A importância dos estados iniciais nos erros cometidos nas previsões numéricas é explicada pela teoria conhecida como “caos”, que, de forma simplificada



Baixar 198.23 Kb.
Encontro11.07.2019
Tamanho198.23 Kb.

ESTUDO DE CASO DE FORMAÇÃO DE SISTEMA DE NUVEM VÍRGULA UTILIZANDO O MÉTODO DE PREVISÃO POR ENSEMBLE

José Paulo Bonatti 1



Antonio Marcos Mendonça 2

ABSTRACT
A case study of mesoscale system with a comma cloud associated is performed for 18 to 23 September 2003. The used methodology is the ensemble forecasting which is operational at CPTEC. The results shows better statistical indexes for the ensemble forecast in comparison with a single deterministic forecasting, even using higher resolution. A result that requires further studies is related to it was found better statistical indexes considering only the perturbations that was summed to the initial condition.

SUMÁRIO
Realizou-se um estudo de caso de sistema meso-escala com nuvem em forma de vírgula associada para 18 a 23 de setembro de 2003. A metodologia empregada é a previsão por conjuntos utilizada operacionalmente no CPTEC. Os resultados mostraram índices estatísticos superiores na previsão por ensemble, em comparação com previsão determinística única, mesmo com resolução maior. Um resultado que merece estudos posteriores refere-se a que se encontraram índices estatísticos superiores considerando somente as perturbações somadas à condição inicial.

PALAVRAS CHAVE
Sistemas de Meso-escala; Previsão por Conjuntos; Previsão Numérica de Tempo; Nuvem Vírgula

INTRODUÇÃO
A importância dos estados iniciais nos erros cometidos nas previsões numéricas é explicada pela teoria conhecida como “caos”, que, de forma simplificada, diz respeito à sensibilidade da evolução temporal de alguns sistemas dinâmicos determinísticos não-lineares às condições iniciais e de fronteira. A atmosfera é um exemplo desse tipo de sistema, de modo que estados iniciais ligeiramente diferentes podem levar a soluções finais marcadamente distintas. Assim, mesmo com um modelo perfeito, como o estado real da atmosfera nunca é completamente conhecido, os erros inevitavelmente existentes na análise do modelo irão crescer ao longo do tempo de integração, levando ao decaimento da qualidade da previsão com o aumento do prazo e mantendo a impossibilidade de calcular o estado futuro da atmosfera indefinidamente. Isso leva à existência de incerteza em previsões determinísticas do comportamento futuro da atmosfera e à necessidade de métodos probabilísticos para descrever adequadamente esse comportamento. Uma maneira de diminuir essas deficiências é através de um método para tratar o problema da incerteza no estado inicial que utiliza a técnica de previsão por conjuntos (“ensemble forecasting” ou “ensemble prediction”). A idéia básica da técnica de previsão por conjuntos é, então, diminuir o impacto da incerteza do estado inicial da atmosfera na previsão final, tomando um conjunto de estados iniciais ligeiramente diferentes da análise inicial e gerando uma saída do modelo para cada um dos estados desse conjunto.
Após vários anos de pesquisa teórica e experimentos numéricos, a previsão por conjuntos foi implementada operacionalmente em dezembro de 1992 em dois importantes centros de previsão de tempo: o European Centre for Medium-Range Weather Forecasts (ECMWF) na Europa e o National Centers for Environmental Prediction (NCEP) nos Estados Unidos. Um método para selecionar os estados iniciais, sugerido por Hoffman e Kalnay (1983), consiste em tomar previsões de execuções anteriores do modelo válidas para o horário da análise utilizada (“lagged average forecasting”). No NCEP, o método utilizado busca selecionar as perturbações mais instáveis (“breeding method”) através da integração do próprio modelo utilizado (Toth e Kalnay, 1993). O primeiro passo do procedimento consiste na integração do modelo durante 6 horas para 2 estados iniciais: um consistindo da análise tradicional e o outro da análise com pequenas perturbações. Na primeira execução desse procedimento as perturbações são randômicas. Após a integração de 6 horas, o campo de diferenças entre as previsões produzidas é calculado. Esse campo é, então, reduzido de modo a manter a mesma amplitude da perturbação inicial e utilizado como perturbação para a repetição do procedimento para a análise seguinte, válida para o horário das previsões de 6 horas produzidas. Após várias repetições desse procedimento, o método terá selecionado os modos de crescimento mais rápido, amortecendo os demais. O método utilizado pelo ECMWF (“singular vector method”) é baseado em um procedimento matemático que foi primeiramente aplicado por Lorenz (1965) ao estudo da razão de crescimento de pequenos erros nas condições iniciais de um modelo. Considerando um intervalo de tempo em que os erros permanecem suficientemente pequenos para que a dinâmica das perturbações possa ser considerada linear, os modos de crescimento mais rápido podem ser calculados como os autovetores de um operador simétrico, definido como o produto do propagador linear (calculado a partir de uma linearização do modelo) por seu adjunto (Molteni et al., 1996).
Nos métodos utilizados nesses dois centros não há um tratamento adequado para as regiões tropicais. Como a dinâmica e a física da atmosfera diferem bastante entre os trópicos e as latitudes médias, os métodos para a geração de perturbações utilizados que têm sucesso em latitudes médias não são necessariamente adequados a regiões tropicais. Recentemente, Zhang (1997) propôs um método de geração das perturbações iniciais (“eof-based perturbation method”) para ser utilizado em domínio tropical, aplicando-o ao estudo da previsão por conjuntos de trajetórias de furacões. O método é baseado no fato que durante os primeiros poucos dias da integração do modelo (chamado intervalo ótimo), a perturbação cresce linearmente. Uma análise de componentes principais (funções ortogonais empíricas - “EOF”) é aplicada à série temporal formada pelos sucessivos campos de diferenças entre previsões geradas a partir da análise tradicional e da análise com perturbações randômicas, com a finalidade de encontrar as perturbações ótimas (de crescimento mais rápido). O autovetor associado ao maior autovalor é considerado como a perturbação mais instável. Os resultados obtidos por Zhang (1997) indicaram que as perturbações geradas desse modo realmente corresponderam aos modos de crescimento mais rápido, com uma razão de crescimento muito maior que a de perturbações randômicas. Este último é o método implementado no CPTEC (Coutinho, 1999).
O objetivo é verificar a capacidade do método por ensemble em uso no CPTEC em melhorar a desempenho da previsão numérica em casos onde a previsão determinística (uma única rodada) pode não ter bons índices de acerto. Este é o caso de formação de nuvem vírgula invertida, formada a retaguarda de sistemas frontais intensos, e que causam grande quantidade de precipitação e ventos relativamente fortes em superfície.
As nuvens vírgulas são sistemas convectivos de meso-escala com dimensões horizontais, entre 200 e 2000 km, e se deslocam para leste com velocidade de aproximadamente 8 m/s. O ciclo de vida de uma nuvem vírgula, desde sua fase insipiente até a dissipação, é de aproximadamente 2 dias. São encontradas entre as latitudes de 20o e 35o S na América do Sul (Bonatti e Rao, 1987).
METODOLOGIA
É dada a seguir uma breve descrição do modelo global do CPTEC maiores detalhes podem ser encontrados em Kinter et al. (1997) e Bonatti (1996). O modelo global do CPTEC tem sua origem no National Centers for Environmental Prediction (NCEP/USA) e foi modificado pelo Center for Ocean-Land-Atmosphere Studies (COLA/USA) nas décadas de 80/90. É espectral e têm coordenadas horizontais esféricas e vertical sigma (pressão do nível normalizada pela pressão de superfície no ponto considerado). Possui truncamento triangular, e tem condições de contorno dadas por velocidade vertical sigma nula no topo e na superfície, usa topografia espectralmente truncada, ozônio médio zonal e sazonal climatológica interpolado para cada instante de tempo, dióxido de carbono constante, temperatura da superfície do mar e gelo do mar pré-fixados. Usa como condição inicial campos climatológicos de umidade do solo e neve.

A parte dinâmica do modelo usa as equações espectrais primitivas em forma de divergência e vorticidade, temperatura virtual, umidade específica e logaritmo natural da pressão à superfície. Possui um procedimento de inicialização diabática não-linear por modos normais. Usa diferenças finitas na vertical e o esquema de integração no tempo é o semi-implícito com filtro de Asselin.

Os processos físicos considerados são descritos a seguir. Na superfície sobre a terra usa-se um modelo biológico simplificado e sobre o oceano um esquema aerodinâmico tipo “bulk”. A camada limite planetária é tratada com um esquema de difusão vertical turbulenta com fechamento de segunda ordem, considerando-se também os efeitos do arrasto devido a ondas de gravidade. Tem um tratamento para a radiação solar ativado a cada hora de integração e para radiação de onda longa ativado a cada 3 horas. A convecção profunda principal é do tipo Kuo, modificado por Anthes, possuindo uma opção para um esquema do tipo Arakawa-Schubert Relaxado. A convecção rasa é do tipo difusiva seguindo o esquema de Tiedke. O modelo possui esquemas de ajustamentos para a precipitação na escala da grade, difusão horizontal bi-harmônica e esquema difusivo para controle de instabilidade computacional.
O mecanismo utilizado para a geração das condições iniciais perturbadas é baseado no método aplicado por Zhang e Krishnamurti (1999) ao modelo global da Florida State University (FSU), nos Estados Unidos, e proposto inicialmente para previsão de furacões. O método, denominado EOF-based perturbation, foi desenvolvido levando-se em conta o fato de que durante os primeiros dias de integração do modelo a perturbação cresce linearmente. Resumidamente, o procedimento para geração das condições iniciais perturbadas consiste das seguintes etapas:


  1. Adicionar pequenas perturbações randômicas, comparáveis aos erros de previsão, a análise de controle (não perturbada);

  2. Integrar o modelo por 36 horas (intervalo ótimo) utilizando as análises perturbadas e de controle, com saídas a intervalos fixos de 3 horas;

  3. Subtrair a previsão de controle da previsão perturbada para cada horário de saída, obtendo uma série temporal de diferenças dos campos previstos;

  4. Realizar uma análise de Funções Ortogonais Empíricas (EOF) para a série temporal de diferenças sobre uma região de interesse, obtendo os autovetores (modos) associados aos maiores autovalores, que são as perturbações ótimas;

  5. Re-escalonar as perturbações ótimas de forma que o desvio padrão destas perturbações seja da ordem das perturbações iniciais;

  6. Construir um conjunto de estados iniciais adicionando e subtraindo estas perturbações ótimas, após o re-escalonamento, à análise de controle.

Para a previsão de furacões, Zhang e Krishnamurti (1999) propuseram perturbações em relação à posição inicial do furacão e o cálculo das EOFs em uma região vizinha ao furacão, já que lhes interessava a evolução de um evento severo específico. Entretanto, do ponto de vista de previsão do padrão da circulação geral da atmosfera, a aplicação de perturbações na posição de algum evento específico não parece ser razoável. Outras duas modificações foram acrescentadas ao método, a primeira, em relação a região perturbada que originalmente foi confinada a regiões vizinhas ao furacão. Para previsão global, Coutinho (1999) obteve que tentativas preliminares de confinar as perturbações em latitude e longitude, por exemplo, uma área sobre a América do Sul, não indicou bons resultados, pois, esse isolamento, eliminava o tratamento do crescimento das perturbações em regiões de influência relevante no desenvolvimento dos sistemas sinóticos. Seus resultados mostraram que a utilização de uma região mais estendida (45OS a 30ON e 0OE a 360OE) apresentava melhores resultados. A segunda modificação refere-se à intensidade das perturbações iniciais e de re-escalonamento das perturbações ótimas. Zhang e Krishnamurti (1999) consideraram razoável que as perturbações iniciais fossem da ordem dos erros de previsão de 3 horas (3 m/s para o vento e de 0.6 K para a temperatura) e, para o re-escalonamento das perturbações ótimas, consideraram que o desvio padrão destas perturbações, em relação à média total (horizontal e vertical), deviam ser de 1.5 m/s para o vento e 0.7 K para a temperatura. Como a região de perturbação foi alterada, valores mais adequados para as perturbações iniciais e para o re-escalonamento foram testados. Valores um pouco maiores, 5.0 m/s para o vento e 1.5 K para a temperatura, obtidos do trabalho de Daley e Mayer (1986) para as perturbações iniciais e para o re-escalonamento parecem produzir melhores resultados do que os sugeridos por Zhang e Krishnamurti (1999).


Para realizar a análise de componentes principais, monta-se uma matriz da série temporal de diferenças de temperatura dispondo em cada coluna, sucessivamente, uma das matrizes de diferenças obtidas a cada 3 horas, a partir de 6 horas de integração do modelo. Assim, cada coluna representa uma matriz tridimensional (latitude x longitude x nível) disposta verticalmente. Desse modo, o conjunto total de dados de temperatura é expresso por uma matriz retangular de dimensão S x T, onde T = 11 (número de saídas em 36 horas) e S = N x M x L, com N = número de pontos de latitude, M = número de pontos de longitude e L = número de níveis.
A matriz de covariância é definida por:

(1)

onde é a matriz transposta de . A matriz é, claramente, uma matriz simétrica, logo, tem T autovalores reais e autovetores ortonormais , cada um satisfazendo:



(2)

e a condição de ortonormalidade



(3)

onde é a função delta de Kronecker.


Os autovalores de são ordenados do maior para o menor, obtendo-se uma correspondente ordem nos autovetores associados (ordem decrescente da variância explicada por cada autovetor). A matriz é representada na base dos autovetores como , onde a matriz consiste dos vetores-linha , normalmente chamados de funções ortogonais empíricas (EOFs). A matriz contém os coeficientes para os diferentes autovetores nos diferentes tempos e é função somente do tempo. é chamada de matriz das componentes principais. Os modos de crescimento mais rápido são facilmente selecionados através da evolução temporal dos coeficientes dos autovetores. Os modos cujos coeficientes aumentam rapidamente com o tempo serão selecionados como os mais instáveis.
Para a série temporal de diferenças do vento, o procedimento é análogo, mas considerando o vento como um vetor, através da composição de suas componentes zonal u e meridional v em um número complexo u + iv (representado por um vetor no plano dos Complexos) (Legler, 1983). Assim, para o cálculo da matriz , toma-se a matriz complexa conjugada transposta da matriz formada pelos vetores de diferenças do vento, obtendo-se:

(4)

de forma que é uma matriz hermitiana, com autovalores reais e autovetores ortogonais.


A previsão de tempo por ensemble produz grande quantidade de informações e tem sido um desafio para os centros meteorológicos que implantaram este sistema condensar essas informações e extrair delas as características mais importantes para o previsor, ou para o usuário final. A forma mais simples de apresentar estas informações seria plotar todas as previsões dos membros em uma única página, entretanto, isto poderia causar interpretações subjetivas e discussões improdutivas, além disso, à medida que o número de membros aumentasse seria difícil ter uma visão global de todos os padrões previstos. Esforços significativos têm sido dedicados ao desenvolvimento de produtos que sintetizem as informações do ensemble e que auxiliem a interpretação dos previsores.
Os produtos mais comuns obtidos a partir da previsão de tempo por ensemble fazem parte da rotina operacional de previsão de tempo do CPTEC e estão sendo disponibilizados via internet, na homepage do CPTEC (http://www.cptec.inpe.br).
O Ensemble médio, a forma mais condensada de obter informações da previsão por ensemble, consiste em calcular a média das previsões considerando-se que todos os membros sejam igualmente prováveis de ocorrerem, desta forma, não se atribui peso a nenhuma previsão específica. O cálculo pode ser feito para cada ponto de grade j como segue:

(5)

onde N é o número de membros do ensemble (inclusive o de controle) e Fij são as previsões de cada membro. O ensemble médio pode ser considerado, numa aproximação determinística, como a melhor estimativa da atmosfera futura, especialmente para previsão de médio prazo. Toth e Kalnay (1993), obtiveram que as correlações de anomalias do ensemble médio do NCEP para o geopotencial (500 hPa) eram 2% (3%) maiores sobre o Hemisfério Norte (Hemisfério Sul) do que a previsão determinística de 5 dias, numa resolução T062.


Para avaliar o desempenho nos experimentos serão utilizados os mesmos índices estatísticos que são calculados diariamente para a previsão tradicional, nas execuções operacionais do modelo global do CPTEC. Esses índices são calculados a partir das expressões a seguir.
Correlação de anomalia ou destreza (“skill”) em %:


Erro quadrático médio (“root mean square error”):

Erro médio (bias ou viés):

onde a barra superior denota a média na região de verificação e

: análise verificada;

: climatologia;

: previsão;

: número de pontos de grade na região de verificação.
As variáveis utilizadas operacionalmente também foram mantidas: vento, altura geopotencial, pressão ao nível médio do mar e temperatura virtual. Para o vento, a correlação de anomalia (“skill”) e o erro médio (viés) são calculados separadamente para as componentes zonal e meridional.
RESULTADOS
Estudou-se um caso de nuvem vírgula invertida associada com frente fria utilizando análises T254L64, provenientes do NCEP, para os horários 00, 06, 12 e 18 UTC e para os dias de 18/09/2003, 00 UTC, a 20/09/2003, 12Z. Para este período, realizou-se um experimento de previsão por conjuntos (ensemble) com 15 membros e resoluções T042L28, T062L28, T126L28 e T170L42, com análises obtidas a partir da resolução T254L64 já citadas.
Os resultados são mostrados para o dia 20 de setembro de 2003, 12 UTC, através de tabelas de estatísticas (correlação de anomalias e campos, erro médio (viés) e erro quadrático médio) para as variáveis de altura geopotencial para 500 hPa e temperatura absoluta, vento zonal, vento meridional, água precipitável, divergência horizontal, vorticidade vertical, função de corrente, potencial de velocidade, advecção de temperatura, advecção de vorticidade, convergência de umidade para 850 hPa. Para as resoluções de T042L28, T062L28 e T126L28 são mostrados resultados destas estatísticas para o controle, ensemble médio, ensemble somente com perturbações somadas, ensemble somente com perturbações subtraídas e ensemble médio sem o controle. Para as resoluções de T170L42 e T254L64 são apresentadas estatísticas referentes somente ao controle. Em todos os casos as estatísticas são calculadas na área limitada por: 50OW a 0OW em longitude e 50OS a 20OS em latitude. São também mostrados campos das mesmas variáveis e resoluções de anomalia observada, anomalia prevista do controle, anomalia prevista pelo ensemble médio e desvio padrão do ensemble para 20 de setembro de 2003, 12 UTC; a condição inicial é 18 de setembro de 2003, 00 UTC, dando uma previsão de 2,5 dias.
Realizaram-se as seguintes resoluções do modelo em modo de ensemble com 15 membros cada (controle mais 7 perturbações somadas e subtraídas): T042L28, T062L28 e T126L28. Executou-se para o mesmo caso o controle nas seguintes resoluções: T170L42 e T254L64. Em todos os casos a análise controle é proveniente do NCEP na resolução T254L64 e é degradada para o caso em questão. O modelo é rodado com convecção tipo Kuo e temperatura da superfície do mar média semanal, também proveniente do NCEP.
As tabelas 1 a 6 apresentam estatísticas relevantes para a análise do desempenho do modelo neste caso. Em geral a correlação diminui e o erro quadrático médio aumenta com o aumento da resolução, exceto para vários casos do T042L28, e as variáveis não-derivadas (altura geopotencial, temperatura absoluta, vento zonal, vento meridional, água precipitável) tem correlação maior; as variáveis derivadas (divergência horizontal, vorticidade vertical, advecção de temperatura, advecção de vorticidade e convergência do fluxo de umidade, não mostradas) apresentam correlações inferiores. Curiosamente, os campos de potencial de velocidade e de função de corrente, que são derivados, também apresentam correlações relativamente altas. Isto se deve ao fato de que os sistemas são de origem baroclínica e, então, o geopotencial tem relação direta com a função de corrente. O erro médio (viés) é considera baixo em todos os casos, mostrando baixas tendências de subestimar (viés negativo) ou superestimar (viés positivo) os campos analisados. O erro quadrático médio também está dentro dos padrões conhecidos em modelagem numérica da atmosfera.
Um fato a ressaltar é que em geral a média do ensemble tem correlação maior e erros menores, justificando sua utilização. Uma outra característica interessante é que em vários casos considerando apenas os membros onde as perturbações são somadas, e em outros onde são subtraídas, a correlação é maior que a média dos membros. Em outros casos, excluindo-se o controle na média, a correlação é maior que a média total. Como a correlação da média é maior e os erros menores que o controle, considera-se que o sistema de previsão por conjuntos empregada no CPTEC tem êxito. Além disso, baseando-se essencialmente neste caso e nos índices estatísticos, a média da previsão por conjuntos tem importância equivalente a controles com mais alta resolução. Além disso, há a vantagem de se poder atribuir estimativa de porcentagem de acerto utilizando análise de cluster nos membros do ensemble. Por outro lado, o detalhamento que a alta resolução traz justifica seu uso como informação adicional na previsão.
Tabela 1 – Altura geopotencial em 500 hPa. Tabela 2 – Temperatura absoluta em 850 hPa.


Resolução

Correla-

ção (%)


Viés

(m)


EQM

(m)


Caso




Resolução

Correla-

ção (%)


Viés

(K)


EQM

(K)


Caso

T042L28

92.40

-17.83

29.00

Controle

T042L28

75.26

-0.43

1.70

Controle

93.05

-15.80

28.14

Médio

75.83

-0.32

1.69

Médio

91.54

-11.74

27.67

Menos

75.57

-0.34

1.71

Menos

93.74

-19.56

28.49

Mais

76.06

-0.28

1.68

Mais

93.08

-15.65

28.08

Mais-Menos

75.83

-0.31

1.69

Mais-Menos

T062L28

92.47

-14.10

27.54

Controle

T062L28

76.57

-0.28

1.67

Controle

92.39

-12.59

27.34

Médio

75.77

-0.28

1.69

Médio

91.87

-8.15

26.65

Menos

77.40

-0.30

1.65

Menos

92.50

-16.83

27.98

Mais

72.69

-0.27

1.73

Mais

92.38

-12.49

27.32

Mais-Menos

75.68

-0.28

1.69

Mais-Menos

T126L28

87.50

-9.93

31.20

Controle

T126L28

72.57

-0.26

1.75

Controle

87.62

-8.99

31.13

Médio

72.02

-0.28

1.76

Médio

83.23

-5.95

32.61

Menos

70.32

-0.29

1.77

Menos

90.56

-11.90

29.56

Mais

71.99

-0.26

1.75

Mais

87.91

-8.93

31.12

Mais-Menos

71.93

-0.28

1.76

Mais-Menos

T170L42

84.48

-8.04

34.33

Controle

T170L42

71.67

-0.12

1.88

Controle

T254L64

84.96

-9.85

34.14

Controle

T254L64

70.88

-0.11

1.91

Controle

Tabela 3 – Vento zonal em 850 hPa Tabela 4 – Vento meridional em 850 hPa.




Resolução

Correla-

ção (%)


Viés

(m)


EQM

(m)


Caso




Resolução

Correla-

ção (%)


Viés

(K)


EQM

(K)


Caso

T042L28

81.82

1.29

4.71

Controle

T042L28

82.84

1.26

4.44

Controle

82.94

1.27

4.67

Médio

83.79

1.13

4.39

Médio

79.82

1.26

4.82

Menos

81.58

1.04

4.48

Menos

85.24

1.29

4.51

Mais

84.86

1.20

4.30

Mais

82.99

1.27

4.66

Mais-Menos

83.83

1.12

4.39

Mais-Menos

T062L28

79.17

1.21

4.95

Controle

T062L28

80.57

1.05

4.65

Controle

81.39

1.15

4.84

Médio

81.76

0.94

4.60

Médio

80.07

1.14

4.88

Menos

80.13

0.86

4.63

Menos

82.03

1.15

4.78

Mais

81.79

1.01

4.56

Mais

81.52

1.14

4.83

Mais-Menos

81.81

0.93

4.60

Mais-Menos

T126L28

70.60

0.82

5.70

Controle

T126L28

66.74

1.00

5.88

Controle

73.85

0.84

5.57

Médio

69.01

0.89

5.79

Médio

68.24

0.93

5.79

Menos

57.27

0.90

6.18

Menos

78.26

0.75

5.31

Mais

77.16

0.86

5.36

Mais

74.05

0.84

5.56

Mais-Menos

69.13

0.88

5.79

Mais-Menos

T170L42

68.65

0.59

6.10

Controle

T170L42

60.85

0.92

6.52

Controle

T254L64

70.50

0.44

5.94

Controle

T254L64

62.38

0.96

6.45

Controle

Tabela 5 –Água precipitável Tabela 6 – Função de corrente em 850 hPa.




Resolução

Correla-

ção (%)


Viés

(m)


EQM

(m)


Caso




Resolução

Correla-

ção (%)


Viés

(K)


EQM

(K)


Caso

T042L28

73.73

1.02

4.77

Controle

T042L28

90.37

-1.71

3.22

Controle

74.87

0.92

4.72

Médio

91.80

-2.64

3.53

Médio

69.36

0.92

4.93

Menos

89.83

-2.97

3.73

Menos

78.65

0.89

4.49

Mais

93.32

-2.44

3.37

Mais

74.91

0.91

4.72

Mais-Menos

91.89

-2.70

3.56

Mais-Menos

T062L28

77.42

1.14

4.59

Controle

T062L28

90.47

-2.30

3.72

Controle

77.15

1.11

4.62

Médio

90.44

-3.24

4.12

Médio

73.01

1.12

4.77

Menos

90.94

-3.64

4.25

Menos

79.74

1.10

4.46

Mais

89.38

-2.97

4.05

Mais

77.10

1.11

4.62

Mais-Menos

90.43

-3.31

4.15

Mais-Menos

T126L28

68.18

1.42

5.48

Controle

T126L28

86.44

-2.33

4.06

Controle

68.01

1.32

5.49

Médio

86.04

-3.32

4.49

Médio

59.60

1.23

5.74

Menos

80.70

-3.62

4.75

Menos

73.32

1.41

5.23

Mais

89.93

-3.17

4.27

Mais

67.94

1.32

5.49

Mais-Menos

85.99

-3.40

4.52

Mais-Menos

T170L42

67.74

1.63

5.70

Controle

T170L42

84.18

-2.32

3.90

Controle

T254L64

66.80

1.88

5.90

Controle

T254L64

84.46

-1.56

3.46

Controle

As figuras de 1 a 15 apresentam campos de anomalia das variáveis não derivadas e campos totais de variáveis derivadas dada à disponibilidade da climatologia para estas variáveis. Para o primeiro grupo a correlação apresentada é de anomalias e para o segundo grupo e para o campo total, incluindo a climatologia. Não são mostrados os resultados das resoluções T042L28 e T170L42, porém apresentam resultados semelhantes às resoluções T062L28 e T254L64, respectivamente. Nota-se que o modelo consegue reproduzir muito bem a região da frente fria (31OS, 24OW) para todos os campos apresentados e subestima a região do sistema de meso-escala (40OS, 48OW) principalmente para a altura geopotencial (figs. 1 a 3) e vento zonal na parte sul do sistema de meso-escala (figs. 7 a 9). Os campos de anomalia de temperatura (figs. 4 a 6) apresentam resultados semelhantes ao observado em ambas regiões, sendo que a média dos membros dá melhor localização para o sistema de meso-escala. O vento meridional (figs. 10 a 12) localiza bem o sistema de meso-escala, porém com magnitude um pouco menor, já a água precipitável (figs 13 a 15) mostra bons resultados em ambas as regiões, sendo que a média dos membros tem valores e localização melhor definidas em relação ao controle. Em geral, há uma melhora significativa com o aumento da resolução para todos os campos.


Fig. 1 – Anomalia de altura geopotencial (m) para a resolução T062L28.



Fig. 2 – Anomalia de altura geopotencial (m) para a resolução T126L28.



Fig. 3 – Anomalia de altura geopotencial (m) para a resolução T254L64.



Fig. 4 – Anomalia de temperatura absoluta (K) para a resolução T062L28.



Fig. 5 – Anomalia de temperatura absoluta (K) para a resolução T126L28.



Fig. 6 – Anomalia de temperatura absoluta (K) para a resolução T254L64.



Fig. 7 – Anomalia de vento zonal (m/s) para a resolução T062L28.



Fig. 8 – Anomalia de vento zonal (m/s) para a resolução T126L28.



Fig. 9 – Anomalia de vento zonal (m/s) para a resolução T254L64.



Fig. 10 – Anomalia de vento meridional (m/s) para a resolução T062L28.



Fig. 11 – Anomalia de vento meridional (m/s) para a resolução T126L28.



Fig. 12 – Anomalia de vento meridional (m/s) para a resolução T254L64.



Fig. 13 – Anomalia de água precipitável (mm/dia) para a resolução T062L28.



Fig. 14 – Anomalia de água precipitável (mm/dia) para a resolução T126L28.



Fig. 15 – Anomalia de água precipitável (mm/dia) para a resolução T254L64.


Os campos derivados (não mostrados) têm boa simulação, porém nos campos de função de corrente a baixa de meso-escala não se fecha na simulação e os campos de potencial de velocidade são em geral subestimados. Os campos de desvio padrão apresentam em geral valores em torno de 10% do campo de ensemble médio nas regiões do sistema de meso-escala e na região da frente fria, sendo menores em outras regiões. Isto mostra que a previsão destes sistemas tem uma variação entre os membros relativamente pequena neste caso sendo, portanto, a média uma boa estimativa do estado real da atmosfera.

DISCUSSÃO E CONCLUSÕES
Os resultados mostraram índices estatísticos superiores na previsão por ensemble, em comparação com previsão determinística única, mesmo com resolução maior. Um resultado que merece estudos posteriores refere-se a que se encontraram índices estatísticos superiores considerando somente as perturbações somadas à condição inicial. Os resultados da alta resolução em modo determinístico não foram superiores em índices estatísticos em relação à resolução mais baixa na média dos membros, porém o detalhamento é bem melhor e os valores dos índices são comparáveis. Uma vantagem do método por conjuntos é que permite atribuir uma probabilidade à previsão ao se fazer uma análise de cluster.
Os campos de anomalias mostram que a previsão por conjuntos e o aumento de resolução, em geral, melhora a intensidade e localização principalmente para o sistema de meso-escala. Os campos de altura geopotencial e ventos, principalmente no seu setor sul, são subestimados na região do sistema de meso-escala. Uma forma de melhorar este resultado seria melhorar a representação da fonte de calor simulada; isto é possível através de esquemas de convecção mais adequados para este tipo de fenômeno.

REFERÊNCIAS BIBLIOGRÁFICAS
Bonatti, J.P. Modelo de circulação geral do CPTEC. [on line]. Climanálise Especial 10 anos, 26, 5p., outubro de 1996.
Bonatti J.P., Rao, V.B. Moist baroclinic instability of North Pacific and South American intermediate-scale disturbances. Journal of the Atmospheric Sciences, v. 44, p. 2657-2667, 1987.
Coutinho, M.M. Previsão por conjuntos utilizando perturbações baseadas em componentes principais. São José dos Campos, SP, 1999, 136p. Dissertação (Mestrado em Meteorologia), Instituto Nacional de Pesquisas Espaciais, INPE.
Daley, R., Mayer, T. Estimates of Global Analysis Error from the Global Weather Experiment Observational Network. Monthly Weather Review, v. 114, p. 1642-1653, 1986.
Kinter, J.L. et al The COLA atmosphere-biosphere general circulation model Volume 1: Formulation. Center for Ocean-Land-Atmosphere Studies. Calverton, MA, COLA Staff, Report N.o 51, october 1997.
Hoffman, R. N.; Kalnay, E. Lagged Average Forecasting, an Alternative to Monte Carlo Forecasting. Tellus, 35A (2): 100-118, 1983.
Legler, D. M. Empirical orthogonal function analysis of wind vectors over the tropical pacific region. Bulletin of the American Meteorological Society, v. 64, n.3, p. 234-241, 1983.
Lorenz, E. N. A study of the Predictability of a 28-Variable Atmospheric Model. Tellus, 17 (3): 321-333, 1965.
Molteni, F.; Buizza, R.; Palmer, T. N.; Petroliagis, T. The ECMWF Ensemble Prediction System: Methodology and Validation. Quarterly Journal Royal Meteorological Society, 122: 73-119, 1996.
Toth, Z.; Kalnay, E. Ensemble Forecasting at NMC: The Generation of Perturbations. Bulletin of the American Meteorological Society, 74 (12): 2317-2339, Dec. 1993.
Zhang, Z. Hurricane Ensemble Prediction Using EOF-Based Perturbations. Florida. 171p. Ph.D. Dissertation – Department of Meteorology, The Florida State University, 1997.


1 Centro de Previsão de Tempo e Estudos Climáticos – CPTEC/DMD, Rodovia Presidente Dutra, km 40 CEP 12630-000, Cachoeira Paulista – SP, Fone: (12) 3186-8421, Fax: (12) 3101-2835, e-mail: bonatti@cptec.inpe.br


2 Centro de Previsão de Tempo e Estudos Climáticos – CPTEC/DMD, Rodovia Presidente Dutra, km 40 CEP 12630-000, Cachoeira Paulista – SP, Fone: (12) 3186-8421, Fax: (12) 3101-2835, e-mail: mendonca@cptec.inpe.br


: col -> cptec.inpe.br -> walmeida -> 2004
2004 -> Um sistema operacional de visualizaçÃo de produtos
2004 -> AvaliaçÃo objetiva do sistema de previsão de tempo global por ensemble do cptec e relaçÃo entre o espalhamento e o desempenho do ensemble médio
2004 -> Universidade federal de campina grande
2004 -> Estudo do transporte das partículas de aerossol de queimada via sensoriamento remoto
2004 -> Análise observacional e de simulaçÃoda numérica da partiçÃo de energia em modos verticais: estudo de caso de nuvem vírgula inv
2004 -> DistribuiçÃo sazonal e global da umidade do solo para inicializaçÃo em modelos numéricos de previsão de tempo e clima
2004 -> Características sinóticas associadas ao jato em baixos níveis e a influência na atividade convectiva sobre a bacia do prata
2004 -> Estudo observacional da propagaçÃo para leste do fenômeno catarina e sua simulaçÃo com modelo global de alta resoluçÃO
2004 -> Validação da temperatura da superfície obtida do sensor modis
2004 -> \indent In order to improve the predictive skill of the mesoscale atmospheric model Advanced Regional Prediction System (arps)




©aneste.org 2017
enviar mensagem

    Página principal