AVALIAÇÃO DO ESQUEMA ESTATÍSTICO DE COMBINAÇÃO E CORREÇÃO DE PREVISÕES CLIMÁTICAS (ECCOCLIM) SOBRE O BRASIL Ana Cleide N. Bezerra1, Luciano P. Pezzi1, Mary T. Kayano1 e Andréa Cardoso1 RESUMO As previsões de tempo e de clima por conjuntos são estatisticamente mais consistentes com as observações do que previsões de modelos individuais. Técnica de pós-processamento é aplicada para corrigir estatisticamente as previsões de precipitação geradas pelos modelos climáticos numéricos disponíveis no CPTEC. O esquema usado, chamado de Esquema Estatístico de Combinação e Correção de Previsões Climáticas (ECCOCLIM), é determinístico e baseia-se no método de Regressão Linear Múltipla (RLM). A verificação do desempenho do ECCOCLIM é feita com a técnica de validação cruzada. Apesar dos ganhos observados nas previsões com o novo método serem localizados e variados ao longo dos anos, destacam-se melhorias da previsão sobre o Brasil, principalmente em áreas que usualmente apresentam baixa previsibilidade, como no caso das regiões Sudeste e Centro-oeste. Palavras-Chave: ECCOCLIM, Conjuntos e Multi-modelos ABSTRACT Ensemble forecasts for weather and seasonal climate are statistically more consistents with observations than the forecast with individual models. Postprocessing tecnique is applied to statistically correct the rainfall forecasts done by numerical climate models available at CPTEC. The Statistical algorithm used, called Climate Forecast Combining and Correcting Statistical Scheme (ECCOCLIM), is deterministic and based on the Linear Multiple Regression (RLM) method. The skill of the ECCOCLIM is verified with the cross-validation method. Although the forecast improvements using the new method are localized in certain regions and vary year round, they are remarkable over Brazil, mainly in those areas whose previsibility is commonly low as the case of Southeast and Centralwest regions. Key-Words: ECCOCLIM, Ensemble and Multi-model INTRODUÇÃO Melhorar as previsões de tempo e clima é um constante desafio, em vista da importância destas informações para diversas atividades humanas cujos resultados finais são os impactos sócio1 Centro de Previsão do Tempo e Estudos Climáticos/Instituto Nacional de Pesquisas Espaciais – CPTEC/INPE Rod. Presidente Dutra Km 40 – 12630-00 - Cachoeira Paulista, SP Tel: (12) 3186-8400, email: [email protected] econômicos positivos ou negativos ao País. Visando esta melhoria, várias técnicas têm sido testadas. Umas de tais técnicas, cujos resultados são bastante satisfatórios, é o uso de conjuntos de previsões numéricas calculadas a partir de condições iniciais ligeiramente distintas entre si (Gneiting e Raftery, 2005). Outra é a de diversas integrações com inúmeros modelos, ou modelos com parametrizações físicas diferentes (Krishnamurti et al., 1999). Aumentar o prazo de uma previsão de qualidade sempre foi um dos objetivos principais dos centros de previsão do tempo em todo mundo. O National Centers for Environmental Prediction (NCEP) e o European Centre for Medium-Range Weather Forecasts (ECMWF) têm realizado experimentos utilizando conjuntos de previsões, com bons resultados para a previsão do tempo. O Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) utiliza operacionalmente o sistema de previsão de tempo global por conjunto, desde outubro de 2001, para as previsões diárias com validade até 7 dias (detalhes no site do CPTEC). As previsões por conjunto são estatisticamente mais consistentes com as observações do que a previsão de um modelo individual. De fato, Danard et al. (1968) e Thompson (1977) mostraram que o erro médio quadrático de previsões construídas para uma combinação de dois previsores é menor do que o de uma previsão individual. No caso das previsões sazonais, uma alternativa é implementar técnicas de pós-processamento no sentido de se tentar corrigir estatisticamente as previsões geradas pelos modelos numéricos climáticos. Insere-se neste contexto a técnica de previsão por Super-conjuntos testada anteriormente por Krishnamurti et al. (1999, 2000a, 2000b, 2001) e Cane e Milelli (2006). O objetivo deste trabalho é mostrar o uso de técnicas de pós-processamento para a correção estatística das previsões de precipitação geradas pelas diferentes versões dos modelos numéricos climáticos disponíveis no CPTEC. É feita uma avaliação para algumas áreas selecionadas sobre o Brasil. O método usado é o Esquema Estatístico de Combinação e Correção de Previsões Climáticas (ECCOCLIM) descrito em Pezzi et al. (2006). METODOLOGIA, DADOS E ÁREAS DE ESTUDO O ECCOCLIM é determinístico e baseia-se no método de Regressão Linear Múltipla (RLM). A verificação do desempenho do ECCOCLIM é feita com a técnica de validação cruzada. O esquema é composto por uma fase de treinamento e uma de previsão como em Krishnamurti et al. (2001). A formulação, descrição detalhada do funcionamento bem como as características de como o ECCOCLIM foi programado podem ser vistos em Pezzi et al. (2006). Os dados de precipitação mensal derivados dos experimentos numéricos usados na avaliação do ECCOCLIM, como em Pezzi et al. (2006), foram obtidos por integrações no modo climático do modelo de circulação global atmosférico (MCGA) do CPTEC. Em cada rodada, foi usado um esquema diferente de parametrização da convecção cumulus (profunda). Isto caracteriza cada grupo de integração como sendo um modelo diferente do outro. Na primeira rodada usou-se o esquema Kuo (KUO), na segunda o esquema modificado de Arakawa e Schubert (RAS) e na terceira o esquema de Grell (GRELL). Foram usados 20 anos de dados mensais, de janeiro de 1982 a dezembro 2001. O conjunto de dados observados de precipitação utilizados para validação é o do GPCC (Global Precipitation Climatology Centre). A acurácia das previsões é medida com o cálculo do erro quadrático médio (RMSE) para a média aritmética dos modelos e para o ECCOCLIM. Foram realizados testes para as regiões mostradas na Figura 1. Figura 1 – Áreas testadas com o ECCOCLIM, com as seguintes correspondências: área A ⇔ norte do NEB, área B ⇔ sul do NEB, área C ⇔ norte do Brasil; área D ⇔ sudeste do Brasil; área E ⇔ Centro Oeste do Brasil; e área F ⇔ sul do Brasil RESULTADOS E DISCUSSÕES As Figuras 2, 3, 4, 5, 6 e 7 mostram as medidas dos erros nas áreas indicadas na Figura 1 para alguns meses selecionados. Em geral, os meses correspondem aos mais chuvosos de cada área, segundo Rao e Hada (1990). Reduções nos RMSE para as previsões corrigidas com o ECCOCLIM são particularmente notáveis para as áreas na faixa subtropical e noroeste do Brasil. Por outro lado, na região A (Figura 2), a média aritmética fornece previsões confiáveis com RMSE relativamente pequenos. Figura 2 – A linha tracejada mostra a média espacial observada sobre a área A do erro médio quadrático (RMSE) da precipitação corrigida pelo ECCOCLIM comparada com a precipitação observada. A linha continua é o RMSE da média aritmética dos modelos, que neste estudo é tomada como o controle. Unidades em mm/dia durante 1982 a 2001. Na área B (Figura 3), um importante aspecto observado com o ECCOCLIM é a minimização dos erros no final do verão e outono (exceto abril), sendo o melhor desempenho do ECCOCLIM mais aparente em maio. Durante o inverno, apenas julho apresenta erros pequenos, tanto na média dos modelos quanto no ECCOCLIM. No início da primavera, houve correção significativa do ECCOCLIM. Na estação seguinte, em janeiro foram encontrados os menores erros na média dos modelos oscilando em torno de 1 mm (Figura não mostrada), e invertendo o comportamento em fevereiro, quando o ECCOCLIM apresenta menores erros do que a média no decorrer dos 20 anos. Figura 3 – Idem à Fig. 2, porém para a área B Sobre a área C (Figura 4) o ECCOCLIM corrige a previsão em todas as estações do ano. Ressalta-se que o mês de dezembro (Figura não mostrada) apresenta os menores erros, tanto nos resultados da média quanto do ECCOCLIM. A região D (sudeste do Brasil) mostra uma melhoria com a utilização do método ECCOCLIM com alguns meses isolados dentro de cada estação em que a média tem menor RMSE (Figura 5), como: nos meses de janeiro, abril, junho, agosto e novembro. Figura 4 – Idem à Fig. 3, porém para a área C Figura 5 – Idem à Fig. 4, porém para a área D O Sul do Brasil (área F), região considerada de média previsibilidade, mostra resultados satisfatórios com o ECCOCLIM apenas no final do verão (Figura 6), e início das estações de outono (exceto maio) e inverno (Figura não mostrada). O Centro-oeste, assim como o Sudeste, também é uma região de baixa previsibilidade. Em geral o ECCOCLIM melhora a previsão desta região, deixando-a com erros ligeiramente menores do que os encontrados com a média aritmética dos modelos (Figura 7). Esta região apresenta melhora na previsão com o uso do ECCOCLIM para todas as estações, exceto em junho (como observado também na área D). Figura 6 – Idem à Fig. 5, porém para a área F Figura 7 – Idem à Fig. 6, porém para a área E CONCLUSÃO Neste estudo são apresentados os resultados preliminares do Esquema Estatístico de Combinação e Correção de Previsões Climáticas (ECCOCLIM) descrito em Pezzi et al. (2006). Foram realizadas análises de desempenho do ECCOCLIM comparando-se os erros das previsões dos Super-conjuntos de multi-modelos com os erros produzidos pela média aritmética, para algumas áreas selecionadas sobre o Brasil. Apesar dos ganhos notados com a geração do Super-conjuntos serem localizados e variados ao longo dos anos, destacam-se para alguns meses a melhoria da previsão do Sudeste e Centro-Oeste do Brasil, áreas que usualmente apresentam baixa previsibilidade. Uma melhoria significativa na qualidade das previsões de precipitação para a Região Norte do Brasil é alcançada através do uso do ECOOCLIM. Esforços estão sendo realizados no sentido de se melhorar ainda mais esses índices de previsibilidade. Para isso, estudos mais refinados estão em andamento. AGRADECIMENTOS O ECCOCLIM é um trabalho financiado pelo CPCLIM (472224/2004-2) Edital Universal/CNPq (19/2004) e pelo projeto PROTIM3/FINEP (0105091200). Esta é a contribuição 022006 do CPCLIM. REFERÊNCIAS BIBLIOGRÁFICAS Cane, D. e Milelli, M. Use of multimodel superensemble technique for mountain area weather forecast in the olympic area of Torino 2006. Organising Committee for the XX Olympic Winter Games – Torino 2006, Corso Novara –Torino, 2006. Danard, M. B.; Holl, M. M. e Clark, J. R. Fields by correlation assembly—A numerical analysis technique. Monthly Weather Review, v.96, p. 141–149, 1968. Krishnamurti, T. N.; Kishtawal, C. M.;.Zhang, Z. ; La Row, T.; Bachiochi, D., e Williford, E. C. . Multimodel Ensembe Forecasts for Weather and Seasonal Forecasts. Journal of Climate, v.13, p. 4196-4216, 2000a. Krishnamurti, T. N.; Kishtawal, C. M;.Shin, D. W. e Williford, C. E. Improving Tropical Precipitation Forecasts from Multianalysis Superensemble. Journal of Climate, v.13, p. 4217-4227, 2000b. Krishnamurti, T. N.; Surendran, S.; Shin, D. W.; Correa-Torres, R J.; Vijaya Kumar, T. S. V.; Williford, E.; Kummerow, C; Adler, R. F.; Simpson, J.; Kakar, R.; Olson, W. S.; e Turk, R.F.. RealTime Multianalysis–Multimodel Superensemble Forecasts of Precipitation Using TRMM and SSM/I Products. Monthly Weather Review, v.129, p. 2861-2883, 2001. Krishnamurti, T. N. ; Kishtawal, C. M.; LaRow, T. E. ; Bachiochi, D. R.; Zhang, Z.; Williford, C. E.; Gadgil, S.; Surendran, S. Improved Weather and Seasonal Climate Forecasts from Multimodel Superensemble. Science,v. 285, p. 1548-1550, 1999. Gneiting, T.; Raftery, A. E. Weather Forecasting with Ensemble Methods. Science, v. 310, n. 5746, p. 248-249, 2005. Pezzi, L. P.; Kayano, M.T.; Bezerra, A.C. Esquema Estatístico de Combinação e Correção de Previsões Climáticas – ECCOCLIM. Submetido a XV Congresso Brasileiro de Meteorologia, Florianópolis,SC, 2006. Rao, V. B. e Hada, K. Characteristics of Rainfall over Brazil: Annual Variations and Connections with the Southern Oscillation, Theoretical and Applied Climatology, v. 42, p. 81- 91, 1990. Thompson, P. D. How to improve accuracy by combining independent forecasts. Monthly Weather Review, v.105, p. 228–229, 1977.