Relatório Final sobre as atividades realizadas na disciplina
VERIFICAÇÃO DAS PREVISÕES DE PRECIPITAÇÃO REALIZADAS COM O MODELO MM5 PARA O SISTEMA DE ALERTA...
Transcript of VERIFICAÇÃO DAS PREVISÕES DE PRECIPITAÇÃO REALIZADAS COM O MODELO MM5 PARA O SISTEMA DE ALERTA...
VERIFICAÇÃO DAS PREVISÕES DE PRECIPITAÇÃO REALIZADAS
COM O MODELO MM5 PARA O SISTEMA DE ALERTA DE CHEIAS DA
BACIA DO RIO DOCE
Eber José de Andrade Pinto1; Elizabeth Guelmam Davis1; Heloisa Moreira Torres Nunes2;Robélia
Gabriela Firmiano de Paulo2& Dayan Diniz de Carvalho2
RESUMO – Na operação do Sistema de Alerta contra Cheias na Bacia do Rio Doce, a previsãometeorológica é feita através da utilização de três modelos numéricos hierárquicos: global,mesoescala e regional, ou seja, os modelos GLOBAL-CPTEC-COLA, ETA e MM5, sendo que esteúltimo está ainda em fase de avaliação. O objetivo deste trabalho foi avaliar a qualidade dasprevisões de precipitação realizadas pelo modelo MM5 para 24 horas, com resolução de 21 km,durante a operação do sistema de alerta no período de dezembro de 2004 a março de 2005. Asprevisões foram arquivadas em meio digital e comparadas com as precipitações diárias observadasna bacia. Na comparação, foram usados índices objetivos para a avaliação da precisão, da tendênciae da habilidade das previsões diárias, como também para estimar a magnitude dos erros de previsão.Nesta avaliação, o modelo MM5 mostrou ser eficiente na previsão de ocorrência ou não deprecipitações. Com relação às alturas de chuva previstas, o modelo apresentou uma tendência àsubestimação em grande parte da bacia.
ABSTRACT – In the operation of the Doce river early flood warning system, meteorologicalforecasts are executed using three hierarchical numerical models: global, mesoscale and regional,i.e., the GLOBAL-CPTEC-COLA, ETA and MM5 models, though the latter is still underevaluation. The objective of this paper was to assess the quality of the precipitation forecastsperformed using the MM5 model for 24-hour periods and 21 km resolution, throughout theoperation of the early warning system between December 2004 and March 2005. The forecasts havebeen digitally stored and compared with daily precipitation data from the basin. In the comparison,objective indicators have been used to assess rightness, tendency, and skill of the daily forecasts, aswell as to estimate the magnitude of the forecast errors. In this evaluation, MM5 has been shown tobe efficient in the forecast of the occurrence or not of precipitation. Regarding the estimated rainvolume, the model has presented a tendency to the underestimation in most of the basin.
Palavras Chave: Precipitação – verificação de previsões – modelo MM5
1 CPRM - Serviço Geológico do Brasil. Av Brasil,1731 CEP 30140-002 Belo Horizonte, MG Brasil Fax : (031) 3261-4484 ou 3261-5585 Fone:
(031) 3261-0337 Email : [email protected]; [email protected] IGAM/SIMGE-. Rua Santa Catarina,1354 - 6o.andar CEP 30170-081 Belo Horizonte, MG Brasil Fone: (031) 3291-0190 Email :
1 – INTRODUÇÃO
O Sistema de Alerta de Enchentes da Bacia do Rio Doce beneficia, atualmente, 15 municípios
localizados nos Estados de Minas Gerais e Espírito Santo, às margens dos rios Piranga, Piracicaba e
Doce, alertando quanto ao risco de ocorrência de cheias. Os municípios atendidos são os seguintes:
Ponte Nova, Nova Era, Antônio Dias, Timóteo, Coronel Fabriciano, Ipatinga, Governador
Valadares, Tumiritinga, Galiléia, Conselheiro Pena, Itueta, Aimorés, Baixo Guandu, Colatina e
Linhares. O sistema é operado desde 1997 pela CPRM, através da Superintendência de Belo
Horizonte, em parceria com o IGAM-Instituto Mineiro de Gestão das Águas e com a ANA-Agência
Nacional de Águas.
A operação do sistema é feita 24 horas por dia e consiste da coleta, armazenamento e análise
de dados hidrometeorológicos de cerca de 34 pontos na bacia, elaboração de previsões
meteorológica e hidrológica, e transmissão das informações para os municípios beneficiados, via
fax, e-mail e pela internet, através do site www.cprm.gov.br/ alerta/alerta.html.
A previsão meteorológica é feita através da utilização de três modelos numéricos de
mesoescala e de escala regional de previsão do tempo: GLOBAL, ETA e MM5.
O GLOBAL-CPTEC-COLA é um modelo numérico de previsão com resolução de 100 km,
desenvolvido conjuntamente pelo National Centers for Environmental Prediction (NCEP) e
(COLA) Center for Ocean, Land and Atmosphere Studies. (CPRM, 2004).
O ETA é um modelo numérico de previsão do tempo em escala regional de área limitada,
desenvolvido pela Universidade de Belgrado em conjunto com o Instituto de Hidrometeorologia da
Iugoslávia. Este modelo foi instalado, no CPTEC, em 1996, a fim de complementar a previsão de
tempo já realizada, nesse centro, com o modelo de circulação geral da atmosfera. A previsão do
ETA, realizada no CPTEC, é feita para 5 dias, discretizados a cada 6 horas, abrangendo
praticamente toda a América do Sul, com uma malha de resolução de 40 km (CPRM, 2004).
O MM5 é um modelo numérico regional de previsão do tempo desenvolvido pela
Pennsylvania State University em conjunto com National Center for Atmospheric Research
(PSU/NCAR). É distribuído a comunidade como um software de domínio público. Vem sendo
utilizado, com bons resultados, pelo Laboratório de Prognóstico em Mesoescala (LPM) da
Universidade Federal do Rio de Janeiro que em parceria com o SIMGE/IGAM auxiliou na
instalação do modelo e na avaliação preliminar dos resultados na fase de testes.
O objetivo deste trabalho é avaliar as previsões de precipitação realizadas pelo modelo MM5,
com resolução de 21 km, durante a operação do Sistema de Alerta no período de 2004 a 2005. As
previsões foram arquivadas em meio digital e comparadas com as precipitações diárias observadas
na bacia.
2 – DESCRIÇÃO DA ÁREA EM ESTUDO
A bacia do Rio Doce localiza-se na região Sudeste do Brasil e possui uma área de drenagem
de 83.400 km2. A Figura 1 mostra o mapa de localização da mesma, sendo que 86% de sua área
pertence ao Estado de Minas Gerais e o restante ao Estado do Espírito Santo (CPRM 2004).
O rio Doce nasce nas Serras da Mantiqueira e Espinhaço, em Minas Gerais e percorre 853 km
até atingir o oceano Atlântico junto ao povoado de Regência, no Espírito Santo. Seus principais
afluentes pela margem esquerda são os rios do Carmo, Piracicaba, Santo Antônio, Corrente Grande,
Suaçuí Grande, São José e Pancas e pela margem direita são os rios Casca, Matipó, Caratinga/Cuité,
Manhuaçú, Guandu e Santa Joana. As maiores vazões específicas são encontradas na sub-bacia do
rio do Carmo entre 30 a 35 l/s km2 e as menores na sub-bacia do Suaçuí Grande entre 05 a 10 l/s
km2 (CPRM, 2004).
Figura 1 – Mapa de Localização da bacia do rio Doce
A precipitação média anual da bacia varia de 1500 mm, nas nascentes do rio Doce, a 900 mm
na região da divisa dos Estados de Minas Gerais e Espírito Santo, voltando a crescer na região do
litoral (CPRM, 2004).
A estação chuvosa em Minas Gerais, que abrange os meses de outubro a março, sofreu um
retardamento no período 2004 – 2005. Da mesma maneira que no ano anterior, só iniciou de forma
consistente, ao longo de dezembro de 2004, prolongando até março, com chuvas abundantes nesse
último mês. Embora, outubro e novembro de 2004 apresentassem índices pluviais abaixo da normal,
em praticamente todo o Estado, esse período chuvoso se caracterizou pela pluviosidade acima da
média, em várias regiões do Estado, inclusive na bacia do rio Doce. (Figuras 2 e 3).
Figura 2 – Anomalia da precipitação (%)Fonte: IGAM-SIMGE
Figura 3 – Total de PrecipitaçãoFonte: IGAM-SIMGE
O padrão normal de configuração das precipitações no Sudeste, associado ao posicionamento
preferencial da Zona de Convergência do Atlântico Sul (ZCAS), estendendo-se desde a Amazônia
até o Espírito Santo, no sentido noroeste-sudeste, que favorece o transporte de umidade da
Amazônia para o Sudeste, sugerindo a existência de uma esteira transportadora de umidade que
esteve atuante a partir de dezembro-2004, prolongando por janeiro-2005, permanecendo
excepcionalmente atuante em março-2005, com atuação bastante ativa nos corredores de transporte
de umidade que alimentam a interação entre os sistemas extratropicais e a convecção do Brasil
Central. A ocorrência de chuvas convectivas intensas, ora atuando isoladamente, ora em
combinação com os sistemas extratropicais, originando as ZCAS, provocou índices elevados de
precipitação na bacia do rio Doce, no mês de março, quando, em condições normais, seriam
esperados em dezembro e janeiro. (Figuras 4 e 5).
Em particular, no início de março um sistema extratropical bastante ativo penetrou e
estacionou sobre a bacia do rio Doce, provocando precipitações diárias da ordem de 80 mm em
várias localidades da bacia. As Figuras 6 e 7 ilustram a localização das chuvas que ocorreram no
transcorrer dos dias 2 e 3, bem como, o posicionamento e a morfologia da nebulosidade do sistema
extratropical, se assemelhando a ZCAS, que deu origem a essas precipitações.
Figura 4 – Anomalia da precipitação (%)Fonte: IGAM-SIMGE
Figura 5 – Total de PrecipitaçãoFonte: IGAM-SIMGE
Figura 6 – Total de precipitação diária (mm)Avaliada via satélite Goes 8 - 03/03/2005 8 hr
Fonte: CPTEC – INPE
Figura 7– Imagem visível do satélite Goes 8
04/03/2005 – 18 hr TMGFonte: CPTEC - INPE
3 – MODELO MM5
Modelos de mesoescala são adotados em áreas limitadas, visando detalhar as previsões
geradas por modelos globais, mais especificamente para refinar os efeitos dos sistemas de
mesoescala, tais como, tempestades e linhas de instabilidade. O modelo MM5, adotado no IGAM-
SIMGE, possui dinâmica não hidrostática, e capacidade para aninhamentos progressivos na grade
para escalas menores, possibilitando maior detalhamento em certas áreas de interesse. Sendo de
área limitada, possibilita a adoção de uma física mais apurada. Mas a demanda por condições de
fronteiras aumenta, tornando o desempenho vulnerável.
A performance desse tipo de modelo está condicionada a adequação das condições iniciais em
representar o comportamento da atmosfera no tempo inicial. Daí, a adoção da assimilação de dados
quadridimensional (nudging), ou seja: enquanto as equações do modelo asseguram a consistência
dinâmica dos dados, a assimilação de novos dados observados conduz o modelo para condições
mais próximas da realidade, restringindo os erros da análise inicial e de deficiências na sua
modelagem física.
As integrações, que demandam cerca de 6 horas, são feitas diariamente, de forma automática,
sem intervenção humana, em processadores PC-Intel, 1.26 Ghz Dual, 512 Mb, de processamento
paralelo simétrico de alto desempenho, com sistema operacional RedHat Linux e compilador
Fortran. O modelo é integrado operacionalmente por 72 horas, em duas grades horizontais: uma de
21 km, envolvendo o todo o Estado de Minas Gerais, e outra, no sul do Estado, bidirecionalmente
aninhada de 7 km. Na vertical, são adotados 23 níveis sigma estendendo-se desde a superfície até 10
hPa na estratosfera.
As condições iniciais são obtidas, a cada 12 horas, de análises e previsões globais do NCEP
(National Centers for Environmental Prediction), devidamente recortadas para o domínio adotado
pelo LAM (Laboratório de Prognósticos em Mesoescala) / UFRJ, com um nudging sobre as
fronteiras laterais, a cada 12 horas. A orografia e as 25 categorias de vegetação, que definem as
propriedades físicas da fronteira inferior do modelo, são adotados de bases de dados do USGS
(United States Geological Survey), de 0,9 km de resolução, degradados para a resolução do modelo
através de filtro.
Diversos processos físicos, cruciais para um realismo da previsão, não podem ser
explicitamente modelados. Isso ocorre por que alguns processos físicos não são suficientemente
conhecidos, ou por não se dispor de dados apropriados, ou ainda, por falta de computadores
suficientemente poderosos. Como alternativa, adota-se a emulação dos efeitos desses processos
(parametrização), incluindo a física nos modelos de forma implícita, ou seja, os esquemas de
parametrização inferem os efeitos dos processos que ocorrem na escala sub-grade, com informações
disponíveis somente na escala da grade. Esse modelo incorpora várias parametrizações físicas da
sub-escala, considerando ainda, as interações entre essas diversas parametrizações que se ligam
numa complexa teia de conecções. Citamos aqui, aqueles adotados na versão em questão.
A parametrização de Cumulus de Kain-Fritsch 2, incorpora a fundamental redistribuição de
calor e umidade, especialmente de calor latente para os altos níveis, dos eventos convectivos
profundos. Os processos radiativos, que ocorrem na própria atmosfera, nas interfaces atmosfera-
terra, atmosfera-nuvem são considerados pelo Esquema de RRTM. A microfísica das nuvens, que
envolve as transformações de estado nas nuvens, na precipitação, e na interface nuvem-atmosfera, é
tratada pelo Esquema de Shultz. O atrito do escoamento do ar com a superfície, e a difusão vertical
de calor, umidade e momentum na Camada Limite Planetária são considerados pelo Esquema MRF.
Por fim, a difusão de calor e umidade da camada superior do solo é introduzida pelo Esquema de
interação superficie-solo Noah-LSM, com a adoção de um modelo de solo de 4 camadas.
Em cerca de dois anos de operação desse modelo, constatações não objetivas indicam que o
modelo, em várias ocasiões, tem tido habilidade para detalhar as previsões das precipitações
oriundas de linhas e núcleos convectivos com maior acuidade que o Modelo ETA. No sul do
Estado, onde se realiza um aninhamento da grade, os índices pluviométricos estão geralmente super
estimados, possivelmente por acúmulo de ruídos das fronteiras laterais, denotando a necessidade de
estender o domínio do modelo.
4 – VERIFICAÇÃO DAS PREVISÕES
A verificação das previsões climáticas é realizada desde 1884 (Muller, 1944 apud Wilks,
1995). Existe uma grande variedade de procedimentos de verificação das previsões, mas todos
envolvem medidas da relação entre uma previsão ou um conjunto de previsões e as observações.
Qualquer método de verificação da previsão necessariamente envolverá a comparação entre os
pares de previsões e observações.
Em um nível fundamental, a verificação da previsão envolve a investigação das propriedades
da distribuição conjunta de previsões e observações (Murphy e Winkler, 1987 apud Wilks, 1995).
Isto é, qualquer conjunto de dados para verificação consiste de uma coleção de pares de
observações e previsões que podem ter seu comportamento caracterizado em termos de freqüências
relativas. Uma distribuição paramétrica conjunta, tal como a Normal Bivariada pode ser utilizada na
representação de um conjunto de dados particular. Entretanto, de uma maneira geral, as
distribuições empíricas formam a base das medidas de avaliação das previsões.
A verificação objetiva da qualidade das previsões é realizada por diversas razões. Brier e
Allen (1951) apud Wilks (1995), classificaram os propósitos da verificação em administrativos,
científicos e econômicos.
O uso administrativo da verificação das previsões é realizado para monitorar as previsões
operacionais objetivando comparar os méritos dos previsores e/ou sistemas de previsão. Assim,
procura-se verificar as tendências das previsões ao longo do tempo, analisar as taxas de melhorias
das previsões para diferentes locais ou horizontes de previsão e comparar as previsões de diferentes
origens para um mesmo evento.
A análise das estatísticas de verificação e seus componentes permitem perceber pontos fortes
e fraquezas de previsores e/ou sistemas de previsão facilitando a introdução de melhorias nas
metodologias adotadas. Este propósito é classificado como científico.
Ultimamente, a justificativa para qualquer esforço de previsão está relacionada com as
possibilidades dessa informação ser utilizada na tomada de decisões. Isso implica que o uso das
previsões dependerá das características de seus erros, que são elucidados através dos métodos de
verificação da previsão. Assim, as motivações econômicas da verificação das previsões irão
fornecer as informações necessárias para o usuário quantificar o valor da previsão. Entretanto, uma
vez que o valor econômico da previsão em diferentes cenários de decisão deve ser avaliado caso a
caso, o valor da previsão não pode ser computado somente de através de estatísticas de verificação.
Segundo a classificação de Brier e Allen (1951), citada por Wilks (1995), o propósito da
verificação das previsões desse trabalho é científico, pois tem por objetivo avaliar as previsões de
precipitações do MM5 sobre dois aspectos, na forma chover/não chover e na estimativa da
magnitude dos erros das previsões, gerando informações que permitirão a melhoria das previsões
com o modelo.
4.1 Verificação das previsões de precipitação na forma chover/não chover
No caso da avaliação das previsões de ocorrência de precipitação, ou seja, onde as previsões
de precipitação na forma chover/não chover (duas categorias, I=2) são comparadas às observações
de precipitação, também na forma choveu/não choveu (J=2). A comparação dos pares
previsão/observação é feita através de tabelas de contingência como a mostrada no esquema da
Tabela 1 (Wilks, 1995). As tabelas de contingência não constituem um método de verificação, mas
são a base para as estimativas dos índices.
Tabela 1 – Tabela de contingência para o caso de I = J =2.
1 – Previsão Perfeita
ObservaçãoPrevisão
Choveu Não ChoveuTotal
Chover a 0 a
Não Chover 0 d d
Total a d T
2 – Previsão Real
ObservaçãoPrevisão
Choveu Não ChoveuTotal
Chover a b a + b
Não Chover c d c + d
Total a + c b + d T
onde:a – Número de eventos de previsão de ocorrência de precipitação que foram realmente observadas,b – Número de eventos de previsão de ocorrência de precipitação que não houve observação de
chuvas,c – Número de eventos de previsão de não ocorrência de precipitação que ocorreu observação de
chuvas,
d – Número de eventos de previsão de não ocorrência de precipitação que realmente não houveobservação de chuvas e
T (Total) = (a + c) + (b + d) = (a + b) + (c + d).
Na Tabela 1 estão representadas as previsões perfeitas e reais. No caso ideal todas as
ocorrências ou não de precipitação seriam corretamente previstas e, sendo assim, b = c = 0.
A avaliação das previsões de precipitação na forma chover/não chover pode ser realizada por
vários índices que são calculados a partir da tabela de contingência. Estes índices compreendem
medidas de precisão, de tendência ou vício e de habilidade ou destreza da previsão (WILKS, 1995).
Resumidamente temos:
ObservaçãoPrevisão
Choveu Não ChoveuTotal
Chover a b a + b
Não Chover c d c + d
Total a + c b + d T
a) Percentual de acerto (H)
Este índice é uma medida de precisão e representa o percentual de previsões corretas
independentemente de serem previstas a ocorrência ou não ocorrência do evento. O índice é
calculado pela equação (1) e o valor ideal é igual a 100, ou seja, todas as previsões se
concretizaram.
100.T
daH += (1)
b) Probabilidade de detecção (POD)
Este índice é uma medida de precisão e representa a probabilidade de ocorrência de um
evento supostamente previsto. A equação (2) permite a estimativa desse índice e em caso de
previsão perfeita, POD = 1.
caaPOD+
= (2)
c) Razão de alarme falso (RAF)
Este índice é uma medida de precisão e representa a proporção dos eventos previstos que
não foram observados. O RAF é calculado pela equação (3) sendo que, o valor ideal é igual a zero e
o pior igual a unidade.
babRAF+
= (3)
d) Índice Crítico de Sucesso (ICS)
Este índice também é uma medida de precisão e é superior ao RAF e ao POD, pois é
sensível tanto as previsões de ocorrência de precipitação que são falsas (c) quanto as errados (b). O
ICS é mais representativo da qualidade da previsão real, tanto em situações de eventos pouco
freqüentes quanto em situações onde os eventos climáticos são os mais corriqueiros. Este índice é
encontrado em inúmeras publicações com a denominação de “threat score" (TS). O índice é
calculado pela equação (4), podendo variar de zero a um e, em caso de previsões perfeitas o seu
valor é igual a 1.
cbaaICS++
= (4)
e) Índice BIAS
O índice BIAS representa a razão entre o número de previsões de ocorrência de precipitação
com o número de eventos observados. O BIAS é uma medida de tendência ou “vício” do sistema de
previsão. O índice é calculado através da equação (5) e para sistemas sem viés o seu valor seria
igual a 1. Em situações onde BIAS > 1 o sistema está superestimando o número de previsões de
ocorrência de precipitação. E quando BIAS < 1 o sistema está subestimando o número de previsões
de ocorrência de precipitação.
O BIAS é uma medida de tendência ou “vício. BIAS > 1 o sistema está superestimando
cabaBIAS
++
= (5)
f) Índice de Heidke (HSS)
De acordo com Oliveira e Justi da Silva (2000) as medidas de habilidade ou destreza tem o
objetivo de avaliar a precisão relativa da previsão realizada em relação a uma previsão padrão de
controle ou referência. De uma forma geral, os três padrões empregados, em ordem crescente de
sofisticação, são a chance ou aleatoriedade, a persistência e a climatologia. A habilidade da previsão
é geralmente representada por um índice de habilidade (“skill score” - SS) que representa uma
porcentagem da melhoria da previsão sobre a previsão de referência.
A forma geral do índice de habilidade para as previsões caracterizadas por uma medida
particular de precisão A em relação à precisão de um sistema de previsão de referência, Aref ,é dada
pela equação (6). Nessa equação, Aperf é o valor da medida de precisão (A) que seria obtida no caso
de previsões perfeitas.
%.AA
AASS
refperf
ref 100−
−= (6)
Na equação (6), se A = Aperf, o índice de habilidade atingirá seu valor máximo de 100 %; e se
A = Aref, o índice de habilidade tomará o valor de 0 %, indicando que não houve melhoria em
relação à previsão ou esquema de referência. Se o índice de habilidade for negativo, as previsões
avaliadas são inferiores as previsões de referência.
A medida de habilidade pode empregar qualquer um dos vários índices de precisão. No caso
do índice de Heidke (HSS), a medida de precisão é o percentual de acerto (H). O padrão de
referência mais freqüentemente usado é a climatologia, mas o índice de Heidke (HSS) é quase
sempre associado com a chance ou aleatoriedade (Murphy e Winkler, 1987, mencionados por
Oliveira e Justi da Silva, 2000).
O índice de Heidke (HSS) é calculado pela equação (7). Previsões perfeitas apresentam HSS
igual a 100%, previsões com a mesma habilidade de um esquema aleatório tem HSS igual a zero e
esquemas de previsões com HSS menor do que zero, mostram desempenho pior do que um esquema
aleatório. Quando HSS é menor que zero é melhor jogar uma moeda para saber se ocorrerá ou não
precipitação no dia seguinte.
HSS ad bca c c d a b b d
=−
+ + + + +2 100( )
( )( ) ( )( ). (7)
4.2 Estimativa da magnitude do erro das previsões
Essa estimativa consiste na comparação entre os valores de precipitação previstos pelo
modelo e as precipitações observadas. É importante salientar que essa análise pode ser efetuada
para valores de precipitação acima de limiar estabelecido, como por exemplo, 50 mm.
Como as previsões de precipitação do modelo MM5 são em forma de pontos de grade, antes
de se iniciar a avaliação dos erros é necessária uma interpolação das informações da grade para os
locais onde se têm observações.
A estimativa da magnitude do erro das previsões pode ser obtida por vários métodos. Esse
trabalho se restringe a utilização do cálculo do vício da previsão e da raiz do erro quadrático médio.
O vício da previsão, segundo Justi da Silva (2003), é calculado por:
∑
∑
=
== NTOT
nn
NTOT
nn
p
X
PB
1
1 (8)
onde,
Pn é a precipitação prevista pelo modelo corrigida para o ponto da estação de observação,
Xn é a precipitação observada na estação e
NTOT é o número total de observações ou previsões acima de um limiar.
Enquanto que a raiz do erro quadrático médio é obtido por
NOBS
)XP(RMSE
NOBS
nnn∑
=
−= 1
2
(9)
onde,
Pn é a precipitação prevista pelo modelo corrigida para o ponto da estação de observação,
Xn é a precipitação observada na estação e
NOBS é o número total de observações que superou o limiar.
5 – MÉTODOS
A avaliação das previsões de precipitação na forma chover/não chover e a estimativa do erro
das previsões do sistema de alerta de enchentes da bacia do Rio Doce foi realizada implementando
as seguintes etapas.
5.1 Organização dos dados pluviométricos observados
Foram reunidos os dados diários de precipitação das 38 estações pluviométricas
apresentadas na Tabela 2 referente ao período de dez/2004 a mar/2005. A localização dessas
estações pode ser visualizada na Figura 8.
Tabela 2 – Estações pluviométricas utilizadas
Código Estação Município Código Estação Município01841001 Vila Matias Matias Lobato 01941011 Sto. Antônio do Manhuaçu Caratinga
01841011 Tumiritinga Tumiritinga 01941012 Alto Rio Novo Alto Rio Novo
01841020 Governador Valadares Governador Valadares 01941018 Itanhomi Itanhomi
01842004 São Pedro do Suaçuí São Pedro do Suaçuí 01942002 Bom Jesus do Galho Bom Jesus do Galho
01843011 Serro Serro 01942006 Vermelho Velho Raul Soares
01843012 Rio Vermelho Rio Vermelho 01942008 Dom Cavati Dom Cavati
01939002 Povoação Povoação 01942029 Mário de Carvalho Timóteo
01940005 Cavalinho Ibiraçu 01942032 Naque Velho Açucena
01940006 Colatina Colatina 01943001 Rio Piracicaba Rio Piracicaba
01940009 Pancas Pancas 01943003 Ferros Ferros
01940012 Itaimbé Itaguaçu 01943025 Morro do Pilar Morro do Pilar
01940013 Novo Brasil Colatina 02041023 Afonso Cláudio Afonso Cláudio
01940016 Barra de São Gabriel São Gabriel da Palha 02042010 Abre Campo Abre Campo
01940023 Rio Bananal Linhares 02042015 Seriquite Viçosa
01940025 Serraria (Alto do Moacir) Colatina 02042017 Matipó Matipó
01941000 Ipanema Ipanema 02042018 Ponte Nova Ponte Nova
01941004 Resplendor Resplendor 02043009 Acaiaca Acaiaca
01941006 Assaraí Pocrane 02043010 Piranga Piranga
01941009 Ibituba Baixo Guandu 02143003 Desterro de Melo Desterro de Melo
01943025
0194300301940025
01940012
01940009
01841001
01841011
01842004
01843011
01939002
01940016
01940023
01941000
01941006
01941018
0194200201942006
0194200801942029
0194300102041023
02042010
02042015
02043009
02143003
Figura 8 – Localização das estações pluviométricas
5.2 Organização das previsões do MM5
Os arquivos de dados com as previsões realizadas com o MM5 contem os valores das
precipitações nos nós da grade do modelo com discretização horária. Os nós da grade sobre a bacia
do rio Doce estão apresentados na Figura 9.
Figura 9 – Grade do MM5 sobre a bacia do rio Doce
Para a verificação das previsões foi necessário organizar as informações do MM5 de forma
que as previsões correspondessem as leituras dos pluviômetros, ou seja, totais de 24 horas entre
7:00 hs de um dia e 7:00 hs do dia anterior. Além disso, como a localização dos nós da grade não
coincide com o local de instalação da maioria dos pluviômetros tornou-se imprescindível a
estimativa das precipitações previstas sobre as estações pluviométricas. A interpolação do valor da
precipitação prevista pelo modelo em pontos de grade para os locais onde se têm observações foi
realizada através das equações sugeridas por Colle et al. (2000):
∑
∑
=
== 4
1
4
1
nn
nnn
W
PWP (10)
onde,
n é a identificação dos pontos de grade em torno da estação de observação;
nP são as precipitações do modelo nos quatro pontos de grade em torno da estação de observação;
nW são os pesos; obtidos pela equação:
22
22
n
nn DR
DRW+−
= (11)
onde,
R é a resolução do modelo (km)
Dn é a distância horizontal do ponto de grade ao local de observação (km).
Quando a distância horizontal, Dn, é maior que a resolução do modelo, R, o peso é igualado a zero.
5.3 Cálculo das medidas de precisão, de tendência e de habilidade da previsão de precipitação
na forma chover/não chover
Após a organização dos dados, ou seja, a montagem da tabela de contingência para cada
estação, a precisão do modelo foi avaliada com os índices: Percentual de acerto (H), Probabilidade
de detecção (POD), Razão de alarme falso (RAF) e o Índice Crítico de Sucesso (ICS). A medida de
tendência ou “vício” do sistema de previsão foi realizada com índice BIAS. E, para a medida de
habilidade ou destreza da previsão, utilizou-se o índice de Heidke (HSS). As equações que
permitem a estimativa desses índices estão descritas no item 4.1.
5.4 Estimativa da magnitude do erro das previsões
A magnitude do erro das previsões foi estimada através do cálculo do vicio (Bp) e do erro
quadrático médio (RMSE) como está apresentado no item 4.2. No cálculo do RMSE, o limiar de
precipitação adotado foi de 10 mm. Esses dois índices foram estimados para cada uma das 38
estações.
5.5 Avaliação espacial das previsões
Além da verificação pontual, também foi realizada uma análise do comportamento espacial
das previsões. A verificação espacial das previsões foi efetuada de três formas diferentes. A
primeira abordagem consistiu no mapeamento dos índices precisão, de tendência e de habilidade da
previsão, além da magnitude do erro das previsões calculados para as 38 estações pluviométricas
usadas nesse estudo.
O segundo enfoque foi a verificação da magnitude do erro das previsões, quando se considera
precipitações médias espaciais sobre determinadas áreas de drenagem. Inicialmente foram
estimadas as precipitações médias espaciais previstas e observadas dos 57 eventos disponíveis sobre
três áreas de drenagem. A precipitação média espacial observada foi calculada através da média
aritmética das alturas de chuva registradas nos pluviômetros das bacias analisadas. No caso das
precipitações previstas, a média espacial foi estimada pela média aritmética dos valores
interpolados de precipitação prevista pelo modelo MM5, para os locais onde se têm observações,
conforme está descrito no item 5.2. As bacias hidrográficas avaliadas, as áreas de drenagem das
estações fluviométricas que controlam essas bacias e as estações pluviométricas utilizadas para
calcular as precipitações médias espaciais estão na Tabela 3. Após as estimativas das precipitações
médias espaciais previstas e observadas sobre as bacias, foi calculado o vicio (Bp) e o erro
quadrático médio (RMSE) como está apresentado no item 4.2. No cálculo do RMSE, o limiar de
precipitação adotado foi de 10 mm.
Tabela 3 – Estações pluviométicas utilizadas no cálculo da precipitação espacialBacia Código Estação A D. (km²) Estações Pluviométricas utilizadas
Rio Piranga 56110005 Ponte Nova 6.138 02042015; 02042018; 0243010;02143003
Rio Santo Antônio 56825000 Naque Velho 10.170 01843011; 01942032; 01943003;01943025
Rio Doce - - 83.400 Todas as 38 estações
E, finalmente, elaborou-se os gráficos de precipitações previstas versus observadas, superiores
a 10 mm, para as três áreas de drenagem mencionadas na Tabela 3.
6 – RESULTADOS
A verificação das previsões de precipitações do modelo MM5 foi realizada com a análise de
57 eventos de precipitações diárias, previstas e observadas, que ocorreram de dez/2004 a mar/2005.
As estações pluviométricas utilizadas estão na Tabela 2 e as etapas metodológicas empregadas para
efetuar a verificação das previsões estão descritas no item 5.
6.1 Medidas de precisão, de tendência e de habilidade da previsão de precipitação na forma
chover/não chover
A avaliação das previsões de precipitação na forma chover/não chover foi concretizada
através de vários índices, mencionados no item 5.3, que representam as medidas de precisão, de
tendência ou vício e de habilidade ou destreza da previsão. Os valores dos índices calculados para
as 38 estações pluviométricas estão apresentados em mapas, nas Figuras de 10 a 15.
70
74
77
70
7577
79 79
72
7574
7282
81
65 74
7772
8279
8477
7984
79 748191
72 72 68
6374727075
7068
Figura 10 – Percentual de acerto (H)
0,840,71 0,78
0,68
0,83
0,740,67
0,780,68
0,95
0,70 0,65
0,83
0,86
0,89
0,900,930,96
0,900,96 0,70
0,55
0,790,77
0,880,81
0,95
0,920,83
0,93
0,93
0,75
0,68
0,750,84
0,85
0,84
Figura 11 – Probabilidade de detecção (POD)
0,33
0,19
0,30 0,29
0,52
0,320,23
0,32
0,42
0,420,36
0,31
0,370,380,29
0,270,39
0,30
0,520,390,420,320,410,04
0,490,33
0,280,330,410,33
0,380,37
0,35
0,25
0,25
0,44
0,25
0,28125
Figura 12 – Razão de alarme falso (RAF)
0,7 0,6
0,6
0,7
0,5
0,5
0,6
0,70,7
0,50,5
0,70,8
0,6
0,7
0,60,5
0,60,6
0,5 0,6 0,5
0,60,5
0,40,60,6
0,3
0,50,6 0,7
0,6
0,6
0,7
0,6
0,5
0,6
Figura 13– Índice crítico de sucesso (ICS)
Valores>1-resultados superestimadosValores<1-resultados subestimados
1,11,0
1,5
1,4 1,4
1,4
1,9
1,2
1,21,2
1,01,2
1,60,9
1,3 1,4
1,2
1,3
1,2 1,4
1,21,31,0
1,4 1,11,1
1,01,4
1,21,31,3
1,3
0,81,1
1,4
1,3
1,121,2
Figura 14– Índice BIAS
HSS>0 -resultados do modelo melhor que uma abordagem aleatória
3634
22
20
30
31
36
3528
2227
3320
28
203035 2872
26
2526
40
32
34
4029
14
2624
25
28
2923
48
31
38
20
Figura 15– Índice de Heidke(HSS)
Tabela 4 – Resumo das medidas de precisão, de tendência e de habilidade
ÍndicesH POD RAF ICS BIAS HSS
Mínimo 63,16 0,55 0,05 0,34 0,84 21,82Média 75,30 0,81 0,34 0,57 1,24 49,45
Máximo 91,23 0,96 0,52 0,81 1,86 81,95
0,00 a 0,600,60 a 0,800,80 a 1,00
0,00 a 0,600,60 a 0,800,80 a 1,00
20 a 5050 a 8080 a 100
60 a 7070 a 9090 a 100
0,00 a 0,200,20 a 0,400,40 a 0,60
0,00 a 1,001,00 a 1,501,50 a 2,00
6.2 Magnitude do erro das previsões
As estimativas da magnitude do erro das previsões das 38 estações foi realizada de acordo
com item 5.4. Os valores calculados do vicio (Bp) e da raiz do erro quadrático médio (RMSE),
também estão apresentados em forma de mapas nas Figuras 16 e 17. Os valores mínimos, máximos
e médios do vicio (Bp) e do erro quadrático médio (RMSE) das estações analisadas constam da
Tabela 5.
Valores>1-resultados superestimadosValores<1-resultados subestimados
0,85
0,71
0,80
0,91
0,60
0,781,11
0,61 0,59
0,97
0,991,34
0,970,96
0,730,61
1,300,550,68
0,58
0,52
0,84
0,730,47
0,83
0,670,65
1,01
0,971,30
1,09
1,19
0,610,81
0,94
0,590,80
1,63
Figura 16– Vício da previsão (BP))
3634
22
20
30
31
36
3528
2227
3320
28
203035 2872
26
2526
40
32
34
4029
14
2624
25
28
2923
48
31
38
20
Figura 17– Raiz do erro quadrático médio (RMSE)
Tabela 5 – Resumo da estimativa da magnitude do erro das previsões
Vicio(Bp) RMSEMínimo 0,47 14,3Média 0,85 30,2
Máximo 1,63 71,7
6.3 Avaliação da precipitação espacial
A verificação espacial das previsões foi efetuada conforme está descrito no item 5.5. A
avaliação da magnitude do erro das previsões para as precipitações médias espaciais sobre as bacias
dos rios Piranga, Santo Antônio e Doce, foi realizado a partir da estimativa do vicio (Bp) e do erro
quadrático médio (RMSE), calculados pelas equações 8 e 9. Os resultados do vicio (Bp) e do erro
quadrático médio (RMSE) das três bacias estão na Figura 18.
BP=0,55RMSE=18
BP=0,84RMSE=14
BP=0,66RMSE=10
Figura 18 - Vicio (Bp) e do Erro Quadrático Médio (RMSE) das três bacias
0,40 a 1,001,00 a 1,301,30 a 1,70
14 a 3535 a 5555 a 75
Bacia do rio DoceBacia do rio PirangaBacia do rio Sto Antonio
Os gráficos de precipitações previstas versus observadas, superiores a 10 mm, para as três
bacias estão nas Figuras 19,20 e 21.
Precipitação Espacial Média Diária Bacia do Rio Piranga em Ponte Nova (6138 km²)
0
10
20
30
40
50
60
70
0 10 20 30 40 50 60 70
Precipitação Prevista (mm)
Pre
cipi
taçã
o O
bser
vada
(mm
)
Figura 19 - Bacia do Rio Piranga. Precipitação Prevista versus Observada
Precipitação Espacial Média Diária Bacia do Rio Santo Antônio em Naque Velho (10170 km²)
0
10
20
30
40
50
60
70
0 10 20 30 40 50 60 70
Precipitação Prevista (mm)
Pre
cipi
taçã
o O
bser
vada
(mm
)
Figura 20 - Bacia do Rio Santo Antônio. Precipitação Prevista versus Observada
Precipitação Espacial Média DiáriaBacia do Doce (83400 km²)
0
5
10
15
20
25
30
35
40
45
0 5 10 15 20 25 30 35 40 45Precipitação Prevista (mm)
Pre
cipi
taçã
o O
bser
vada
(mm
)
Figura 21 - Bacia do Rio Doce. Precipitação Prevista versus Observada
7 – CONCLUSÕES
As medidas de precisão empregadas na verificação das previsões de precipitações diárias do
modelo MM5, na forma chover/não chover, considerando 38 estações pluviométricas e 57 eventos
diários de precipitações previstas e observadas, permitem as seguintes afirmações:
• O percentual de acerto das previsões, H, variou de 63% a 91%, com um valor médio de 75%.
• A probabilidade de ocorrência de um evento supostamente previsto foi superior a 55% e o valor
médio foi de 81%, estimativa considerada razoável, tendo em vista ser a precipitação o parâmetro
de maior dificuldade de ser previsto, e da natureza predominante convectiva da precipitação na
região em questão.
• A proporção média de eventos previstos que não foram observados foi de 34%, compatível com o
percentual de médio de acerto.
• O índice crítico de sucesso apresentou um valor médio de 57%.
A medida de tendência indicou que houve uma superestimativa do número de previsões de
ocorrência de precipitações.
Observa-se que na parte sul da bacia do rio Doce, englobada pela bacia do Rio Piranga e pelo
alto Piracicaba, foi o local onde ocorreu a maior superestimativa do número de previsões de chuva,
justamente nas encostas a sotavento da Serra do Espinhaço, que funcionam como anteparo ao
escoamento de nordeste do Anticiclone Subtropical do Atlântico Sul.
A medida de destreza mostrou que as previsões realizadas com o MM5 gerou melhores
resultados do que a utilização um esquema aleatório para previsão. Assim, foi melhor ter
empregado o MM5 para fazer as previsões de chover/não chover do que jogar uma moeda para
prever se ocorrerá ou não uma precipitação.
Em relação à magnitude do erro das previsões, analisada nos pontos onde há observações
sistemáticas, verificou-se que o valor médio do RMSE foi de 30,2 mm. Além disso, observou-se
através do cálculo do vício, Bp, que o MM5 subestimou, em termos médios, as alturas de chuva
diárias previstas. Todavia, na região sudoeste, na divisa com a bacia do rio São Francisco,
constatou-se uma superestimativa das previsões, como pode ser visto na Figura 16.
A análise das previsões, considerando as precipitações espaciais, apesar da densidade de
estações pluviométricas não ser a mais adequada, indicou que a raiz do erro quadrático médio
variou de 10 a 18 mm, para áreas de drenagem de 6.138 km² a 83.400 km². O valor do vício, Bp, e
os gráficos de precipitação prevista versus observada, mostram a subestimativa das precipitações
espaciais.
Portanto, na operação do Sistema de Alerta de Enchentes da bacia do rio Doce, de dez/2004 a
mar/2005, o modelo MM5 foi eficiente na previsão de ocorrência ou não de chuvas diárias, mas
com uma tendência de subestimar, em grande parte da bacia, as alturas de precipitação previstas.
As análises realizadas nesse trabalho são os primeiros passos para novos estudos de
verificação que considerarão horizontes maiores de previsão, bem como a avaliação do desempenho
de outros modelos. Além disso, as conclusões desse artigo permitirão uma melhor adequação do
modelo MM5 para o próximo período chuvoso. Entre as adequações do modelo que poderiam trazer
uma maior acuidade as previsões, sugere-se: a ampliação da área de domínio, ajustes no algoritmo
de assimilação de dados quadridimensional, conferindo maior peso aos dados assimilados,
verificação da pertinência de uso conjunto da parametrização de Cumulus e da microfísica. E por
fim, o que é válido para todos modelos de mesoescala, a incorporação de dados regionais na análise
de inicialização.
AGRADECIMENTOS
À professora Maria Gertrudes Alvarez Justi da Silva, da UFRJ, pelos ensinamentos sobre
verificação das previsões.
BIBLIOGRAFIA
COLLE, B. A.; C. F. MASS e K. J. WESTRICK (2000): “MM5 precipitation verification over thePacific Northwest during the 1997-99 cool seasons”. Weather and Forecasting. V.15, p.730-744,2000.
CPRM (2004). Sistema de Alerta contra Enchentes da Bacia do Rio Doce – Relatório Técnico deOperação do Sistema de Alerta no Período de Dezembro de 2003 a Março de 2004. BeloHorizonte, 2004.
DUDHIA, J. e colaboradores (1999). PSU/NCAR Mesoscale Modeling System – Tutorial ClassNotes: MM5 System Version 2. NCAR, junho, 1999.
HAAGENSON, P. L., DUDHIA, J., STAUFFER, D. R.; GRELL, G. A. (1994) The PennState/NCAR Mesoscale Model (MM5) Source Code Documentation. NCAR Technical Note 392 +STR, março, 1994.
JUSTI DA SILVA, M. G. A., BARBOSA, M. C. D. e XAVIER, M. C. A. (2000) “Sistema Alerta-Rio: Verificação Objetiva das Previsões de Precipitação e Temperatura” in XI CongressoBrasileiro de Meteorologia, Rio de Janeiro - RJ, 2000.
JUSTI DA SILVA, M. G. A.; SANTOS, I., A.; GARRANA D. (2001) Operacionalização deprevisões meteorológicas locais no Estado do Rio de Janeiro. Boletim da SBMET, julho, 2001.
JUSTI DA SILVA, M. G. A. (2003). “Verificação das previsões – Aula III” in Curso de PrevisãoMeteorológica de Mesoescala – Uso do Modelo MM5.Belo Horizonte, MG, setembro,2003 (notasde aula)
OLIVEIRA, J. L., JUSTI DA SILVA, M. G. A (2000).“Verificação das previsões de precipitaçãodivulgadas pelos jornais para a cidade do Rio de Janeiro” in Anais do XI Congresso Brasileiro deMeteorologia, Rio de Janeiro, RJ, outubro, 2000.
WILKS, D. S. (1995). Statistical methods in the atmospheric sciences. Academic Press, 467 p.