Gualberto de Honorato João( 2014).pdf
Gualberto de Honorato João( 2014).pdf
Documento PDF (1.1MB)
Documento PDF (1.1MB)
UNIVERSIDADE FEDERAL DE ALAGOAS - UFAL
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS - ICAT
PÓS - GRADUAÇÃO EM METEOROLOGIA
AVALIAÇÃO DA CONFIABILIDADE DA PREVISÃO DE TEMPO POR ENSEMBLE
PARA A REGIÃO DE ANGOLA
GUALBERTO DE HONORATO JOÃO
MACEIÓ, AL
DEZEMBRO, 2014
2
GUALBERTO DE HONORATO JOÃO
AVALIAÇÃO DA CONFIABILIDADE DA PREVISÃO DE TEMPO POR ENSEMBLE
PARA A REGIÃO DE ANGOLA
Dissertação submetida ao colegiado do Curso de
Pós-Graduação em Meteorologia no Instituto de Ciências
Atmosféricas da Universidade Federal de Alagoas UFAL, como parte dos requisitos necessários para
obtenção do título de Mestre em Meteorologia.
Orientadora :
Profª. Drª. Maria Luciene de Melo
Co-orientador :
Prof. Dr. Rosiberto Salustiano
MACEIÓ, AL
DEZEMBRO, 2014
3
Página de Catalogação
4
Página de Assinaturas
5
DEDICATÓRIA
A minha esposa Dina,
ao meu filho Telmo,
dedico.
6
AGRADECIMENTOS
A todos aqueles que contribuíram de alguma forma para a realização deste trabalho, os meus
sinceros agradecimentos, em particular :
A professora Maria Luciene de Melo pela orientação;
Ao professor Rosiberto Salustiano pela co orientação;
A Universidade Federal de Alagoas, pela oportunidade dada em frequentar o curso;
Ao governo de Angola, pelo financiamento.
7
RESUMO
A confiabilidade da previsão de tempo por ensemble foi avaliada para a região de
Angola, por meio de dois experimentos em que a física do modelo WRF foi perturbada.
O foco deste experimento foi direcionado para avaliar a incerteza dos processos físicos
do modelo, a sensibilidade das parametrizações físicas, bem como,
o desempenho das
previsões determinísticas.
Para alcançar esse objetivo, uma matriz com 16 configurações do modelo WRF, foi
criada usando diferentes combinações de esquemas físicos, sendo quatro esquemas diferentes
de microfísica, dois esquemas diferentes de camada limite planetária e dois esquemas
diferentes cúmulos. O modelo foi integrado por um prazo de 102 horas em dois experimentos
de previsão de tempo operacional referente aos períodos; de 19/03/2013 à 23/03/2013 e de
12/04/2014 à 16/04/2014 . Dados da temperatura máxima do ar, temperatura mínima do ar e
precipitação acumulada de estações meteorológicas referenciadas pela WMO, de Luanda,
Uíge, Saurimo, Luena, Huambo e
Lubango, foram comparados com os resultados das
simulações do modelo WRF nos respetivos pontos de grade .
A confiabilidade do ensemble médio foi avaliada com base em duas métricas, os box
plots modificados e a discrepância entre o RMSE e SPRD, que produziram resultados
concordantes. A análise da sensibilidade ás mudanças físicas foi determinada com base na
influencia relativa das diferentes parametrizações no Viés. Já o desempenho das previsões
determinísticas foi determinado com base na analise do ranking o RMSE médio.
Os resultados obtidos evidenciam que as previsões apresentaram incertezas que podem
estar relacionadas ou com os esquemas de parametrizações adotados, condições iniciais, ou
ainda pela suavização da topografia pelo modelo. Em geral o modelo
temperaturas máximas
apresentou
e mínimas sistematicamente mais baixas que as observadas. A
temperatura mínima foi melhor representada pelo ensemble ao contrário da temperatura
máxima. A previsão ensemble, não consegui reproduzir satisfatoriamente a quantidade a da
precipitação ocorrida, assim como, detetar chuvas isoladas oriundas de sistemas convectivos.
Nenhuma das combinações adotada se mostrou eficiente para simular todas as variáveis
em todas as localidades.
Palavras-Chave : WRF, Parametrizações. Espalhamento. Discrepância. Box plots.
8
ABSTRACT
The reliability of ensemble weather forecast was evaluated for the region of Angola,
through two experiments where the physics of WRF model was disturbed.
The focus of this experiment was directed to evaluate the uncertainty of the physical
model process, the sensitivity of physical parameterization, as well as the performance of
deterministic forecasts.
To achieve this goal, an array with 16 settings of WRF model was created using different
physical layout combinations, where four different schemes microphysics, two different
schemes of planetary boundary layer and two different schemes of cumulus parametrization.
The model was integrated for a period of 102 hours over two operational weather forecast
experiments for the periods; of 03/19/2013 to 23/03/2013 and 12/04/2014 to 16/04/2014. Data
of maximum temperature, minimum air temperature and accumulated precipitation weather
stations referenced by WMO, Luanda, Uige, Saurimo, Luena, Huambo and Lubango, were
compared with the results of the WRF model simulations in the respective grid points.
The reliability of the ensemble mean was evaluated based on two metrics, the modified
box plots and the discrepancy between the RMSE and SPRD, which produced consistent
results. The sensitivity analysis ace physical changes was determined based on the relative
influence of different parameterizations in bias. But the performance of deterministic
forecasts was based on the average RMSE ranking analysis.
The results show that the predictions presented uncertainty that may be related or the
parameterization schemes adopted, initial conditions, or by smoothing the topography of the
template. In general, the model showed maximum and minimum temperatures consistently
lower than observed. The minimum temperature was best represented by the ensemble than
the maximum temperature. The ensemble forecast, unable to satisfactorily reproduce the
amount of the precipitation occurred, as well as detect isolated rains coming from convective
systems. None of the combinations adopted was efficient to simulate all variables in all
locations.
Keywords: WRF, parameterizations. Scattering. Discrepancy. Box plots.
9
LISTA DE FIGURAS
Figura 1. Fluxograma do sistema do modelo WRF versão 3.4 …............................................
27
Figura 2. Ilustração do sistema de coordenada vertical η …...................................................
28
Figura 3. Grade horizontal e vertical do sistema ARW ….......................................................
30
Figura 4. Exemplos de grades aninhadas suportadas pelo WRF ….........................................
30
Figura 5. Distribuição espacial das estações estudadas …......................................................
34
Figura 6. Exemplo da situação sinótica reinante nos períodos estudados …...........................
34
Figura 7. Ilustração dos domínios do modelo WRF utilizado …................…..........................
36
Figura 8. exemplo do box plot proposto por TUKEY..............................................................
39
Figura 9. Exemplo do box plot modificado do EVS …............................................................
39
Figura 10. Box plots da temperatura máxima de Luanda para (a) experimento 1 e (b)
experimento 2 …......................................................................................................
44
Figura 11. Comparação entre o RMSE e SPRD da temperatura máxima de Luanda para (a)
experimento 1 e (b) experimento 2 …......................................................................
45
Figura 12. Box plots da temperatura máxima do Uíge para (a) experimento 1 e (b)
experimento 2 …......................................................................................................
47
Figura 13. Comparação entre o RMSE e SPRD da temperatura máxima do Uíge para (a)
experimento 1 e (b) experimento 2 …......................................................................
47
Figura 14. Box plots da temperatura máxima de Saurimo para (a) experimento 1 e (b)
experimento 2
50
Figura 15. Comparação entre o RMSE e SPRD da temperatura máxima de Saurimo para (a)
experimento 1 e (b) experimento 2 …......................................................................
50
Figura 16. Box plots da temperatura máxima do Luena para (a) experimento 1 e (b)
experimento 2 ….......................................................................................................
51
Figura 17. Comparação entre o RMSE e SPRD da temperatura máxima do Luena para (a)
experimento 1 e (b) experimento 2 …......................................................................
52
Figura 18. Box plots da temperatura máxima do Huambo para (a) experimento 1 e (b)
experimento 2 …......................................................................................................
53
Figura 19. Comparação entre o RMSE e SPRD da temperatura máxima do Huambo para (a)
experimento 1 e (b) experimento 2 …......................................................................
53
Figura 20. Box plots da temperatura máxima do Lubango para (a) experimento 1 e (b)
experimento 2 ….....................................................................................................
Figura 21. Comparação entre o RMSE e SPRD da temperatura máxima do Lubango para (a)
54
10
experimento 1 e (b) experimento 2 …......................................................................
55
Figura 22. Box plots da temperatura mínima de Luanda para (a) experimento 1 e (b)
experimento 2 …......................................................................................................
Figura 23. Comparação entre o RMSE e SPRD da temperatura mínima de Luanda para (a)
experimento 1 e (b) experimento 2 …......................................................................
56
Figura 24. Box plots da temperatura mínima do Uíge para (a) experimento 1 e (b)
experimento 2 ….......................................................................................................
56
Figura 25. Comparação entre o RMSE e SPRD da temperatura mínima do Uíge para (a)
experimento 1 e (b) experimento 2 …......................................................................
57
Figura 26. Box plots da temperatura mínima de Saurimo para (a) experimento 1 e (b)
experimento 2 …......................................................................................................
58
Figura 27. Comparação entre o RMSE e SPRD da temperatura mínima de Saurimo para (a)
experimento 1 e (b) experimento 2 …......................................................................
59
Figura 28. Box plots da temperatura mínima de Luena para (a) experimento 1 e (b)
experimento 2 …......................................................................................................
61
Figura 29. Comparação entre o RMSE e SPRD da temperatura mínima de Luena para (a)
experimento 1 e (b) experimento 2 …......................................................................
61
Figura 30. Box plots da temperatura mínima do Huambo para (a) experimento 1 e (b)
experimento 2 …......................................................................................................
63
Figura 31. Comparação entre o RMSE e SPRD da temperatura mínima do Huambo para (a)
experimento 1 e (b) experimento 2 …......................................................................
63
Figura 32. Box plots da temperatura mínima do Lubango para (a) experimento 1 e (b)
experimento 2 …......................................................................................................
64
Figura 33. Comparação entre o RMSE e SPRD da temperatura mínima do Lubango para (a)
experimento 1 e (b) experimento 2 …......................................................................
64
Figura 34. Box plots da precipitação acumulada de Luanda para (a) experimento 1 e (b)
experimento 2 …......................................................................................................
66
Figura 35. Comparação entre o RMSE e SPRD da precipitação acumulada de Luanda para (a)
experimento 1 e (b) experimento 2 …......................................................................
66
Figura 36. Box plots da precipitação acumulada do Uíge para (a) experimento 1 e (b)
experimento 2 …......................................................................................................
67
Figura 37. Comparação entre o RMSE e SPRD da precipitação acumulada do Uíge para (a)
experimento 1 e (b) experimento 2 …......................................................................
Figura 38. Box plots da precipitação acumulada de Saurimo para (a) experimento 1 e (b)
68
11
experimento 2 …......................................................................................................
69
Figura 39. Comparação entre o RMSE e SPRD da precipitação acumulada de Saurimo para
(a) experimento 1 e (b) experimento 2 ….................................................................
69
Figura 40. Box plots da precipitação acumulada de Luena para (a) experimento 1 e (b)
Experimento 2 …......................................................................................................
71
Figura 41. Comparação entre o RMSE e SPRD da precipitação acumulada de Luena para (a)
experimento 1 e (b) experimento 2 …......................................................................
71
Figura 42. Box plots da precipitação acumulada do Huambo para (a) experimento 1 e (b)
Experimento 2 …......................................................................................................
72
Figura 43. Comparação entre o RMSE e SPRD da precipitação acumulada do Huambo para
(a) experimento 1 e (b) experimento 2 ….................................................................
72
Figura 44. Box plots da precipitação acumulada do Lubango para (a) experimento 1 e (b)
Experimento 2 …......................................................................................................
73
Figura 45. Comparação entre o RMSE e SPRD da precipitação acumulada do Lubango para
(a) experimento 1 e (b) experimento 2 …................................................................
74
Figura 46. Distribuição do viés da temperatura máxima dos membros do ensemble em todos
prazos de previsão para (a) experimento 1 e (b) experimento 2 …..........................
78
Figura 47. Distribuição do viés da temperatura mínima dos membros do ensemble em todos
prazos de previsão para (a) experimento 1 e (b) experimento 2 …..........................
80
Figura 48. Distribuição do viés da precipitação acumulada dos membros do ensemble em
todos prazos de previsão para (a) experimento 1 e (b) experimento 2 …................
81
12
LISTA DE TABELAS
Tabela 1. Identificação das estações meteorológicas selecionadas ….......................................
33
Tabela 2. Membros do ensemble …...........................................................................................
38
Tabela 3. Tabela de contingência para verificação da ocorrência ou não da previsão de
precipitação …..........................................................................................................
43
Tabela 4. Valores do Viés, RMSE e SPRD da temperatura máxima de Luanda para (a)
experimento 1 e (b) experimento 2 ….......................................................................
45
Tabela 5. Valores do Viés, RMSE e SPRD da temperatura máxima do Uíge para (a)
experimento 1 e (b) experimento 2 ….......................................................................
48
Tabela 6. Valores do Viés, RMSE e SPRD da temperatura máxima de Saurimo para (a)
experimento 1 e (b) experimento 2 ….......................................................................
50
Tabela 7. Valores do Viés, RMSE e SPRD da temperatura máxima de Luena para (a)
experimento 1 e (b) experimento 2 …......................................................................
52
Tabela 8. Valores do Viés, RMSE e SPRD da temperatura máxima do Huambo para (a)
experimento 1 e (b) experimento 2 …......................................................................
53
Tabela 9. Valores do Viés, RMSE e SPRD da temperatura máxima do Lubango para (a)
experimento 1 e (b) experimento 2 ….......................................................................
55
Tabela 10. Valores do Viés, RMSE e SPRD da temperatura mínima de Luanda para (a)
experimento 1 e (b) experimento 2 ….......................................................................
57
Tabela 11. Valores do Viés, RMSE e SPRD da temperatura mínima do Uíge para (a)
experimento 1 e (b) experimento 2 …......................................................................
58
Tabela 12. Valores do Viés, RMSE e SPRD da temperatura mínima de Saurimo para (a)
experimento 1 e (b) experimento 2 …......................................................................
60
Tabela 13. Valores do Viés, RMSE e SPRD da temperatura mínima de Luena para (a)
experimento 1 e (b) experimento 2 …......................................................................
62
Tabela 14. Valores do Viés, RMSE e SPRD da temperatura mínima do Huambo para (a)
experimento 1 e (b) experimento 2 ….......................................................................
63
Tabela 15. Valores do Viés, RMSE e SPRD da temperatura mínima do Lubango para (a)
experimento 1 e (b) experimento 2 ….......................................................................
65
Tabela 16. Valores do Viés, RMSE e SPRD da precipitação acumulada de Luanda para (a)
experimento 1 e (b) experimento 2 ….......................................................................
66
Tabela 17. Valores do Viés, RMSE e SPRD da precipitação acumulada do Uíge para (a)
experimento 1 e (b) experimento 2 ….......................................................................
Tabela 18. Valores do Viés, RMSE e SPRD da precipitação acumulada de Saurimo para (a)
68
13
experimento 1 e (b) experimento 2 ….......................................................................
70
Tabela 19. Valores do Viés, RMSE e SPRD da precipitação acumulada de Luena para (a)
experimento 1 e (b) experimento 2 ….......................................................................
71
Tabela 20. Valores do Viés, RMSE e SPRD da precipitação acumulada do Huambo para (a)
experimento 1 e (b) experimento 2 ….......................................................................
72
Tabela 21. Valores do Viés, RMSE e SPRD da precipitação acumulada do Lubango para (a)
experimento 1 e (b) experimento 2 ….......................................................................
74
Tabela 22. Índices estatísticos POD e FAR (a) experimento 1 e (b) experimento 2 …..............
75
Tabela 23. Ranking do Viés médio da temperatura máxima dos membros do ensemble de
(a) experimento 1 e (b) experimento 2 …..................................................................
77
Tabela 24. Ranking do Viés médio da temperatura mínima dos membros do ensemble de
(a) experimento 1 e (b) experimento 2 …..................................................................
79
Tabela 25. Ranking do Viés médio da precipitação acumulada dos membros do ensemble de
(a) experimento 1 e (b) experimento 2 …..................................................................
82
Tabela 26. Ranking do RMSE da temperatura máxima dos membros
do ensemble por estação (Experimento 1) …...........................................................
86
Tabela 27. Ranking do RMSE da temperatura máxima dos membros
do ensemble por estação (Experimento 2) …............................................................
87
Tabela 28. Ranking do RMSE da temperatura mínima dos membros
do ensemble por estação (Experimento 1) …............................................................
88
Tabela 29. Ranking do RMSE da temperatura mínima dos membros
do ensemble por estação (Experimento 2) …............................................................
Tabela 30. Ranking do RMSE da precipitação acumulada
dos
por estação (Experimento 1) …................................................................................
Tabela 30. Ranking do RMSE da precipitação acumulada
89
90
dos
membros do ensemble por estação (Experimento 2) …............................................
91
14
LISTA DE ABREVIAÇÕES E SIGLAS
ACM2
- Asymmetrical Convective Model version 2
ARW
- Advanced Research WRF
CP
- Cumulus Parametrization
EM
- Ensemble Médio
EMA
- Estação Meteorologica Automática
EVS
- Ensemble Verification System
FAR
- Razão de Falso Alarme
GFS
- Global Forecast System
GrADS
- Grid Analysis and Display System
ICAT
- Instituto de Ciências Atmosféricas
INAMET - Instituto Nacional de Meteorologia e Geofísica
INPE
- Instituto Nacional de Pesquisas Espaciais
ITCZ
- Inter Tropical convergency Zone
MP
- Microphysics Parametrization
PBL
- Planetary Boundary Layer
PNT
- Previsão Númerica de Tempo
RMSE
- Root Mean Square Error
SPRD
- Spread
UFAL
- Universidade Federal de Alagoas
UTC
- Universal Time Coordinated
WPS
- WRF Processing System
WRF
- Weather Research and Forecasting
WSM3
- WRF Single Moment 3 class
WSM6
- WRF Single Moment 6 class
WMO
- World Meteorological Organization
15
SUMÁRIO
1
INTRODUÇÃO …............................................................................................................
18
2
OBJETIVOS ….................................................................................................................
19
2.1 Gerais …............................................................................................................................
19
2.2 Específicos …....................................................................................................................
19
3
REVISÃO DE LITERATURA …......................................................................................
20
3.1 Previsão por ensemble …..................................................................................................
20
3.2 Avaliação da confiabilidade da previsão por ensemble ….................................................
22
4
MATERIA E METODOS ….............................................................................................
26
4.1 Material …...........................................................................................................................
26
4.1.1 Modelo atmosférico de mesoescala WRF ....................................................................
26
4.1.1.1 Descrição do modelo WRF …......................................................................................
26
4.1.1.2 Coordenada vertical ….................................................................................................
27
4.1.1.3 Equações governantes ….............................................................................................
28
4.1.1.4 Discretização temporal …............................................................................................
29
4.1.1.5 Discretização espacial ….............................................................................................
30
4.1.1.6 Aninhamento de grades …...........................................................................................
30
4.1.1.7 Opções físicas do modelo …........................................................................................
31
4.1.1.8 Integração do modelo WRF …......................................................................................
31
4.1.2 Área de estudo e características geoclimáticas …..........................................................
33
4.1.3 Período de estudo e variáveis meteorológicas de estudadas .........................................
34
4.1.4 Recursos computacionais …..........................................................................................
35
4.1.5 Processamento do modelo WRF e dados de controle das previsões …..........................
35
4.2
Métodos ….......................................................................................................................
37
4.2.1 Criação dos membros do ensemble …............................................................................
37
4.2.2 Verificação dos resultados das previsões .......................................................................
38
5
RESULTADOS E DISCUSSÃO …...............................................................................
44
5.1
Avaliação da confiabilidade da previsão ensemble …...................................................
44
16
5.1.1 Temperatura máxima …..................................................................................................
44
5.1.2 Temperatura mínima …...................................................................................................
56
5.1.3 Precipitação acumulada …..............................................................................................
65
5.2
Avaliação da sensibilidade das parametrizações físicas …............................................
76
5.2.1 Temperatura máxima …..................................................................................................
76
5.2.2 Temperatura mínima …...................................................................................................
79
5.2.3 Precipitação acumulada …..............................................................................................
82
5.3
Avaliação do desempenho dos membros do ensemble …..............................................
83
5.3.1 Temperatura máxima …..................................................................................................
83
5.3.2 Temperatura mínima …...................................................................................................
84
5.3.3 Precipitação acumulada …..............................................................................................
84
6.
CONCLUSÕES ….........................................................................................................
92
7.
RECOMENDAÇÕES …................................................................................................
94
REFERENCIAS …....................................................................................................................
95
17
1.
INTRODUÇÃO
A previsão do tempo sempre foi uma tarefa de grande importância para a humanidade,
devido a dependência de inúmeras atividades as condições climáticas. A previsão do tempo, é
hoje uma área onde a alta tecnologia está sendo aplicada diariamente com o uso de modelos
numéricos como a principal ferramenta, que combina a física da atmosfera e oceanos, assim
como, matemática e computação e, tem proporcionado maior eficácia nos resultados.
Existem diversos modelos numéricos de previsão do tempo, o modelo WRF
desenvolvido por várias instituições de pesquisas dos EUA, é atualmente a ferramenta de topo
em matéria de simulação atmosférica. Para prever o tempo os modelos numéricos
são
iniciados a partir de uma análise do estado da atmosfera com base nas observações feitas em
todo mundo. Os modelos calculam a evolução do tempo a partir desse estado inicial mas,
como a atmosfera não consegue ser completamente observada quer em termos de cobertura
espacial quer em termos precisão das observações, torna que o comportamento futuro da
atmosfera não pode ser conhecido com exatidão devido a sua natureza caótica.
A atmosfera como um sistema caótico as previsões com base em um modelo único
(determinista) geralmente têm um grau elevado de incerteza (BUIZZA et al., 2005), porque
pequenos erros nas condições iniciais podem crescer rapidamente, levando a grandes erros na
previsão. Os primeiros estudos LORENZ (1969), sugere que erros iniciais podem crescer
muito rápido em diferentes escalas, não importa o quão pequeno o erro é. Além disso, os
erros também vêm de cada componente da previsão numérica de tempo (ZHU, 2005), que
incluem o sistema de observação, sistema de assimilação de dados e previsão modelo
(processos dinâmicos, computação, parametrização física). As duas fontes de erros (erros
iniciais e erros de modelo), limitam a habilidade e previsibilidade de uma previsão
determinista.
A previsão ensemble, surge como uma forma prática de estimar a incerteza da previsão
determinística com base em múltiplas previsões perturbadas em que a incerteza da previsão é
representada pelo espalhamento da diversidade dos membros do conjunto.
A confiabilidade da previsão está associada a magnitude do espalhamento, e em
condições ideais valores alto de espalhamento estão associados a baixa confiabilidade das
previsões e vice versa (BUIZZA, 1997).
A confiabilidade pode ser ainda avaliada pela discrepância entre o RMSE do ensemble e
o SPRD, para uma previsão confiável discrepância entre os dois deve ser baixa, as grandes
18
diferenças indicam inconsistência estatística (BUIZZA, 2005).
A presente proposta de pesquisa, como parte das exigências do ICAT-UFAL para
obtenção do grau de Mestre, foi desenvolvida para servir como um contributo em capacitar o
INAMET em gerar localmente previsão numérica de meso-escala, avaliando confiabilidade
da previsão por ensemble multi-física com base no espalhamento, fazendo uso do modelo
WRF (Weather Reserch Forecast) na previsão de tempo operacional para a região de Angola.
19
2.
OBJECTIVOS
2.1
Gerais
Avaliar a confiabilidade da previsão de tempo por ensemble para a região de Angola.
2.2 Específicos
Avaliar a confiabilidade das previsões por ensemble multi física com o modelo WRF
para a região de Angola;
Analisar a discrepância entre RMSE e SPRD
como medida de confiabilidade da
previsão ensemble;
Analisar a concordância entre os box plots e a discrepância entre o RMSE e o SPRD na
avaliação da confiabilidade da previsão ensemble;
Analisar que o espalhamento pode ser utilizado para estimar o desempenho da previsão
ensemble ;
Avaliar a sensibilidade das parametrizações físicas do modelo WRF na previsão de
tempo operacional para a região de Angola;
Avaliar o desempenho das previsões determinísticas do modelo WRF, para a região de
Angola.
20
3.
REVISÃO DE LITERATURA
3.1. Previsão por ensemble
A compreensão da natureza caótica da atmosfera devido ao seu comportamento irregular,
coube ao cientista LORENZ (1963), ao notar a sensibilidade dos sistemas de equações
semelhantes as que governam os movimentos atmosféricos em relação as condições inicias
durante o processo de integração das mesmas. O cientista, notou que condições inicias
diferentes podem gerar
resultados diferentes estabelecendo assim, uma relação de
sensibilidade entre esses dois parâmetros. O comportamento caótico da atmosfera não
possibilita que o conhecimento futuro da atmosfera seja conhecido com exatidão, devido a
impossibilidade em observar-se a atmosfera em termos de cobertura espacial e de precisão das
observações.
Desde o postulado de LORENZ (1963), a previsão numérica da atmosfera de forma
determinística, passou a ser amplamente discutida, com realce de dois importantes aspetos:
que os modelos não conseguem reproduzir a diversidade de fenômenos que influenciam a
evolução das condições da atmosfera e por outro lado os erros ligados as observações
utilizados na geração das condições inicias.
Uma previsão numérica individual (determinística) gera um prognóstico específico a
partir de uma configuração específica do modelo (a distancia entre pontos de malha, as
condições iniciais, a física, etc.) que produzem seus próprios erros sistemáticos. Pode-se
medir a sensibilidade dos prognósticos frente a incerteza das condições iniciais, da
configuração do modelo e outras, e isto abre uma possibilidade de se avaliar a incerteza das
previsões com base em um conjunto previsões (COMET, 2010) e, de acordo com HOLTON
(2004), em geral, a média conjunto proporciona uma melhor previsão que a individual dos
membros do conjunto, porque a média conjunto tende a filtrar aspetos mais incertos da
previsão. COUTINHO (1999), em sua dissertação de mestrado concorda que as incertezas
associadas às condições iniciais da atmosfera diminuem a confiabilidade da previsão
determinística, sugerindo o uso de métodos probabilísticos
comportamento caótico da atmosfera.
para descrição adequada do
21
Em se tratando de modelos regionais, (HOU et al, 2001) no experimento SAMEX'98,
afirmam que existe igualmente incertezas provenientes das condições iniciais fornecidas pelo
modelo global para as condições de fronteiras laterais do modelo.
Aliado as incertezas na condição inicial, existem os erros associados às incertezas dos
modelos,
ou
seja,
erros
devido
a
nossa
reduzida
habilidade
em
representar
computacionalmente a totalidade das equações que governam a atmosfera. Nesta base,
PALMER et al. (2005) afirmaram que modelos numéricos inadequados são inevitáveis, pois
ainda não é possível representar numericamente as leis físicas da atmosfera em sua totalidade.
Além disto, processos físicos que ocorrem em escalas espaciais menores do que as escalas de
truncamento dos modelos podem ter sido parametrizados com aproximações inadequadas.
LEITH (1974), distingue dois tipos de erros de modelo. O primeiro deriva do modelos
operarem inevitavelmente com uma resolução menor do que a atmosfera real, ocupando um
espaço de fase de dimensão muito menor. Apesar de ser significativo, este erro tem sido
abordado e melhorado ao longo da história da PNT através progressivos aumentos da
resolução dos modelos. O segundo tipo de erro dos modelos deriva do facto de que certos
processos físicos operam em escalas menores da resolução dos modelos são representados de
forma incorreta. Em particular, esses processos físicos geralmente alguns são representados
de forma relativamente simples em função de variáveis explicitamente resolvidas, conhecidos
como parametrização.
Diferentes metodologias têm sido aplicadas na construção de sistemas de previsão por
ensemble de curto prazo combinadas com o emprego de modelos de alta resolução. No
entanto, diversas questões permanecem em aberto principalmente quanto à melhor forma de
incluir tanto as incertezas das condições iniciais quanto as incertezas dos erros dos modelos,
(FONSECA, 2010).
Segundo STENSRUD et al. (2000), historicamente o trabalho sobre o problema das
incertezas
das previsões numéricas tem se concentrado na incerteza condição inicial, e
sugerem em seu experimento que a variação da física do modelo é um método razoável e
potencialmente poderoso para formação de membros de um ensemble, porque existem muitas
22
incertezas nas parametrizações físicas utilizadas em qualquer modelo. Por outro lado, mesmo
que a contribuição da física dos modelos para as incertezas sejam principalmente devido às
representações imperfeitas dos processos atmosféricos, estas incertezas podem também ser
dependentes da resolução dos modelos.
3.2 Avaliação da previsão por ensemble
A avaliação do desempenho dos modelos numéricos é uma etapa bastante importante,
para as instituições que efetuam previsão de tempo.
Do ponto de vista utilidade prática de um modelo, a avaliação da sua prestação frente as
observações é a etapa decisiva de qualquer processo de validação.
Para avaliação da qualidade das previsões a ciência dispõe de uma grande variedade de
processos de verificação.
Segundo MURPHY
(1993), o desempenho dos sistemas de
previsão ensemble são avaliados com base em três atributos: confiabilidade estatística (ou
consistência), resolução e discriminação. A confiabilidade estatística
implica que uma
amostra de previsões seja estatisticamente indistinguível da amostra de observações
correspondentes. A confiabilidade pode muitas vezes ser melhorada por meio de técnicas de
pós-processamento estatístico, mas, ela por si só, não dá garantia da utilidade de um sistema
de previsão.
O desempenho das previsões variam tanto espacialmente como temporalmente,
resultado do estado das condições os inicias e erros do modelo, que variam em função da
evolução do escoamento atmosférico. Previsões meteorológicas probabilísticas derivadas
previsão numérica do tempo ensemble fornecem informações cruciais sobre a incerteza da
previsão esperada. Tem sido teorizado que espalhamento deve fornecer uma medida de
incerteza da previsão de modo que eventos com alto espalhamento correspondem a altos
erros de previsão e vice versa (MURPHY, 1988). Embora KALNAY et al. (2006) discordam
sobre a associação do
espalhamento com o desempenho bom ou ruim das previsões
ensemble, muito outros pesquisadores concordarem com (MURPHY, 1988). Segundo
(BARKER, 1991), o espalhamento dos membros, pode fornecer uma medida de incerteza da
23
previsão, teoricamente, quanto maior o espalhamento dos membros do ensemble, maior é o
intervalo de soluções possíveis da atmosfera e menor é o nível de confiabilidade de uma
previsão e vice versa.
Da mesma forma (BUIZZA, 1997), sugere que estimativa da confiabilidade ou da
incerteza de uma previsão a partir do cálculo do seu espalhamento é uma importante
informação que pode resultar da previsão ensemble. O valor do espalhamento pode ser
definido como sendo a raiz quadrática das diferenças entre os membros do conjunto em
relação a previsão de controle ou ao ensemble médio O espalhamento pode ser plotado para
cada ponto de grade do modelo ou ainda de forma espacial sobre uma região de interesse e a
confiabilidade da previsão está associada a magnitude do espalhamento em que valores alto
de espalhamento indicam baixa confiabilidade e valores baixos maior confiabilidade . Outros
factores, a localização geográfica, a variação sazonal, os prazos de previsão, podem
condicionar o espalhamento o que torna que nenhuma medida clássica do espalhamento
pode ser considerada perfeita.
Ainda, HOLTON (2004), a propagação de membros do conjunto deve fornecer uma
importante indicação da precisão provável do ensemble médio. Se houver um grande
espalhamento entre os membros do conjunto, nem todos os membros podem estar correctos, e
a confiabilidade da previsão deve ser julgada
como baixa. No entanto, quando há
concordância entre maioria membros do conjunto, a confiabilidade da previsão deve ser
elevada (desde que o modelo de previsão é imparcial). Em resumo, o sistema de previsão
conjunto não só pode melhorar a confiabilidade da previsão, mas também pode fornecer
informações sobre o grau de confiabilidade de uma previsão específica.
O espalhamento é dependente do fluxo e varia de acordo com diferentes parâmetros. Ele
geralmente aumenta com o prazo de previsão, mas pode haver casos em que o espalhamento
diminui ao longo do período de integração do modelo. Isso pode acontecer quando os
primeiros dias são caracterizados por sistemas sinóticos fortes com estruturas complexas, mas
são seguidos por sistemas de alta pressão em grande escala (SILVEIRA et., al 2011).
MACHADO et al. (2004) investigaram os erros inerentes ao processo de produção de um
24
prognóstico usando o espalhamento como preditor do desempenho do SPC/CPTEC e a
variabilidade dos membros como forma de avaliar a incerteza da previsão. Os resultados
obtidos sugerem que o maior desempenho das previsões esteja relacionado com espalhamento
pequeno e que quanto maior o espalhamento dos membros do conjunto, maior é o intervalo de
soluções possíveis e menor é o nível de confiabilidade da previsão.
Em outro estudo, MACHADO et al., (2010), investigaram o uso do espalhamento como
preditor de desempenho da previsão ensemble do CPTEC/INPE, e mostraram que o
espalhamento pode ser utilizado como indicador de desempenho especialmente para os prazos
de 5º e 7º dias.
Outra medida que tem sido utilizada para avaliar a confiabilidade da previsão ensemble,
tem sido a associação entre o espalhamento (SPRD) e o RMSE (root mean square error).
Segundo BUIZZA et al (1997), a discrepância entre o RMSE do conjunto e a propagação
média do conjunto é uma boa medida da confiabilidade estatística de um sistema de previsão
ensemble. Para um sistema de previsão ensemble confiável, esta discrepância deve ser baixa,
grande diferença entre os dois pode ser um indicativo de inconsistência estatística. Em outras
palavras em geral numa previsão ensemble ideal o espalhamento e o RMSE devem ter o
mesmo tamanho ao longo do prazo de previsão. Contudo, FONSECA (2010), considera a
discrepância excessiva entre o RMSE e o SPRD
também pode estar associada a um
espalhamento muito baixo ou a presença de erros sistemáticos do modelo.
No experimento
comparasion of the ECMWF, MSC, and NECP global ensemble
prediction systems, BUIZZA et al (2005) demonstram a partida no aumento RMSE do
conjunto médio e o espalhamento na previsão 500 hPa altura geopotencial sobre 20-80° N,
mas, na maioria das previsões o espalhamento tem sido menor devido a fatores ligados a
imperfeições dos modelos ou parametrizações físicas e outros aspetos. Resultado consistente
com o de BUIZZA, et al. (2005) foi encontrado por (ASHRIT et al., 2013) na previsão da
altura geopotencial de 500 hPa sobre a região de monção na Índia de 2012, onde notaram que
o crescimento do RMSE e do SPRD baixo não revelaram mudanças do tempo ao longo dos
prazos de previsão denotando consistência estatística, tendo o mesmo se verificado
previsão do vento zonal e meridional no nível de 850 hPa sobre a mesma região.
na
25
Outro aspecto importante na avaliação da previsão por ensemble está relacionado com a
interpretação dos resultados. Normalmente a previsão por ensemble gera um conjunto enorme
de dados e, segundo POTTER (2010), a interpretação dos dados resultantes do conjunto é
uma parte essencial do processo cientifico de previsão de tempo. No entanto, discernir o
significado dos dados olhando somente os valores numéricos é uma tarefa complexa. A
estatística descritiva é uma maneira rápida e concisa para extrair as características importantes
de um conjunto de dados, resumindo o distribuição através de um pequeno conjunto de
parâmetros. Medidas de tendência central, variação e quantis são normalmente usados para
esta finalidade.
Segundo (LIMA, 2011), existe uma enorme variedade de métricas estatísticas para a
avaliação do desempenho dos modelos numéricos na simulação dos padrões atmosféricos,
contudo uma escolha cuidadosa de um número reduzido de métricas pode fornecer
informações sobre as principais qualidade e deficiências do modelo em avaliação.
Métodos exploratórios gráficos são cada vez mais
utilizados
para examinar a
correspondência entre e previsões o observações. Os box plots propostos por TUKEY
(1977), que consistem numa técnica padrão que apresenta o resumo de cinco quartis
(valores máximos e mínimos, quartis superiores e inferiores e mediana), constituem uma
dessas ferramentas. Os box plots Atualmente, inúmeras variantes de box plots têm sido
utilizadas, por exemplo, (BROWN, 2010), sugere em seu trabalho Ensemble Verification
System (EVS), o uso de box plots modificados estruturados em decis.
Os box plots são utilizados para avaliar dois aspetos importantes entre as previsões e as
observações, nomeadamente a existência de espalhamento apropriado nas previsões e a
existência de Viés no conjunto (COMET, 2010).
26
4.
MATERIAL E MÉTODOS
4.1 Material
4.1.1
Modelo atmosférico de mesoescala WRF
4.1.1.1 Descrição do modelo WRF
O modelo atmosférico
WRF (Weather Research and Forecast) é um sistema de
modelação numérica da atmosfera orientado para a pesquisa dos fenômenos atmosféricos de
micro-escala e de meso-escala, e para a previsão do tempo operacional de meso-escala. O seu
desenvolvimento contínuo é fruto da colaboração entre centros de investigação e agências
governamentais dos EUA e conta ainda com a colaboração de cientistas de várias
universidades (SKAMAROCK et al, 2008).
O WRF é uma ferramenta de topo em matéria de simulação atmosférica, possui um
código flexível, eficiente em vários ambientes computacionais desde super computadores a
computadores portáteis. O modelo está qualificado tanto para situações atmosféricas
idealizadas como para situações reais, em escalas horizontais que podem ir desde alguns
metros até milhares de quilômetros. A investigação das parametrizações, a simulação
idealizada de fenômenos (ondas gravíticas, ondas baroclínicas, convecção, etc), a simulação
real do tempo passado, a assimilação de dados de observação para fins de análise regional, a
previsão do tempo real, e o ensino ilustram as faculdades do WRF (SKAMAROCK et al,
2008).
A versão do WRF-ARW 3.5, lançada em abril de 2013, foi a utilizada neste trabalho, é
de domínio publico disponível no site http://www.mmm.ucar.edu/wrf/users/, onde o modelo
está documentado e são dados exemplos de aplicação prática e tutoriais atualizados. As
instruções para o download do código fonte dos vários blocos do sistema de modelação e do
software necessário podem ser aí encontrados.
O código fonte do WRF foi escrito em fortran com rotinas em C, pearl e shell. Uma
uma interface gráfica (GUI) em linguagem Java designada por WRF Portal foi desenvolvida
para facilitar configuração do modelo, disponível no site http://www.wrfportal.org .
27
Figura 1. Fluxograma do sistema do modelo WRF versão 3.4.
Fonte : NCAR, 2012.
4.1.1.2 Coordenada vertical
As equações do WRF são formuladas com base na coordenada vertical eta (η) , onde
cada nível vertical é definido por um valor discreto da coordenada eta determinada em relação
à componente hidrostática de pressão, proporcional à massa da coluna de ar que se estende
desde o nível dado até a fronteira superior do modelo, dividida pela massa em toda a coluna
(LAPRISE, 1992). Próximo ao solo, as superfícies eta seguem a topografia do terreno,
enquanto que, na atmosfera superior, tendem a aproximar-se das superfícies isobáricas
conforme ilustra a Figura 2 e é dado por :
η = ( ph – pht) / ( phs – pht)
(4.1)
onde ph é a componente hidrostática da pressão, pht o valor da pressão hidrostática no topo
da atmosfera e phs a pressão na superfície (SKAMAROCK et al, 2008).
28
Figura 2. Ilustração do sistema de coordenada vertical η.
Fonte: Skamarock et al, 2008.
4.1.1.3
Equações Governantes
Para calcular as grandezas meteorológicas necessárias para a previsão do tempo, o
modelo
WRF baseia-se num sistema de equações diferenciais parciais que regem o
comportamento hidro-termodinâmico dos processos físicos que ocorrem na atmosfera. Essas
equações não podem ser resolvidas analiticamente mas sim, por aproximação como um
conjunto de equações diferenciais algébricas para os valores das tendências de diversas
variáveis de campo em um número finito de pontos no espaço.
O sistema de equações do WRF, incorpora o efeito tridimensional da força de Coriolis, a
umidade do ar e a projeção cartográfica, apresenta as variáveis na forma de perturbações para
reduzir os erros de truncamento no cálculo do gradiente horizontal de pressão, bem como de
arredondamento no cálculo do gradiente vertical de pressão (SKAMAROCK et al, 2008). As
equações finais são definidas na forma diferencial:
(4.2)
(4.3)
29
(4.4)
(4.5)
(4.6)
(4.7)
(4.8)
(4.9)
(4.10)
As equações 4.2, 4.3 e 4.4, representam a conservação da quantidade de movimento. A
conservação da energia termodinâmica é representada pela equação 4.5, enquanto que as
equações 4.6, 4.7 e 4.8 representam respectivamente as equações de conservação da massa,
geopotencial e do estado termodinâmico.
Os termos FU, FV, FW e FΘ representam respectivamente, o termo forçante decorrente
da física do modelo, mistura turbulenta, projeção esférica e rotação da Terra.
A notação e o significado físico das variáveis que figuram nas equações do modelo
WRF acima mencionadas seguem a notação usual da física e são descritas em detalhes por
(SKAMAROCK et al., 2008).
As equações 4.9 e 4.10 representam o balanço hidrostático e o estado termodinâmico
respectivamente.
4.1.1.4
Discretização Temporal
O WRF apresenta um esquema de integração temporal que resolve as ondas longas pelo
do método Runge-Kutta de 3ª ordem (RK3). As ondas acústicas horizontais são integradas
com um esquema forward-backward, enquanto as ondas verticais e as oscilações flutuantes
são integradas com um esquema vertical implícito utilizando o mesmo passo de tempo das
ondas acústicas horizontais.
30
4.1.1.5
Discretização Espacial
A discretização espacial do WRF é feita com uso de grade do tipo C de Arakawa. Neste
tipo de grade, as variáveis termodinâmicas e de umidade são definidas no centro dos pontos
de grade, enquanto as componentes do vento u, v e w, são definidas nos pontos conforme
ilustra a Figura 3, (SKAMAROCK et al., 2008).
Figura 3. Grade horizontal e vertical do sistema ARW
Fonte: Skamarock et al, 2008.
4.1.1.6 Aninhamento de Grades
O WRF permite fazer o aninhamento de grades, para fins de analises mais detalhadas de
determinadas regiões de interesse. A Figura 4, ilustra exemplos possíveis de aninhamento de
grades no WRF.
Figura 4. Exemplos de grades aninhadas suportadas pelo WRF.
Fonte: (SKAMAROCK et al., 2008).
31
4.1.1.7
Opções Físicas do modelo WRF
Em modelagem numérica da atmosfera o termo parametrização, é usado para representar
alguma variável em termos de outros parâmetros conhecidos. Durante o processo de
integração de um modelo, os processos físicos (ou químicos) cuja escala característica de
tempo e comprimento são menores do que aquelas representadas pela resolução do modelo
devem ser simulados através de funções de outros parâmetros representados pelo modelo,
especialmente quando seus efeitos médios na área e no tempo são não desprezíveis. Assim,
sendo o procedimento de representação de processos em função de outros parâmetros, é
designado de parametrização (INPE, 2003).
No WRF os esquemas de parametrização dos processos físicos são implementados em
módulos separados, organizados em diferentes blocos:
radiação de ondas curtas (LW), radiação de ondas longas (SW), microfísica (MP),
camada superficial (SL), modelo de superfície da Terra (LSM), camada limite planetária
(PBL), parametrização de cúmulos (CP).
Os esquemas LW tratam das trocas radiativas de onda longa (banda infravermelha); os
esquemas SW resolvem as trocas radiativas de onda curta (luz e ultravioleta); os esquemas
MP resolvem dos processos de condensação e evaporação no ar; os esquemas
SL
determinam o atrito e os fluxos de calor, da quantidade de movimento e de vapor de água na
camada de atrito, junto ao solo; os esquemas LSM tratam das trocas de calor e de água no
interior do solo; os esquemas PBL resolvem as trocas turbulentas não apenas na camada
limite planetária, que confina com a terra e o mar, mas ao longo de toda a coluna vertical do
modelo; os esquemas CP tratam das nuvens de origem convectiva.
Cada classe de esquema físico do WRF tem disponível diversos esquemas alternativos,
boa parte deles são provenientes de modelos anteriores, muitas vezes de modelos operacionais
de grande escala, com adaptações tendo em vista o acoplamento ao core específico do WRF,
nas suas vertentes ARW ou NMM.
Neste trabalho, foram alteradas as parametrizações físicas de microfísica, camada limite
planetária e cúmulos e as demais foram conservadas as padronizadas pelo modelo WRF.
4.1.1.7
Integração do modelo WRF
A simulação das condições atmosféricas com o modelo WRF, é feita em três fases
distintas: Pré-processamento (WPS); processamento (WRF) e pós-processamento (ARW).
32
O Sistema de pré-processamento (WPS) é formado por um conjunto de três programas,
cuja função é preparar a entrada para o programa real, ou seja, as simulações a partir de
dados reais. Cada um dos programas realiza uma etapa onde são lidos os parâmetros de um
arquivo comum (namelist), que tem registros separados para cada um dos programas.
O primeiro dos três programas (geogrid.exe) é responsável por definir os domínios do
modelo e interpolar estaticamente os dados geográficos para a grade do modelo. O segundo
programa (ungrib.exe) descompacta os dados meteorológicos e cria pacotes intermediários.
Finalmente, o terceiro programa (metgrid.exe) é responsável por interpolar os dados
meteorológicos horizontalmente para o seu modelo de domínio. A saída deste programa é
utilizada como entrada para o WRF.
Já no sistema de processamento (WRF), o modelo WRF tem duas grandes classes de
simulações, de acordo com o tipo de dados gerados, ideais ou reais. Neste trabalho foram
feitas simulações com dados reais. O módulo WRF é composto por dois programas. O
primeiro (real.exe) interpola verticalmente os dados sobre as coordenadas do modelo. Este
programa processa todos os arquivos de dados gerados pelo metgrid em um único arquivo
para cada domínio de grade. Neste estudo, foram utilizadas duas grades, foram criados dois
arquivos de dados para a entrada do próximo programa do WRF. O segundo programa
(wrf.exe) faz a integração numérica propriamente dita, gerando a simulação do modelo. Este
módulo possui um núcleo dinâmico que resolve as equações de Euler não- hidrostáticas em
uma atmosfera totalmente compressível em coordenada vertical η que segue a altura do
terreno proposto por Laprise (1992) e está esquematizado na Figura 2. Todos os cálculos que
são executados pelo modelo para simular a atmosfera são baseados em um conjunto de
equações que governam o comportamento atmosférico. Este sistema de equações não pode ser
resolvido analiticamente sem as aproximações comumente realizadas. As Equações utilizadas
pelo modelo WRF estão expressas em 4.1.1.3.
No sistema de pós-processamento (ARW) se realiza interpolação vertical adequada à
grade do modelo, com a coordenada vertical sigma ao invés de pressão. O ARW é um
programa Fortran que lê a entrada do arquivo WRF e gera arquivos de saída para o GrADS
(Grid Analysis and Display System). O módulo ARW é composto unicamente pelo programa
ARWpost.exe.
33
4.1.2
Área de estudo e características geoclimáticas
A República de Angola fica situada na costa ocidental da África Austral, a Sul do
Equador, entre os paralelos 4° 22’ e 18° 02’ Sul. Angola é constituída, principalmente, por um
maciço de terras altas, limitado por uma estreita faixa de terra baixa cuja altura varia entre os
0 e os 200 metros. Acima dos 200 metros encontram-se as montanhas e os planaltos sendo a
maior altitude 2620 metros. A localização do território na borda ocidental da África expõe o
país a uma dupla influência de domínios oceânicos e continentais. Dois processos ativos
controlam a circulação geral da atmosfera no território: O anticiclone do Atlântico Sul e da
zona de convergência intertropical, (ITCZ). Fatores como a corrente fria de Benguela a
altitude e proximidade ao mar influenciam as condições atmosféricas da região
particularmente nos campos de temperatura e de vento (SILVEIRA, 1967)
Foram selecionadas seis (6) localidades do território de Angola para a presente pesquisa:
Luanda, Uíge, Saurimo, Luena,
Huambo e Lubango cujo os códigos internacionais de
identificação e as coordenadas geográficas estão sumarizadas na Tabela 1 e espacializadas na
Figura 5.
Tabela 1. Identificação das estações meteorológicas selecionadas
Estação
Código
WMO
Código
ICAO
Latitude
Longitude
Altitude
Luanda
66160
FNLU
08º 51' S
13º 14' E
74 m
Uíge
66140
FNUG
07º 35' S
15º 00' E
826 m
Saurimo
66226
FNSA
09º 40' S
20º 23'E
1096 m
Luena
66285
FNUE
11º 47' S
19º 55' E
1 357 m
Huambo
66118
FNHU
12º 48' S
15º 45' E
1 700 m
Lubango
66390
FNUB
14º 55' S
13º 34' E
1 763 m
Fonte: INAMET, 2014.
Segundo Silveira (1967) o território de Angola é caracterizado por quatro regiões
climática. Neste estudo as localidades selecionadas estão distribuídas em regiões climáticas
diferentes, nomeadamente, Luanda em clima tropical seco, Uíge e Saurimo tropical úmido, e
Luena, Huambo e Lubango em região de clima modificado pela altitude.
34
Figura 5. Distribuição espacial das estações selecionada
Fonte: Autor, 2014.
4.1.3
Período de estudo e variáveis meteorológicas analisadas
Foi estabelecido o período das 00.00 h UTC de 19 às 06.00 h UTC de 23 de março de
2013 referente ao experimento 1 e, o período das 00.00 h UTC de 12 às 06.00 h UTC de 16
de abril de 2014 referente ao experimento 2.
Esses períodos foram escolhidos por ter havido condições atmosféricas de instabilidade
em várias localidades do território estudado, segundo os dados das observações de superfície.
A Figura 6, ilustra exemplos da configuração sinótica típica dos períodos estudados
representadas pelas características das nuvens presentes nas imagens do satélite METEOSAT,
onde é notável atividade convectiva.
Figura 6. Exemplo da situação sinótica reinante nos períodos estudados.
(a)
(b)
MET10 IR108 2013-03-21 16:00 UTC
MET10 IR108 2014-04-13 16:00 UTC
Fonte: EUMETSAT, 2013.
Fonte: EUMETSAT, 2014.
35
Foram objeto de estudo três variáveis meteorológicas de realce na previsão de tempo
operacional nomeadamente: Temperatura máxima do ar (ºC), temperatura mínima do ar (ºC) e
a precipitação acumulada (mm).
4.1.4
Recursos computacionais
O modelo foi integrado numa plataforma Linux, com CPU INTEL core i7 3,4 Ghz,
memória 8 Gb, disco rígido 1 Tb, dotada com o sistema operacional Ubuntu na versão 12.10.
A versão do sistema de modelação numérica da atmosfera WRF utilizada foi a 3.5
liberada em Abril de 2013.
Foi utilizado o aplicativo WRF Portal para configuração dos domínios e dos namelist.
disponível no site http://esrl.noaa.gov/gsd/wrfportal/ de forma livre.
O aplicativo GrADS na versão 2.0.1 foi utilizado como sistema de visualização de
dados. O GrADS é uma ferramenta computacional interativa para a análise e exibição de
dados de ciência da Terra, disponível http://grads.iges.org/grads/downloads.html, de forma
livre.
Foi ainda utilizado o aplicativo EVS (Ensemble Verification System) para a geração de
gráficos do tipo box plot, na versão 5.0 liberada em maio de 2013. O EVS é uma ferramenta
estatística baseada em Java, projetado para verificar previsões por conjunto hidrológicas e
hidrometeorológicas, de variáveis como temperatura, precipitação , vazão e outras . O EVS é
um software aberto disponível no site http://amazon.nws.noaa.gov/ohd/evs/evs.html.
4.1.5 Processamento do modelo WRF e dados de controle das previsões
O WRF foi processado no modo real, e nessas circunstâncias modelo necessita das áreas
de fronteira lateral que representam, dentro do possível, as condições realísticas da atmosfera.
Estas são fornecidas por um modelo numérico em escala global de baixa resolução que
fornecem as previsões para vários dias. O estado inicial é obtido por interpolação espacial
dos dados de análise do modelo global, onde é feita uma interpolação horizontal, em relação
às variáveis meteorológicas (altura geopotencial, vento, temperatura, razão de mistura) em
cada nível isobárico, e em relação às variáveis da superfície (pressão atmosférica, “skin
temperature’’) e dos níveis do subsolo (temperatura e umidade).
36
O processamento do modelo WRF foi realizado com uso das condições iniciais e de
contorno, resultantes do modelo global GFS (Global Forecast System) obtidos via internet
http://dss.ucar.edu/datasets/ds083.2/ , no formato GFS e da temperatura da água do mar
referente ao dia anterior do inicio do período de integração
obtido pelo site
http://nomads.ncep.noaa.gov/pub/data/nccf/com/gfs/prod/.
Todas as simulações foram efetuadas com 2 grades aninhadas (Figura 7) geradas pelo
aplicativo WRF Portal. A grade exterior do modelo cobre uma área horizontal de 120 x 90
pontos com uma resolução de 30 km centrada no ponto de 12 º S de latitude e 18º E de
longitude este. A grade aninhada centrada com a grade exterior com uma área de 178 x 172
pontos e 10 km de resolução. As duas grades usaram 32 níveis verticais. Topografia usada nas
simulações foi de MODIS com resolução de 30 segundos. Somente os resultados da segunda
grade foram analisados.
Figura 7 – Ilustração dos domínios do modelo WRF utilizados.
Fonte : Autor, 2014.
As simulações do modelo foram feitas para períodos de 102 horas , entre as 00.00 UTC
de 12 às 06.00 UTC de 24 de março de 2013 referente ao experimento 1 e entre as 00.00
37
UTC de 12 às 06.00 UTC de 16 de abril de 2014 para o experimento 2. Somente 96 horas
foram analisadas , sendo as primeiras 06 horas consideradas de adaptação dos modelos (spin
in).
As variáveis meteorológicas selecionadas foram analisadas em cada ponto de grade para
os períodos dos dois experimentos.
Para o controle das previsões foram utilizados dados da temperatura máxima e mínima
do ar e da precipitação acumulada gerados pelas
estações meteorológicas automáticas
(EMA) e convencionais foram coletados da base de dados
do Instituto Nacional de
Meteorologia e Geofísica de Angola (INAMET), para os dois períodos de estudos, alguns
disponíveis no site http://inamet.no-ip.org.
4.2 – Métodos
4.2.1 Criação dos membros do ensemble
(STENSRUD, 2000), sugere em seu experimento que a variação da física do modelo
(ensemble multi física) é um método razoável e potencialmente poderoso para formação de
membros de um ensemble, porque existem muitas incertezas nas parametrizações físicas
utilizadas em qualquer modelo. Este método foi adotado neste trabalho.
Para a configuração dos membros do ensemble empregou-se combinação de diferentes
parametrizações de microfísica (WSM3, WSM6, New Tompson e Morrison 2), camada limite
(Yonsey University e ACM2) e cúmulos (Kain Fritch e Grell-Devenyi), prefazendo um total
de dezasseis (16) membros, sumarizados na Tabela 2. Essas parametrizações foram adotadas
por terem sido bastante utilizadas em estudos na região da África Austral com resultados
satisfatórios (FALL. S. et al. 2007). As demais parametrizações físicas foram mantidas as
padronizadas pelo modelo.
38
Tabela 2. Membros do ensemble.
ensemble
Id
Parametrização Física
Membro
Microfísica (MP)
Camada Limite (PBL)
Cúmulos (CP)
1
W3_YU_KF
WSM3
Yonsei University
Kain Fritch
2
W3_YU_GD
WSM3
Yonsei University
Grell-Devenyi
3
W3_A2_KF
WSM3
ACM2
Kain Fritch
4
W3_A2_GD
WSM3
ACM2
Grell-Devenyi
5
W6_YU_KF
WSM6
Yonsei University
Kain Fritch
6
W6_YU_GD
WSM6
Yonsei University
Grell-Devenyi
7
W6_A2_KF
WSM6
ACM2
Kain Fritch
8
W6_A2_GD
WSM6
ACM2
Grell-Devenyi
9
NT_YU_KF
New Thompson
Yonsei University
Kain Fritch
10
NT_YU_GD
New Thompson
Yonsei University
Grell-Devenyi
11
NT_A2_KF
New Thompson
ACM2
Kain Fritch
12
NT_A2_GD
New Thompson
ACM2
Grell-Devenyi
13
MO_YU_KF
Morrison 2
Yonsei University
Kain Fritch
14
MO_YU_GD
Morrison 2
Yonsei University
Grell-Devenyi
15
MO_A2_KF
Morrison 2
ACM2
Kain Fritch
16
MO_A2_GD
Morrison 2
ACM2
Grell-Devenyi
Fonte: Autor, 2014.
4.2.2 Verificação das previsões
Foi utilizado o atributo confiabilidade para avaliação do desempenho do ensemble.
A confiabilidade do ensemble médio foi avaliada com base em duas métricas:
Primeiro pelos box plots modificados (BROWN, 2013).
Box plots são gráficos que na sua versão mais comum apresentam as informações contida
nos quartis, nos pontos extremos dos dados e a mediana das observações, permitindo, fazer a
comparação entre casos de forma visualmente fácil e, são especialmente úteis quando vários
deles são colocados lado a lado.
O gráfico box plot (Figura 8) é formado por uma caixa construída paralelamente ao eixo
da escala dos dados (pode ser horizontal ou vertical), que corresponde a seção verde e
representa 50% dos membros das previsões em que o limite superior da seção indica o
percentil de 75% dos dados e o limite inferior indica o percentil de 25%.
As hastes
vermelhas acima e abaixo da caixa são chamadas de bigodes e tem a função de mostrar até
39
onde se observaram dados e representam a mais alta e a mais baixa dos 25% dos valores das
previsões.
Figura 8. Exemplo de box plot convencional
Fonte: The COMET Program
Neste trabalho, os box plots foram gerados pelo aplicativo EVS (ensemble Verification
System) que faz uso de uma versão modificada de box plots, estruturados em decis, em que a
caixa verde contem 60% dos dados centrais das previsões tendo como o limite inferior o 2º
decil e o superior o 8º decil e as hastes vermelhas inferior e superior representam 20% das
previsões mais baixas e mais altas respectivamente. Para este caso concreto, as caixas verdes
contem
dez (10) previsões, enquanto que as hastes vermelhas inferiores e superiores
representam três (3) previsões cada.
Figura 9. Exemplo do box plot modificado do EVS.
Fonte: adaptação do autor, 2014.
Os box plots são utilizados para avaliar dois aspectos importantes da relação entre as
observações e previsões:
Primeiro a existência e distribuição de espalhamento apropriado nas previsões por
conjunto; Segundo a existência de Viés na previsão.
40
Nos box plots os valores observados são plotados no eixo x e os erros das previsões no
eixo y, sendo que
o eixo x corresponde a linha de erro zero ou seja o local onde as
observações e previsões coincidem.
Num sistema de previsão bem calibrado a secção verde do gráfico de caixa deve
intersectar a linha de zero 50% do prazo de previsão, e as hastes vermelhas superiores e
inferiores devem cada intersectar a linha de zero 25% do prazo. A distribuição das seções
verdes e as hastes vermelhas, nunca devem estar completamente acima ou abaixo da linha
zero. (COMET, 2005).
A segunda métrica, foi a avaliação pela discrepância entre o RMSE e o SPRD proposto
por (BUIZZA et al, 1997). A discrepância entre o RMSE do conjunto e o espalhamento do
conjunto é uma boa medida de
confiabilidade estatística para
sistemas
de previsão
ensemble. BUIZZA et al. (1997) no experimento sobre a análise dos sistemas de previsão por
conjunto do ECMWF e do NCEP, mostraram haver determinada correlação entre o
espalhamento do conjunto e os erros das previsões. Para um sistema de previsões por conjunto
ser confiável esta discrepância deve ser baixa. Grande diferença entre os dois
indica
inconsistência estatística.
A análise da sensibilidade ás mudanças físicas foi feita com base na influencia relativa
das diferentes parametrizações no viés (EVANS, et al 2011).
O desempenho das previsões determinísticas foi determinado com base na analise do
ranking o RMSE.
Foram utilizadas as seguintes métricas para validar os resultados obtidos das
simulações :
Ensemble médio (EM)
É a forma mais simples de se obter informações sobre a previsão ensemble. O EM é
cálculo da média das previsões que considera que a probabilidade de ocorrência seja igual
para todos os membros e cada ponto de grade o valor é dado por :
N
EM =
onde :
1
∑P
N i=1 i
4.9
41
P – valor simulado pelo modelo;
N – número membros do ensemble;
i – Indicativo do ponto de grade.
O Erro médio (Viés)
O Viés (erro médio) mede a diferença entre a média de um conjunto de previsões
e
observações correspondentes. Aqui, ele mede a diferença média entre o centro da previsão do
conjunto (a média, por padrão) e observação. O Viés da previsão média do conjunto é
calculado como a seguir :
N
Viés=∑ ( Pi−Oi)
4.10
i=1
onde:
P – valor simulado pelo modelo;
O – valor observado pela EMA;
N – número membros do ensemble;
i – Indicativo do ponto de grade.
O Viés fornece uma medida do EM de primeira ordem nas previsões, e pode ser
positivo, zero ou negativo. Um erro médio positivo denota superestimação e um negativo
erro médio denota subestimação. Um erro médio de zero denota a ausência de Viés e a
previsão é perfeita.
Root mean square error (RMSE)
O RMSE possibilita a medida da qualidade do ensemble médio, é dada pela diferença
média dos quadrados dos dados das observações e os previstos pelos modelos , o RMSE é
um método para análise da dispersão dos dados. O valor de melhor ajuste acontece quando
RMSE é igual a zero.
O RMSE fornece uma indicação do "desvio médio 'entre a previsão valor e uma
observação em unidades reais. O RMSE do conjunto para cada ponto de grade é calculado
como a seguir:
42
√
N
1
RMSE=
(Pi−Oi)2
N∑
i=1
4.11
onde:
P – Valor simulado pelo modelo;
O – Dado observado pela EMA;
N – Número membros do ensemble;
i – Indicativo do ponto de grade.
Espalhamento (SPRD)
O cálculo do espalhamento do conjunto é uma maneira de medir o crescimento das
perturbações ou seja, o grau de incerteza da previsão, é dado pelo desvio padrão dos membros
em relação à média do conjunto e as observações de controle. Mapas de espalhamento
fornecem uma medida da confiabilidade relativa geograficamente. Para regiões onde há
menor espalhamento é atribuído maior confiabilidade à previsão e, para regiões onde o
espalhamento é grande, é atribuída menor confiabilidade. O espalhamento do conjunto para
cada ponto de grade é calculado como a seguir:
SPRD=
√
N
1
( Pi−EM )2
N∑
i=1
4.12
onde:
P – Valor simulado pelo modelo;
EM – Ensemble médio;
N – Número membros do ensemble;
i – Indicativo do ponto de grade.
A probabilidade de detecção (POD)
Utilizado para a análise do desempenho da precipitação representa a probabilidade do sistema
prever a ocorrência do evento, dado que o evento de fato ocorreu. O índice FAR varia de 0 a
1 e num sistema de previsão perfeito o valor
é igual a 1. A comparação dos pares
previsão/observação é feita através do resumo dos dados fornecidos pela Tabela 3.
43
POD=
a
a+ c
4.13
A razão de falso alarme (FAR)
Utilizado para a análise do desempenho da precipitação e indica a probabilidade de não se
observar precipitação acima de um determinado limiar, dado que o sistema de previsão previu
acima acima desse limiar. O índice FAR é calculado pela equação (4.14), sendo a comparação
dos pares previsão/observação é feita através do resumo dos dados fornecidos pela Tabela 3.
FAR=
b
a+b
4.14
O índice FAR varia de 0 a 1 e quanto menor o valor melhor é a performance do modelo.
Tabela 3. Tabela de contingência para verificação da ocorrência ou não da previsão da
precipitação.
Observação
Previsão
Sim
Não
Sim
a
b
Não
c
d
Fonte: WILKS, 2006.
onde :
a - Quantidade de vezes em que ocorreu o evento e sua ocorrência foi prevista.
b - Quantidade de vezes em que não ocorreu o evento e sua ocorrência foi prevista.
c - Quantidade de vezes em que ocorreu o evento e sua ocorrência não foi prevista.
d - Quantidade de vezes em que não ocorreu o evento e sua ocorrência não foi prevista.
44
5 - RESULTADOS E DISCUSSÃO
Convencionou-se neste trabalho como experimento 1 á simulação referente ao período de 19
à 23 de 2013, e experimento 2 referente ao período de 12 à 16 de abril de 2014.
5.1 – Avaliação da previsão ensemble
5.1.1 – Temperatura máxima
a) Luanda
A Figura 10 apresenta os box plots referentes ao experimento 1 (esquerda)
e ao
experimento 2 (direita) da localidade de Luanda. Cada caixa do box plot representa um
prazo de previsão (24, 48, 72 e 96 horas) e cada uma tem inserida os dados dos 16 membros
do ensemble, sendo 10 previsões (60%) integradas na seção verde, 3 previsões (20%) na haste
vermelha inferior e igualmente 3 previsões (20%) na haste vermelha superior.
A Figura 11 apresenta a comparação entre o RMSE e SPRD, para mesma localidade,
enquanto que a Tabela 3 sumariza os parâmetros estatísticos nomeadamente o Viés, RMSE e
SPRD .
Figura 10 . box plots da temperatura máxima de Luanda.
(a)
Fonte: Autor, 2014.
(b)
45
Figura 11. Comparação entre o RMSE e SPRD da temperatura máxima de Luanda.
(a)
(b)
RMSE & SPRD - Temperatura Máxima
RMSE & SPRD - Temperatura máxima - Luanda
.
Luanda - 19 á 23/03/13
3
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
2,5
2
1,5
1
0,5
0
24
48
72
4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
24
96
Prazo da previsão (h)
RMSE
48
72
96
Prazo da previsão (h)
RMSE
SPRD
SPRD
Fonte : Autor 2014
Tabela 4. Valores do Viés, RMSE e SPRD da temperatura máxima de Luanda.
(a)
Prazo da
Previsão
24 h
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
-1,65
1,76
0,82
24 h
1,96
1,99
0,37
48 h
0,97
1,21
0,73
48 h
0,33
0,69
0,61
72 h
-0,37
0,84
0,76
72 h
3,89
4,23
1,67
96 h
-2,44
2,58
0,83
96 h
-1,84
2,44
1,61
Fonte : Autor 2014.
No primeiro prazo (24 horas) do experimento 1 (Figura 10a), o posicionamento da caixa
completamente abaixo da linha zero, sugere que a observação não foi capturada por qualquer
membro do conjunto mas sim, subestimada pelas 16 previsões, e pode ser confirmado pelo
valor do viés negativo (-1,65 ºC) da Tabela 4a . A discrepância entre o RMSE (1,76 ºC) e
SPRD (0,82 ºC) da Figura 11a e Tabela 4a reforçam que a previsão ensemble para esse
primeiro prazo não foi confiável. O ensemble deveria possuir membros com valores mais
elevados para que pudessem capturar a observação.
Para o prazo de 48 horas denota-se melhoria da previsão, pois a linha zero é intersetada
pela haste vermelha inferior que contem 20% das previsões com menor valor, logo 80% das
previsões superestimaram o valor observado ( viés 0,97 ºC). Pode-se atribuir razoável
confiabilidade a previsão, devido a aproximação entre os valores do RMSE (1.21 ºC) e do
SPRD (0,73 ºC) conforme a Figura 11a e a Tabela 4a.
46
Já para o prazo de 72 horas, denota-se aumento da confiabilidade da previsão, a linha
de erro zero é intersectada pela seção verde que contém 60% das previsões, sugerindo uma
previsão ensemble de elevada qualidade, resultado coerente com a baixa discrepância entre o
RMSE (0,84 ºC) e SPRD (0,76 ºC) que apresentam valores muito próximos. O viés negativo
(-0,3 ºC) denota uma ligeira tendencia dos membros em subestimarem a variável em análise.
Para o prazo de 96 horas, a previsão ensemble degrada-se mais uma vez a caixa não
interseta a linha zero indicando má correspondência entre previsões e a observação, com forte
tendência de subestimação.
O espalhamento ao longo do período de integração apresentou-se pouco variável,
conforme mostra a Figura 11a apresentando-se quase horizontal, que é coerente com o box
plot onde denota-se fraca variação da amplitude interdecil das caixas, o que sugere a
existência de pouca divergência entre os membros do ensemble na região. Os valores do
SPRD espelhados na Tabela 4a confirmam a existência de pouco espalhamento entre os
membros do ensemble.
No experimento 2, a previsão no prazo de 24 horas, não foi confiável, devido a má
correspondência entre o ensemble e a observação respectiva, que foi
superestimada por
todos membros do ensemble Figura 10b, e pode ser confirmada pelo viés positivo 1,96 ºC
(Tabela 4b), bem como pela enorme discrepância entre os valores do RMSE (1,99 ºC) e
SPRD (0,37 ºC) conforme a Tabela 4b. Para o prazo de 48 horas denota-se melhoria da
previsão, a seção verde cruza a linha de erro zero e é notável a aproximação entre o RMSE
(0,69 ºC) e o SPRD (0,61 ºC), sendo a previsão para esse prazo confiável. A previsão
ensemble volta a degradar-se para o prazo de 72 horas porque a observação não foi capturada
por qualquer membro do EF.
No último prazo, 96 horas da previsão ensemble volta a
melhorar sendo a observação é capturada pela haste vermelha superior que contém 20%
dos membros com valores mais elevados. O aumento da confiabilidade pode ser confirmado
pela aproximação
entre o RMSE (2,44 ºC) e o SPRD (1,61) e pela diminuição da
discrepância entre os mesmos.
A análise do SPRD na Tabela 4b, pode notar-se o crescimento do espalhamento com o
período de integração, que é tendencia normal em previsões, embora apresenta uma ligeira
diminuição no ultimo prazo.
No computo dos experimentos 1 e 2 o ensemble apresentou previsões de elevada
confiabilidade nos prazos de 72 horas e 48 horas respetivamente e de confiabilidade razoável
47
nos prazos de 72 e 96 horas, sendo que nos demais prazos não foram confiáveis. Já da análise
do viés dois experimentos e dos box plots, denota-se que o modelo não apresentou uma
tendência definida de erro sistemático mas, pelo fato de ter sido usados apenas dois períodos
de estudo pode considerar-se como uma limitação que sugere mais testes devem ser feitos
para se avaliar a natureza do erro para a localidade de Luanda.
b) Uíge
Figura 12 – box plots da temperatura máxima do Uíge
(a)
(b)
Fonte: Autor, 2014.
Figura 13. Comparação entre o RMSE e SPRD da temperatura máxima do Uíge.
(a)
(b)
RMSE & SPRD - Temperatura máxima
RMSE & SPRD - Temperatura máxima
Uíge - 12 á 16/04/14
Uíge - 19 á 23/03/13
3,5
3,5
3
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
3
2,5
2
1,5
1
0,5
2,5
2
1,5
1
0,5
0
0
24
48
72
96
RMSE
Fonte: Autor, 2014.
24
48
72
96
Prazo da previsão (h)
Prazo da previsão (h)
SPRD
RMSE
SPRD
48
Tabela 5. Valores do Viés, RMSE e SPRD da temperatura máxima do Uíge.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
-0,28
0,48
0,38
24 h
-3,03
3,29
1,27
48 h
-0,89
1,43
1,13
48 h
-2,49
2,64
0,86
72 h
-0,85
1,44
1,16
72 h
-2,99
3,08
0,75
96 h
-2,87
3,07
1,08
96 h
-1,43
1,98
1,37
Fonte : Autor 2014.
No experimento 1, para a localidade do Uíge, a análise do box plot da Figura 12a
denota-se que o modelo apresentou resultados confiáveis nos prazos de 24, 48 e 72 horas
sendo a mais elevada as 24 horas com RMSE (0,48 ºC) e SPRD (0,38 ºC) enquanto que no
prazo de 96 horas a previsão não é confiável porque a observação não foi capturada por
qualquer membro do ensemble. Importa destacar que embora no prazo de 48 horas a linha de
erro zero seja intersetada pela caixa verde que contém 60 % das previsões, a confiabilidade
do ensemble é ligeiramente inferior que a do prazo de 24 horas em que a mesma linha é
intersetada pela haste vermelha superior que contém cerca de 20% das previsões de maior
valor. Isto porque, há maior espalhamento entre os membros do ensemble no prazo de 48
horas retratado pela maior
pela maior amplitude interdecil (Figura 12a) podendo ser
evidenciado pelos valores da Tabela 5a. Pela análise do RMSE, o prazo de 24 horas apresenta
um valor menor (0,48 ºC) contra o de 48 horas (1,43 ºC) o que confere melhor desempenho.
Esse resultado é coerente com (BARKER, 1991), (MACHADO et al, 2004), que quanto
maior o espalhamento dos membros do conjunto, maior é o intervalo de soluções possíveis,
mas menor é o nível de confiabilidade da previsão. Um outro aspecto a ter-se em conta, é que
há menor discrepância entre RMSE (0,48 ºC) e o SPRD (0,38 ºC) no prazo de 24 horas o que
lhe confere maior confiabilidade, resultado coerente com (BUIZZA et al., 2005) para que
um sistema de previsão ensemble seja confiável a discrepância o RMSE e o SPRD deve ser
baixa.
Notou-se o crescimento do espalhamento com o prazo de integração com ligeira queda
no ultimo prazo.
A configuração do box plot, indica a tendência do modelo em subestimar os valores
observados devido o posicionamento de maior parte abaixo da linha de erro zero e que pode
ser confirmado pelos valores do viés (Tabela 5a).
49
A análise da mesma varável no experimento 2, denota-se igualmente a tendência do
modelo em subestimar os valores observados nesta localidade. As previsões não são
confiáveis nos primeiros três prazos, uma vez que as caixas estão todas abaixo da linha de
erro zero, o que é concordante com a enorme discrepância entre o RMSE e SPRD , (Figura
13b) e (Tabela 5b). Nota-se ainda no box plot que houve melhoria da previsão no prazo de
96 horas, onde a linha de erro zero é intersectada pela haste vermelha que contém cerca de
20% dos membros do ensemble com maior valor. Esta situação pode ser é confirmada pela
Figura 13b e a Tabela 5b, com a aproximação dos valores do RMSE (1,98 ºC) e SPRD (1,37
ºC). Não é notório o crescimento do espalhamento com o período de integração, mas sim
diminuição nos três primeiros prazos e aumento no ultimo prazo, essa situação pode ser
atribuída a situação sinótica reinante na região.
Os dois períodos de estudo apresentam de comum uma tendencia do modelo em
subestimar o valor observado em todos prazos de previsão, o que nos leva a sugerir que o
modelo apresenta um erro sistemático para essa localidade em subestimar o valor da
temperatura máxima. Vários fatores podem concorrer para essa situação, importa ressaltar
que a observação representa uma medida pontual enquanto que as previsões de acordo com a
resolução adotada neste trabalho representam á média de uma área de 100 km2. Por outro
lado, a localidade do Uíge está situada a 826 metros acima do nível médio do mar e,
normalmente os modelos têm tendência em suavizar a topografia afetando a temperatura
devido a interdependência entre altitude e temperatura. Neste caso concreto, é possível que o
modelo esteja atribuindo uma altitude superior que a real conferindo valores mais baixos a
variável.
c) Saurimo
Para a localidade de Saurimo, pode notar-se no experimento 1 (Figura 14a) nenhuma
previsão foi confiável. Nos prazos de 24 e 48 horas, foram todas superestimadas (caixas
acima da linha de erro zero) pelos membros do ensemble, enquanto que nos dois últimos
prazos foram subestimadas (caixas abaixo da linha de erro zero). A discrepância entre o
RMSE e SPRD (Figura 15 e Tabela 6) confirmam a falta de confiabilidade das previsões para
a localidade de Saurimo, referente a essa variável.
Figura 14. box plots da temperatura máxima de Saurimo.
50
(a)
(b)
Fonte: Autor, 2014.
Figura 15. Comparação entre o RMSE e SPRD da temperatura máxima de Saurimo.
(a)
(b)
RMSE & SPRD - Temperatura máxima
RMSE & SPRD - Temperatura máxima
Saurimo - 12 á 16/04/14
4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
2,5
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
Saurimo - 19 á 23/03/13
2
1,5
1
0,5
0
24
48
72
96
24
Prazo da previsão (h)
RMSE
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
Fonte: Autor, 2014.
Tabela 6. Viés, RMSE e SPRD da temperatura máxima de Saurimo.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
1,45
1,48
0,29
24 h
1,98
2,10
0,70
48 h
1,79
2,00
0,90
48 h
-0,85
1,71
1,49
72 h
-3,51
3,95
1,82
72 h
-1,08
1,25
0,63
96 h
-3,53
4,08
2,05
96 h
-1,18
1,51
0,95
Fonte : Autor 2014
51
Já no segundo experimento (Figura 14b), somente no prazo 48 horas a previsão é confiável,
pois a linha de erro zero foi intersectada pela seção verde
que contém cerca de 60%
previsões. Essa fiabilidade é confirmada pelos valores próximos entre o RMSE e SPRD (1,71
ºC) e (1,49 ºC) respectivamente. Nos demais prazos as previsões não são confiáveis porque
não conseguem capturar as receptivas observações pelo posicionamento das caixas acima (24
horas) e abaixo (72 e 96 horas) da linha de erro zero, resultado coerente com as discrepâncias
enormes entre o RMSE e SPRD, retratados na Figura 15b e Tabela 6b. Já o espalhamento,
apresentou uma diminuição no prazo de 72 horas, o que pode ser devido a situação sinótica
reinante na região.
Nos dois experimentos, em cinco dos prazos as observações foram subestimadas e em
três superestimadas o que mostra uma ligeira tendência em o WRF subestimar essa variável
nesta localidade.
d) Luena
Para a localidade do Luena, o EF não apresentou resultados satisfatórios para a previsão
da temperatura máxima. Da análise do box plots Figura 16 (a) e (b) é notório que somente no
prazo de 72 horas do experimento 1 a previsão apresentou-se confiável com a seção verde a
intersectar a linha de erro zero e confirmada pela maior aproximação entre RMSE (1,47 ºC)
e SPRD (1,20 ºC). Pior resultado foi no primeiro prazo (24 horas) do experimento 2 RMSE
(6,19 ºC) e SPRD (1,71 ºC).
Figura 16 . box plots da temperatura máxima do Luena.
(a)
Fonte: Autor, 2014.
(b)
52
Figura 17. Comparação entre o RMSE e SPRD da temperatura máxima do Luena.
(a)
(b)
RMSE & SPRD - Temperatura máxima
RMSE & SPRD - Temperatura máxima
Luena - 19 á 23/03/13
Luena - 12 á 16/04/14
3
7
6
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
2,5
2
1,5
1
0,5
0
24
48
72
5
4
3
2
1
0
96
24
Prazo da previsão (h)
RMSE
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
Fonte: Autor, 2014.
Tabela 7. Viés, RMSE e SPRD da temperatura máxima do Luena.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
-1,63
1,64
0,10
24 h
-5,99
6,19
1,71
48 h
-2,66
2,78
0,80
48 h
-1,97
2,22
1,04
72 h
-0,86
1,47
1,20
72 h
-1,63
1,69
0,44
96 h
-1,49
1,67
0,76
96 h
-1,92
1,95
0,32
Fonte : Autor, 2014.
No experimento 2 é nítido a diminuição do espalhamento ao longo do período de
integração que pode ser atribuído a situação sinótica reinante na região. Denota-se também
que houve melhoria das previsões com o aumento do prazo de integração.
O modelo em subestimou a variável para essa localidade nos dois experimentos, o que
nos leva admitir que o modelo apresenta um erro sistemático para essa localidade negativo,
que pode ser devido a erro de representação da topografia por parte do modelo.
e) Huambo
No experimento 1 a previsão só é confiável no primeiro prazo 24 horas onde a seção
verde interseta a linha de erro zero (Figura 18a) o que é concordante com a análise da
discrepância entre o RMSE baixo (0,65 ºC) e o SPRD (0,49 ºC) que é baixa, conforme se
pode observar na Figura 19a e a Tabela 8a. Para os prazos de 48, 72 e 96 horas é notável a
degradação das previsões com uma tendência nítida de subestimação das observações pelos
53
Figura 18 . box plots da temperatura máxima do Huambo.
(a)
(b)
Fonte: Autor, 2014.
Figura 19. Comparação entre o RMSE e SPRD da temperatura máxima do Huambo.
(a)
(b)
RMSE & SPRD - Temperatura Máxima
RMSE & SPRD - Temperatura máxima
Huambo - 12 á 16/04/14
Huambo - 19 á 23/03/13
3
4
2,5
RMSE & SPRD (ªC)
RMSE & SPRD (ºC)
3,5
3
2,5
2
1,5
1
0,5
2
1,5
1
0,5
0
0
24
48
72
24
96
Prazo da previsão (h)
RMSE
48
72
96
Prazo da previsão (h)
RMSE
SPRD
SPRD
Fonte: Autor, 2014.
Tabela 8. Viés, RMSE e SPRD da temperatura máxima do Huambo.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
0,43
0,65
0,49
24 h
-1,52
1,57
0,36
48 h
-3,50
3,52
0,35
48 h
-2,76
2,84
0,66
72 h
-3,76
3,78
0,42
72 h
-0,64
0,74
0,38
96 h
-3,60
3,64
0,53
96 h
-1,71
0,82
0,42
Fonte : Autor 2014
membros do ensemble. Neste experimento, a variação do espalhamento ao longo do período
54
de integração foi fraco, o que denota pouca divergência entre os membros do ensemble.
Para o experimento 2, as caixas estão todas posicionadas abaixo linha de erro zero,
indicando má correspondência entre previsões
e observações sugerindo previsões não
confiáveis. Contudo, denota-se baixa discrepância entre RMSE e SPRD nos prazos de 72 e
96 horas onde as previsões apresentaram valores próximos aos observados, o que confere
maior desempenho do ensemble nesses prazos. Neste experimento, os membros precisariam
de ter valores com temperaturas mais elevadas para capturarem as observações.
Para os dois períodos de estudo, o modelo apresentou um erro sistemático de subestimar
o valor da temperatura máxima para a localidade do Huambo que possui uma altitude 1700
metros acima do nível médio do mar, uma das causas pode ser a representação da topografia
pelo modelo.
f) Lubango
Figura 20. box plots da temperatura máxima do Lubango.
(a)
(b)
Fonte: Autor, 2014.
Todas as observações são subestimadas nos dois experimentos, as linhas de erro zero
não são intersectadas por nenhumas das partes dos box plots (Figura 20a e 20b), o que denota
má qualidade das previsões do ensemble. Os membros do ensemble deveriam possuir valores
mais altos para capturarem as observações. Esses resultados são concordantes com os da
análise das discrepâncias entre o RMSE e SPRD dos dois experimentos (Figura 21a e 21b).
55
Figura 21. Comparação entre o RMSE e SPRD da temperatura máxima do Lubango.
(a)
(b)
RMSE & SPRD - Temperatura máxima
RMSE & SPRD - Temperatura máxima
Lubango - 12 á 16/04/14
1,8
1,6
1,4
1,2
1
0,8
0,6
0,4
0,2
0
4
3,5
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
Lubango - 19 á 23/03/13
3
2,5
2
1,5
1
0,5
0
24
48
72
96
24
Prazo da previsão (h)
RMSE
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
Fonte: Autor, 2014.
Tabela 9. Valores do Viés , RMSE e SPRD da temperatura máxima do Lubango.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
-1,57
1,60
0,28
24 h
-3,42
3,43
0,25
48 h
-1,17
1,34
0,66
48 h
-1,89
1,95
0,48
72 h
-1,05
1,10
0,31
72 h
-3,69
3,71
0,36
96 h
-0,80
1,01
0,61
96 h
-1,19
1,25
0,40
Fonte : Autor 2014.
Melhores resultados das previsões foram alcançados no prazo de de 96 horas nos dois
experimentos, onde é notável a aproximação das caixas nos box plots mais próximos da linha
de erro zero, bem a aproximação entre os valores do RMSE e SPRD.
O erro sistemático nítido com subestimação da variável nos sugere atribuir a suavização
da topografia por parte do modelo, conferindo valores de altitude mais elevado que o real.
O modelo apresentou um erro sistemático em subestimar a temperatura máxima nas
localidades de Uíge, Saurimo , Luena, Huambo e Lubango, onde os membros do ensemble em
geral apresentaram valores mais baixos que os observados, e que pode ser atribuído a
suavização da topografia pelo modelo. Para Luanda não foi possível definir a tendência do
modelo apenas com esses dois experimentos.
56
5.1.2 – Temperatura Mínima
a) Luanda
Figura 22. box plots da temperatura mínima de Luanda.
(a)
(b)
Fonte: Autor, 2014.
Figura 23. Comparação do RMSE e SPRD da temperatura mínima de Luanda.
RMSE & SPRD - Temperatura mínima
RMSE & SPRD - Temperatura mínima
Luanda - 12 á 16/04/14
3
2,5
2,5
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
Luanda - 19 á 23/03/13
3
2
1,5
1
0,5
0
2
1,5
1
0,5
0
24
48
72
96
Prazo da previsão (h)
RMSE
24
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
Fonte: Autor, 2014.
Nos dois experimentos (Figura 22), a previsão só apresentou resultado razoavelmente
confiável no prazo de 48 horas do segundo experimento onde a observação foi capturada
pelas previsões com menor valor (Figura 22b), e pode ser confirmado pela aproximação dos
valores do RMSE (0,78 ºC) e SPRD (0,40 ºC) na Figura 23b e Tabela 10b.
57
Tabelas 10. Valores do Viés , RMSE e SPRD da temperatura mínima de Luanda.
(a)
Prazo da
Previsão
Viés
RMSE
(b)
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
-2,14
2,17
0,40
24 h
-2,04
2,04
0,06
48 h
2,67
2,75
0,62
48 h
0,67
0,78
0,40
72 h
1,76
1,96
0,86
72 h
1,44
1,51
0,46
96 h
1,92
2,04
0,71
96 h
2,58
2,62
0,41
Fonte : Autor, 2014.
No primeiro prazo (24 horas) nos dois experimentos nota-se que todos os membros
subestimaram os valores observados enquanto que nos demais prazos as observações foram
superestimadas pelas previsões. Denota-se supremacia dos membros do EF em superestimar a
variável nesta localidade. O baixo crescimento do espalhamento com o período de integração
nos dois experimentos sugere que houve pouca divergência entre os membros do ensemble.
A previsão ensemble, não foi produziu resultados satisfatórios para esta localidade para a
variável analisada.
b) Uíge
Figura 24. box plots da temperatura mínima do Uíge.
(a)
Fonte: Autor, 2014.
(b)
58
Figura 25. Comparação entre o RMSE e SPRD da temperatura mínima do Uíge.
RMSE & SPRD - Temperatura mínima
RMSE & SPRD - Temperatura mínima
Uíge - 19 á 23/03/13
Uíge - 12 á 16/04/14
1,6
2,5
1,2
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
1,4
1
0,8
0,6
0,4
0,2
0
2
1,5
1
0,5
0
24
48
72
96
24
Prazo da previsão (h)
RMSE
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
Tabela 11 - Valores do Viés , RMSE e SPRD da temperatura mínima do Uíge.
(a)
Prazo da
Previsão
Viés
RMSE
(b)
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
-1,27
1,35
0,48
24 h
0,45
0,50
0,24
48 h
0,02
0,54
0,54
48 h
-0,11
0,75
0,74
72 h
1,13
1,24
0,51
72 h
0,95
1,09
0,54
96 h
0,52
0,64
0,37
96 h
2,09
2,12
0,38
Fonte : Autor 2014
Há uma nítida tendencia do modelo em superestimar a variável nos dois experimentos,
pelo posicionamento das caixas nos box plots (Figura 24a e 24b). No experimento 1 melhores
resultados estão espelhados no prazo de 24 horas onde a linha de erro zero cruza a seção verde
que contém cerca de 60% das previsões, reforçado pela igualdade entre o RMSE e SPRD
(0,54 ºC) na Tabela 11a, o que denota uma previsão perfeita, e no prazo de 96 horas onde os
membros do ensemble situados na faixa vermelha que contém os 20% das previsões mais
baixas cruzam a linha de erro zero.
No segundo experimento a previsão ensemble apresentou resultado mais confiável no
prazo de 48 horas onde os valores do RMSE (0,75 º C) e SPRD (0,74 ºC) são próximos
(Tabela 11b) e a caixa verde interseta a linha de erro zero (Figura 24b). Para os prazos de 24 e
72 horas o EF apresenta confiabilidade razoável, conforme a análise do box plots onde
denota-se que as observações são capturadas pelos membros do EF com valores mais baixos,
resultado que são coerentes com discrepância entre o RMSE e SPRD que são baixas nos dois
casos conforme a Figura 25b e a Tabela 11b.
59
Notou-se para os dois experimentos espalhamento dos membros (Tabela 11a e 11b) ,
apresenta variação reduzida o que sugere não haver suficiente divergência entre os membros
e que por outro lado pouco cresceu com o aumento do prazo de integração o que pode ser
devido a situação sinótica na região.
O modelo mostrou uma tendência nítida em superestimar o valor da temperatura mínima
nessa localidade.
A variável foi razoavelmente representada pelo ensemble nesta localidade.
c) Saurimo
Figura 26. box plots da temperatura mínima de Saurimo.
(a)
(b)
Fonte: Autor, 2014.
Figura 27. Comparação entre o RMSE e SPRD da temperatura mínima de Saurimo.
RMSE & SPRD - Temperatura mínima
RMSE & SPRD - Temperatura mínima
Saurimo - 12 á 16/04/14
1,6
3
1,4
2,5
1,2
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
Saurimo - 19 á 23/03/13
3,5
2
1,5
1
0,5
0
1
0,8
0,6
0,4
0,2
0
24
48
72
96
Prazo da previsão (h)
RMSE
Fonte : Autor, 2014.
24
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
60
Tabela 12. Valores do Viés , RMSE e SPRD da temperatura máxima de Saurimo.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
-3,10
3,11
0,29
24 h
-0,36
0,49
0,34
48 h
-1,39
1,50
0,56
48 h
-1,07
1,20
0,54
72 h
-1,07
1,25
0,65
72 h
-1,27
1,47
0,75
96 h
0,04
1,16
1,16
96 h
-0,48
0,82
0,66
Fonte : Autor, 2014.
No experimento 1 (Figura 26a), há um aumento da qualidade da previsão com o aumento
do prazo de integração, o que não é normal que pode ser devido a situação sinótica reinante na
região. A previsão ensemble apresentou confiabilidade razoável no prazo de 72 horas, com a
linha de erro zero sendo intersetada pela haste vermelha que contém cerca de 20% das
previsões de maior valor, confirmado pela aproximação dos valores do RMSE (1,25 ºC) e
SPRD (0,65 ºC), expressos na Tabela 12a. Para o prazo de 96 horas a previsão é perfeita,
tanto na avaliação determinística com RMSE e SPRD com valores iguais 1,56 ºC e com viés
0,04 ºC, como na avaliação probabilística, onde a linha de erro zero é intersetada pela
mediana da seção verde que contém 60% das previsões. A configuração do box plot sugere
que a tendência do modelo em subestimar a variável, que é coerente com os resultados do
Viés retratados na Tabela 12a.
No experimento 2 (Figura 26b), a linha de erro zero são intersetadas pelos valores
elevados da previsões contidas nas hastes vermelhas nos três primeiros prazos e no ultimo
prazo pela seção verde da caixa. Denota-se pelo posicionamento das caixas a nítida tendência
do modelo subestimar a variável nesta localidade, o que coerente com os valores do Viés da
Tabela 12b. As previsões têm maior confiabilidade no prazo de 96 horas com RMSE (0,82 ºC)
e SPRD (0,66 ºC) próximos, seguida do prazo de 24 horas com RMSE (0,49 ºC) e SPRD
(0,34). Neste experimento é de realçar a qualidade das previsões nos prazos de 48 e 72 horas
são menos confiáveis que no prazo de 24 h, porque o espalhamento é menor neste caso (0,34 º
C), apesar de só o extremo superior da haste intersetar a linha de erro zero no box plot.
Nestes dois experimentos apesar de não ter sido confiável a previsão do prazo de 24 e 48
horas do experimento 1, no computo geral podemos afirmar que está variável foi
61
satisfatoriamente representada pelo ensemble, e com nítida tendência de subestimação do
valor nesta localidade.
d) Luena
Figura 28. box plots da temperatura mínima do Luena.
(a)
(b)
Fonte: Autor, 2014.
Figura 29. Comparação entre o RMSE e SPRD da temperatura mínima do Luena.
RMSE & SPRD - Temperatura mínima
RMSE & SPRD - Temperatura mínima
Luena - 12 á 16/04/14
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
Luena - 19 á 23/03/13
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
24
48
72
96
Prazo da previsão (h)
RMSE
Fonte: Autor, 2014.
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
24
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
62
Tabela 13. Viés, RMSE e SPRD da temperatura máxima do Luena.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
-0,88
0,89
0,09
24 h
0,23
0,36
0,28
48 h
-0,10
0,43
0,42
48 h
-0,38
0,57
0,42
72 h
0,62
0,92
0,68
72 h
0,33
0,49
0,36
96 h
-0,26
0,82
0,77
96 h
-0,51
0,80
0,62
Fonte : Autor 2014 .
Da análise da Figura 28a e 28b, nota-se que com excepção do prazo de 24 horas do
experimento 1, nos demais prazos dos dois experimentos todas observações foram capturadas
pelos membros do ensemble. Contudo, os baixos valores do RMSE atribuem um grau de
elevada confiabilidade das previsões da temperatura mínima para os dois períodos de estudo,
assim como a baixa discrepância entre os RMSE SPRD de todas previsões. Nota-se ligeira
tendencia para subestimação dos dados observados, segundo a análise disposição das seção do
box plots e da análise do viés (Tabela 13) os valores são superestimados apenas no prazo de
72 horas nos dois experimentos. Há ligeiro aumento do SPRD com o prazo de integração nos
dois
experimentos.
A variável temperatura mínima na localidade de Luena foi representado satisfatoriamente
nos dois experimentos com tendencias de subestimação
e) Huambo
No experimento 1 (Figura 30a), nota-se que o espalhamento adequado dos membros do
ensemble permitiu a captura de todas observações pelas previsões em todos os prazos. A
confiabilidade das previsões pode ser confirmada pela aproximação dos valores do RMSE e
SPRD
em todos os prazos na Tabela 14a e Figura 31a, podemos considerar segundo
(BROWN, 2013), como previsão calibrada, pois pelo menos 50% dos prazos de previsão
devem ser intersetados pela caixa verde e 50% pelos menos pelas hastes vermelhas inferior e
superior. É notória uma ligeira tendencia dos membros em subestimarem as observações.
63
Figura 30. box plots da temperatura mínima do Huambo.
(a)
(b)
Fonte: Autor, 2014.
Figura 31. Comparação entre o RMSE e SPRD da temperatura mínima do Huambo.
RMSE & SPRD - Temperatura mínima
RMSE & SPRD - Temperatura mínima
Huambo - 12 á 16/04/14
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
Huambo - 19 á 23/03/13
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
24
48
72
96
24
Prazo da previsão (h)
RMSE
5
4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
Fonte : Autor, 2014.
Tabela 14 - Valores do Viés, RMSE e SPRD da temperatura máxima do Huambo.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
0,17
0,73
0,71
24 h
-4,46
4,46
0,06
48 h
-0,55
0,84
0,64
48 h
-2,62
2,64
0,43
72 h
-0,50
0,92
0,77
72 h
-1,37
1,42
0,38
96 h
0,09
0,51
0,50
96 h
-2,07
2,15
0,57
Fonte : Autor, 2014.
64
Já no segundo experimento, a observação só é capturada pelas previsões (menos de
20%) no prazo de 96 horas . A disposição das seção indicam a nítida tendencia dos membros
em subestimarem as observações nesta localidade, confirmada pelo viés negativo.
O EF apresentou resultados confiáveis para o experimento 1, enquanto que no
experimento 2 a previsão ensemble não foi satisfatória. No computo dos dois experimentos,
nota-se uma tendência do modelo subestimar o valor da temperatura mínima nessa localidade.
f) Lubango
Figura 32. box plots da temperatura mínima do Lubango.
(a)
(b)
Fonte: Autor, 2014.
Figura 33. Comparação entre o RMSE e SPRD da temperatura mínima do Lubango.
(a)
(b)
RMSE & SPRD - Temperatura mínima
RMSE & SPRD - Temperatura mínima
Lubango - 12 á 16/04/14
6
2
5
RMSE & SPRD (ºC)
RMSE & SPRD (ºC)
Lubango - 19 á 23/03/13
2,5
1,5
1
0,5
0
4
3
2
1
0
24
48
72
96
Prazo da previsão (h)
RMSE
Fonte: Autor, 2014.
24
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
65
Tabela 15 - Valores do Viés, RMSE e SPRD da temperatura máxima do Lubango.
(a)
Prazo da
Previsão
Viés
RMSE
(b)
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
-0,44
0,46
0,16
24 h
-5,42
5,42
0,21
48 h
0,37
0,63
0,51
48 h
-1,82
1,92
0,59
72 h
-0,08
0,30
0,28
72 h
-0,47
0,62
0,40
96 h
-1,95
1,98
0,34
96 h
0,18
1,05
1,04
Fonte : Autor 2014.
A previsão ensemble apresenta-se confiável no prazo de 72 horas onde a seção verde
interseta a linha zero (Figura 32a), e é menor a discrepância entre os valores do RMSE (0,30
ºC) e SPRD(0,28 ºC) na Tabela 15a, seguido do prazo de 48 horas com RMSE 0,63 ºC e
SPRD 0,51 ºC, sendo não confiáveis nos demais prazos do experimento 1. A tendencia de
subestimação das observações pelos membros do ensemble é evidente, pela disposição das
seções verdes e análise do viés.
Já no experimento 2 (Figura 32b), volta a notar-se previsões mais confiáveis com o
aumento do período de integração, este fato pode ser atribuída as condições sinóticas
reinantes na localidade. A previsão torna-se razoável no prazo de 72 horas onde a haste
vermelha com cerca de 20% das previsões de maior valor cruza a linha de erro zero e valores
de RMSE (0,62 ºC) e SPRD (0,40 ºC) próximos. No prazo de 96 horas podemos considerar
uma previsão ensemble perfeita em que a discrepância entre o RMSE e o SPRD é quase nula
e a caixa no box plot equilibradamente posicionada.
Contudo a tendência de subestimação da temperatura mínima é notável nos dois
experimento. Podemos admitir que a variável foi razoavelmente representada pelo ensemble.
5.1.3 – Precipitação Acumulada
a) Luanda
Muito embora, no experimento 1 Figura 34a, todas as observações foram capturadas pelas
previsões nos respectivos prazos de previsão pelas hastes vermelhas que representam cerca
20% dos valores baixos (24 e 96 horas) e valores mais altos (48 e 72 horas), os valores altos
do SPRD e a discrepância com RMSE sugerem pouca confiabilidade ao ensemble. É notável
que melhores resultados foram nos prazos de 24 e 72 horas com valores de RMSE e SPRD
respectivamente 17,45 mm e 12,21 mm e 19,32 mm e 15,70 mm ( Tabela 16a e Figura 35a).
66
Figura 34. box plots da precipitação acumulada de Luanda.
(a)
(b)
Fonte: Autor, 2014.
Figura 35. Comparação entre o RMSE e SPRD da precipitação acumulada de Luanda.
(a)
(b)
RMSE & SPRD - Precipitação acumulada
RMSE & SPRD - Precipitação acumulada
Luanda - 12 á 16/04/14
60
25
50
RMSE & SPRD (mm)
RMSE & SPRD (mm)
Luanda - 19 á 23/03/13
30
20
15
10
5
0
40
30
20
10
0
24
48
72
96
Prazo da previsão (h)
RMSE
24
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
Fonte: Autor, 2014.
Tabela 16. Valores do Viés, RMSE e SPRD da precipitação acumulada de Luanda.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
24 h
7,21
17,45
48 h
-17,14
72 h
-11,25
96 h
17,46
Fonte : Autor, 2014.
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
12,21
24 h
2,27
3,01
1,98
19,29
8,85
48 h
-20,62
20,75
2,78
19,32
15,70
72 h
-14,66
15,78
5,84
25,67
18,82
96 h
-49,02
49,72
8,33
67
Já no experimento 2 só nos prazos de 24 e 72 horas, as observações foram capturadas pelos
valores mais baixos e mais altos de 20% dos membros do EF, mas a aproximação do valor do
RMSE (3,01 mm) e SRPD (1,98 mm) sugerem a previsão ensemble mais confiável para o
prazo de 24 horas. No prazo de 72 horas a linha de erro zero é intersetada pelo último decil o
que sugere que somente uma previsão capturou a observação, a discrepância entre o RMSE
15,78 mm) e o SPRD (5,84 mm) não confere confiabilidade a previsão para esse prazo. Para
os prazos de 48 e 96 horas, o posicionamentos das caixas denotam má correspondência entre
as observações e previsões, conferindo previsões não confiáveis, que pode ser confirmado
pela discrepância entre o RMSE e SPRD . A precipitação acumulada para os quatro prazos
de previsão foi de respectivamente de 0, 23,7, 24,7 e 72,3 mm , sendo que as três ultimas
foram subestimadas pelo modelo. A análise da situação sinótica (não mostrada) permitiu
notar-se que tratou-se de precipitação proveniente de nuvens convectivas que não foram
capturadas pelo modelo.
A confiabilidade da precipitação acumulada não foi
representada satisfatoriamente pelo
ensemble nos dois experimentos. No experimento 2 denota-se a tendência de subestimação da
variável.
b) Uíge
Figura 36. box plots da precipitação acumulada do Uíge.
(a)
Fonte: Autor, 2014.
(b)
68
Figura 37. Comparação entre o RMSE e SPRD da precipitação acumulada do Uíge.
(a)
(b)
RMSE & SPRD - Precipitação acumulada
RMSE & SPRD - Precipitação acumulada
Uíge - 12 á 16/04/14
35
30
RMSE & SPRD (mm)
RMSE & SPRD (mm)
Uíge - 19 á 23/03/13
100
90
80
70
60
50
40
30
20
10
0
25
20
15
10
5
0
24
48
72
96
24
Prazo da previsão (h)
RMSE
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
Fonte: Autor, 2014.
Tabela 17. Valores do Viés, RMSE e SPRD da precipitação acumulada do Uíge.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
1,05
4,31
4,18
24 h
2,55
4,19
3,32
48 h
-21,40
37,00
30,18
48 h
-8,58
15,71
13,15
72 h
39,27
51,52
32,43
72 h
-0,05
20,21
20,21
96 h
76,60
93,30
53,27
96 h
14,57
29,86
20,06
Fonte : Autor, 2014.
No experimento 1, a previsão é confiável para o prazo de 24 horas (Figura 36a), com
pouca dispersão entre os membros do ensemble. A aproximação entre os valores do RMSE
(4,31 mm) e SPRD (4,18 mm) dão crédito a confiabilidade da previsão ensemble. Por outro
lado, a confiabilidade do EF diminui progressivamente nos prazos de 48 e 72 horas, onde as
observações foram apenas capturadas pelas hastes vermelhas inferior que representam menos
de três membros com valores mais baixos e a discrepância entre o RMSE 37,0 e 51,52 mm e
SPRD 30,18 e 32,43 mm respectivamente não conferem confiabilidade ao ensemble para
esses prazos. O posicionamento das caixas no box plot sugerem a nítida tendencia de
superestimação dos valores observados que pode ser confirmado pelos valores do Viés
(Tabela 17a). Para o prazo de 96 horas, o box plot sugere previsão não confiável, pois todos o
membros do ensemble superestimaram o valor observado, confirmado pela maior discrepância
entre o RMSE (93,30 mm) e SPRD (53,27 mm), e o viés positivo (76,60 mm). É notável o
69
crescimento do espalhamento proporcional com o período de integração.
Já o box plot do experimento 2, nos sugere em todos os prazos as observações foram
capturadas pelas respectivas previsões. No primeiro prazo 24 horas, a observação é capturada
pelos membros de menor valor, enquanto que nos demais pela parte verde da seção que
contém cerca de 60% das previsões. No prazo de 72 horas a previsão ensemble é perfeita com
valores de RMSE e SPRD iguais (20,21 mm). Aqui, é notável igualmente o crescimento do
espalhamento ao longo do período de integração. No prazo de 96 horas a diminuição da
confiabilidade pode ser atribuído ao super espalhamento entre os membros.
O posicionamento das seção no box plot, permite-nos afirmar segundo (BRWON, 2013)
que a localidade do Uíge no experimento 2 é calibrada.
c) Saurimo
Figura 38. box plots da precipitação acumulada de Saurimo.
(a)
(b)
Fonte: Autor, 2014.
Figura 39. Comparação entre o RMSE e SPRD da precipitação acumulada de Saurimo.
(a)
(b)
RMSE & SPRD - Precipitação acumulada
RMSE & SPRD - Precipitação acumulada
Saurimo - 12 á 16/04/14
14
30
12
RMSE & SPRD (mm)
RMSE & SPRD (mm)
Saurimo - 19 á 23/03/13
35
25
20
15
10
5
0
10
8
6
4
2
0
24
48
72
96
Prazo da previsão (h)
RMSE
24
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
70
Tabela 18. Valores do Viés , RMSE e SPRD da precipitação acumulada de Saurimo.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
0,47
0,61
0,39
24 h
2,73
3,31
1,86
48 h
-2,24
4,62
4,04
48 h
6,96
8,37
4,65
72 h
12,92
18,81
13,67
72 h
8,21
10,40
6,38
96 h
22,96
31,14
21,05
96 h
9,47
12,28
7,81
Fonte : Autor, 2014.
Para o primeiro prazo do experimento 1 há confiabilidade da previsão ensemble com
ligeira subestimação do valor da precipitação acumulada, com um viés de 0,46 mm, e os
valores próximos de RMSE (0,61 mm) e SPRD(0,39) sustentam essa afirmação (Tabela 18b).
Por outro lado a configuração do box plot denota pouca divergência entre os membros do EF
neste primeiro prazo. Para o prazo de 48 horas a previsão ensemble subestima o valor
observado, mais é confiável porque os membros com valores mais altos do ensemble cruzam a
linha de erro zero, que pode ser confirmado pelos valores próximos entre RMSE (4,62 mm)
e SPRD(4,04 mm). O crescimento do espalhamento aumentou com o período de integração,
diminuindo a confiabilidade do EF nos prazos seguintes.
No experimento 2 , há registo de precipitação nula pela EMA durante todo período de
integração, mas o modelo superestimou a precipitação acumulada até 9,5 mm no ultimo
prazo. O espalhamento e consequente a degradação da previsão aumentaram com o prazo de
integração.
A confiabilidade do EF foi satisfatória somente nos prazos de 24 e 48 horas do experimento
1.
d) Luena
No Luena durante o experimento 1 em que a precipitação foi nula durante todo o período
de análise, o modelo superestimou os valores observado em todos prazos.
Já no experimento 2 a precipitação acumulada foi de 3 milímetros durante todo o período de
análise, e foi bem representada pela previsão ensemble conforme o box plot onde é notável a
linha de erro ser intersectada pelas seções em todos os prazos. A confiabilidade da previsão
pode também ser confirmada pela aproximação dos valores do RMSE e SPRD
71
Figura 40. box plots da precipitação acumulada do Luena.
(a)
(b)
Fonte: Autor, 2014.
Figura 41. Comparação entre o RMSE e SPRD da precipitação acumulada do Luena.
(a)
(b)
RMSE & SPRD - Precipitação acumulada
RMSE & SPRD - Precipitação acumulada
Luena - 12 á 16/04/14
4,7
4,6
RMSE & SPRD (mm)
RMSE & SPRD (mm)
Luena - 19 á 23/03/13
10
9
8
7
6
5
4
3
2
1
0
4,5
4,4
4,3
4,2
4,1
4
3,9
24
48
72
24
96
48
72
96
Prazo da previsão (h)
Prazo da previsão (h)
RMSE
RMSE
SPRD
SPRD
Fonte: Autor, 2014.
Tabela 19. Valores do Viés, RMSE e SPRD da precipitação acumulada do Luena.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
0,46
0,67
0,50
24 h
0,07
4,19
4,19
48 h
3,49
4,07
2,10
48 h
0,55
4,59
4,55
72 h
7,06
8,30
4,36
72 h
1,05
4,55
4,42
96 h
7,55
8,94
4,79
96 h
1,06
4,58
4,46
Fonte : Autor, 2014.
72
e) Huambo
Figura 42. box plots da precipitação acumulada do Huambo.
(a)
(b)
Fonte: Autor, 2014.
Figura 43. Comparação entre o RMSE e SPRD da precipitação acumulada do Huambo.
(a)
(b)
RMSE & SPRD - Precipitação acumulada
RMSE & SPRD - Precipitação acumulada
Huambo - 19 á 23/03/13
Huambo - 12 á 16/04/14
14
25
10
RMSE & SPRD (mm)
RMSE & SPRD (mm)
12
8
6
4
2
0
24
48
72
15
10
5
0
96
24
Prazo da previsão (h)
RMSE
20
48
72
96
Prazo da previsão (h)
SPRD
RMSE
SPRD
Fonte: Autor, 2014.
Tabela 20. Valores do Viés, RMSE e SPRD da precipitação acumulada do Huambo.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
9,16
10,38
4,86
24 h
-4,28
4,69
1,92
48 h
10,73
12,40
6,22
48 h
-3,71
5,61
4,21
72 h
7,00
9,30
6,14
72 h
1,42
7,24
7,10
96 h
7,89
9,82
5,85
96 h
-16,87
19,36
9,51
Fonte: Autor, 2014.
73
A precipitação acumulada foi subestimadas nos quatro prazos previsão, nota-se o
crescimento do espalhamento com o período de integração, e ao contrário as previsões não se
degradaram com o aumento do período de integração. A discrepância entre o RMSE e SPRD
em todos os prazos, não conferem confiabilidade as previsões ensemble em todos os prazos.
No experimento 2, no primeiro prazo (24 horas) a observação foi capturada por menos de
20% dos membros, a confiabilidade aumentou progressivamente para os prazos de 48 e 72
horas ( seções verdes intersectam a linha de erro zero), e deteriorou-se para o prazo de 96
horas onde novamente o membro de maior valor cruza a linha de erro zero.
O prazo de 72 horas, apresentou a previsão mais confiável com valores de RMSE e SPRD
próximos 7,24 mm e 7,10 mm respectivamente, e com ligeira tendencia de superestimação do
valor observado, nos demais prazos as observações foram subestimadas pelo ensemble médio.
Foi notável o crescimento do espalhamento com o período de integração.
f) Lubango
Nos dois primeiros prazos do experimento 1 (24 e 48 horas) as observações foram
superestimadas pelo ensemble, enquanto que nos dois últimos prazos foram subestimadas. As
previsões não foram confiáveis, e notou-se pouca variação do espalhamento com período de
integração.
Figura 44. box plots da precipitação acumulada do Lubango.
(a)
Fonte: Autor, 2014.
(b)
74
Figura 45. Comparação entre o RMSE e SPRD da precipitação acumulada do Lubango.
(a)
(b)
RMSE & SPRD - Precipitação acumulada
RMSE & SPRD - Precipitação acumulada
Lubango - 12 á 16/04/14
Lubango - 19 á 23/03/13
16
30
14
RMSE & SPRD (mm)
RMSE & SPRD (mm)
25
20
15
10
5
12
10
8
6
4
2
0
0
24
48
72
24
96
72
96
Prazo da previsão (h)
Prazo da previsão (h)
RMSE
48
RMSE
SPRD
SPRD
Fonte: Autor, 2014.
Tabela 21. Valores do Viés, RMSE e SPRD da precipitação acumulada do Lubango.
(a)
Prazo da
Previsão
Viés
(b)
RMSE
SPRD
Prazo da
Previsão
Viés
RMSE
SPRD
24 h
3,06
4,20
2,87
24 h
0,30
0,42
0,30
48 h
-12,33
13,07
4,34
48 h
0,46
0,82
0,67
72 h
-12,29
13,02
4,30
72 h
2,25
3,20
2,27
96 h
-23,99
24,38
4,34
96 h
11,06
13,43
7,63
Fonte: Autor, 2014.
Já no experimento 2, onde a precipitação foi nula, nos dois primeiros prazos, as previsões
foram confiáveis, capturadas pelos membros do ensemble com valores mais baixos,
confirmados pela aproximação entre o RMSE (0,42 mm) e SPRD(0,30 mm). Para os demais
período a previsão degradou-se, pois a linha de erros zero fica abaixo de todos membros do
ensemble. O modelo apresentou tendência em superestimar a variável em análise. É notável o
crescimento do espalhamento com o período de integração.
Adicionalmente foram analisados dois índices estatísticos para avaliação do desempenho
da previsão por ensemble da precipitação acumulada, nomeadamente a probabilidade de
detecção da precipitação (POD) e a razão de alarme falso (FAR) para o limiar de 1,0 mm.
75
A Tabela 22, sumariza os índices de desempenho do POD e da FAR da previsão
ensemble referente aos dois experimentos.
Tabela 22. Índices estatísticos da avaliação do desempenho da precipitação acumulada.
(a) Experimento 1
Índice
Luanda
POD
FAR
Fonte: Autor, 2014.
Uíge
Saurimo
Luena
Huambo
Lubango
1
1
1
0
1
1
0,5
0,25
0,5
1
0,75
0,25
Huambo
Lubango
(b) Experimento 2
Índice
POD
Luanda
Uíge
Saurimo
Luena
1
1
0
1
1
0
FAR
0,25
Fonte: Autor, 2014.
0,5
1
0,75
0
1
No experimento 1 (Tabela 22a) em todas as localidades com excepção do Luena, a
previsão apresenta o valor de POD mais elevado (1) o que denota boa capacidade do
ensemble em detetar a precipitação o que significa dizer que sempre que ocorreu precipitação
o modelo previu. Por outro lado, o índice de razão de alarme falso, variou de 0,25 a 1, melhor
resultado recai para o Uíge e Lubango (0,25), sugerindo que nessas localidades que durante
os eventos em a precipitação foi prevista o risco de alarme falso foi pequeno, sendo bastante
elevado na localidade de Saurimo seguida do Huambo.
No experimento 2 a Tabela 22b, mostra que é alta a capacidade de detecção da
precipitação pela previsão ensemble em todas as localidades com excepção de Saurimo. Já
índice FAR igual a zero, denota a não existência de alarme falso na localidade do Huambo,
sendo que Saurimo e Lubango apresentam os piores índices (1), sugerindo que a previsão
ensemble não foi hábil em detetar a ausência de precipitação nessas localidades.
76
5.2. Sensibilidade das parametrizações físicas
EVAS et al., (2011) em sua pesquisa sobre Evaluating the performance of a WRF
physics ensemble over South-East Australia, avaliaram a sensibilidade das parametrizações
físicas com base na influencia relativa dos diferentes membros do ensemble no viés.
5.2.1
Temperatura Máxima
A Figura 46, ilustra a distribuição do Viés dos 16 membros do ensemble, de todas as
localidades em estudo, nos prazos de previsão de 24, 48 72 e 96 horas, para os dois
experimentos.
No experimento 1 Figura 46a, denota-se uma tendência mista do viés (superestimação e
subestimação) em todas as localidades, mas é a notável a polarização do viés negativo o que
sugere a tendencia das parametrizações adotadas neste trabalho em subestimarem o valor da
temperatura máxima. Valor mais baixo do viés foi de -7,3 ºC (não mostrado neste trabalho)
na estação de Saurimo referente ao membro do ensemble com a combinação W6_YU_GD,
no prazo de previsão de 96 horas. É igualmente notável na Figura 46a, que os membros do
ensemble com os esquemas de cúmulos Grell-Devenyi, associado quer com o esquema de
camada limite Yonsey University ou ACM2, apresentam os valores de viés negativo mais
acentuados do que os membros com esquema de cúmulos Kain Fritch. Estes resultados são
confirmados pela viés médio por membro do ensemble, Tabela 23a.
Observa-se na Figura 46a, que os focos de viés positivo registaram-se normalmente nos
primeiros prazos de previsão, 24 e 48 horas.
A Figura 46b, referente ao experimento 2, é notável também a polarização do viés
negativo o que sugere subestimação da variável pelas parametrizações adotadas, a semelhança
do experimento 1, os focos de super estimativa
estão ligados aos primeiros prazos de
previsão. Embora o viés mais acentuado -9,39 ºC (não mostrado), tenha sido registado com o
membro com a combinação MO_A2_GD, na estação do Luena na previsão de 24 horas, é
notável também neste experimento que o esquema de cúmulos Grell-Devenyi associados com
os esquemas Yonsey University
ou ACM2 apresentam resultados mais acentuados viés
negativo do que quando usado o esquema Kain Fritch.
77
Os dois experimentos apresentam uma nítida polarização do viés negativo, resultado
consistente com os encontrados na seção 5.1 no posicionamento da maioria dos box plots,
abaixo da linha de erro zero. É notável a maior contribuição do esquema de cúmulos GrellDevenyi combinado com os esquemas de camada limite Yonsey University ou ACM2, em
produzir viés negativo acentuado. O esquema Kain Fritch gerou viés mais baixos, isto nos
sugere afirmar que o esquema Grell-Devenyi contribui com maior influencia para a
polarização do viés negativo. Não é notável
nestes dois experimentos a influencia das
parametrizações de microfísica adotadas.
Os focos de viés positivos estão normalmente associados aos primeiros prazos de
previsão, este fato pode ser atribuído ao período de ajuste do modelo ou ao erro do modelo, ou
erro das condições inicias, o que sugere uma investigação mais apurada em outros estudos
com períodos de analise mais longos.
Tabela 23 . Ranking do VIÉS médio da temperatura máxima dos membros do ensemble.
(a)
Ranking
(b)
Viés
Esquema
Médio
Físico
1º
-0,68
2º
3º
Ranking
Viés
Esquema
Médio
Físico
NT_A2_KF
1º
-0,67
NT_A2_KF
-0,91
W6_A2_KF
2º
-0,87
W3_YU_KF
-0,93
W3_YU_KF
3º
-0,88
NT_YU_KF
4º
-1,02
W3_A2_KF
4º
-0,95
W6_YU_KF
5º
-1,03
W6_YU_KF
5º
-1,15
W3_A2_KF
6º
-1,12
NT_YU_KF
6º
-1,24
MO_YU_KF
7º
-1,23
MO_A2_KF
7º
-1,35
NT_A2_GD
8º
-1,41
NT_A2_GD
8º
-1,38
W6_A2_KF
9º
-1,42
W3_A2_GD
9º
-1,40
W3_YU_GD
10º
-1,47
MO_YU_KF
10º
-1,48
NT_YU_GD
11º
-1,78
MO_A2_GD
11º
-1,59
MO_A2_KF
12º
-1,78
W3_YU_GD
12º
-1,66
W6_YU_GD
13º
-1,79
W6_A2_GD
13º
-1,81
W3_A2_GD
14º
-1,89
W6_YU_GD
14º
-1,96
MO_A2_GD
15º
-1,95
NT_YU_GD
15º
-1,97
W6_A2_GD
16º
-2,34
MO_YU_GD
16º
-2,16
MO_YU_GD
Fonte :Autor, 2014.
Figura 46. Distribuição do viés da temperatura máxima dos membros do ensemble em todos prazos de previsão.
(a)
Viés médio - Temperatura máxima 19 á 23-03-2013
4
2
Viés (ºC)
0
W3_YU_GD
-2
W3_YU_KF
W3_A2_GD
W3_A2_KF
W6_YU_GD
W6_YU_KF
W6-A2_GD
W6_A2_KF
NT_YU_GD
NT_A2_GD
NT_YU_KF
NT_A2_KF
MO_YU_GD
MO_YU_KF
MO_A2_GD
MO_A2_KF
-4
-6
-8
Prazo de Previsão (horas)
Luanda
Uíge
Saurimo
Luena
Huambo
Lubango
(b)
Viés médio - Temperatura máxima 12 á 16-04-2014
8
6
4
Viés (ºC)
2
0
-2
-4
W3_YU_GD
W3_YU_KF
W3_A2_GD
W3_A2_KF
W6_YU_GD
W6_YU_KF
W6-A2_GD
W6_A2_KF
NT_YU_GD
NT_YU_KF
NT_A2_GD
NT_A2_KF
-6
-8
-10
-12
Prazo de Previsão (horas)
Luanda
Fonte. Autor, 2014.
Uíge
Saurimo
Luena
Huambo
Lubango
MO_YU_GD
MO_YU_KF
MO_A2_GD
MO_A2_KF
79
5.2.2
Temperatura Mínima
Os valores do viés plotados na Figura 47a, é notável que não há uma polarização
definida do viés, mas sim uma tendencia mista com certa similaridade para todos membros
do ensemble nos diferentes prazos de previsão .
Nota-se que nos membros com a opção microfísica Morrison com qualquer combinação
PBL e Cúmulos a prevalência do viés positivo. Viés positivo mais elevado foi de 4,08 ºC (não
mostrado) em Luanda na previsão de 48 horas com o membro NT_YU_GD.
Os viés negativos mais acentuados estão todos relacionados com os membros com
esquema de microfísica WSM3.
O experimento 2 (Figura 47b), tem comportamento similar, com tendência dos membros
em subestimar e superestimar o valor da temperatura mínima, mas com predominância do
viés negativo.
Nota-se igualmente, menor viés com o esquema Morrison, e viés negativos mais
acentuados com o esquema com a microfísica WSM3.
Nota-se nos dois experimentos a sensibilidade do esquema Morrison em produzir menor
viés, enquanto que o esquema WSM3 tende a subestimar mais a variável temperatura mínima.
Tabela 24. Ranking do VIÉS médio da temperatura mínima dos membros do ensemble.
(a)
Ranking
(b)
Viés
Esquema
Médio
Físico
1º
0,03
2º
3º
4º
Ranking
Viés
Esquema
Médio
Físico
MO_A2_GD
1º
-0,31
MO_YU_GD
0,05
MO_A2_KF
2º
-0,40
MO_YU_KF
0,06
NT_YU_GD
3º
-0,45
NT_YU_KF
0,18
MO_YU_GD
4º
-0,52
W6_YU_KF
5º
0,22
MO_YU_KF
5º
-0,52
NT_YU_GD
1º
-0,06
W6_YU_GD
6º
-0,52
W6_A2_KF
2º
-0,19
NT_A2_GD
7º
-0,58
NT_A2_KF
3º
-0,20
W6_A2_KF
8º
-0,69
MO_A2_GD
4º
-0,22
W6_A2_GD
9º
-0,70
W6_YU_GD
5º
-0,25
NT_YU_KF
10º
-0,70
MO_A2_KF
6º
-0,30
NT_A2_KF
11º
-0,71
W3_A2_KF
7º
-0,33
W6_YU_KF
12º
-0,78
W6_A2_GD
8º
-0,42
W3_YU_KF
13º
-0,85
NT_A2_GD
9º
-0,47
W3_A2_KF
14º
-0,95
W3_YU_KF
10º
-0,48
W3_YU_GD
15º
-0,95
W3_YU_GD
11º
-0,58
W3_A2_GD
16º
-0,98
W3_A2_GD
Fonte :Autor, 2014.
Figura 47. Distribuição do viés da temperatura mínima dos membros do ensemble em todos prazos de previsão
(a)
Viés médio - Temperatura mínima 19 á 23-03-2014
5
4
Viés (ºC)
3
2
1
0
-1
-2
W3_YU_GD
W3_YU_KF
W3_A2_GD
W3_A2_KF
W6_YU_GD
W6_YU_KF
W6-A2_GD
W6_A2_KF
NT_YU_GD
NT_A2_GD
NT_YU_KF
NT_A2_KF
MO_YU_GD
MO_YU_KF
MO_A2_GD
MO_A2_KF
-3
-4
Luanda
Prazo de Previsão (horas)
Uíge
Saurimo
Luena
Huambo
Lubango
(b)
Viés médio - Temperatura mínima 12 á 16-04-2014
4
Viés (ºC)
2
0
-2
W3_YU_GD
W3_YU_KF
W3_A2_GD
W3_A2_KF
W6_YU_GD
W6_YU_KF
W6-A2_GD
W6_A2_KF
NT_YU_GD
NT_YU_KF
NT_A2_GD
NT_A2_KF
-4
-6
-8
Prazo de Previsão (horas)
Luanda
Fonte. Autor, 2014.
Uíge
Saurimo
Luena
Huambo
Lubango
MO_YU_GD
MO_YU_KF
MO_A2_GD
MO_A2_KF
Figura 48. Distribuição do viés da precipitação acumulada dos membros do ensemble em todos prazos de previsão
(a)
Viés médio - Precipitação acumulada 19 á 23-03-2013
250
Viés (mm)
200
150
100
50
0
W3_YU_GD
-50
W3_YU_KF
W3_A2_GD
W3_A2_KF
W6_YU_GD
W6_YU_KF
W6-A2_GD
W6_A2_KF
NT_YU_GD
NT_A2_GD
NT_YU_KF
NT_A2_KF
MO_YU_GD
MO_YU_KF
MO_A2_GD
MO_A2_KF
Prazo de Previsão (horas)
Luanda
Uíge
Saurimo
Luena
Huambo
Lubango
(b)
Viés médio - Precipitação acumulada 12 á 16-04-2014
80
60
Viés (mm)
40
20
0
-20
W3_YU_GD
W3_YU_KF
W3_A2_GD
W3_A2_KF
W6_YU_GD
W6_YU_KF
W6-A2_GD
W6_A2_KF
NT_YU_GD
NT_YU_KF
NT_A2_GD
NT_A2_KF
-40
-60
-80
Prazo de Previsão (horas)
Luanda
Fonte. Autor, 2014.
Uíge
Saurimo
Luena
Huambo
Lubango
MO_YU_GD
MO_YU_KF
MO_A2_GD
MO_A2_KF
82
Tabela 25. Ranking do VIÉS médio da precipitação acumulada dos membros do ensemble.
(a)
Ranking
(b)
VIÉS
Esquema
Médio
Ranking
Viés
Físico
Esquema
Médio
Físico
1º
0,49
W3_A2_GD
1º
0,33
W6_YU_GD
2º
2,54
W6_A2_KF
2º
1,69
W6_A2_KF
3º
3,47
MO_A2_GD
3º
2,47
NT_YU_KF
4º
4,21
W3_YU_GD
4º
2,86
NT_YU_GD
5º
4,70
MO_A2_KF
5º
3,18
MO_YU_KF
6º
4,88
W6_A2_GD
1º
-0,11
MO_YU_GD
7º
5,50
W3_A2_KF
2º
-1,20
W6_YU_KF
8º
6,68
MO_YU_GD
3º
-1,42
NT_A2_KF
9º
6,86
W6_YU_KF
4º
-2,22
W3_YU_KF
10º
7,73
NT_A2_KF
5º
-2,89
MO_A2_KF
11º
7,77
W6_YU_GD
6º
-4,19
W3_YU_GD
12º
10,16
NT_YU_GD
7º
-4,72
NT_A2_GD
13º
12,52
NT_A2_GD
8º
-5,50
MO_A2_GD
14º
13,94
W3_YU_KF
9º
-7,06
W3_A2_KF
15º
17,77
NT_YU_KF
10º
-7,97
W6_A2_GD
16º
17,81
MO_YU_KF
11º
-8,27
W3_A2_GD
Fonte :Autor, 2014.
5.2.3 Precipitação acumulada
Da análise do ranking do Viés médio da Figura 21a referente ao experimento 1, é notável
a tendência do modelo em superestimar contudo, é de destacar que os valores mais elevados
estão associados ao esquema de cúmulos Kain Fritch, quando combinado com o esquema
PBL Yonsei University, sendo maior valor de 18,81 mm.
No experimento experimento 2 (Figura 21b), há episódios de superestimação em que o
esquema de cúmulos Kain Fritch, e Viés mais baixos associados ao esquema de cúmulos
Grell-Devenyi.
Esse resultado é consistentes com muitos autores, que o esquema de microfísica Kain
Fritch, tem tendência em superestimar a variável precipitação. (FALL et al 2007, CRETAT, J.
et al.2010, TENNANT, W., et. al 2006)
83
5.3 Avaliação do desempenho dos desempenho dos membros do ensemble
5.3.1 Temperatura máxima
A Tabela 26, sumariza o ranking do RMSE médio por membro do experimento 1. Da
comparação de diversas combinações de parametrizações físicas, denota-se que não é possível
definir qual a melhor opção para todas as variáveis e localidades, porém, existem algumas
tendências que devem ser destacadas.
Dentre os membros do conjunto, a combinação NT_A2_KF, figura em todas as
localidades no grupo dos três primeiros classificados, seguida da combinação W3_YU_KF.
O melhor desempenho recai para a combinação W6_A2_KF na localidade do Lubango, com o
menor RMSE (0,76 ºC).
Embora o menor desempenho recaia a combinação W6_A2_GD na localidade de
Saurimo com o RMSE de 4,79 ºC, a combinação MO_YU_GD, destaca-se em todas as
localidades nas trés últimas posições do ranking, o que denota fraco desempenho dessa
combinação.
Já no experimento 2 (Tabela 27), nenhuma combinação específica se destaca, mas
denota-se que as combinações que incorporam o esquema de microfísica New Thompson,
figuram nos lugares cimeiros do ranking o que confere bom desempenho a esse esquema. Nas
ultimas posições do ranking, destacam-se as combinações que incorporam o esquema de
microfísica Morrison. Neste experimento, o melhor desempenho foi obtido na de Saurimo
com o valor de 0,78 ºC de RMSE com a combinação W6_A2_KF, enquanto que o pior
desempenho foi de 5,06 ºC de RMSE na localidade de Luena pela combinação MO_A2_KF.
A análise dos dois experimentos, nos permite sugerir que o esquema de microfísica New
Thompson, destaca-se com resultados satisfatórios na região para a previsão dessa variável,
enquanto que o esquema de microfísica Morrison, apresenta fraco desempenho e deve ser
evitado o seu uso na região para essa variável, porém é necessário que se pesquise com mais
experimentos.
84
5.3.2
Temperatura mínima
A distribuição do RMSE médio no ranking do experimento 1 (Tabela 28), dificulta a
eleição de uma combinação que cobrisse grande parte das localidades, contudo há o destaque
para melhor desempenho de combinações que incorporam o esquema de
microfísica
Morrison quer nas primeiras posições como nas últimas posições.
Melhor desempenho recai a localidade do Huambo com RMSE de 0,27 ºC com a combinação
W6_A2_KF, enquanto que o pior foi com o RMSE de 3,02 ºC na localidade de Luanda com a
combinação NT_YU_GD.
No experimento 2 (Tabela 29), o melhor desempenho recai a localidade do Luena com
RMSE de 0,27 ºC pela combinação W6_YU_KF, e o pior para a localidade do Lubango com
RMSE de 3,25 ºC pela combinação W3_A2_GD. Nos lugares cimeiros do ranking, o esquema
de microfísica Morrison, volta a destacar-se, assim como, os de microfísica WSM3, e nas
últimas posições os mesmos esquemas voltam a destacar-se, juntando-se a eles o esquema
WSM6.
Os esquemas de microfísica Morrison e WSM3, predominam no ranking, nas primeiras
e últimas posições, isto nos sugere afirmar que esses esquemas tendem a produzir maior
dispersão que os outros
5.3.3
Precipitação acumulada
Os esquemas de cúmulos Kain Fritch e Grell-Devenyi, apresentaram melhor
desempenho quando combinados com o esquema de microfísica WSM3 no experimento 1
(Tabela 30), pois figuram em todas as localidades nas primeiras posições do ranking. Melhor
desempenho recai
para as localidades do Luena (RMSE 0,10 mm) com a combinação
NT_A2_KF, seguida da localidade do Huambo (RMSE 2,42 mm) com a combinação
W6_YU_GD e posteriormente Saurimo (RMSE 2,97 mm) com a combinação W3_A2_KF, é
de ressaltar que a precipitação acumulada para essas localidades foi respectivamente de 0, 4,5
e 6 mm. Por outro lado, os mais fracos desempenhos foram obtidos pela combinações
MO_YU_GD na localidade do Uíge com RMSE de 123,69 mm, MO_YU_GD novamente na
localidade de Saurimo com RMSE de 42,67 mm e NT_A2_GD na localidade de Luanda com
85
RMSE de 39,39 mm. A precipitação acumulada para essas localidades foi respectivamente de
40,3, 37,1 e 6 mm.
Esta constatação nos leva a sugerir que o melhor desempenho está associado a valores
baixos da precipitação, e que o erro do modelo tende a ser maior quanto maior for a
quantidade de precipitação ocorrida. Esse resultado é consistente com
Já experimento 2 (Tabela 31), é notável igualmente uma relação entre valores baixos da
precipitação com melhor desempenho do modelo e vice versa. A combinação W3_A2_KF
com o valor de RMSE de 34,47 mm na localidade de Luanda, seguida da combinação
W6_A2_KF com RMSE de 32,86 mm na localidade do Uíge com valores de precipitação
acumulada respectivamente de 72,5 e 44,0 mm apresentam os piores desempenhos.
As combinações NT_YU_GD (RMSE 0,34 mm) no Luena, W3_A2_GD (RMSE 0,55
mm) no Lubango e W6_A2_GD (RMSE 1,47 mm) em Saurimo, apresentam os melhores
desempenhos, todas associadas a valores baixos de precipitação.
Tabela 26. Ranking do RMSE da temperatura máxima dos membros do ensemble por estação (Experimento 1)
Ranking
Luanda
RMSE
Membro
Uíge
RMSE
Membro
Saurimo
RMSE
Membro
Luena
RMSE
Membro
Huambo
RMSE
Membro
Lubango
RMSE
Membro
1º
1,06
NT_A2_KF
0,86
NT-A2_KF
1,66
W3_A2_KF
1,27
NT_A2_KF
2,79
NT_A2_GD
0,76
W6_A2_KF
2º
1,16
W3_YU_KF
0,97
W3_YU_GD
1,88
W3_YU_KF
1,35
W3_YU_KF
2,83
W3_YU_KF
0,80
NT_A2_KF
3º
1,23
W3_A2_KF
1,03
W3_A2_GD
1,93
NT_A2_KF
1,54
W6_A2_KF
2,87
NT_A2_KF
1,02
W6_YU_GD
4º
1,40
NT_YU_KF
1,03
W3_YU_KF
2,00
W6_YU_KF
1,54
W6_YU_KF
2,91
W6_A2_GD
1,05
NT_A2_GD
5º
1,55
W6_A2_KF
1,36
MO_A2_KF
2,01
W6_A2_KF
1,60
NT_YU_KF
2,93
W3_A2_KF
1,10
W6_YU_KF
6º
1,56
NT_A2_GD
1,49
W6_YU_KF
2,03
NT_YU_KF
1,61
MO_YU_KF
2,93
NT_YU_GD
1,11
NT_YU_KF
7º
1,58
MO_A2_KF
1,60
MO_YU_KF
2,15
MO_A2_KF
1,76
W3_A2_GD
2,95
W6_A2_KF
1,18
W3_A2_KF
8º
1,59
W6_YU_KF
1,72
NT_YU_KF
2,50
MO_YU_KF
1,94
MO_A2_KF
3,02
W6_YU_KF
1,19
MO_YU_KF
9º
1,62
W3_A2_GD
1,73
NT_A2_GD
3,23
MO_A2_GD
2,07
NT_A2_GD
3,03
W6_YU_GD
1,23
W6_A2_GD
10º
1,83
W6_A2_GD
1,82
W6_A2_GD
3,30
W3_A2_GD
2,17
W6_A2_GD
3,08
NT_YU_KF
1,23
NT_YU_GD
11º
1,87
W3_YU_GD
1,87
W3_A2_KF
3,42
NT_A2_GD
2,27
W3_YU_GD
3,18
W3_A2_GD
1,26
MO_A2_KF
12º
1,88
MO_YU_KF
2,27
W6_A2_KF
3,50
NT_YU_GD
2,27
W3_A2_KF
3,27
MO_A2_GD
1,38
W3_YU_KF
13º
1,94
NT_YU_GD
2,33
MO_A2_GD
3,66
W6_YU_GD
2,40
MO_A2_GD
3,36
W3_YU_GD
1,50
MO_A2_GD
14º
2,20
W6_YU_GD
2,41
MO_YU_GD
4,14
W3_YU_GD
2,46
NT_YU_GD
3,73
MO_YU_GD
1,69
W3_YU_GD
15º
2,25
MO_A2_GD
2,59
W6_YU_GD
4,70
MO_YU_GD
2,51
W6_YU_GD
3,76
MO_A2_KF
1,71
MO_YU_GD
16º
2,27
MO_YU_GD
2,97
NT_YU_GD
4,79
W6_A2_GD
2,77
MO_YU_GD
3,87
MO_YU_KF
1,78
W3_A2_GD
Fonte: Autor, 2014.
Tabela 27. Ranking do RMSE da temperatura máxima dos membros do ensemble por estação (Experimento 2)
Ranking
Luanda
RMSE
Membro
Uíge
RMSE
Membro
Saurimo
RMSE
Membro
Luena
RMSE
Membro
Huambo
RMSE
Membro
Lubango
RMSE
Membro
1º
1,63
W3_A2_GD
1,79
W3_YU_KF
0,78
W6_A2_KF
2,10
NT_YU_KF
1,04
NT_A2_KF
2,44
NT_A2_KF
2º
1,75
W6_A2_KF
1,85
NT_A2_KF
1,14
NT_A2_GD
2,59
MO_YU_KF
1,25
NT_A2_GD
2,48
NT_A2_GD
3º
1,80
NT_A2_GD
1,96
W6_YU_KF
1,21
W3_A2_KF
2,68
NT_YU_GD
1,35
W3_A2_GD
2,59
NT_YU_KF
4º
1,91
W6_A2_GD
2,01
NT_YU_KF
1,35
MO_A2_KF
2,75
W3_YU_KF
1,39
W3_A2_KF
2,60
NT_YU_GD
5º
2,58
W6_YU_GD
2,17
W6_A2_KF
1,38
W3_YU_GD
2,88
W6_YU_KF
1,42
W3_YU_KF
2,64
MO_A2_KF
6º
2,58
W3_YU_GD
2,18
MO_YU_KF
1,39
NT_A2_KF
2,95
W6_YU_GD
1,54
NT_YU_KF
2,67
W6_A2_KF
7º
2,61
MO_A2_KF
2,18
W3_A2_KF
1,41
W3_YU_KF
2,98
MO_YU_GD
1,55
W6_YU_KF
2,68
W6_A2_GD
8º
2,72
MO_YU_GD
2,56
W3_A2_GD
1,45
W6_YU_KF
2,98
MO_A2_GD
1,59
W6_A2_GD
2,74
MO_A2_GD
9º
2,72
MO_A2_GD
2,69
NT_YU_GD
1,51
W6_A2_GD
3,01
NT_A2_KF
1,64
MO_A2_KF
2,74
W6_YU_KF
10º
2,78
MO_YU_KF
2,78
W3_YU_GD
1,63
MO_YU_KF
3,12
W3_YU_GD
1,76
W6_A2_KF
2,76
W6_YU_GD
11º
2,90
NT_YU_GD
2,94
NT_A2_GD
1,79
NT_YU_KF
3,12
W3_A2_KF
1,85
MO_A2_GD
2,84
W3_YU_KF
12º
3,06
W3_YU_KF
3,40
W6_A2_GD
1,80
W6_YU_GD
3,88
NT_A2_GD
1,86
NT_YU_GD
2,87
W3_YU_GD
13º
3,06
W3_A2_KF
3,51
W6_YU_GD
1,81
W3_A2_GD
4,31
W6_A2_KF
1,89
W3_YU_GD
2,89
W3_A2_KF
14º
3,10
NT_YU_KF
3,55
MO_YU_GD
2,21
NT_YU_GD
4,57
W6_A2_GD
2,07
MO_YU_KF
2,97
MO_YU_KF
15º
3,23
NT_A2_KF
3,55
MO_A2_GD
2,41
MO_YU_GD
4,62
W3_A2_GD
2,10
W6_YU_GD
3.17
W3_A2_GD
16º
3,26
W6_YU_KF
4,10
MO_A2_KF
2,51
MO_A2_GD
5,06
MO_A2_KF
2,54
MO_YU_GD
3,26
MO_YU_GD
Fonte: Autor, 2014.
Tabela 28. Ranking do RMSE da temperatura mínima dos membros do ensemble por estação (Experimento 1)
Ranking
Luanda
RMSE
Membro
Uíge
RMSE
Membro
Saurimo
RMSE
Membro
Luena
RMSE
Membro
Huambo
RMSE
Membro
Lubango
RMSE
Membro
1º
1,74
W3_A2_GD
0,58
MO_YU_GD
1,48
MO_YU_GD
0,47
NT_YU_KF
0,27
W6_A2_KF
0,71
MO_A2_KF
2º
1,88
NT_A2_GD
0,58
MO_YU_KF
1,59
W3_YU_KF
0,48
W6_YU_KF
0,28
NT_A2_KF
0,82
MO_YU_KF
3º
1,99
W3_A2_KF
0,74
W6_YU_GD
1,69
W6_YU_KF
0,51
W3_YU_GD
0,42
NT_YU_KF
0,85
MO_YU_GD
4º
1,99
NT_A2_KF
0,87
W6_A2_KF
1,70
W6_YU_GD
0,51
W3_A2_KF
0,54
W6_YU_GD
0,87
MO_A2_GD
5º
2,01
NT_YU_KF
0,93
MO_A2_GD
1,71
NT_YU_KF
0,56
W6_A2_GD
0,63
W6_A2_GD
0,98
NT_YU_GD
6º
2,02
W3_YU_KF
0,95
MO_YU_KF
1,75
W3_YU_GD
0,57
NT_A2_KF
0,66
MO_YU_KF
1,06
W6_YU_KF
7º
2,11
W6_A2_GD
0,99
NT_YU_KF
1,76
MO_YU_KF
0,59
W6_A2_KF
0,69
MO_YU_GD
1,06
W6_A2_GD
8º
2,18
MO_A2_KF
0,99
W3_A2_GD
1,79
NT_YU_GD
0,59
NT_A2_GD
0,72
W3_YU_KF
1,07
W6_YU_GD
9º
2,19
W6_YU_KF
1,03
W6_A2_GD
2,03
W6_A2_GD
0,63
NT_YU_GD
0,73
MO_A2_GD
1,09
NT_YU_KF
10º
2,21
MO_YU_KF
1,06
W3_YU_GD
2,06
MO_A2_GD
0,69
W6_YU_GD
0,74
W6_YU_KF
1,09
W3_YU_GD
11º
2,25
MO_A2_GD
1,10
NT_A2_KF
2,06
W6_A2_KF
0,70
W3_YU_KF
0,77
MO_A2_KF
1,15
NT_A2:KF
12º
2,29
W6_A2_KF
1,13
NT_YU_GD
2,15
NT_A2_GD
0,79
W3_A2_GD
0,84
W3_A2_GD
1,15
W3_A2_KF
13º
2,36
W3_YU_GD
1,15
W6_YU_KF
2,18
W3_A2_GD
0,87
MO_A2_KF
0,90
NT_YU_GD
1,16
W3_A”-GD
14º
2,38
MO_YU_GD
1,18
MO_A2_KF
2,19
W3_A2_KF
1,08
MO_A2_GD
1,02
W3_YU_GD
1,25
W3_YU_KF
15º
3,00
W6_YU_GD
1,20
W3_A2_KF
2,21
MO_A2_KF
1,21
MO_YU_KF
1,14
NT_A2_GD
1,29
NT_A2_GD
16º
3,02
NT_YU_GD
1,33
NT_A2_GD
2,25
NT_A2_KF
1,43
MO_YU_GD
1,18
W3_A2_KF
1,34
W6_A2_KF
Fonte: Autor, 2014.
Tabela 29. Ranking do RMSE da temperatura mínima dos membros do ensemble por estação (Experimento 2)
Ranking
Luanda
RMSE
Membro
Uíge
RMSE
Membro
Saurimo
RMSE
Membro
Luena
RMSE
Membro
Huambo
RMSE
Membro
Lubango
RMSE
Membro
1º
1,50
W3_A2_GD
0,77
MO_A2_KF
0,45
MO_YU_GD
0,27
W6_YU_KF
2,67
MO_YU_GD
2,62
NT_YU_GD
2º
1,59
W6_A2_GD
0,78
W3_YU_KF
0,64
NT_YU_GD
0,40
NT_YU_KF
2,71
NT_YU_GD
2,70
NT_YU_KF
3º
1,66
W3_YU_GD
0,80
W3_A2_GD
0,72
MO_YU_KF
0,42
MO_YU_GD
2,74
W3_A2_KF
2,78
MO_YU_GD
4º
1,73
W6_YU_GD
0,94
W3_YU_GD
0,81
W6_YU_KF
0,42
MO_A2_GD
2,74
W6_YU_KF
2,79
W6_YU_KF
5º
1,75
W6_YU_KF
0,99
NT_A2_GD
0,81
NT_YU_KF
0,48
MO_YU_KF
2,78
MO_A2_KF
2,82
MO_YU_KF
6º
1,84
W3_A2_KF
1,14
NT_A2_KF
0,87
W6_YU_GD
0,53
MO_A2_KF
2,84
NT_YU_KF
2,87
MO_A2_KF
7º
1,84
MO_YU_GD
1,15
W3_A2_KF
0,95
NT_A2_KF
0,53
W3_YU_GD
2,86
W6_A2_KF
2,89
NT_A2_KF
8º
1,84
MO_A2_GD
1,21
W6_A2_GD
0,96
NT_A2_GD
0,54
W6_A2_KF
2,86
W6_YU_GD
2,91
W3_YU_GD
9º
1,88
NT_YU_GD
1,38
NT_YU_KF
0,98
W6_A2_GD
0,55
W6_A2_GD
2,92
NT_A2_KF
3,01
NT_A2_GD
10º
1,90
NT_A2_GD
1,40
MO_A2_GD
1,03
W3_YU_GD
0,59
NT_A2_KF
2,96
W6_A2_GD
3,07
MO_A2_GD
11º
1,94
W6_A2_KF
1,40
MO_YU_GD
1,16
W3_A2_GD
0,64
W3_YU_KF
2,98
MO_YU_KF
3,08
W6_YU_GD
12º
1,97
W3_YU_KF
1,42
NT_YU_GD
1,20
W3_YU_KF
0,65
W3_A2_GD
3,05
W3_YU_GD
3,08
W3_A2_KF
13º
2,01
NT_A2_KF
1,44
MO_YU_KF
1,27
W6_A2_KF
0,66
NT_A2_GD
3,06
NT_A2_GD
3,08
W6_A2_KF
14º
2,04
NT_YU_KF
1,46
W6_YU_KF
1,45
W3_A2_KF
0,72
NT_YU_GD
3,08
W3_A2_GD
3,13
W6_A2_GD
15º
2,11
MO_A2_KF
1,51
W6_YU_GD
1,63
MO_A2_GD
0,76
W3_A2_KF
3,12
W3_YU_KF
3,19
W3_YU_KF
16º
2,11
MO_YU_KF
1,65
W6_A2_KF
1,63
MO_A2_KF
0,83
W6_YU_GD
3,15
MO_A2_GD
3,25
W3_A2_GD
Fonte: Autor, 2014.
Tabela 30. Ranking do RMSE da precipitação acumulada dos membros do ensemble por estação (Experimento 1)
Ranking
Luanda
RMSE
Membro
Uíge
RMSE
Membro
Saurimo
RMSE
Membro
Luena
RMSE
Membro
Huambo
RMSE
Membro
Lubango
RMSE
Membro
1º
10,14
W3_A2_GD
6,11
W3_A2_GD
2,97
W3_A2_KF
0,10
NT_A2_KF
2,42
W6_YU_GD
8,20
W3_YU_KF
2º
12,89
W3_YU_GD
13,67
W3_YU_GD
3,60
W3_YU_KF
2,07
W3_YU_KF
3,23
W3_A2_GD
10,33
W3_A2_KF
3º
13,13
NT_A2_KF
16,47
MO_YU_GD
3,61
MO_A2_KF
2,20
MO_YU_KF
3,92
NT_A2_GD
11,53
W3_YU_GD
4º
15,04
W3_YU_KF
21,90
W6_A2_KF
4,03
W6_A2_KF
2,34
MO_A2_KF
4,55
MO_A2_GD
11,66
NT_YU_KF
5º
15,13
MO_A2_GD
24,71
MO_A2_KF
4,77
MO_A2_GD
2,39
W3_A2_GD
4,74
W3_A2_KF
13,53
W6_YU_KF
6º
15,56
W6_YU_KF
25,97
W3_A2_KF
4,85
W3_A2_GD
3,21
MO_A2_GD
5,39
NT_YU_GD
14,54
NT_YU_GD
7º
15,88
MO_YU_GD
26,15
MO_A2_GD
5,48
NT_A2_KF
5,10
NT_YU_KF
5,52
MO_YU_GD
15,66
W3_A2_GD
8º
16,89
NT_YU_GD
28,89
W6_YU_GD
5,81
NT_A2_GD
6,18
W6_A2_KF
6,35
W6_YU_KF
16,19
MO_YU_KF
9º
17,35
W3_A2_KF
32,88
W6_YU_KF
8,85
W6_A2_GD
6,63
W6_A2_GD
6,61
W3_YU_KF
16,53
MO_A2_GD
10º
17,59
W6_A2_KF
39,30
W6_A2_GD
13,15
W3_YU_GD
7,66
NT_A2_GD
7,10
MO_YU_KF
16,84
W6_A2_KF
11º
18,55
MO_A2_KF
47,91
NT_A2_KF
19,84
NT_YU_KF
8,30
W6_YU_KF
12,60
NT_YU_KF
16,93
NT_A2_KF
12º
18,97
MO_YU_KF
52,68
NT_A2_GD
22,97
W6_YU_KF
9,08
MO_YU_GD
12,60
W3_YU_GD
17,20
MO_A2_KF
13º
20,73
W6_A2_GD
72,15
NT_YU_GD
23,13
MO_YU_KF
9,11
W3_YU_GD
14,59
W6_A2_KF
18,07
W6_A2_GD
14º
24,22
W6_YU_GD
86,57
NT_YU_KF
27,13
W6_YU_GD
9,11
W3_A2_KF
14,93
W6_A2_GD
18,16
MO_YU_GD
15º
25,55
NT_YU_KF
91,04
W3_YU_KF
30,92
NT_YU_GD
9,65
NT_YU_GD
17,11
NT_A2_KF
18,22
W6_YU_GD
16º
39,39
NT_A2_GD
123,69
MO_YU_KF
42,67
MO_YU_GD
11,06
W6_YU_GD
21,52
MO_A2_KF
18,37
NT_A2_GD
Fonte: Autor, 2014.
Tabela 31. Ranking do RMSE da precipitação acumulada dos membros do ensemble por estação (Experimento 2)
Ranking
Luanda
RMSE
Membro
Uíge
RMSE
Membro
Saurimo
RMSE
Membro
Luena
RMSE
Membro
Huambo
RMSE
Membro
Lubango
RMSE
Membro
1º
19,08
NT_A2_GD
4,98
MO_YU_GD
1,47
W6_A2_GD
0,34
NT_YU_GD
4,96
MO_YU_KF
0,55
W3_A2_GD
2º
21,12
NT_YU_KF
4,98
MO_A2_GD
2,25
W3_A2_GD
0,85
W6_A2_KF
5,23
W6_YU_KF
0,87
MO_A2_GD
3º
23,28
MO_YU_GD
8,52
W3_YU_KF
3,20
W3_A2_KF
1,21
W3_YU_GD
6,61
W3_YU_KF
1,19
W6_A2_GD
4º
24,49
W3_A2_GD
8,56
MO_A2_KF
3,60
MO_A2_GD
1,57
NT_A2_KF
7,07
NT_YU_KF
1,39
NT_A2_GD
5º
25,31
W3_YU_GD
10,33
NT_A2_GD
3,70
W3_YU_KF
1,72
MO_A2_KF
7,55
W6_A2_KF
2,39
MO_A2_KF
6º
26,18
W6_YU_KF
14,31
W3_YU_GD
3,81
MO_YU_KF
1,93
MO_YU_GD
8,01
W6_YU_GD
3,44
W6_YU_GD
7º
27,17
W6_A2_GD
16,18
W3_A2_KF
3,97
W6_YU_KF
1,93
MO_A2_GD
8,70
NT_YU_GD
4,87
NT_YU_GD
8º
28,05
NT_A2_KF
17,43
NT_A2_KF
5,37
NT_A2_GD
2,02
W3_A2_KF
8,70
MO_YU_GD
5,40
W3_YU_GD
9º
28,53
NT_YU_GD
18,44
W6_YU_KF
5,40
NT_A2_KF
2,15
NT_YU_KF
8,71
MO_A2_KF
5,61
MO_YU_KF
10º
29,47
W6_YU_GD
19,92
NT_YU_KF
6,07
W3_YU_GD
2,18
W6_YU_GD
9,55
W3_YU_GD
5,68
W6_A2_KF
11º
30,85
W6_A2_KF
20,02
W6_YU_GD
6,84
W6_A2_KF
2,45
W6_YU_KF
10,93
NT_A2_KF
6,96
W3_A2_KF
12º
31,14
W3_YU_KF
23,07
NT_YU_GD
9,01
MO_A2_KF
2,55
NT_A2_GD
12,97
NT_A2_GD
8,34
NT_YU_KF
13º
31,47
MO_YU_KF
25,05
W6_A2_GD
14,17
NT_YU_KF
2,57
W6_A2_GD
14,97
W3_A2_KF
10,04
MO_YU_GD
14º
31,47
MO_A2_KF
28,05
W3_A2_GD
14,26
W6_YU_GD
2,95
W3_A2_GD
15,80
MO_A2_GD
10,28
W3_YU_KF
15º
32,06
MO_A2_GD
31,94
MO_YU_KF
16,16
NT_YU_GD
4,55
W3_YU_KF
16,34
W6_A2_GD
10,68
NT_A2_KF
16º
34,47
W3_A2_KF
32,86
W6_A2_KF
19,93
MO_YU_GD
15,61
MO_YU_KF
17,22
W3_A2_GD
13,73
W6_YU_KF
Fonte: Autor, 2014.
92
6.
CONCLUSÕES
Neste trabalho foram apresentados resultados de dois experimentos, em que diversas
combinações de parametrizações físicas foram testadas em um sistema de previsão por
ensemble, onde a confiabilidade foi avaliada com base da concordância entre os box plots e a
discrepâncias entre o RMSE e o SPRD, a sensibilidade das parametrizações físicas e o
desempenho das previsões determinísticas foram avaliadas pelos ranking dos respectivos viés
médio e RMSE médio, conclui-se que :
O estudo possibilitou investigar que o espalhamento pode ser utilizado como uma
medida de avaliação da confiabilidade da previsão ensemble, com resultados que indicaram a
correspondência entre baixo espalhamento e melhor desempenho e vice versa.
Os métodos de avaliação da confiabilidade da previsão ensemble pela análise do box
plots e a discrepância entre o RMSE e SPRD, apresentaram resultados concordantes em todas
localidades nos dois experimentos.
A previsão da variável temperatura máxima pelo ensemble, não foi satisfatória, porque
somente na localidade do Uíge no experimento 1, a variável apresentou resultados confiáveis.
A fraca confiabilidade da previsão ensemble deve-se ao fato dos membros do modelo
capturaram temperaturas mais baixas que as observadas, o que sugere que o modelo tende a
subestimar essa variável. Com excepção de Luanda onde no experimento 2, notou-se a
tendência do modelo em superestimar a variável, sendo que nas demais localidades nos dois
experimentos é notável a polarização do viés negativo, que pode ser atribuído ao efeito da
topografia que normalmente é suavizada pelo modelo ou há erros nas condições inicias que
podem estar associados a fraca densidade de estações na região.
A previsão da variável temperatura mínima, o ensemble produziu resultados mais
satisfatórios. Resultados confiáveis foram obtidos nas localidades do Uíge, Saurimo, Luena,
Huambo e Lubango no experimento 1, enquanto que no experimento 2 os mesmos resultados
foram obtidos nas localidades do Uíge, Saurimo e Luena. Para além de Luanda e Uíge onde
há tendencia em o modelo superestimar essa variável nos dois experimentos, nas demais
93
localidades há tendência de modelo subestimar essa variável.
A previsão da variável precipitação acumulada, o ensemble produziu resultados razoáveis
para a localidade do Uíge e Huambo, e resultados altamente confiáveis no Luena todos no
experimento 2. O fraco desempenho da previsão ensemble em representar essa variável, pode
estar associado as dificuldades das parametrizações em reproduzir quantitativamente a
precipitação ocorrida e ou em detetar chuvas isoladas oriundas de sistemas convectivos.
O melhor desempenho do modelo está associado a valores baixo de precipitação, e que o
erro do modelo tende a ser maior quanto maior for a quantidade de precipitação ocorrida,
sugerindo que o modelo tem dificuldades em prever corretamente a ocorrência de precipitação
elevada.
A análise dos índices POD e FAR, sugerem que a previsão ensemble apresentou nos dois
experimentos, elevada capacidade de detecção da precipitação, mas fraca habilidade em não
gerar alarmes falsos.
A análise de cada experimento mostra elevada sensibilidade das variáveis simuladas pelo
WRF as suas parametrizações físicas. Para a temperatura máxima as combinações adotadas
que incorporam o esquema de cúmulos Grell-Devenyi produziram o viés negativo mais suave
do que as combinações com o esquema Kain Fritch. Para a temperatura mínima as
combinações que incorporam o esquema de microfísica WSM3 produziram viés negativo
mais acentuado. Para a precipitação acumulada as combinações que incorporam o esquema
de cúmulos Kain Fritch, tendem superestimar a variável comparado com as incorporam o
esquema Grell-Devenyi.
Da comparação das diversas combinações de parametrizações físicas, não é possível
definir qual a melhor opção para uma ou todas as variáveis em todas localidades, embora,
existem algumas tendências que se destacam.
94
7.
RECOMENDAÇÕES
Neste trabalho foram apresentados resultados somente de dois experimentos, em que
dezasseis (16) combinações de parametrizações físicas foram testadas em um sistema de
previsão por ensemble para a região de Angola. Essa limitação sugere que mais testes devem
ser realizados para se obter um conjunto de informações detalhadas sobre a confiabilidade das
previsões e a sensibilidade as parametrizações físicas. Os resultados sugerem também a
introdução de outras formas de pertubação como as das condições inicias, assim como a
pertubação de outros esquemas físicos.
95
BIBLIOGRAFIA
ASHRIT, R. et al. Performance of global ensemble forecast system (GEFS) during monsoon
2012. National center for medium range weather forecasting. India. p. 22. 2013.
BARKER, T. The relationship between spread and forecast error in extended-range forecast.
J. Climate, v. 4, n.7, p. 733- 742, 1991.
BROWN, J. ensemble Verification System (EVS). User’s manual. Version 5.0. July. 2013.
BUIZZA, R. Potential forecast skill of ensemble prediction and spread and skill distributions
of the ECMWF ensemble prediction system. Monthly weather review, v125, 99-119. 1997.
BUIZZA, R. et al. A comparation of the ECMWF, MSC, and NCEP global ensemble
prediction systems. Monthly weather review, v. 133, 1076-1097. 2005.
CHENG, Y. Et al. Ensemble construction and verification of the probabilistc ENSO predition
in the LDE O5 model. Journal of climate. v. 23. 5476-5497. 2010.
COMET. Intelligent Use of Model-Derived Products -version 2. fevereiro 2010.
Disponível em: <http://www.meted.ucar.edu/nwp/model_derivedproducts/>.
COUTINHO, M. Previsão por conjuntos utilizando perturbações baseadas em componentes
principais. São José dos Campos. 136p. Dissertação
(Mestrado em Meteorologia) - Instituto Nacional de Pesquisas Espaciais, 1999.
CPTEC/INPE. Centro de Previsão de Tempo e Estudos Climáticos/Instituto Nacional de
Pesquisas Espaciais. maio 2010. Disponível em:
<http://www.inpe.br/pos_graduacao/cursos/meteorologia/index.php>.
CRETAT, J. et al. Désagrégation numérique de précipitations em Afrique australe et
dynamique atmosphérique associée. Bagf- Géographes- 195-206. 2010.
EVANS. J. et al. Evaluating the performance of the WRF physics ensemble over South-East
Austrália. Clim Dyn. V. 39.12241-1258. 2011.
FALL et al. Application of weather prediction models for hazard mitigation planning: a case
study of heavy off-season rains in Senegal. Nat Hazards, v. 41, n , 227-243, 2007.
FONSECA .B. Estudo da previsibilidade de eventos severos sobre o sudeste da América do
sul com ênfase na região da serra do mar usando previsão de curto prazo por ensemble. Tese
(Doutoramento em Meteorologia). São José dos Campos: Inpe, 2010.
HAMILL, T.M. Interpretation of ranking histograms for verifying ensemble forecast.
Monthly weather review, v. 129, n. , 550-560, 2001.
HOLTON, J. An introdution to dynamic meteorology. 4th ed. California: Elsevier Academic
96
Press. 4 ed. 540 p. 2004.
HOU, D. et al. Objective verification of the SAMEX'98 ensemble forecast. Monthly weather
review, v. 129, n. , 73-91, 2001.
JOLLIFFE, I. STEPHENSON, D. Forecast Verification. A Practitioner’s Guide in
Atmospheric Science. Willey. 247 p. 2003
LEITH, E. Theoretical skill of monte carlo forecasts. Monthly weather review, v. 102, n.6,
409-418, june 1974.
LIMA, M. Avaliação do sistema de previsão de tempo global por conjunto do CPTEC na
previsão de ciclones no sul da américa do sul. Dissertação ( Mestrado em Meteorologia). São
José dos Campos: Inpe, 2011.
LORENZ, N. Deterministic nonperiodic flow. Journal of the atmospheric flow, v. 20, n. , 130141, march 1963.
LORENZ, N. The predictability of a flow which possesses many scales of motion. Tellus, v.
21, p. 289-307, 1969.
MACHADO, L. et al. Impacto da utilização de previsões desfasadas no sistema de previsão
de tempo por conjunto do CPTEC/INPE. Revista Brasileira de Meteorologia, v.25, n.1, 5469, 2010.
MENDONÇA, A. BONATTI, J. Avaliação objetiva do sistema de previsão de tempo global
por ensemble do CPTEC e relação entre o espalhamento e o desempenho do espalhamento e
o ensemble médio.
MENDONÇA, A. Estudo das características das perturbações eof extratropicais e seu
impacto na previsão de tempo de médio prazo por conjunto. Tese ( Doutorado em
Meteorologia). São José dos Campos: Inpe, 2008.
PIELKE, R.A. Mesoscale meteorological modeling, 2td ed. Fort Collins, Academic Press,
2002. p
POTTER, K. et al. Visualizing Summary Statistics and Uncertainty. Eurographics. v. 29 . n 3.
2010.
SKAMAROCK, W. et al. A description of the advanced research WRF version 3. NCAR
tecnical note. June. 2008.
SILVA, H. Análise sociotécnica da meteorologia brasileira: Uma aplicação para o vale de
Itajaí-SC. Tese ( Doutorado em Ciências humanas). Florianópolis: UFSC, 2003.
SILVA, M., MENDONÇA, A., BONATTI, J. Determinação das temperaturas mínimas e
máximas a partir do histórico das previsões de tempo por conjunto do CPETC. São Paulo,
Revista Brasileira de Meteorologia, v. 23, n.4, 431 - 449, 2008.
97
SILVEIRA, C. Verificação das previsões de tempo para precipitação usando ensemble
regional para o estado do ceará em 2009. São Paulo, Revista Brasileira de Meteorologia,
v.26, n.4, 609 - 618, 2011.
SILVEIRA, M. Climas de angola. 2 ed. Luanda. Série Memórias do SMA. 1967.
SILVEIRA, C. Et al. Previsão de tempo por conjunto para a região nordeste do Brasil. São
Paulo, Revista Brasileira de Meteorologia, v. 29, n.3, 351 - 366, 2014.
STENSRUD, D. et al. Using initial condition and model physics perturbation in short range
ensemble simulation of mesoscale convective systems. Monthly weather review, v. 128, n. 7,
2077-2107, 2000.
TENNANT, W., et. al. Application of the NCEP Ensemble Prediction System to Mediumrange Forecasting in South Africa: New Products, Benefits and Challenges. Pretória.
Weather and Forecasting. 54p. 2006.
TOTH, Z. e KALNAY, 1993: Ensemble forecasting at NMC: The generation of
perturbations. Bull. Amer. Meteor. Soc., 74 , 2317-2330.
WHITAKER, J. LOUGHE, A. The Relationship between Ensemble Spread and Ensemble
Mean Skill. Monthly weather review, v. 126, 3292-3302, 1988.
WILKS, D. Statistical Methods in the Atmospheric Sciences. Academic Press, 2 ed. 628 pp.
2006.
WMO. World Meteorological Organization. Guidelines on ensemble Prediction Systems and
Forecasting. WMO-Nº. 1091.2012.
WRF (ARW ) Version 3 Modeling System User's Guide. Mesoscale & Microscale
Meteorology Division, National Center for Atmospheric Research, Boulder, Colorado,
U.S.A., July. 2013.
98