
L
SE
S
SO
O
NO
Direção do Vento - 48h
100,0
90,0
80,0
70,0
Observado
60,0
Default
NDVI
50,0
Topografia
40,0
Topo+NDVI
Umidade
30,0
20,0
10,0
0,0
N
NE
L
SE
S
SO
O
NO
Direção do Vento - 72h
100,0
90,0
80,0
70,0
Observado
60,0
Default
NDVI
50,0
Topografia
40,0
Topo+NDVI
Umidade
30,0
20,0
10,0
0,0
N
NE
Fonte: Autor(2018).
L
SE
S
SO
O
NO
80
4.8 – Validação da Pressão Atmosférica.
Na validação da variável Pressão Atmosférica conforme pode ser visto na
figura 17, apenas os dados simulados de topografia e topografia + NDVI
conseguiram simular a previsão com os dados observados para 24h, 48h e 72h.
Os demais dados simulados como Default, NDVI e Umidade do solo
superestimaram os resultados previstos chegando a variar dependendo do dia
da previsão em até 06 (hpa), Os resultados estatísticos confirmam que a melhor
de todas as previsões foram a topografia e topografia + NDVI variando numa
correlação de 0,68 até 0,74, pode-se considerar forte e os gráficos da figura 17
confirmam as estatísticas.
A provável explicação para as melhores previsões ocorrem para os casos
de Topografia e Topo + NDVI e deve-se a atualização da topografia, onde a
altitude da região é fator principal para a variação da pressão atmosférica. Com
isso podemos justificar que, somente os dados de NDVI ou umidade do solo não
foram possíveis prever o observado mesmo estando atualizado, a topografia tem
maior influencia para o modelo ao prever a pressão atmosférica do observado.
Ainda em observância da figura 17, percebe-se que os dados default não
consegue prever o observado, pois os dados default do modelo possuem uma
topografia desatualizada relacionada ao observado. Foi constatado que a altura
do relevo atual do local estudado é de 84 metros, no WRF_old era de 20,88
metros, atualizado o WRF_new foi para 79 metros, o tipo do solo continuou
Urbano, isso também pode ser uma confirmação do que foi constatado sobre a
atualização da topografia.
1018
1016
1014
1012
1010
1008
Pressão Atmosférica(hpa)
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
15/07/2017 00:00
14/07/2017 00:00
13/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
15/07/2017 00:00
14/07/2017 00:00
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
10/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
15/07/2017 00:00
14/07/2017 00:00
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
10/07/2017 00:00
Fonte: Autor(2018).
Umidade do Solo
Topo+NDVI
Topografia
NDVI
Observado
Default
Umidade do Solo
Topo+NDVI
Topografia
1017
1015
1013
1011
1009
Pressão Atmosférica(hpa)
Umidade do Solo
Topo+NDVI
Topografia
NDVI
Observado
Default
NDVI
Observado
Default
Previsão 48h
12/07/2017 00:00
11/07/2017 00:00
10/07/2017 00:00
1017
1015
1013
1011
1009
1007
Pressão Atmosférica(hpa)
81
Figura 17 - Gráficos comparativos da Pressão Atmosférica para previsões
de 24h/48h/72h.
Previsão 24h
1019
1007
1006
Previsão 72h
1019
1005
82
Tabela 09. Tabela de análise estatística de Pressão Atmosférica para
previsões de 24h/48h/72h.
Previsão 24h
Viés_Médio
Pressão
Atmosférica
Pressão
Atmosférica
Pressão
Atmosférica
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Fonte: Autor(2018).
Desvio WRF
Desvio
Observado
Coef.Correlação
7,01
0,69
0,24
0,68
0,27
0,70
7,04
0,69
Previsão 48h
0,69
0,69
0,69
0,69
0,67
0,68
0,68
0,67
Viés_Médio
Desvio
Observado
Coef.Correlação
7,05
0,99
0,28
0,98
0,38
1,01
7,16
1,01
Previsão 72h
0,69
0,68
0,68
0,69
0,69
0,70
0,71
0,70
Viés_Médio
Desvio WRF
Desvio
Observado
Coef.Correlação
7,04
0,26
0,45
7,18
0,97
1,00
1,00
1,02
0,67
0,68
0,70
0,68
0,70
0,71
0,74
0,74
Desvio WRF
83
5 - CONCLUSÃO
Ao analisar as parametrizações testadas no modelo, as atualizações de
topografia e uso do solo indicam uma melhor previsibilidade sobre a região de
Maceió. Com base nos resultados, concluirmos que o modelo de mesoescala
WRF conseguiu prever satisfatoriamente todas as variáveis analisadas como
precipitação, temperatura do ar, direção do vento, velocidade do vento e pressão
atmosférica, apresentaram uma tendência em realizar a previsão em curto prazo.
Porém, a maioria das simulações previstas apresentaram boas correlações com
intensidades não muito distantes do observado.
Em destaque, os indicadores para ter obtido bons resultados deve-se às
atualizações da topografia e uso do solo que por sua vez, melhorou o resultado
de todas as variáveis analisadas, na previsão da pressão atmosférica ao ser
atualizada a topografia houve uma correção que chega muito próximo da
igualdade do observado. Além disso, as análises estatísticas e os gráficos
gerados comprovam que o modelo previu melhor para 24h do que para 48h que
consequentemente previu melhor que 72h. Sendo assim, é possível verificar se
a resolução de 5 km do modelo apresentou uma boa previsão para o domínio do
Nordeste Brasileiro mais especificamente em Maceió no período estudado, e em
qual experimento a previsão apresentou melhores resultados.
A topografia, a cobertura vegetal e o uso do solo confirmam ter influência
na previsão de curto prazo. As análises estatísticas feitas para validar as
previsões realizadas com o modelo WRF para 24h, 48h e 72h, mostraram que o
modelo conseguiu representar bem, o modelo mostrou-se mais eficiente com
coeficiente de correlação para 24h, essa atualização teve destaque a correção
da pressão atmosférica devido as atualizações realizadas no modelo. O que
mostra que o modelo foi ajustado para prever fenômenos em mesoescala, logo
é possível indicar o modelo como uma ferramenta a ser utilizada para realizar
previsão de numérica de curto prazo. O estudo realizado mostrou que os
resultados obtidos pelo modelo foram satisfatórios, conseguindo prever a
precipitação de forma pontual e detectar bons resultados para precipitações
horárias e diárias, conseguiu prever a temperatura do ar média, a velocidade do
vento foi prevista corretamente, destacando apenas em alguns horários onde
84
houveram picos máximos e mínimos que o modelo não conseguiu acompanhar
totalmente e previu a direção do vento que predominou na posição sudeste e por
fim, a pressão atmosférica com a correção da topografia teve a altitude da região
atualizada sendo o fator principal no resultado.
85
6 - REFERÊNCIAS BIBLIOGRÁFICAS
ALAGOAS EM MAPAS, 2012. www.dados.al.gov.br, acessado em 01/08/2017.
AYOADE, J. O. Introdução à climatologia para os trópicos. 5. ed. Rio de Janeiro:
BCD União de Editoras S. A., v. 1, 1998.
BUCKERIDGE, M. S. (Org.) Biologia E Mudanças Climáticas No Brasil, São
Carlos, Editora Rima, P. 5-28, 2008.
BROWNING, K.A, COLLIER, C.G. An integrated radar-satellite nowcasting
system in the UK. In: Nowcasting. London, Academic Pressp. 46-61, 1982.
CARVALHO, P. R. B.; Inclusão da perturbação de momentum no esquema de
parametrização de cumulus Kain Fritsch e impactos sobre um caso de chuva
convectiva. (INPE-15145-TDI/1277). Dissertação (Mestrado em Meteorologia –
Instituto Nacional de Pesquisas Espaciais, São José dos Campos), 2008.
CAVALCANTE, J. C. Mortalidade em menores de um ano: utilização de novos
indicadores para avaliação. Dissertação de mestrado em Saúde da criança,
Centro de Ciências da Saúde. Departamento de Tocoginecologia. Universidade
Federal de Alagoas, Maceió, 2003.
CHOU, S. C.; Análise de distúrbios ondulatórios de leste sobre o oceano
Atlântico Equatorial Sul. Dissertação de mestrado, INPE – 5222 – TDL /
437,1990.
CORTE-REAL J., SANTOS, J.A. "Los regimenes de precipitation en Portugal",
Cap 11, p 195-230, em Avances en Climatologia Y Ciências de la Atmosfera, Vol
I- La Oscilacion del Atlântico Norte y su influência sobre la Península Ibérica e
Canárias, 2004.
CURTO, L. et al. Calibración de datos observados de contenido de agua en el
suelo con sensores capacitivos. Meteorológica, Ciudad Autónoma de Buenos
Aires, 2016. http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1850468X2016000200003. Acessado em 28/11/2017.
DICKINSON, R. E.; R. M. ERRICO et al. A regional climate model for the western
U.S. Climate Change, v. 15, p. 383422. 1989.
DIRMEYER, P. A.; DOLMAN, A. J.; SATO, N.. The pilot phase of the global soil
wetness project. Bull Amer Meteor Soc. v. 80, p. 851–878, 1999.
86
ENFIELD, D. B. e D. A. Mayer, 1997: Tropical Atlantic sea surface temperature
variability and its relation to El Niño-Southern Oscillation. J. Geophys. Res., 102,
929-945.
ESPINOZA, E. S. Distúrbios nos Ventos de Leste no Atlântico Tropical.
Dissertação de Mestrado em Meteorologia, Instituto Nacional de Pesquisas
Espaciais, São José dos Campos, 149 pg., 1996.
GANDU, A. W.; GEISLER, J. E. A Primitive Equations Model Study on the Effect
of Topography on the Summer Circulation over Tropical South America. Journal
of the Atmospheric Science, v. 48, n. 16, p. 1822-1836, 1991.
GANDÜ, A.W.; SILVA DIAS, M.A.F.. Tipos e dimensões de ecos de radar
associados a sistemas de precipitação na região leste do estado de São Paulo.
111° Congresso Brasileiro de Meteorologia, Belo Horizonte, MG, 3-7 Dezembro,
1984. Anais, SBMET, 1984, v. 1, p. 449-456.
GARCIA, G. J.; MARCHETTI, D. A B; ESPINDOLA, C. R.. Mapeamento de solos
atraves de imagens de radar e de satelite.. Geociencias (Sao Paulo), v. 4, p. 151157.
Disponível
em:
<http://hdl.handle.net/11449/63740>
Acesso
em:
21/01/2018.
GIORGI, F.; MEARNS, L. Introduction to special section: regional climate
modeling revisited. J. Geophys. Res. v. 104, p.63356352, 1999.
HACKEROTT, J. A.; Simulação numérica a partir do modelo WRF e análise de
ventos em superfície na região da Baía de Guanabara, Rio de Janeiro.
Dissertação (Mestrado em Meteorologia – Universidade de São Paulo), 2013.
IBGE, 2015. www.ibge.gov.br, acessado em 22/01/2018.
INMET. (1961-2015). Instituto Nacional de Meteorologia. Normais Climatológicas
do Brasil. Dados disponibilizados no Sitio.
IPCC, 2007: Climate change 2007: The physical Science basis. In: Contribution
of working group I to the assessment report of the Intergovernmental Panel on
Climate Change [Solomon, S., et al. (Eds.)]. Cambridge, UK, e New York, NY,
USA: Cambridge University Press, 996 pp.
KOUSKY, V. E.; GAN, M. A. Upper tropospheric cyclonic vortices in the tropical
South Atlantic. Tellus, v. 36, n. 6, p. 538-551, 1981.
LEMES, M. A. M.; MOURA, A. D. Fundamentos da dinâmica aplicados à
meteorologia e oceanografia. 2ª. ed. Ribeirão Preto, SP: Holos Editora Ltda,
2004. 296 p.
87
MARIANO, G.L.; MOURA, M.A.L. Comportamento da temperatura do lixo em
duas épocas distintas (seca e chuvosa) no lixão da cidade de Maceió, AL.
MOLION, L. C. B. e BERNARDO S. O. Revisão da dinâmica das chuvas no
Nordeste Brasileiro, Revista Brasileira de Meteorologia (no prelo), 2002.
NIETO FERREIRA, R.; SCHUBERT, W. H. Barotropic Aspects of ITCZ
Breakdown. Journal of the Atmpsheric Sciences, v. 54, p. 261-285, 1997.
NOGUEIRA, J. H. A. Sensibilidade da precipitação simulada na região do Centro
de Lançamento de Alcântara a esquemas de convecção explícita: estudo de
caso. 2010. 154f. Dissertação (Mestrado em Meteorologia) – Instituto Nacional
de Pesquisas Espaciais, São José dos Campos, 2010. Disponível em:
<http://www.redemet.aer.mil.br/Artigos/dissertacao_de_mestrado5.pdf>. Acesso
em: 05/04/2018.
PEREIRA FILHO, A. J. Radar measurements of tropical summer convection:
urban feedback on flash floods. In: 29th International Conference on Radar
Meteorology,
Montreal,
Quebec.
Boston,
Massachusetts:
American
Meteorological Society. 1999. p. 939-940.
REBOITA, M. S.; GAN, M. A.; AMBRIZZI, T.; DA ROCHA, R.P. Regimes de
Precipitação na América do Sul: Uma Revisão Bibliográfica. Revista Brasileira de
Meteorologia, v.25, n.2, 185 – 204, 2010.
RIBEIRO, A. G. As escalas do clima. Boletim Geografia Teorética, Rio Claro, v.
23, p. 288-294, 1993. RIBEIRO, K.T.; NASCIMENTO, J.S.; MADEIRA, J.A. &
RIBEIRO, L.C. Aferição dos limites da Mata Atlântica na Serra do Cipó, MG,
Brasil, visando maior compreensão e proteção de um mosaico vegetacional
fortemente ameaçado. Natureza & Conservação, 7(1): p. 30-48. 2009.
SILVA, A B.P, Estudos de Dois Casos Extremos de precipitação sobre a Costa
Leste do Nordeste do Brasil, Dissertação de mestrado, 112p, Departamento de
Meteorologia, UFAL, Maceió, AL., 2002.
SILVA, A. F. G. et al. Uso de modelos de mesoescala na reavaliação do potencial
eólico
da região do Campos de Vertentes, MG. Anais do XVI Congresso
Brasileiro de Meteorologia (CBMET). Belém (PA).
SILVA JÚNIOR, R. S. et al. Mapeamento do potencial eólico do Estado de
Alagoas utilizando o modelo WRF. Anais do I Seminário Nacional de Engenharia
do Vento (SENEV). Belo Horizonte: UFMG. 2010b. p.6.
88
SILVA JÚNIOR, R.S.; Lyra, R.F.F.; Ramos, D.N.S.; Moura, M.A.L.; Gomes, H.B.;
Holanda, S.C. Prognostico do vento para o estado de Alagoas utilizando o
modelo WRF em alta resolução: Avaliação da melhoria da topografia, uso do
solo e velocidade de fricção. Revista Ciência e Natura, v.28, Ed.Especial, 137144, 2016.
SILVA JUNIOR, R. S.; Silva, M. C.; Nascimento, G. C.; Gomes, H. B.; Holanda,
S. C. Sistema de alerta para áreas de risco, utilizando o modelo de mesoescala
WRF para o município de Maceió-Alagoas em julho de 2013. Revista Brasileira
de Geofísica. 9, 2016.
SILVA, W. L. Tendências Observadas e Projeções Futuras de Extremos
Climáticos na Cidade do Rio de Janeiro. Monografia. Universidade Federal do
Rio de Janeiro, Departamento de Meteorologia. XVIII, 85 p. Rio de Janeiro, 2012.
SKAMAROCK, W. C.; KLEMP, J. B.; DUDHIA, J.; GILL, D. O.; BARKER, D. M.;
WANG, W.; POWERS, J. G. A Description of the Advanced Research WRF
Version 2. NCAR/Tech. Notes, 2005.
SKAMAROCK, W. C, et al. A description of the Advanced Research WRF
Version 3. National Center for Atmospheric
Research (NCAR). Boulder,
Colorado (EUA), p. 125. 2008.
SOUZA FILHO, F. A. Variabilidade e mudança climática nos semi-áridos
brasileiros. In: TUCCI, C. E. M.; BRAGA, B. (Org.). Clima e Recursos Hídricos
no Brasil. Coleção ABRH, 2003.
TANAJURA C. A. S. Modeling and analysis of the South American summer
climate. Tese Doutorado University of Maryland, College Park Maryland. 1996.
YAMAZAKI, Y; RAO, V. B. Tropical cloudiness over South Atlantic Ocean.
Journal of the Meteorological Society of Japan, v. 55, n.2, p. 205-207, 1977.
89
ANEXOS
16/07/2017 00:00
90
80
70
60
50
Umidade Relativa(%)
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
15/07/2017 00:00
17/07/2017 00:00
14/07/2017 00:00
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
40
11/07/2017 00:00
12/07/2017 00:00
13/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
10/07/2017 00:00
11/07/2017 00:00
12/07/2017 00:00
13/07/2017 00:00
16/07/2017 00:00
50
16/07/2017 00:00
60
15/07/2017 00:00
70
15/07/2017 00:00
80
14/07/2017 00:00
90
14/07/2017 00:00
17/07/2017 00:00
Umidade do Solo
Topo+NDVI
Topografia
10/07/2017 00:00
Fonte: Autor(2018).
Topografia
10/07/2017 00:00
100
NDVI
Default
Previsão 72h
Umidade do Solo
NDVI
Topo+NDVI
Observado
Default
Previsão 48h
100
90
80
70
60
50
40
Umidade Relativa do ar(%)
Umidade do Solo
Topo+NDVI
Topografia
NDVI
Observado
Default
Previsão 24h
Observado
Umidade Relativa(%)
90
ANEXO 01 - Gráficos – Previsão para 24h / 48h /72h (Umidade Relativa do Ar)
Figura 18- Gráficos comparativos da Umidade Relativa para previsões de
24h/48h/72h.
100
40
16
14
12
10
Temp. Ponto de Orvalho(°C)
24
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
14/07/2017 00:00
13/07/2017 00:00
12/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
16
14
12
10
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
10/07/2017 00:00
11/07/2017 00:00
12/07/2017 00:00
13/07/2017 00:00
15/07/2017 00:00
18
15/07/2017 00:00
20
14/07/2017 00:00
22
14/07/2017 00:00
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
10/07/2017 00:00
Fonte: Autor(2018).
Umidade do Solo
Topo+NDVI
Topografia
NDVI
Umidade do Solo
Default
Previsão 48h
Observado
Default
Previsão 72h
Default
Previsão 24h
Observado
Topografia
11/07/2017 00:00
24
22
20
18
16
14
12
10
Temp. Ponto de Orvalho(°C)
18
16/07/2017 00:00
20
15/07/2017 00:00
22
NDVI
Topo+NDVI
Umidade do Solo
Topo+NDVI
Topografia
Observado
NDVI
10/07/2017 00:00
24
Temp. Ponto de Orvalho(°C)
91
ANEXO 02 - Gráficos – Previsão para 24h / 48h /72h (Temperatura do Ponto de
Orvalho)
Figura 19 - Gráficos comparativos da Temperatura do Ponto de Orvalho
para previsões de 24h/48h/72h.
1000
800
600
400
200
0
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
14/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
15/07/2017 00:00
14/07/2017 00:00
13/07/2017 00:00
12/07/2017 00:00
Umidade do Solo
Topo+NDVI
Topografia
NDVI
Observado
Default
Previsão 72h
Umidade do Solo
Default
Previsão 48h
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
10/07/2017 00:00
20/07/2017 00:00
19/07/2017 00:00
18/07/2017 00:00
17/07/2017 00:00
16/07/2017 00:00
15/07/2017 00:00
14/07/2017 00:00
13/07/2017 00:00
12/07/2017 00:00
11/07/2017 00:00
10/07/2017 00:00
Fonte: Autor(2018).
Radiação Solar(W/m²)
Default
Previsão 24h
Observado
Topografia
11/07/2017 00:00
1400
1200
1000
800
600
400
200
Radiação Solar(W/m²)
1200
16/07/2017 00:00
1400
NDVI
Topo+NDVI
Umidade do Solo
Topo+NDVI
Topografia
Observado
15/07/2017 00:00
1600
NDVI
10/07/2017 00:00
1400
1200
1000
800
600
400
200
Radiação Solar(W/m²)
92
ANEXO 03 - Gráficos – Previsão para 24h / 48h /72h (Radiação Solar)
Figura 20 - Gráficos comparativos da Radiação Solar para previsões de
24h/48h/72h. Fonte: Autor.
1600
0
1600
0
93
ANEXO 04 - Comparações Estatísticas entre os dados de previsão das 24hs das
simulações.
Tabela 10. Tabela de estatista de viés, desvio padrão e coeficiente de
correlação de PEARSON comparando os dados no período do estudo de
10/07/17 a 19/07/17 para previsão de 24h.
Previsão 24h
Precipitação
Temperatura
Umidade
Relativa do
Ar
Velocidade
do Vento
Direção do
Vento
Pressão
Atmosférica
Ponto de
Orvalho
Radiação
Solar
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Fonte: Autor(2018).
Viés_Médio
Desvio WRF
Desvio
Observado
Coef.Correlação
-0,13
-0,12
-0,11
-0,14
0,73
0,54
0,49
0,72
-4,35
-4,22
-3,99
-4,48
1,02
1,28
1,30
1,06
0,85
-9,45
-7,13
3,09
7,01
0,24
0,27
7,04
-0,29
-0,39
-0,42
-0,35
-70,34
-66,62
-76,14
-71,14
0,23
0,25
0,27
0,22
1,72
1,41
1,48
1,80
11,19
10,18
10,64
11,49
1,15
1,11
1,12
1,17
28,38
16,88
18,11
29,22
0,69
0,68
0,70
0,69
1,24
1,26
1,30
1,25
185,32
187,98
176,56
186,96
0,48
0,48
0,48
0,48
1,59
1,59
1,59
1,59
9,94
9,94
9,94
9,94
1,15
1,15
1,15
1,15
36,69
36,69
36,69
36,69
0,69
0,69
0,69
0,69
1,31
1,31
1,31
1,31
254,29
254,29
254,29
254,29
0,20
0,34
0,30
0,19
0,74
0,74
0,73
0,75
0,71
0,71
0,71
0,70
0,65
0,61
0,60
0,67
0,33
0,25
0,21
0,42
0,67
0,68
0,68
0,67
0,65
0,65
0,64
0,62
0,65
0,65
0,62
0,62
94
ANEXO 05 - Comparações Estatísticas entre os dados de previsão das 48hs das
simulações.
Tabela 11. Tabela de estatista de viés, desvio padrão e coeficiente de
correlação de PEARSON comparando os dados no período do estudo de
10/07/17 a 19/07/17 para previsão de 48h.
Previsão 48h
Precipitação
Temperatura
Umidade
Relativa do
Ar
Velocidade
do Vento
Direção do
Vento
Pressão
Atmosférica
Ponto de
Orvalho
Radiação
Solar
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Fonte: Autor(2018).
Viés_Médio
Desvio
WRF
Desvio
Observado
Coef.Correlação
-0,17
-0,17
-0.19
-0,13
1,58
1,18
1,15
1,43
-9,91
-8,78
-8,94
-9,30
1,40
1,79
1,76
1,28
-9,45
-13,60
-13,72
-3,46
7,05
0,28
0,38
7,16
-0,55
-0,69
-0,77
-0,62
-31,00
-20,72
-11,31
-34,39
0,23
0,23
1,19
0,27
0,97
0,89
1,02
1,16
7,28
7,40
7,80
8,70
1,20
1,06
1,06
1,26
16,33
13,85
13,93
24,43
0,99
0,98
1,01
1,01
1,14
1,18
1,21
1,20
234,75
246,07
251,63
226,96
0,50
0,50
0,50
0,50
1,62
1,62
1,62
1,62
10,33
10,33
10,33
10,33
1,12
1,14
1,14
1,14
38,11
38,11
38,11
38,11
0,69
0,68
0,68
0,69
1,31
1,31
1,31
1,31
251,91
251,91
251,91
251,91
0,13
0,16
0,11
0,16
0,65
0,68
0,70
0,71
0,65
0,65
0,70
0,70
0,56
0,56
0,62
0,61
0,19
0,21
0,23
0,17
0,69
0,70
0,71
0,70
0,59
0,59
0,56
0,54
0,66
0,68
0,68
0,63
95
ANEXO 06 - Comparações Estatísticas entre os dados de previsão das 72hs das
simulações.
Tabela 12. Tabela de estatista de viés, desvio padrão e coeficiente de
correlação de PEARSON comparando os dados no período do estudo de
10/07/17 a 19/07/17 para previsão de 72h.
Previsão 72h
Precipitação
Temperatura
Umidade
Relativa do
Ar
Velocidade
do Vento
Direção do
Vento
Pressão
Atmosférica
Ponto de
Orvalho
Radiação
Solar
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Padrão(Default)
Topografia
Topografia+NDVI
Umidade do Solo
Fonte: Autor(2018).
Viés_Médio
Desvio WRF
Desvio
Observado
Coef.Correlação
-0,08
-0,01
0,04
0,03
1,27
0,97
1,05
1,28
-7,75
-6,99
-8,90
-8,60
1,24
1,57
1,57
1,22
-7,39
-16,25
-7,78
-0,74
7,04
0,26
0,45
7,18
-0,50
-0,59
-0,94
-0,70
-27,82
-5,67
-2,28
0,75
0,51
0,35
0,47
0,45
1,38
1,24
1,41
1,58
9,76
9,26
9,50
10,04
1,19
1,15
1,29
1,24
28,16
18,16
27,07
37,69
0,97
1,00
1,00
1,02
1,27
1,28
1,31
1,29
238,56
251,28
262,78
254,46
0,47
0,47
0,47
0,47
1,62
1,62
1,67
1,62
10,50
10,50
10,50
10,50
1,12
1,12
1,12
1,12
39,58
39,38
37,96
39,38
0,67
0,68
0,70
0,68
1,24
1,25
1,23
1,24
255,27
245,19
255,27
245,19
0,11
0,11
0,12
0,17
0,64
0,67
0,66
0,65
0,57
0,57
0,58
0,60
0,50
0,56
0,65
0,68
0,08
0,18
0,10
0,14
0,70
0,71
0,74
0,74
0,51
0,52
0,54
0,52
0,65
0,68
0,66
0,66