UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO”
FACULDADE DE CIÊNCIAS AGRONÔMICAS
CÂMPUS DE BOTUCATU
AVALIAÇÃO DA CHUVA PRODUZIDA PELO MODELO ETA DE
PREVISÃO DO TEMPO PARA O ESTADO DE SÃO PAULO COM
USO DE RADAR METEOROLÓGICO PARA APLICAÇÕES
AGRÍCOLAS
JOSÉ MARCIO BASSAN
Tese apresentada à Faculdade de Ciências
Agronômicas da UNESP – Câmpus de Botucatu,
para obtenção do título de Doutor em Agronomia
( Irrigação e Drenagem)
BOTUCATU - SP
Junho – 2014
UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO”
FACULDADE DE CIÊNCIAS AGRONÔMICAS
CÂMPUS DE BOTUCATU
AVALIAÇÃO DA CHUVA PRODUZIDA PELO MODELO ETA DE
PREVISÃO DO TEMPO PARA O ESTADO DE SÃO PAULO COM
USO DE RADAR METEOROLÓGICO PARA APLICAÇÕES
AGRÍCOLAS
JOSÉ MARCIO BASSAN
Orientador: Prof. Dr. João E. M. Perea Martins
Tese apresentada à Faculdade de Ciências
Agronômicas da UNESP – Câmpus de Botucatu,
para obtenção do título de Doutor em Agronomia
( Irrigação e Drenagem)
BOTUCATU - SP
Junho – 2014
FICHA CATALOGRÁFICA ELABORADA PELA SEÇÃO TÉCNICA DE AQUISIÇÃO E TRATAMENTO
DA INFORMAÇÃO – SERVIÇO TÉCNICO DE BIBLIOTECA E DOCUMENTAÇÃO - UNESP - FCA
- LAGEADO - BOTUCATU (SP)
Bassan, José Marcio, 1966B317a
Avaliação da chuva produzida pelo modelo ETA de previsão
do tempo para o estado de São Paulo com uso de radar meteorológico para aplicações agrícolas / José Márcio Bassan. –
Botucatu : [s.n.], 2014
xv, 73 f. : grafs., ils. color., tabs.
Tese (Doutorado) - Universidade Estadual Paulista,
culdade de Ciências Agronômicas, Botucatu, 2014
Orientador: João Eduardo Machado Perea Martins
Inclui bibliografia
Fa-
1. Radar meteorológico. 2. Agricultura. 3. Irrigação. I.
Martins, João Eduardo Machado Perea. II. Universidade Estadual Paulista “Júlio de Mesquita Filho” (Campus de Botucatu). Faculdade de Ciências Agronômicas. III. Título.
III
AGRADECIMENTOS
Ao meu orientador Prof. Dr. João E. M. Perea Martins, por
acreditar e apoiar o desenvolvimento do trabalho.
Ao Prof. Dr. Shigetoshi Sugahara, pelas interessantes discussões
científicas e acompanhamento.
Ao Prof. Dr. Reinaldo Bomfim da Silveira, pelas excelentes
sugestões e contribuição impar na revisão do trabalho.
Ao Instituto de Pesquisas Meteorológicas, IPMet/UNESP, que
permitiu a continuidade do meu desenvolvimento acadêmico e também forneceu os dados
utilizados no trabalho.
Ao Prof. Dr. João Carlos Cury Saad e também ao Prof. Dr.
Raimundo Leite Cruz, pelo incentivo no desenvolvimento do trabalho na área de Irrigação
e Drenagem. Ao Prof. Dr. Dinival Martins pela motivação para conclusão do trabalho.
Ao Gustavo Sueiro e André Lyra, CPTEC/INPE, pelo apoio e
auxílio nas atualizações no software do modelo ETA.
Aos funcionários do Instituto de Pesquisas Meteorológicas, pelo
auxílio durante o desenvolvimento do trabalho.
Aos companheiros Diego Voltan e Rogério Zanarte, pela
motivação e apoio ao cursarmos as disciplinas.
Ao meu amigo Cícero Teixeira pelo incentivo e acolhimento em
sua casa durante o período em que cursei as disciplinas e pelo convívio com os demais
alunos do programa Irrigação e Drenagem, que contribuíram com discussões científicas ao
longo do curso.
A minha esposa Maria Helena e aos meus filhos Veridiana e
Heitor, pelo apoio nos momentos difíceis e compreensão pela minha ausência do convívio
familiar nessa jornada.
IV
SUMÁRIO
LISTA DE FIGURAS ......................................................................................................... VI
LISTA DE TABELAS ........................................................................................................ IX
LISTA DE ABREVIATURAS............................................................................................. X
LISTA DE SÍMBOLOS ................................................................................................... XIII
RESUMO .............................................................................................................................. 1
ABSTRACT .......................................................................................................................... 2
1. INTRODUÇÃO ................................................................................................................. 3
2. REVISÃO BIBLIOGRÁFICA .......................................................................................... 6
2.1 Radares meteorológicos ......................................................................................... 6
2.2 Irrigação e parâmetros meteorológicos .................................................................. 8
3. MATERIAL E MÉTODOS ............................................................................................. 18
3.1 Modelo ETA ........................................................................................................ 18
3.2 Equações fundamentais de modelos matemáticos ............................................... 19
3.3 Um exemplo de previsão de chuva acumulada em 24hs prevista pelo Modelo
ETA ..................................................................................................................................... 23
3.4 Observação de chuva usando radar meteorológico ............................................. 24
3.4.1 Radar do IPMet/Bauru ............................................................................ 24
3.4.2 Relação Z-R ............................................................................................ 31
3.5 Adequação da grade do radar para a grade do modelo ........................................ 31
3.6 Estimativa de precipitação pluviométrica utilizando radar meteorológico ......... 33
3.7 A escolha da relação Z-R utilizada ...................................................................... 35
4. RESULTADOS ............................................................................................................... 38
4.1 Comparação entre dados de radar e pluviômetros ............................................... 38
4.1.1 Análise de dados pluviométricos de Bebedouro..................................... 38
4.1.2 Análise de dados pluviométricos de Piracicaba ..................................... 40
4.1.3 Análise de dados pluviométricos de Jaú ................................................. 42
V
4.2 Verificação da existência de erro sistemático na estimativa do radar ................. 44
4.3 Análise da Correção do erro Sistemático ............................................................. 52
4.4 Verificação da previsão da localização de chuva do modelo ETA ...................... 54
4.5 Verificação da previsão da quantidade de chuva ................................................. 60
5. CONCLUSÕES ............................................................................................................... 65
6. REFERÊNCIAS BIBLIOGRÁFICAS ............................................................................ 67
VI
LISTA DE FIGURAS
Página
Figura 1- Efeito do lóbulo secundário no solo, próximo a antena do radar meteorológico. 8
Figura 2 – Grade “E” utilizada pelo modelo ETA. ............................................................ 22
Figura 3 – Chuva acumulada (mm) em 24 horas, prevista pelo modelo ETA para o dia
19/10/2010. .......................................................................................................................... 24
Figura 4 – Ilustração de PPIs utilizados para produzir um CAPPI. ................................... 26
Figura 5 – Imagens de CAPPI de: (a) altitude constante de 2.0 km, (b) altitude constante
de 2.75 km e (c) altitude constante de 3.5 km. Na área central da figura 4(a), 4(b) e 4(c), no
entorno da cidade de Bauru, podem ser observados os ecos de terreno ocasionados pelo
lóbulo secundário do radar. ................................................................................................. 27
Figura 6- Utilização do limiar de 1 mm, na remoção de ecos espúrios do radar. .............. 28
Figura 7 – Altura do feixe eletromagnético do radar meteorológico de Bauru em função da
distância e ângulo da antena do radar. ................................................................................. 29
Figura 8 – Chuva acumulada (mm) do produto RAINN, utilizando o software
SIGMET/IRIS, para um período de 24 horas. A barra de cores do lado direito da Figura,
mostra a faixa de valor correspondente a cor apresentada na Figura, para as estimativas de
chuva acumulada. ................................................................................................................ 30
Figura 9 – RP diária, para 23:58:43 UTC de 1 de janeiro de 2010, com resolução espacial
de (a) 0,75 km x 0,75 km (interpolação bilinear original do TITAN) e (b) resolução
espacial do modelo ETA de 10 km x 10 km (interpolação utilizando média aritmética
simples)................................................................................................................................ 32
Figura 10 - RP diária, para 23:58:49 UTC de 2 de janeiro de 2011, com resolução
espacial de (a) 0,75 km x 0,75 km (interpolação bilinear original do TITAN) e (b)
resolução espacial do modelo ETA de 10 km x 10 km (interpolação utilizando média
aritmética simples). .............................................................................................................. 33
Figura 11 – Localização das três estações meteorológicas (Bebedouro, Jaú e Piracicaba)
usadas no estudo e também do radar meteorológico. .......................................................... 34
Figura 12 – Taxas de precipitação (mm/h) para 10 relações Z-R. A linha vertical tracejada
corresponde a refletividade de 53 dBZ, a partir da qual é foi considerado empiricamente
como granizo e não água liquida. ........................................................................................ 37
Figura 13 - Taxas de precipitação (mm/h) utilizando as relações Z-R M-P e Rosenfeld. . 37
VII
Figura 14 – Acumulado de chuva (mm), no período de 2010 a 2012 na estação
meteorológica de Bebedouro/SP: (a) RP com Z-R M-P, (b) RP com Z-R Rosenfeld, e (c)
PP. ........................................................................................................................................ 39
Figura 15 – Distribuição de frequência para as diferenças RP - PP, para RP estimada com
(a) relação Z-R M-P e (b) relação Z-R Rosenfeld. .............................................................. 40
Figura 16 – Acumulado de chuva (mm), no período de 2010 a 2012 na estação
meteorológica de Piracicaba/SP: (a) RP com Z-R M-P, (b) RP com Z-R Rosenfeld, e (c)
PP. ........................................................................................................................................ 41
Figura 17 – Distribuição de frequência para as diferenças RP - PP, para RP estimada com
(a) relação Z-R M-P e (b) relação Z-R Rosenfeld. .............................................................. 42
Figura 18 – Acumulado de chuva (mm), no período de 2010 a 2012 na estação
meteorológica de Piracicaba/SP: (a) RP com Z-R M-P, (b) RP com Z-R Rosenfeld, e (c)
PP. ........................................................................................................................................ 43
Figura 19 – Distribuição de frequência para as diferenças RP - PP, para RP estimada com
(a) relação Z-R M-P e (b) relação Z-R Rosenfeld. ............................................................. 44
Figura 20 – Diagramas de dispersão RP diária versus PP diária com Z-R M-P (lado
esquerdo) e Z-R Rosenfeld (lado direito), para as estações de Bebedouro (a, b), Piracicaba
(c, d) e Jaú (e, f). .................................................................................................................. 46
Figura 21 – Sequência de imagens de refletividade do CAPPI de 3.5 na região de Jaú,
entre 19:29h e 20:06h do dia 12/11/2011. Note a ocorrência de refletividade próximo do
valor crítico de 53 dBZ na região de Jaú. ............................................................................ 48
Figura 22 – Diagramas de dispersão RP diária versus PP diária com Z-R M-P (lado
esquerdo) e Z-R convectiva (lado direito), mas juntando dados de três estações
(Bebedouro, Piracicaba e Jaú). ............................................................................................ 50
Figura 23 – Totais mensais de precipitação, para o período 2010-2012, calculados com RP
corrigida pela equação 3.21 (preto), com RP sem correção (vermelho), e com PP, para: (a)
Bebedouro, (b) Piracicaba e (c) Jaú. .................................................................................... 53
Figura 24 – Totais mensais de precipitação, para o ano de 2009, calculados: com RP
corrigida pela equação 3.21 de regressão linear (preto), com RP sem correção (vermelho),
e com PP, para: (a) Bebedouro e (b) Piracicaba. ................................................................ 54
Figura 25 – IA do ETA para o domínio do CAPPI, em percentagem, para previsões de (a)
24hs, (b) 48hs e (c) 72hs. ..................................................................................................... 58
VIII
Figura 26 – Número de ocorrência de precipitação (≥ 1 mm), em percentagem, no domínio
do produto CAPPI. .............................................................................................................. 59
Figura 27 – IFA do ETA para o domínio do produto CAPPI, em percentagem, para
previsões de (a) 24hs, (b) 48hs e (c) 72hs. .......................................................................... 59
Figura 28 – Mapa de altitude (m) do relevo na área de cobertura do produto CAPPI do
radar de Bauru, utilizado pelo modelo ETA, com resolução espacial de 10 km x 10 km... 60
Figura 29 – Previsão para 24hs para os intervalos de precipitação (A, B, C, D) 26a), B
29b), C 29c) e D 29d). Os pontos em branco na Figura 29, dentro da circunferência, são
áreas que o acerto não atingiu 5%. ...................................................................................... 62
Figura 30 – Previsão para 48hs para os intervalos de precipitação (A, B, C, D) 30a), B
30b), C 30c) e D 30d). Os pontos em branco na Figura 30, dentro da circunferência, são
áreas que o acerto não atingiu 5%. ...................................................................................... 63
Figura 31 – Previsão de 72hs para os intervalos de precipitação (A, B, C, D) 28a), B 31b),
C 31c) e D 31d). Os pontos em branco na Figura 31, dentro da circunferência, são áreas
que o acerto não atingiu 5%. ............................................................................................... 64
IX
LISTA DE TABELAS
Página
Tabela 1- Frequência e comprimento de ondas, utilizados pelos radares meteorológicos. .. 7
Tabela 2- Características do radar meteorológico do IPMet-UNESP, instalado em
Bauru/SP. ............................................................................................................................. 25
Tabela 3 – Estações meteorológicas usadas no estudo. ...................................................... 34
Tabela 4- Coeficientes a e b utilizados nas relações Z-R, mostradas na Figura 12. ........... 36
Tabela 5 – Análise de erro das estimativas de chuva diária pelo radar, para as três estações
meteorológicas, considerando o período 2010-2012. .......................................................... 45
Tabela 6 – Análise de erro para totais mensais calculados com RP diária corrigida com
equação 3.21 e com RP diária sem correção. ...................................................................... 52
Tabela 7 - Tabela de contingência para verificação de erros e acertos da previsão de chuva
do modelo ETA. .................................................................................................................. 55
Tabela 8- Índices médios
,
da previsão de chuva para 24hs, 48hs e 72hs do modelo
ETA. .................................................................................................................................... 57
Tabela 9 – Intervalos de precipitação usados na verificação do modelo ETA. .................. 60
Tabela 10 – Quantis de 25% e 75% para precipitação diária do modelo ETA, MP, e do
radar, RP. ............................................................................................................................. 61
X
LISTA DE ABREVIATURAS
CAPPI
- Constant Altitude Plan Position Indicador.
COLA
– Center for Ocean-Land-Atmosphere Studies.
CPTEC
– Centro de Previsão do Tempo e Estudos Climáticos.
DAEE
– Departamento de Águas e Energia Elétrica de São Paulo.
dBZ
– unidade de refletividade do radar.
dB
– decibel.
ESALQ/USP – Escola Superior de Agronomia Luiz de Queiroz da Universidade de São
Paulo (USP).
GHz
– Giga Hertz, unidade de frequência.
GrADS
- Grid Analysis and Display System, um software desenvolvido pelo IGES e
COLA.
GRIB
- Gridded Binary, um formato de armazenamento de dados, comumente
usado em Meteorologia.
IAC
– Instituto Agronômico de Campinas.
IGES
- Institute of Global Environment and Society.
INPE
– Instituto de Pesquisas Espaciais.
IPMet
– Instituto de Pesquisas Meteorológicas da UNESP.
XI
MCGA
MLP
– Modelo de Circulação Geral da Atmosfera.
- Multi-Layer Perceptron.
MP
– precipitação prevista pelo modelo ETA.
M-P
– Marshall e Palmer
NCAR
- National Center for Atmospheric Research.
NCEP
– National Center for Environmental Prediction.
NWS
– National Weather Service.
ONS
– Operador Nacional do Sistema Elétrico.
PP
– precipitação medida pelo pluviômetro.
PPI
- Plan Position Indicator.
R
– The R Development Core Team, linguagem de programação voltada
principalmente para análise estatística.
RP
– precipitação estimada pelo radar.
SIGMET/IRIS - Significant Meteorological Information/Interactive Radar Information
System.
SWAP
– Soil Water Atmosphere and Plant.
TITAN
- Thunderstorm Identification Tracking Analysis and Nowcasting,
desenvolvido no NCAR.
XII
UNESP
– Universidade Estadual Paulista “Julio de Mesquita Filho”.
UTC
– Coordinated Universal Time ou hora padrão universal, é sinônimo com
GMT (Greenwich Mean Time).
Z –R
: expressão usada para expressar relação entre a refletividade Z do radar e
taxa de precipitação R.
XIII
LISTA DE SÍMBOLOS
c
– velocidade de propagação da luz.
- calor específico do ar à pressão constante.
– diâmetro da gota de chuva.
E
- taxa de evaporação.
- parâmetro de Coriolis dado por 2Ωsenφ, onde φ é latitude.
.
- parâmetro da força de fricção na direções
- parâmetro da força de fricção na direção
.
- aceleração da gravidade.
- ganho da antena.
- troca de calor entre o volume de ar e o ambiente.
IA
– índice de acerto.
IFA
– índice de falso alarme.
- termo da constante dielétrica.
– massa da gota de chuva com diâmetro D.
MPa
– Megapascal.
XIV
- número de gotas com diâmetro entre
e
- precipitação.
– potência recebida na antena.
- potência transmitida na antena.
PRF
– frequência de repetição do pulso.
– pressão de referência em função da altura.
- pressão na superfície do modelo.
- pressão no topo do modelo.
- umidade específica.
- coeficiente de correlação linear.
r
- distância do alvo.
- máximo alcance não ambíguo.
- constante específica dos gases ideais.
- taxa de precipitação.
- temperatura do ar.
.
XV
- componente leste-oeste do vetor velocidade do vento.
- componente norte-sul do vetor velocidade do vento.
W
- watt.
η
- coordenada vertical usada no modelo ETA.
- velocidade vertical
⍴
- densidade do ar.
- comprimento de onda.
- largura do feixe horizontal.
.
1
RESUMO
Este trabalho tem por objetivo examinar o uso das previsões de
precipitação fornecidas pelo modelo numérico de previsão do tempo ETA, para a
agricultura, especialmente no que se refere à irrigação. O modelo ETA utilizado neste
trabalho foi configurado com a parametrização da convecção de Kain-Fritsch, resolução
horizontal de 10km x 10km, e 38 níveis na vertical. As previsões de precipitação
acumulada em 24h do modelo ETA foram confrontadas com os dados de precipitação do
radar meteorológico do Instituto de Pesquisas Meteorológicas da Unesp/Bauru (IPMet) , os
quais foram obtidos usando a relação Z-R Rosenfeld, que pareceu a mais apropriada para a
região estudada, dentre as demais relações Z-R testadas, como a Z-R Marshall-Palmer.
Além de escolher a Z-R Rosenfeld, as estimativas da precipitação pelo radar usando a
relação Z-R foram corrigidas usando uma equação de regressão linear, desenvolvida com
os dados de precipitação medida em três estações meteorológicas disponíveis. O uso dessa
equação é sugerido na solução de problemas práticos, tais como o cálculo de precipitação
mensal
no
monitoramento
climático.
Esse
procedimento
permitiu
reduzir
significativamente a tendência que a relação Z-R escolhida tende a subestimar a
precipitação. O resultado da verificação do ETA mostra que quando se considera somente
a ocorrência do fenômeno chuva, independente da sua quantidade, o índice de acerto do
modelo é em torno de 60% para os dois primeiros dias de previsão e ligeiramente menor
para o terceiro dia. Entretanto, quando a previsão da quantidade de precipitação é
confrontada com a do radar, a percentagem de acerto na maior parte da área verificada não
alcança mais que 50%. Além da verificação do modelo ETA propriamente dito, o trabalho
apresenta uma metodologia de pesquisa que poderá futuramente ser utilizada na avaliação
de outros modelos, a fim de se verificar o potencial dos mesmos na área agrícola.
__________________________
Palavras-chave: Radar meteorológico, modelo ETA, agricultura, irrigação.
2
ABSTRACT
This work aims to determine the potential use of rainfall forecasts
provided by the numerical model of weather prediction ETA, especially regarding
irrigation in agriculture. The ETA model was configured with Kain-Fritsch convection
parameterization and run with 10km x 10km horizontal resolution, and 38 vertical levels.
The ETA 24h accumulated rainfall was compared to radar data precipitation from the
Institute of Meteorological Research of the São Paulo State University (IPMet/UNESP),
which were obtained using the Z-R Rosenfeld relationship that proved to be more
appropriate than others, such as Marshal-Palmer. The systematic error of the radar
precipitation data was corrected by using a linear regression approximation, which
statistically adjust these data to gauge rainfall data from three weather stations available.
Some applications of this equation to practical problems solution are suggested, such as the
calculation of monthly precipitation for climate monitoring in the radar resolution. This
procedure allowed reducing the chosen ZR tend to underestimate precipitation. The
verification result shows that when one considers only the occurrence of the rain
phenomenon, regardless its amount, the percentage of the success of ETA is around 60%
for the first two days of the forecast and slightly lower for the third day. However, when
the rainfall amount of the model is confronted with the radar precipitation, the percentage
of the success most of time does not reach 50%, suggesting the need for substantial model
improvement before being considered a useful source for issues related to irrigation.
Besides the verification of the ETA model, the work presents a methodology that could be
used in the evaluation of other models, in order to verify their potential in agriculture.
__________________________
Keywords: Weather radar, ETA model, agriculture, irrigation.
3
1. INTRODUÇÃO
Os
modelos
numéricos
de
previsão
do
tempo
simulam
matematicamente a evolução de processos físicos da atmosfera a partir de uma condição
inicial em um momento estático e a partir desse cenário efetuam a simulação do
movimento atmosférico, fornecendo previsão do tempo para vários dias.
Entre os
parâmetros que são previstos estão temperatura, umidade e vento, para várias altitudes da
atmosfera, e precipitação na superfície. Tais simulações só são possíveis através da
utilização de computadores, que manipulam grandes conjuntos de dados atmosféricos e
realizam bilhões cálculos complexos em um período de tempo suficiente curto para que os
seus produtos possam ser usados na prática. Informações detalhadas sobre os aspectos da
modelagem numérica da atmosfera podem ser encontradas em Kalnay (2003).
Alguns modelos são destinados para simular a atmosfera de todo o
planeta e outros para regiões limitadas, e eles são referidos respectivamente como modelo
global e modelo regional. Ambos são capazes de simular os processos atmosféricos
responsáveis pela mudança do tempo (meteorológico), chamados sinóticos, que possuem
uma escala espacial de cerca de 1000 km e escala de tempo de aproximadamente 1 dia. As
ondas de frio ou de calor, que usualmente estão associados com as frentes frias ou frentes
quentes são exemplos de fenômenos sinóticos. Os modelos regionais como têm maior
resolução espacial são capazes de fornecer mais detalhes dos fenômenos atmosféricos de
mesoescala do que os modelos globais.
No Brasil o uso de modelo global para fins operacionais de
previsão do tempo e simulações climáticas iniciou-se no final de 1994 com a inauguração
4
do Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) do Instituto de Pesquisas
Espaciais (INPE) em Cachoeira Paulista (SP). O Modelo de Circulação Geral da
Atmosfera (MCGA), no CPTEC, foi implantado em parceria com o Center for OceanLand-Atmosphere Studies (COLA), localizado em Calverton, Maryland (EUA) (COSTA,
1997).
Para detalhar melhor os fenômenos sinóticos, o CPTEC usa o
modelo ETA,
desenvolvido pela Universidade de Belgrado
Hidrometeorológico da antiga Iugoslávia.
e
pelo
Instituto
Esse modelo tornou-se operacional, pela
primeira vez, no National Meteorological Center atualmente National Center for
Environmental Prediction (NCEP), localizado em Maryland (EUA). O nome ETA vem da
coordenada vertical usada nesse modelo que foi denotada por letra grega
(eta)
(MESINGER, 1984).
Para a execução de um modelo regional como ETA, são
necessárias as condições iniciais e as condições de contorno fornecidas por outro modelo
regional com resolução menor ou um modelo Global. As condições iniciais são estimativas
das variáveis de prognóstico (componentes do vento, temperatura, umidade e pressão
atmosférica) para cada ponto de grade tridimensional do domínio do modelo. As condições
de contorno fornecem as tendências das variáveis de prognóstico nas bordas do domínio do
modelo (KALNAY, 2003). Particularmente no CPTEC, as condições de fronteira são do
modelo global COLA e atualizadas a cada seis horas até o período final de previsão do
modelo. Mais informações sobre o modelo ETA serão dadas na seção 3.1.
A verificação do acerto da previsão do tempo (precisão) também é
objeto de estudo de muitos pesquisadores (MURPHY,1991; WHITE et al., 1999;
JOLLIFFE e STEPHENSON, 2012). Várias técnicas vêm sendo desenvolvidas e utilizadas
para essa verificação, tais como: comparações dos dados das previsões do tempo com os
dados de redes de estações meteorológicas, radiossondas, satélites meteorológicos e
radares meteorológicos. Este estudo deve ser efetuado para cada região de domínio do
modelo de previsão do tempo e clima porque a resolução espacial horizontal do modelo,
topográfica, dados assimilados (conjuntos de dados meteorológicos disponíveis para servir
de entrada de informação para os modelos), na região, podem influenciar também no
resultado das previsões, entre outros fatores.
Através do conhecimento dos índices de acertos do modelo é
possível a utilização de suas informações para o planejamento de atividades de vários
5
setores da sociedade. O parâmetro precipitação pluviométrica (chuva), que será alvo dessa
verificação do modelo regional de previsão do tempo ETA, é um dos fatores mais
importantes para o planejamento do manejo agrícola e custos envolvidos na sua produção.
A utilização eficiente dos recursos hídricos disponíveis para a produção agrícola vem se
tornando um fator fundamental para garantir segurança alimentar no planeta (FAO, 2002).
O objetivo do presente trabalho é fazer verificação da qualidade
das previsões de precipitação do modelo ETA, considerando a importância do elemento
chuva nas questões de irrigação na agricultura. Outro objetivo é desenvolver um método
para usar os dados de radar meteorológico nessa verificação, considerando que na maioria
das vezes o número de pluviômetros é insuficiente para isso.
Este trabalho é organizado da seguinte forma. Na seção 2 uma
revisão bibliográfica de assuntos pertinentes será apresentada. A seção 3 é destinada à
descrição da metodologia, onde descrevemos brevemente o modelo ETA, as equações
fundamentais usadas em modelagem numérica da atmosfera, e discutiremos sobre a
estimação de precipitação usando radar, a questão da escolha da relação entre a
refletividade Z do radar e taxa de precipitação, adequação da grade para dados de radar à
grade do ETA. A seção 4 apresenta os resultados da verificação da previsão de
precipitação usando dados de radar. A seção 5 apresenta resumo e conclusões.
6
2. REVISÃO BIBLIOGRÁFICA
2.1 Radares meteorológicos
Neste trabalho é utilizado um radar para aplicações meteorológicas
e, assim, torna-se interessante destacar que um radar (Radio Detection And Ranging) é um
equipamento eletrônico que utiliza ondas eletromagnéticas para detectar alvos, baseando-se
no princípio localização do eco, o qual se consiste na emissão controlada de uma
determinada forma de energia no espaço e a captação da porção dessa energia que é
refletida nos diversos alvos existentes no meio (HAYKIN, 2006). Seu desenvolvimento
iniciou-se em 1904, mas no período da segunda guerra mundial foi acelerado, para ser
utilizado como mecanismo de detecção de alvos aéreos. Em 1941, ocorreu o experimento
do uso do radar para detecção de chuva, na Grã-Bretanha. O radar pode ser classificado
pelo comprimento e frequência da onda eletromagnética que utiliza, recebendo uma
nomenclatura em forma de letras, denominada banda, como por exemplo, banda S, X, C
entre outras. Os radares meteorológicos geralmente utilizam uma dessas três bandas para
operarem, como pode ser observado na Tabela 1.
7
Tabela 1- Frequência e comprimento de ondas, utilizados pelos radares meteorológicos.
Banda
Frequência (GHz)
Comprimento (cm)
S
2-4
8 - 15
C
4-8
4-8
X
8 - 12
2,5 - 4
O raio de alcance para detecção de chuva do radar banda S chega a
450 km, sendo superior aos raios de alcance dos radares banda C e X. O máximo alcance
não ambíguo é calculado em função da frequência de repetição do pulso (PRF), quanto
menor o PRF, maior é o máximo alcance não ambíguo, dada por:
(2.1)
A equação de potencia recebida pelo radar descrita por Rinehart
(2004) é dada por:
(2.2)
Os ecos do radar se propagam no ambiente e podem sofrer
influência das condições de refração do ar. Um exemplo dessa influência ocorre quando se
estabelece uma situação de inversão térmica, onde a temperatura do ar próximo à
superfície é maior que a temperatura do ar na camada superior adjacente. Então parte da
onda eletromagnética do radar se propaga de forma anormal, refletindo a superfície da
terra, podendo ser recebido como chuva, ocorrendo assim uma propagação anômala da
onda eletromagnética do radar meteorológico. Outra situação em que o sinal de eco do
radar não representa somente a chuva ocorre quando são refletidos os sinais de eco da
superfície, próximo à antena do radar, principalmente em baixos ângulos de elevação da
antena do radar durante a coleta de dados (MEISCHNER, 2004), conforme pode ser
observado na Figura 1 e de forma mais detalhada na seção 3.4, figuras 4a, 4b e 4c. Esta
8
situação ocorre devido ao feixe do lóbulo secundário que atinge a superfície do relevo
próximo a antena do radar (eco de terreno).
Figura 1- Efeito do lóbulo secundário no solo, próximo a antena do radar meteorológico.
Os radares meteorológicos fornecem estimativas de chuva com alta
resolução temporal e espacial, por exemplo, a cada 5 minutos para uma área de
1 km x 1 km. Um nível de resolução de informação dessa ordem, não é obtida através da
utilização de pluviômetros, devido à escassez de pluviômetros espaçadamente disponíveis
(AGHAKOUCHAK et al., 2010), sendo que a questão da estimação de chuva usando radar
é discutida em detalhes na seção 3.6 do presente trabalho.
2.2 Irrigação e parâmetros meteorológicos
O rendimento agrícola de uma área irrigada pode ser superior até
três vezes o rendimento de uma área com produção não irrigada (sequeiro). Fazendo uma
projeção para suprir o aumento de 60% da demanda alimentícia, decorrente do aumento da
população mundial previsto para os próximos 30 anos, será necessário melhorar a
produtividade agrícola e a eficiência no uso da água na agricultura. Esse aumento de
produção agrícola pode ser obtido utilizando melhores técnicas agrícolas de cultivo e de
sementes aliada ao uso da irrigação (FAO, 2002).
9
O fornecimento de água necessário para o desenvolvimento de um
cultivo pode ocorrer através da chuva ou de forma controlada na medida de sua
necessidade, utilizando a técnica de irrigação. Os métodos de irrigação podem ser
classificados pela forma que disponibilizam a água para as plantas como: superficial,
aspersão e localizada. Na irrigação superficial até que ocorra a infiltração da água no solo a
água é conduzida ou acumulada utilizando a declividade na superfície do solo, já na
irrigação por aspersão a água é lançada sob pressão para cima e lateralmente de forma
distribuída, simulando a ocorrência de uma chuva. No sistema de irrigação localizada a
água é disponibilizada próximo ao sistema radicular da planta, através de tubulação e
emissores operando em baixa pressão, que podem estar na superfície do solo ou enterrados
(OLITTA, 1984).
Segundo levantamento efetuado no censo agropecuário de 2006, o
Brasil possui uma área de 4.453.926 hectares (ha) cultivados utilizando sistemas de
irrigação, sendo que o sistema de irrigação localizada é utilizado em 327.867 ha cultivados
e ocupa o quinto lugar na lista de sistemas de irrigação em uso na agricultura nacional. A
irrigação por aspersão está em primeiro lugar, sendo utilizada em 1.572.960 ha, seguida
pelo sistema de irrigação por inundação usado em 1.084.736 ha (IBGE, 2006). Na
agricultura, a utilização eficiente de água consiste em utilizar a menor quantidade de água
para obter uma produção agrícola ótima em uma determinada área de plantio.
Na produção agrícola estão envolvidos vários custos, como por
exemplo, mão de obra, maquinário, insumos agrícolas, custo com a irrigação onde é
utilizada entre outros. Em áreas que utilizam irrigação, o custo da produção agrícola pode
ser diminuído através da utilização da técnica de irrigação complementar à ocorrência de
chuva (RODRIGUES et al., 2013). A decisão do momento de irrigar uma cultura pode ser
tomada utilizando vários métodos, como por exemplo, o monitoramento do potencial de
água no solo, comumente utilizando tensiômetros (KRAMER e BOYER, 1995). Nesse
contexto Mishra et al. 2013 avaliaram a utilização da previsão do tempo de curto prazo (até
5 dias) aplicada ao modelo de tomada de decisões SWAP (Soil Water Atmosphere and
Plant), utilizando simulações, na tentativa de melhorar a eficiência do manejo da irrigação
para a cultura do arroz no nordeste da Índia e concluíram ser possível uma redução no uso
da água para irrigação em 27% utilizando as informações de previsões do tempo.
A velocidade do vento em superfície exerce influência na trajetória
da gota de água, ocorrendo uma queda na uniformidade durante o processo de irrigação por
10
aspersão com o aumento da velocidade do vento (JUSTI et al., 2010). Também o processo
de evaporação da água ocorrido durante a irrigação, principalmente no período diurno,
devido ao aumento da temperatura do ar e a influência da velocidade e direção do vento em
superfície, acarretam a diminuição da eficiência da irrigação por aspersão (STAMBOULI
et al., 2013).
A chuva é o parâmetro meteorológico que apresenta maior
dificuldade de estimativa, devido a sua variabilidade espacial e temporal (ALMEIDA et
al., 2011). Durante o período em que ocorre a irrigação, com acontecimento do evento
chuva, a água infiltrada no solo pode ultrapassar a profundidade das raízes (percolação),
escoar pela superfície carreando sedimentos (erosão) ou no caso da fertirrigação os
nutrientes podem ultrapassar as raízes (lixiviação). Uma forma para estimar a ocorrência
de chuva é a utilização de modelos numéricos de previsão de tempo. Segundo Martins et
al. (2008) os modelos numéricos atmosféricos de mesoescala, com o domínio espacial
compreendido em centenas de quilômetros, são largamente utilizados para modelagem
regional das condições meteorológicas em áreas limitadas. A previsão da ocorrência ou
não do fenômeno chuva fornecida pelos modelos numéricos de previsão do tempo tem
potencial de uso no manejo da irrigação, mesmo que subestimem a quantificação da chuva
(MISHRA et al., 2013).
2.3 Uso de modelo numérico da atmosfera na agricultura
As previsões calculadas por modelos numéricos de previsão do
tempo podem ser uma ferramenta útil no planejamento de diversas atividades agrícolas,
fornecendo previsões da temperatura do ar, umidade relativa do ar, direção e velocidade do
vento, como por exemplo, na escolha dos bocais de um pulverizador, onde são avaliadas as
condições meteorológicas para essa tomada de decisão, podendo ser a causa de deriva
(desvio) do produto (FERREIRA, 2007).
As previsões do tempo fornecidas por modelos numéricos
necessitam ser verificadas, para que possa ser estabelecido seu índice de acerto. Vieira
Junior et al. (2009) avaliaram a viabilidade da utilização do Modelo de previsão numérica
do tempo ETA, o qual será discutido seção 3.2 deste trabalho, com resolução espacial de
40 km e previsões com 120 dias de antecedência, para subsidiar informações utilizadas
em modelos de estimativa de produção agrícola na região Centro-Sul do Brasil. Os autores
11
concluíram que apesar das limitações do modelo em reproduzir o estado da circulação
geral da atmosfera e suas interações com a topografia da área analisada, que acarretam
erros nas previsões dos parâmetros avaliados, o modelo pode ser utilizado para essa
finalidade, mas indicam a necessidade da extração dos erros sistemáticos encontrados nas
previsões.
Tanajura et al. (2010) avaliaram a acurácia do modelo numérico
meteorológico regional de previsão do tempo HadRM3P, tendo os dados de entrada
fornecidos pelo modelo numérico global HadAM3 executado pelo Hadley Centre, UK
Meteorological Office, da Grã-Bretanha e fornecidos pelo Centro de Previsão de Tempo e
Estudo Climáticos e Instituto Nacional de Pesquisas Espaciais (CPTEC/INPE) para área do
Estado da Bahia, para o período 1960 a 1990. Para a verificação dos resultados obtidos
através da execução do modelo foram utilizados dados observados diários de 29 estações
meteorológicas localizadas na área de interesse do estudo. Os autores consideraram
satisfatório o resultado obtido através dessa avaliação e qualificam o modelo para
continuar os estudos sobre mudanças climáticas e recursos hídricos no Estado. Também
avaliaram projeções de cenários de mudanças climáticas para o período de 2070 a 2100
utilizando esse modelo, a composição dos cenários futuros com alterações atmosféricas
foram fornecidos pelo modelo numérico HadCM3. Concluíram que os erros encontrados
nas previsões analisadas na verificação da acurácia do modelo foram intensificados,
necessitando atualizações na representação do relevo que compõe o modelo. Previsões para
um longo período utilizando modelos numéricos de previsão do tempo tendem a
intensificar os erros de previsão ao longo do período. A identificação e eliminação, caso
haja, de erros sistemáticos do modelo são fundamentais para a avaliação do mesmo.
Moura et al. (2010) avaliaram o modelo ETA com resolução
espacial horizontal de 40 km, para previsão de precipitação abrangendo a área da América
do sul em um período de previsão de 120 horas, entre dezembro de 2007 e fevereiro de
2008, Através desse trabalho verificaram que o modelo ETA apresentou principalmente
nas primeiras 24 horas certo grau de divergência. Porém, a previsão de pressão ao nível
médio do mar para essa análise apresentou resultados muito próximos dos valores
registrados por equipamentos meteorológicos.
Santos e Silva et al. (2011) estudando o ciclo diário de precipitação
pluviométrica na Bacia Amazônica no período considerado chuvoso do ano de 1999, no
projeto TRMM-LBA (Tropical Rainfall Measuring Mission - Large-Scale Biosphere-
12
Atmosphere Experiment in Amazonia), mostram que a precipitação pluviométrica
determinada por um radar meteorológico banda S e as medições efetuadas através de
pluviômetros para uma determinada área são coerentes. Quando comparados os resultados
quantitativos de precipitação estimados pelo radar banda S e o satélite TRMM utilizando o
algoritmo 3B42_V6, os autores apontam que o algoritmo 3B42_V6, apresenta limitações
de representatividade quantitativa para eventos de precipitação intensa durante o período
noturno e subestima em 50% a precipitação estimada pelo radar meteorológico banda S e
sugerem também a aplicação dos resultados desse estudo para a avaliação de modelos
numéricos de previsão do tempo e clima.
Lima et al. (2011) utilizaram uma rede neural do tipo MLP (MultiLayer Perceptron) com algoritmo de retro-propagação de erro para estudar as previsões de
vazões para as quatro primeiras usinas do Rio Grande (Camargos, Itutinga, Funil Grande e
Furnas), com base em séries históricas de registros de vazão dos reservatórios dessa
localidade, com o objetivo de fornecer métodos alternativos aplicáveis de previsão de
vazões, já que o planejamento da operação dessas usinas depende do conhecimento
antecipado do volume de água disponível nos reservatórios.
Atualmente o Operador
Nacional do Sistema Elétrico Brasileiro (ONS) utiliza os resultados do modelo numérico
de previsão do tempo ETA para essa finalidade. Os autores concluíram que essa técnica se
apresentou de forma promissora como alternativa na previsão de vazões para essas
localidades.
Paz e Collischonn (2011) avaliando estimativas de campos de
precipitação para modelagem hidrológica distribuída, utilizaram os campos de chuva
calculados pelo modelo global de circulação da atmosfera CPTEC (Centro de Previsão de
Tempo e Estudos Climáticos)/COLA (Center for Ocean, Land and Atmosphere Studies)
sobre a Bacia do Rio Grande, localizada entre os estados de Minas Gerais e São Paulo,
sob o aspecto espacial e temporal, para comparar com os registros pluviométricos para
mesma área, tratados para o mesmo ponto de grade. Eles propõem um método de avaliação
pixel a pixel dos mapas de precipitação produzidos, através da elaboração de tabelas de
contingência para verificação da qualidade das informações produzidas, podendo ser
utilizadas como entrada para modelos hidrológicos distribuídos. Segundo os autores, o
método apresentado nesse estudo pode ser aplicado para avaliar séries temporais de
campos de precipitação gerados por modelos numéricos de circulação da atmosfera ou
estimadas através imagens de radar ou satélite.
13
Pezzopane et al. (1998) avaliaram a utilização da informação da
ocorrência de chuva para fazer a programação de pulverização na cultura do amendoim. O
experimento foi realizado em duas áreas de cultivo no estado de São Paulo nos municípios
de Ribeirão Preto e Pindorama. Segundo os autores elevadas temperaturas do ar e
ocorrência excessiva de chuva durante a fase inicial da cultura, acarretam o
desenvolvimento de doenças da parte aérea das plantas ocasionadas principalmente por
fungos, como por exemplo, a mancha-castanha e a mancha preta, que também são fatores
limitantes à produtividade da cultura. As informações sobre a quantidade de chuva
ocorrida na cultura foram obtidas através de pluviômetros instalados próximos a área de
cultivo. Os autores concluíram que o melhor desempenho no controle das manchas foliares
do amendoim foi obtido quando a pulverização foi feita após ter ocorrido dois ou quatro
dias de chuva maiores que 2,5 mm, consecutivos ou não. Este artigo mostra a influência
dos fatores climáticos na cultura do amendoim e no planejamento do manejo agrícola.
Nesse contexto, a previsão da ocorrência de chuva poderia auxiliar no planejamento das
pulverizações na cultura do amendoim. O modelo numérico regional de previsão do tempo
ETA, em determinadas condições, pode fornecer previsão de precipitação para até três dias
de antecedência, apresentando um detalhamento melhor do que o Modelo Global,
executado no CPTEC (CHOU e SILVA, 1999). As informações das previsões do modelo
ETA poderiam auxiliar na programação do manejo agrícola, fornecendo previsões de
chuva com três dias de antecedência.
Silva et al. (2008) avaliaram a influência dos regimes de chuva
interanuais na produtividade agrícola na região sudoeste do estado de São Paulo,
denominada Médio Paranapanema, para um período de 17 anos, abrangendo áreas de
cultivo agrícola em 12 municípios dessa região, obtendo as informações sobre a ocorrência
de chuva e temperatura do ar através da rede de estações pluviométricas do Departamento
de Águas e Energia Elétrica (DAEE/SP) e do Instituto Agronômico de Campinas (IAC).
Os autores analisaram a influência dos fatores climáticos na produtividade das culturas de
algodão, milho, soja, trigo e cana-de-açúcar e concluíram a existência de uma forte
correlação entre o regime de chuva e a produtividade agrícola de cada cultura, e que o
emprego de tecnologias mais avançadas, como por exemplo, o uso da técnica de irrigação,
minimizam os efeitos limitantes da variabilidade de chuva na produtividade agrícola.
Shimano et al. (2013) determinaram o risco de ocorrência de
doenças fúngicas na videira Vitis labrusca, em diferentes regiões produtoras do sul e
14
sudeste do Brasil, localizadas nos municípios de Caxias do Sul/RS, Marialva/PR,
Manga/MG, Jundiaí, São Miguel Arcanjo e Jales no estado de São Paulo, considerando a
influência das condições climáticas no desenvolvimento de doenças fúngicas na videira,
denominado risco climático. Os autores utilizaram o critério de recomendar pulverizações
na cultura quando ocorrer um total de 20 mm chuva acumulada, iniciando a contagem
desse acúmulo de chuva 10 dias após a poda na cultura. Os autores utilizaram os dados de
chuva de uma série histórica de 30 anos para cada localidade em estudo, obtidos através do
Sistema de Informações Hidrológicas da Agência Nacional de Águas (HIDROWEB), para
determinar o número de pulverizações necessárias para efetuar o controle fúngico, devido à
ocorrência de chuva, concluindo que o risco climático varia entre as regiões analisadas e o
sistema empregado para racionalização do uso de defensivos fúngicos na videira, deve
levar em consideração os dados de chuva para a programação das pulverizações.
Rizzi et al. (2006) monitoraram e estimaram a produtividade
agrícola da cultura de soja nos estados do Paraná, São Paulo e Mato Grosso do Sul na safra
de 2004/05, utilizando o modelo agronômico AGRO integrado ao aplicativo SPRING
(Sistema
de
PRocessamento
de
INformações
Georreferenciadas).
As
variáveis
meteorológicas necessárias para execução do modelo AGRO, como por exemplo,
temperatura do ar, velocidade do vento, umidade relativa do ar, radiação solar incidente e
precipitação pluvial diária foram geradas utilizando as previsões do modelo numérico de
previsão do tempo ETA, com resolução horizontal de 40 km x 40 km, devido à escassez de
estações meteorológicas dispostas espaçadamente na área rural, para disponibilizar dados
meteorológicos em escala temporal e espacial necessárias para a execução do modelo
agronômico. Os autores estimaram a produtividade agrícola para cada fase da cultura de
soja na área em estudo e compararam com os dados de produtividade da cultura fornecidos
pelo Instituto Brasileiro de Geografia e Estatística (IBGE), verificando que as estimativas
do modelo AGRO acompanharam a variação interanual da produtividade da soja para as
áreas dos três estados em estudo. Concluíram que as previsões calculadas pelo modelo
regional ETA, possuem um bom potencial de uso em modelos agronômicos de estimativa
de produtividade agrícola, além de possibilitarem o monitoramento do desenvolvimento de
culturas agrícolas em grandes regiões.
Panachuki et al. (2006) avaliaram as perdas de solo e água em áreas
experimentais de pastagem e de cultivo de soja no sistema de plantio direto utilizando um
simulador de chuva portátil. O processo erosivo analisado inicia-se pela desagregação das
15
partículas de solo, causado pela energia de impacto das gotas de água e pela força de
arrasto do escoamento superficial, o processo seguinte é o transporte das partículas de solo
desprendidas, que é realizado pela ação do vento e em maior escala pelo escoamento
superficial, finalizando esse processo de erosão, com a deposição dessas partículas
geralmente em rios e lagos. O estudo foi realizado no centro de Pesquisa Agropecuária
d`Oeste (EMBRAPA/CPAO), em Dourados/MS, em um solo classificado como, Latossolo
Vermelho aluminoférrico típico, com textura argilosa. A área de cada experimento mediu
0,70 m² e possuía um sistema de chapas que permitiu a medição do volume de água
escoado superficialmente no solo. Os autores simularam a ocorrência de chuva com quatro
intensidades distintas (40, 60, 80 e 100 mm/h), efetuando também, análises físicas do solo
em profundidades de 0-5 cm e 5-20 cm para determinar, por exemplo, a densidade do solo,
porosidade total e a macro e micro porosidade do solo, para verificar retenção e a
ocorrência do transporte de água no solo. Na área de pastagem com o aumento da
intensidade da chuva simulada, de 40 mm/h para 100 mm/h, ocorreu um aumento de 4,6
vezes de perda de solo, aumentando em 10 vezes as perdas de água. Já no sistema de
plantio direto, com as mesmas variações de intensidade da chuva simulada, ocorreu um
aumento de 3,8 vezes de perda de solo e de 9 vezes as perdas de água. Concluíram que
com intensidades de chuvas mais elevadas aumentam as perdas de solo e de água nos dois
sistemas analisados, e no sistema de plantio direto, ocorre maior perda de solo do que no
sistema de pastagem.
Bertol et al. (2002) avaliaram a ocorrência de erosão hídrica
causada pela chuva, quantificando a ocorrência de chuvas erosivas e não erosivas em solo
livre de vegetação, também definiu qual o fator de erosividade mais adequado a ser
utilizado na região analisada. O estudo foi desenvolvido no Centro de Ciências
Agroveterinárias (CAV/UDESC), localizado em Lages/SC. Foram analisadas as chuvas
diárias ocorridas em um período de 9 anos, tendo como período inicial o ano de 1989,
sendo excluído da análise o ano de 1992, por ausência de dados. Nesse período, ocorreram
966 eventos de chuva, os autores consideraram o evento de chuva como sendo erosivo,
quando a chuva totalizou 6 mm em 15 min e/ou acima de 10 mm, sendo considerado o
evento não erosivo quando a chuva foi classificada fora dessa faixa de valor e tempo.
Desses eventos de chuva ocorridos, 45% foram considerados erosivos e 55% não erosivos.
Os autores classificaram as chuvas erosivas e não erosivas pelo seu volume e também
calcularam o fator medida indireta de erosividade, dado pelo produto da energia cinética
16
total das chuvas (E), MJ ha-1, pela sua intensidade máxima (l) em um período tempo
(minutos), em mm/h, para cada chuva e método estudado. Concluíram que o fator de
erosividade El30 (minutos) é o mais indicado para predizer as perdas de solo para Lages/SC, e
que com relação ao volume de chuva, 84% são erosivas, ocorrendo 52% desse volume, na
primavera-verão.
Souza et al. (2006) avaliaram o efeito do teor de água no solo na
variabilidade espacial da resistência do solo à penetração. O estudo foi realizado em uma
área 40,5 ha de cultivo contínuo de cana-de-açúcar por mais 40 anos, sendo submetida à
colheita mecanizada nos últimos anos, localizada no município de Jaboticabal/SP, no ano
de 2004. O solo foi classificado como Latossolo Vermelho distrófico, textura argilosa
(LVd), desenvolvido sobre um arenito do Grupo Bauru, Formação Adamantina. A
compactação do solo é detectada pela resistência do solo a penetração e influenciada pelo
teor de água no solo, os valores de resistência do solo à penetração em torno de 1,5 a 3,0
MPa, são considerados críticos ao crescimento radicular das plantas. Os autores utilizaram
amostras do solo coletadas nas profundidades de 0-15 cm, 15-30 cm e 30-45 cm, em 100
pontos georrefenciados em uma área de 1 ha, distanciados em intervalos regulares de 10 m,
para determinar o teor de água no solo e utilizaram um penetrômetro de impacto para
determinar a resistência do solo a penetração. As análises foram efetuadas em dois
instantes distintos, o primeiro após 24h da ocorrência de uma chuva de 38 mm e o segundo
após 72 h da ocorrência dessa mesma chuva. As variáveis, resistência do solo a penetração
e o teor de água no solo, apresentaram moderada dependência espacial nas profundidades
de 0-15 cm e 30-45 cm, já nas profundidades de 15-30 cm apresentou forte dependência
espacial. Concluíram que o teor de água no solo afeta a variabilidade espacial para a
resistência do solo a penetração, ocorrendo uma menor dependência espacial, no maior teor
de água no solo determinado, no primeiro instante analisado.
Nesta seção foram apresentados trabalhos que demonstram a
influência dos parâmetros meteorológicos na agricultura com ênfase em irrigação. A
interferência humana no meio, necessária para garantir a segurança alimentar, exige o
emprego cada vez maior de tecnologias que auxiliem a prever a ocorrência dos parâmetros
meteorológicos, como temperatura do ar, velocidade e direção do vento, umidade relativa
do ar e principalmente a chuva.
O
planejamento
do
manejo
agrícola
deve
ser
efetuado
considerando-se a ação e a previsão desses parâmetros meteorológicos, indicando a
17
necessidade de avaliação das previsões calculadas pelos modelos numéricos de previsão do
tempo e clima. As previsões sazonais podem indicar a tendência do tempo para a próxima
safra, e as previsões de curto prazo, na escala de dias, podem fornecer informações que
auxiliem a programação do manejo agrícola, de forma que os recursos hídricos possam ser
utilizados de maneira eficiente.
Ainda o vento pode influenciar a distribuição das gotas de água na
irrigação por aspersão ocasionando perda da eficiência na irrigação, influenciando também
na regulagem e na programação de utilização de equipamentos de pulverização.
A
previsão da ocorrência de chuva pode auxiliar na programação de aplicações
fitossanitárias, aumentando sua eficiência e reduzindo custos. O controle do teor de água
no solo pode permitir o desenvolvimento radicular das plantas, mesmo em solos com certo
grau de compactação. A chuva pode desencadear processos erosivos do solo, provocando
impacto ambiental, prejuízo para o agricultor e podendo também acarretar um aumento de
custo na produção agrícola.
A produtividade agrícola está fortemente relacionada com o ciclo
chuvoso e afeta principalmente os pequenos agricultores e a agricultura familiar, onde o
emprego da técnica de irrigação ainda tem uma modesta utilização. As informações das
previsões de chuva de curto prazo, utilizadas em modelos agronômicos de tomada de
decisão no planejamento da irrigação, podem reduzir o consumo de água e
consequentemente os gastos com energia elétrica.
Nesse contexto, justifica-se o
desenvolvimento do presente estudo de avaliação da performance da previsão de chuva do
modelo numérico de previsão do tempo ETA, para indicar de forma objetiva a precisão de
suas previsões na área do estado de São Paulo.
18
3. MATERIAL E MÉTODOS
3.1 Modelo ETA
O software de execução do modelo ETA pode ser obtido
gratuitamente através do site: http://etamodel.cptec.inpe.br do CPTEC/INPE junto com as
instruções de instalação. As condições iniciais do modelo (ou os campos para tempo
inicial) são fornecidas pelo CPTEC, em uma área para download, para os usuários
cadastrados. As condições iniciais descrevem a atmosfera em 3 dimensões (x,y,z), com os
valores das variáveis como temperatura, vento, umidade, pressão atmosférica especificadas
na grade do modelo. Em termos simples, é a partir dessa condição inicial que o modelo é
integrado no tempo para determinar a evolução temporal da atmosfera, ou para fazer
previsão.
O modelo possui dois módulos: de processamento e de pósprocessamento, sendo que a visualização de resultados do modelo, que é uma parte
importante de pós-processamento, pode ser feita usando um software que interprete o
formato de arquivos de saída de dados do modelo.
No módulo de processamento são criadas as variáveis de ambiente,
tabelas, arquivos de dados e programas auxiliares ao processamento do software do
modelo, enfim, é criado o ambiente computacional necessário para execução do software
do modelo, juntamente com algumas etapas dos cálculos das previsões do modelo. Já no
módulo de pós-processamento são gerados os arquivos de dados contendo os resultados
das previsões, gráficos e figuras com a representação dos resultados calculados.
19
Os resultados do ETA são apresentados em uma grade cartesiana,
com o posicionamento dos pontos descritos em coordenadas de latitude e longitude, em
escala temporal, uma vez que os fenômenos atmosféricos e as variáveis atmosféricas como
precipitação e temperatura ocorrem no espaço e tempo.
Assim, um software como
GrADS (Grid Analysis and Display System) desenvolvido pelo Institute of Global
Environment and Society (IGES) e Center for Ocean-Land-Atmosphere Studies (COLA),
foi usado no presente estudo e também é muito utilizado em aplicações meteorológicas,
por fornecer facilidades para trabalhar com dados referenciados no espaço e tempo. Outro
software que foi usado no presente trabalho, no pós-processamento, é a linguagem de
programação R (The R Development Core Team, 2011), junto com os seus pacotes
estatísticos. O GrADS e o R são de domínio público e têm versões para Linux e Windows,
os códigos desses programas estão disponíveis para serem instalados em computadores no
site http://www.iges.org/grads/ e http://www.r-project.org/, respectivamente.
3.2 Equações fundamentais de modelos matemáticos
Os modelos matemáticos de previsão do tempo, tal como o ETA,
resolvem equações físicas que descrevem o comportamento da atmosfera, e que para fins
de solução são codificados em linguagens de computador, como FORTRAN, a serem
resolvidas numericamente. Essas equações serão apresentadas a seguir, para exemplificar
as equações utilizadas no modelo ETA.
O movimento de uma partícula na atmosfera é descrito pela
segunda lei de Newton, i.e., a aceleração da partícula é causada pelas forças que nela
atuam. Usando o sistema de coordenadas (x,y,p) fixo em relação à Terra, a segunda lei de
Newton para a partícula de ar é :
. ,
.2 ,
20
Conforme descrito por Holton e Hakim (2013). Essas equações
descrevem o movimento horizontal do ar com o vetor velocidade (u,v), onde u é
componente da velocidade na direção leste-oeste, e v, componente da velocidade na
direção norte-sul. A força de coriolis é representada por
e
é a aceleração da gravidade
considerando o sistema de referência usado não é inercial, devido principalmente ao
movimento de rotação da Terra. O modelo ETA utilizado no presente trabalho utilizou
aproximação hidrostática, que desconsidera a aceleração vertical devido à magnitude da
força do gradiente de pressão ser muito maior que a magnitude desconsiderada. O ganho
computacional com a utilização dessa aproximação é considerável, sendo utilizada em
modelos operacionais de previsão do tempo. Matematicamente:
⍴
. ,
Qualquer movimento atmosférico deve seguir a lei de conservação
da massa, de energia e de massa de água, que são dadas, respectivamente, pela equação da
continuidade de massa:
. ,
Equação de energia termodinâmica
. ,
e pela equação de conservação da água
21
. ,
Nessas equações,
coordenada na direção norte-sul, e
é coordenada na direção leste-oeste,
é
pressão atmosférica usada como coordenada vertical,
é símbolo para derivada parcial. Na descrição de movimentos atmosféricos é utilizada a
pressão como coordenada vertical ao invés de altura geométrica. Outros termos são:
e
, como mencionado anteriormente, são parâmetros de
coriolis componentes horizontais (paralela à superfície da Terra) da força de Coriolis, que
surge ao aplicar a segunda lei de Newton em um sistema de referencial não inercial, como
qualquer sistema de coordenadas fixo à Terra. Vale lembrar que essas equações podem ser
escritas de diferentes formas, dependendo do sistema de coordenadas adotado.
As equações (3.1) a (3.6) que governam os movimentos
atmosféricos não possuem soluções analíticas, portanto, devem ser resolvidas por métodos
numéricos, discretizando-as para uma grade escolhida.
Existem vários tipos de grades usados em modelagem numérica da
atmosfera, e são identificados por letras de A a E, segundo Arakawa (1972).
Particularmente, no modelo ETA usado no presente trabalho as equações são discretizadas
na grade E, conforme mostra a Figura 2, onde nos pontos denotados por u,v, os
componentes horizontais do vetor velocidade do vento u e v são distribuídos, e nos pontos
denotados por h, outras quantidades como temperatura, umidade específica, velocidade
vertical são distribuídas. A resolução da grade é definida pela distância entre dois pontos
de variáveis de massa ou de vento. A grade “E” é regular em coordenadas esféricas e o
ponto de intersecção entre o meridiano de zero grau e o equador é transferido para o centro
do domínio do modelo, para minimizar a convergência entre os paralelos e meridianos na
área central do domínio do modelo. Mais detalhes sobre a discretização das equações de
movimento atmosférico (e também oceânico) podem ser encontrados em (KALNAY,
2003).
22
h
u,v
h
u,v
h
u,v
h
u,v
h
u,v
h
u,v
h
u,v
h
u,v
h
u,v
h
u,v
h
u,v
h
u,v
h
Figura 2 – Grade “E” utilizada pelo modelo ETA.
No presente estudo, o modelo ETA foi executado utilizando o
esquema de parametrização convectiva Kain-Fritsch (KAIN, 2004). Esse esquema de
parametrização foi derivado e modificado do esquema originalmente descrito por Fritsch e
Chappell (1980). A parametrização é a simulação da evolução de processos físicos e
químicos da atmosfera que ocorrem em escala de tempo e espaço inferiores à grade do
modelo atmosférico, subgrade, utilizando nessa simulação parâmetros representados na
grade do modelo atmosférico. A chuva prevista é um parâmetro de subgrade do modelo,
sofrendo influência da parametrização de convecção utilizada e da resolução horizontal
adotada na configuração do modelo.
A coordenada vertical do modelo ETA, descrita por Mesinger
(1984), o diferencia dos demais modelos atmosféricos, pois normaliza a pressão
atmosférica em superfícies horizontais quase planas, mesmo em áreas com relevo inclinado
permitindo a definição de uma maior resolução vertical em altitudes de maior interesse,
diferente da coordenada vertical sigma que acompanha a superfície do relevo do terreno.
Essa normalização da pressão atmosférica minimiza os erros produzidos nos cálculos de
variáveis derivadas desse parâmetro em áreas com relevo elevado (MESINGER et al.,
2012). A coordenada vertical ETA é escrita da seguinte forma:
(3.7)
23
(3.8), onde
p é pressão atmosférica e os subscritos T e S denotam topo e superfície do solo do modelo;
z é altura geométrica;
é pressão de referência em função de z.
No IPMet-UNESP, o modelo é executado duas vezes ao dia, uma
com a condição inicial da 00UTC e outra com a de 12UTC, fornecendo produtos para
previsão do tempo para o estado de São Paulo, com uma resolução de saída de dados em
quadrículas de 10kmx10km. Então cada ponto de grade do modelo é representativo para
uma área de 100 km2.
O modelo ETA utiliza, como dados de entrada (condição inicial) e
de fronteira, as previsões do modelo ETA rodado com resolução de 40 km x 40 km no
CPTEC/INPE, incluindo temperatura e umidade do ar, pressão atmosférica, entre outras
variáveis meteorológicas, para todo o domínio espacial horizontal, em superfície, e
domínio espacial vertical, em altitude. Essas informações são atualizadas para cada período
de 6 horas de previsão do modelo. Os dados de saída do modelo são armazenados em
arquivos em formato GRIB (GRIdded Binary), internacional de arquivamento de dados em
formato binário.
3.3 Um exemplo de previsão de chuva acumulada em 24hs prevista pelo Modelo
ETA
A Figura 3 mostra o campo de chuva acumulada em 24hs prevista
para o dia 19/10/2010 sobre o estado de São Paulo e vizinhança representando precipitação
acumulada em 24hs, na grade regular de 10 km x 10 km. A barra de cores, na parte inferior
da Figura, indica a quantidade de chuva acima de 1 mm. É possível notar que o maior
volume de chuva está no estado de Minas Gerais e Rio de Janeiro, ultrapassando 80 mm
em 24hs.
24
Figura 3 – Chuva acumulada (mm) em 24 horas, prevista pelo modelo ETA para o dia
19/10/2010.
3.4 Observação de chuva usando radar meteorológico
Esta seção apresenta as características do radar meteorológico do
IPMet-UNESP, alguns produtos gerados a partir dos dados coletados pelo radar, a
quantificação da chuva utilizando o radar e também a adequação das grades de dados do
radar e do modelo ETA.
3.4.1 Radar do IPMet/Bauru
O radar meteorológico de Bauru, instalado nas dependências do
IPMet-UNESP (22,3576° S; 49,0279° W), opera na banda S de ondas eletromagnéticas. A
banda S é a porção de microondas do espectro eletromagnético, com frequência entre 2 e 4
GHz. Particularmente, o radar do IPMet-UNESP opera na frequência de 2,8 GHz e
comprimento de onda 10,7 cm. Ele tem também uma antena com diâmetro de 4 metros (m)
e feixe de abertura angular de 2o, mais detalhes das características do radar meteorológico
de Bauru podem ser observados na Tabela 2.
25
Tabela 2- Características do radar meteorológico do IPMet-UNESP, instalado em
Bauru/SP.
Características do radar meteorológico do IPMet-UNESP
Comprimento de onda [cm]
Abertura do feixe [graus]
Comprimento do Pulso
[µseg]
[m]
Mínimo sinal detectado até 240 km [dBZ]
Resolução dos dados gravados
Com
essas
características,
10,7
2,0
0,8
250
10
1º x 1º x 250 m
remotamente,
coleta
ondas
eletromagnéticas espalhadas pelas gotas de chuva de forma volumétrica em um círculo
com raio de 240 km, centrado no radar meteorológico. Essas informações coletadas,
registradas em coordenadas de azimute (medida de abertura angular) e elevação, são
referidas como refletividade do radar. O radar meteorológico do IPMet-UNESP funciona
ininterruptamente executando tarefas programadas de coleta de dados meteorológicos e
parando a coleta de dados somente para a manutenção do equipamento. Em situações sem
chuva é executada, a cada hora, uma tarefa de coleta de dados meteorológicos com apenas
uma elevação, em um raio de 450 km do radar, denominada PPI (Plan Position Indicator).
Os dados do PPI não permitem estimativa volumétrica da chuva, porém, permitem
localizar onde estão ocorrendo chuvas dentro do raio de alcance de 450 km.
Os dados volumétricos de chuva, necessários para a composição
dos dados de chuva acumulada em espaço e tempo, são registrados somente quando ocorre
chuva em um círculo com raio de 240 km do radar. Nesses casos, o operador do radar ativa
manualmente uma tarefa do software de gerenciamento do radar meteorológico
(SIGMET/IRIS), que é executada a cada 7,5 minutos automaticamente após sua ativação,
gerando, 8 arquivos por hora.
A informação de chuva a uma altitude constante é dada por outro
produto do radar chamado CAPPI (Constant Altitude Plan Position Indicador) que consiste
na projeção de partes dos dados de refletividade coletados para várias alturas (PPIs)
interpolados para um plano horizontal em uma altitude constante, conforme mostrado na
Figura 4.
26
Figura 4 – Ilustração de PPIs utilizados para produzir um CAPPI.
O presente trabalho usou CAPPI correspondente à altura de 3,5km.
Nessa escolha levou-se em consideração a área de cobertura e ecos de terreno. Os dados
desse CAPPI pareceram menos contaminados pelos ecos de terreno do que CAPPI(s) de
alturas mais baixas e cobre uma área maior com um raio de 240 km, conforme pode ser
notado na Figura 5, que mostra CAPPI para 2.0 km, 2.75 km e 3.5 km de altura.
Na tentativa acertada de remover ecos espúrios do radar, como o
eco de terreno mostrado na Figura 6, foi utilizado o limiar de 1 mm para indicar chuva no
produto CAPPI, com altitude de 3,5 km. Essa técnica também pode remover ecos de chuva
do radar. A Figura 6a mostra o percentual de registros de ocorrência de chuva diária, para
um período de 3 anos (2010 – 2012), sem a utilização de limiar , juntamente com ecos de
terreno, em um raio de 240 km do radar meteorológico de Bauru. Na área central da Figura
6a, próximo a cidade de Bauru, pode ser observada a percentagem correspondente à
ocorrência de ecos de chuva na faixa de 70 a 85% (podendo ser eco de terreno e ou chuva).
A Figura 6b mostra o resultado da aplicação do limiar de 0,1 mm,
esse efeito na área central próximo a cidade de Bauru não é observado. A percentagem de
registros de ocorrência de ecos de chuva do radar ficou na faixa de 40 a 45%.
27
A Figura 6c mostra o resultado da aplicação do limiar de 1 mm
para indicar chuva no produto CAPPI com altitude de 3,5km. A percentagem de registros
de ocorrência de ecos de chuva ficou na faixa de 30 a 35%, na maior parte da Figura, o que
corrobora com o resultado percentual de chuva com limiar de 1 mm registrado nos
pluviômetros das estações meteorológicas de Jaú, Piracicaba e Bebedouro, apresentado nas
próximas sessões do presente trabalho.
(a)
(b)
(c)
Figura 5 – Imagens de CAPPI de: (a) altitude constante de 2.0 km, (b) altitude constante
de 2.75 km e (c) altitude constante de 3.5 km. Na área central da figura 4(a), 4(b) e 4(c), no
entorno da cidade de Bauru, podem ser observados os ecos de terreno ocasionados pelo
lóbulo secundário do radar.
28
(a)
(b)
(c)
Figura 6- Utilização do limiar de 1 mm, na remoção de ecos espúrios do radar.
Para melhor ilustrar a composição do produto CAPPI, a Figura 7
mostra a altura do feixe eletromagnético do radar meteorológico de Bauru em relação à
superfície da terra em um raio de 240 km da antena do radar. Para calcular a altura do
feixe em função da distância utilizou-se a equação 3.9.
sen
2r
H = Altura em km,
. ,
29
R = Distância em km,
= Ângulo de elevação da antena,
r = Raio da Terra (aproximadamente 6371 km).
Figura 7 – Altura do feixe eletromagnético do radar meteorológico de Bauru em função da
distância e ângulo da antena do radar.
Nesse estudo, considera-se produto como sendo um conjunto de
informações processadas e visualizadas em forma de texto, gráfico ou figura. Nesse
contexto o produto CAPPI pode ser utilizado para gerar o produto de chuva acumulada,
como por exemplo, em 24hs. O produto RAINN (N-Hour Rain Acumulation) gerado
através do software SIGMET/IRIS (Significant Meteorological Information/Interactive
Radar Information System) que gerencia o radar meteorológico do IPMet-UNESP,
representa a chuva acumulada em milímetros (mm) em período de 24hs, utilizando
CAPPI(s) em sua composição, como pode ser observado na Figura 6, que mostra a
representação gráfica do produto RAINN do radar meteorológico do IPMet-UNESP, a uma
altitude constante de 3,5 km.
Os dados do radar são armazenados seguindo o horário LT (Local
Time, horário de Brasília/DF) e não acompanham o horário de verão. A estimativa de
acúmulo de chuva da Figura 8 se inicia às 00 h do dia 02 de janeiro de 2011 e finaliza às
00 h do dia 03 de janeiro de 2011. Os dados foram coletados a cada 7,5 minutos. A área
30
colorida da imagem representa a estimativa de chuva acumulada em 24hs a uma altitude
constante de 3,5 km durante o período citado, conforme a escala de cores e valores
localizada no lado direito da Figura, que mostra a amplitude de cada faixa de valor de
chuva acumulada representado pelas cores.
Na Figura 8 observa-se que o maior valor de estimativa de chuva
acumulada está localizado entre os municípios de Garça e Bauru, entre 11 e 39 mm.
Ocorrem áreas com valores de estimativas de chuva acumulada entre 19 a 34 mm, nas
proximidades das cidades de: Jaú, Arealva, Botucatu, Itápolis e Rio Claro. A maior parte
das estimativas de chuva acumulada estão entre os valores 1 e 11 mm, nesta Figura.
Figura 8 – Chuva acumulada (mm) do produto RAINN, utilizando o software
SIGMET/IRIS, para um período de 24 horas. A barra de cores do lado direito da Figura,
mostra a faixa de valor correspondente a cor apresentada na Figura, para as estimativas de
chuva acumulada.
31
3.4.2 Relação Z-R
O radar mede a energia retroespalhada do volume de gota, expresso
por sua refletividade, em um determinado volume de ar, Z, fator de refletividade do radar,
que pode ser transformada em taxa de precipitação em mm/h (R), utilizando uma equação
geralmente referida como relação Z-R, dada por:
Z = aRb
( 3.10 ),
onde:
a e b = constantes numéricas,
Z - fator de refletividade do radar (mm-6m3),
R - taxa de precipitação (mm/h).
Doravante, a precipitação estimada pelo radar usando relação Z-R será denotada por RP, e
a precipitação no pluviômetro por PP. Assim, por exemplo, RP diária é precipitação diária
ou acumulada em 24h estimada pelo radar.
A refletividade volumétrica das gotas de chuva em dBZ pode ser
calculada utilizando a equação 3.11:
dBZ = 10log10(Z)
( 3.11 ),
Entre os fatores que devem ser levados em consideração na
estimativa de precipitação pelo radar existem a distância entre a antena do radar e o alvo
(no caso precipitação), abertura angular do feixe, curvatura da superfície terrestre e a
altitude do alvo.
3.5 Adequação da grade do radar para a grade do modelo
As informações coletadas pelo radar do IPMet-UNESP são dadas
em coordenadas de azimute e elevação. O IPMet usa um software chamado TITAN
(Thunderstorm
Identification
Tracking
Analysis
and
Nowcasting,
32
http://www.rap.ucar.edu/projects/titan/home/index.php) do NCAR (National Center for
Atmospheric Research) que permite colocar esses dados numa grade cartesiana
tridimensional. Para o TITAN executado no IPMet-UNESP, essa grade tem resolução de
0,75 km x 0,75 km x 0,75 km, em planos horizontais e verticais cartesianos. Outra função
importante do TITAN é de rastrear sistemas precipitantes para previsão de curtíssimo
prazo.
Para gerar a RP no TITAN foram utilizados CAPPI(s) a 3,5 km de
altitude. Os dados de RP no sistema TITAN foram interpolados, utilizando média
aritmética simples, para a grade do modelo ETA de 10 km x 10 km com o objetivo de
confrontar as previsões com as observações do radar. Para um dado ponto do modelo, a
RP é dada pela média aritmética simples de dados correspondentes 169 quadriculas de
0,75 km x 0,75 km que estão mais próximas desse ponto. Essa adequação dos dados do
radar para a grade do ETA suavizou o campo original, porém sem perder as principais
características. A Figura 9 mostra um exemplo comparando dados na grade original de
0,75 km x 0,75 km com dados depois da interpolação na grade de 10 km x 10 km do ETA.
Nesse exemplo, a RP diária foi estimada usando a relação Z-R representada por Z=200R1,6
(MARSHALL e PALMER, 1948). A Figura 10 mostra outro exemplo dessa adequação de
grade de dados utilizando outra relação Z-R, a RP diária foi estimada usando a relação Z-R
representada por Z=250R1,2 (ROSENFELD et al., 1993).
(a)
(b)
Figura 9 – RP diária, para 23:58:43 UTC de 1 de janeiro de 2010, com resolução espacial
de (a) 0,75 km x 0,75 km (interpolação bilinear original do TITAN) e (b) resolução
33
espacial do modelo ETA de 10 km x 10 km (interpolação utilizando média aritmética
simples).
(a)
(b)
Figura 10 - RP diária, para 23:58:49 UTC de 2 de janeiro de 2011, com resolução
espacial de (a) 0,75 km x 0,75 km (interpolação bilinear original do TITAN) e (b)
resolução espacial do modelo ETA de 10 km x 10 km (interpolação utilizando média
aritmética simples).
3.6 Estimativa de precipitação pluviométrica utilizando radar meteorológico
Vale ressaltar que a precipitação pluviométrica obtida pelo radar
meteorológico usando relação Z-R em altitude constante, é diferente da precipitação
medida por um pluviômetro instalado próximo à superfície, por exemplo, na altura padrão
de 1,5 m do solo. Existem vários fatores que fazem com que as duas medidas sejam
diferentes, entre os quais podemos destacar: erro na medição da refletividade, incerteza na
quantificação da chuva utilizando relação Z-R, aumento da altura do feixe acima da
superfície com a distância, variação da precipitação com a altura, presença de granizo,
propagação anômala do feixe do radar, preenchimento parcial do feixe do radar a longas
distâncias, volume e tempo de coleta de dados diferentes utilizados na comparação,
evaporação das gotas de chuva, corrente descendente de ar na região da nuvem precipitante
(AUSTIN, 1987; WILSON e BRANDES, 1979).
Com o objetivo de verificar a consistência entre dados diários de
RP e de PP, três estações meteorológicas automáticas foram selecionadas dentro da área de
cobertura do radar meteorológico do IPMet-UNESP, localizadas em instituições de ensino
34
e/ou pesquisa e por estarem em regiões com atividade agrícola, localizadas nas cidades de
Bebedouro, Piracicaba e Jaú, cujas latitudes e longitudes estão relacionadas na Tabela 3. O
mapa da Figura 11 mostra a localização dessas três estações.
Tabela 3 – Estações meteorológicas usadas no estudo.
Estação
Latitude
meteorológica (S)
Longitude
entidade
Distância
(W)
radar de Bauru
(km)
Bebedouro
200 53' 16”
480 28' 11”
Estação Experimental de
170
Citricultura de Bebedouro
Piracicaba
220 42' 30”
470 38' 00”
Escola
Superior
Agricultura
“Luiz
de
150
de
Queiroz” (ESALQ/USP)
Jaú
220 18' 50”
480 32' 54”
do
Faculdade de Tecnologia
50
(FATEC Jahú)
Figura 11 – Localização das três estações meteorológicas (Bebedouro, Jaú e Piracicaba)
usadas no estudo e também do radar meteorológico.
35
Os dados de precipitação pluviométrica diária dessas estações, que
correspondem a acumulação de 24hs entre 00h e 24hs, foram comparados com os
correspondentes dados de precipitação do radar, considerando os anos de 2010, 2011 e
2012. Vale informar que nos registros diários de refletividade do radar os dias sem chuva
simplesmente não são reportados, diferente dos pluviômetros que reportam zero nesses
casos. O software TITAN foi utilizado para calcular RP diária. Primeiramente totalizando
chuva horária e depois somando 24 valores horários, em quadrículas com resolução de
0,75 km x 0,75 km, utilizando o produto CAPPI com altitude de 3,5 km.
3.7 A escolha da relação Z-R utilizada
Uma das questões importantes quando se procura estimar
precipitação usando radar é a escolha da relação Z-R entre centenas existentes (RAMLI et
al., 2011; MORIN et al., 2005; HAGEN e YUTER, 2006; UIJLENHOET e POMEROY,
2001; AUSTIN, 1987; GUNN e MARSHALL, 1958; DOVIAK e ZRNIC, 1984). Na
equação
, a pode variar de 30 a 500 e b de 1.2 a 2.0 (DOVIAK e ZRNIC, 1984).
Esses coeficientes são determinados analisando dados de refletividade do radar e de
disdrômetro, que tem capacidade de medir, dentre outras quantidades, a distribuição de
tamanho de gotas de chuva através de um espectrômetro, onde as gotas incidem sobre uma
área. O disdrômetro fornece a distribuição de tamanho das gotas de chuva, colocado
próximo ao solo (DOVIAK e ZRNIC, 1984). A relação entre a refletividade (Z) e os
tamanhos das gotas utilizando o espalhamento de Rayleigh, é dada por:
, onde
( 3.12 )
D é diâmetro das gotas de chuva, e N(D) é número de gotas de
chuva com diâmetro entre D e D+dD. A equação 3.12 pode ser deduzida a partir da teoria
de espalhamento de ondas eletromagnéticas (OE), pelas partículas pequenas (em relação ao
comprimento de OE incidente). Vários estudos mostram que os coeficientes a e b
dependem também do local, estação do ano, tipo de precipitação (chuvisco, chuva de
origem convectiva, chuva de origem estratiforme, neve, etc). Isto ocorre porque a
distribuição do tamanho de gotas (DSD), N(D), varia com o tipo de precipitação e pode
variar espacialmente e temporalmente, mesmo dentro de um único sistema precipitante,
36
conforme descrito por Mason e Andrews (1960). A Tabela 4 mostra exemplos de Z-R,
determinadas para diversos locais e tipos de precipitação.
A taxa de precipitação R correspondente ao volume iluminado pelo
radar, tendo distribuição de gotas N(D), velocidade terminal v(D), e massa das gotas m(D),
também utilizando o espalhamento de Rayleigh, é dada teoricamente por:
( 3.13 )
A Figura 9 mostra um gráfico com as taxas de precipitação para 10
relações Z-R, junto com a linha vertical passando por 53 dBZ. Acima desse valor a
refletividade do radar poder ser considerada empiricamente, como sendo de granizo e não
de água líquida (FULTON et al. 1998). No presente trabalho valores acima de 53 dBZ
foram encontrados em apenas 0,002% dos dados utilizados, sendo assim, não
apresentaram variação significativa nos resultados.
A relação Z=200R1.6, proposta por Marshall e Palmer (1948) é a
mais conhecida e usada na literatura e a relação Z-R dada por Z=250R1.2 (ROSENFELD et
al., 1993) obteve recomendação para ser utilizada em eventos de chuva de natureza tropical
pelo NWS (ULBRICH e LEE, 1999). Essas duas relações Z-R foram escolhidas, entre as
10 apresentadas na Figura 12, para gerar dados de RP diária que foram comparados com
dados de PP diária, das estações meteorológicas localizadas em Bebedouro, Jaú e
Piracicaba, para definir qual delas seria utilizada para gerar dados de RP na verificação da
precisão do modelo ETA. A Tabela 4 mostra os coeficientes a e b utilizados nas relações
Z-R apresentadas na Figura 12 com sua referência.
Tabela 4- Coeficientes a e b utilizados nas relações Z-R, mostradas na Figura 12.
a
200
55
316
143
251
250
300
230
334
285,83
b
1,6
1,6
1,5
1,5
1,48
1,2
1,4
1,4
1,19
1,33
Referência
Marshall e Palmer (1948)
Jorgensen e Willis (1982)
Joss e Lee ( 1995)
Steiner et al. (1995)
Narayana Rao et al. (2001)
Rosenfeld et al. (1993)
Woodley et al. (1975)
Austin (1987)
Atlas et al. (1999)
Kumar et al. (2011)
37
Figura 12 – Taxas de precipitação (mm/h) para 10 relações Z-R. A linha vertical tracejada
corresponde a refletividade de 53 dBZ, a partir da qual é foi considerado empiricamente
como granizo e não água liquida.
A Figura 10 mostra um gráfico com as duas relações Z-R
escolhidas para gerar RP.
Figura 13 - Taxas de precipitação (mm/h) utilizando as relações Z-R M-P e Rosenfeld.
38
4. RESULTADOS
Esta seção apresenta os resultados da tese, incluindo o método de
estimação da precipitação na superfície usando dados de radar, assim como, a verificação
da previsão de chuva do modelo ETA.
4.1 Comparação entre dados de radar e pluviômetros
Esta seção apresenta a comparação dos dados de chuva acumulada
dos pluviômetros contra os dados do radar meteorológico, objetivando definir a relação
Z-R que será utilizada na verificação da previsão do modelo ETA.
4.1.1 Análise de dados pluviométricos de Bebedouro
A Figura 14 mostra a comparação dos valores diários da RP e PP
para estação meteorológica de Bebedouro/SP, para um período de 3 anos. Na Figura 14a é
apresentada RP diária com a relação Z-R M-P, na Figura 14b, a RP diária com a relação
Rosenfeld, e na Figura 14c, PP diária. Observa-se que o radar subestima a precipitação em
relação às medidas do pluviômetro, especialmente quando usa a relação Z-R M-P. A
tendência do radar em subestimar precipitação pode ser observada também nos
histogramas de frequências de RP - PP mostrados na Figura 15. É possível notar que, tanto
para relação Marshall-Palmer quanto para relação Rosenfeld, a diferença RP – PP na
maioria das vezes é negativa. Cada histograma foi construído usando 315 pares de dados
de RP e PP, para o período de 2010 a 2012.
O pluviômetro da estação meteorológica registrou valores de chuva
acumulada diária acima de 80 mm, mas as estimativas pelo radar não ultrapassaram 60 mm
com a Z-R Rosenfeld e 40 mm com a Z-R M-P. A precipitação acumulada durante todo o
39
período foi de 1.712,5 mm, com a relação Z-R M-P, e 2.308,8 mm, com a Z-R Rosenfeld,
enquanto o pluviômetro registrou 4.109,5 mm, demonstrando que o radar utilizando a
relação Z-R M-P subestimou 58,4% do total de chuva registrada pelo pluviômetro e com a
relação Z-R Rosenfeld subestimou 43,8% da PP.
Figura 14 – Acumulado de chuva (mm), no período de 2010 a 2012 na estação
meteorológica de Bebedouro/SP: (a) RP com Z-R M-P, (b) RP com Z-R Rosenfeld, e (c)
PP.
40
Figura 15 – Distribuição de frequência para as diferenças RP - PP, para RP estimada com
(a) relação Z-R M-P e (b) relação Z-R Rosenfeld.
4.1.2 Análise de dados pluviométricos de Piracicaba
A Figura 16 mostra RP e PP diária para estação meteorológica de
Piracicaba/SP, para um período de 3 anos. Na Figura 16a é apresentada RP diária com a
relação Z-R M-P, na Figura 16b, a RP diária utiliza a Z-R Rosenfeld, e na Figura 16c, PP
diária. Observa-se que o radar subestima a precipitação em relação às medidas do
pluviômetro, especialmente quando usa a relação Z-R M-P. A tendência do radar em
subestimar precipitação pode ser observada também nos histogramas de frequências de
RP - PP mostrados na Figura 17. Note que, tanto para relação Z-R Marshall-Palmer
quanto para relação Z-R Rosenfeld, a diferença RP – PP na maioria das vezes negativa.
Cada histograma foi construído usando 324 pares de dados de RP e PP, para o período de
2010 a 2012.
O pluviômetro da estação meteorológica registrou valores de chuva
acumulada diária acima de 80 mm, mas estimativas pelo radar não ultrapassaram 60 mm
com Z-R Rosenfeld e 40 mm com Z-R M-P. A precipitação acumulada durante todo o
período foi de 1.929,1 mm, com a relação Z-R M-P, e 2.463,7 mm, com a relação Z-R
Rosenfeld, enquanto o pluviômetro registrou 3.828,1 mm, demonstrando que o radar
utilizando a relação Z-R M-P subestimou 49,6% do total de chuva registrada pelo
pluviômetro e com relação a Z-R Rosenfeld subestimou 35,6% da PP.
41
Figura 16 – Acumulado de chuva (mm), no período de 2010 a 2012 na estação
meteorológica de Piracicaba/SP: (a) RP com Z-R M-P, (b) RP com Z-R Rosenfeld, e (c)
PP.
42
Figura 17 – Distribuição de frequência para as diferenças RP - PP, para RP estimada com
(a) relação Z-R M-P e (b) relação Z-R Rosenfeld.
4.1.3 Análise de dados pluviométricos de Jaú
A Figura 18 mostra RP e PP diária para estação meteorológica de
Jaú/SP, para um período de 3 anos. Na Figura 18a é apresentada RP diária com a relação
Z-R M-P, na Figura 18b, RP diária utilizando a relação Z-R Rosenfeld, e na Figura 18c,
PP diária. Observa-se que o radar subestima a precipitação em relação às medidas do
pluviômetro, especialmente quando usa a relação Z-R M-P. A tendência do radar em
subestimar precipitação pode ser observada também nos histogramas de frequências de
RP – PP mostrados na Figura 19. Note que, tanto para a relação Marshall-Palmer quanto
para a relação Rosenfeld, a diferença RP – PP na maioria das vezes negativa. Cada
histograma foi construído usando 298 pares de dados de RP e PP, para o período de 2010 a
2012.
O pluviômetro da estação meteorológica registrou valores de chuva
acumulada diária acima de 80 mm, as estimativas pelo radar ultrapassaram 80 mm com a
Z-R Rosenfeld e 60 mm com a Z-R M-P. A precipitação acumulada durante todo o período
foi de 2.292,9 mm, com a relação Z-R M-P, e 3.203,5 mm, com a relação Z-R Rosenfeld,
enquanto o pluviômetro registrou 4.419,2 mm, demonstrando que o radar utilizando a
relação Z-R M-P subestimou 48,1% do total de chuva registrada pelo pluviômetro e com
relação a Z-R Rosenfeld subestimou 27,5% da PP.
43
Figura 18 – Acumulado de chuva (mm), no período de 2010 a 2012 na estação
meteorológica de Piracicaba/SP: (a) RP com Z-R M-P, (b) RP com Z-R Rosenfeld, e (c)
PP.
44
Figura 19 – Distribuição de frequência para as diferenças RP - PP, para RP estimada com
(a) relação Z-R M-P e (b) relação Z-R Rosenfeld.
4.2 Verificação da existência de erro sistemático na estimativa do radar
Apesar de neste estudo o radar apresentar tendência em subestimar
a precipitação, na estação de Bebedouro os diagramas de dispersão apresentados nas
Figuras 20a e 20b mostram que as suas estimativas com as duas relações Z-R estão bem
correlacionadas com as medidas do pluviômetro, com o coeficiente de correlação r de 0,72
para RP com Z-R M-P, e 0,76, para RP com Z-R Rosenfeld. A tendência do radar em
subestimar precipitação em relação à precipitação medida no chão, foi também observada
quando as suas estimativas foram comparadas com os dados das estações de Piracicaba,
mostradas nas Figuras 20c e 20d e Jaú, mostradas na Figuras 20e e 20f, porém, mesmo
para esses casos, uma boa correlação entre essas estimativas e as medidas do pluviômetros
pode ser notada.
A inclinação da reta de regressão formando ângulo maior que 45
graus com o eixo horizontal mostrada na Figura 20 é outra maneira de ver a tendência do
radar em subestimar precipitação. É possível notar que este ângulo é maior no caso da
estimativa com Z-R M-P, indicando que esta relação subestima mais que a Z-R Rosenfeld.
Para uma amostra de n valores de RP e de PP, outra maneira de ver o erro sistemático é
calculando erro médio (bias) dado por:
45
( 3.14 )
onde
é i-ésima estimativa de
. Entretanto, os erros em estimativas não podem ser
baseados somente no bias, considerando que as diferenças
,
, 2, ,
, ,
podem ser positivos ou negativos e dar falsa impressão de que os erros individuais são
pequenos. Assim, pode ser analisada junto com o bias a raiz quadrada do erro quadrático
médio, usualmente abreviada rms, e expressa como
( 3.15 )
A Tabela 5 mostra o bias e rms para RP diária, assumindo PP diária como verdade terrestre
para Bebedouro, Piracicaba e Jaú.
Tabela 5 – Análise de erro das estimativas de chuva diária pelo radar, para as três estações
meteorológicas, considerando o período 2010-2012.
M-P
Estação
bias (mm)
Rosenfeld
rms (mm) bias(mm)
rms (mm)
Distância (km)
meteorológica
Bebedouro
-7,4
13,9
-5,5
12,9
170
Piracicaba
-6,0
12,0
-4,4
12,7
150
Jaú
-7,2
14,4
-4,1
15,8
50
Em conjunto
-6,8
13,4
-4,6
13,8
-
46
Figura 20 – Diagramas de dispersão RP diária versus PP diária com Z-R M-P (lado
esquerdo) e Z-R Rosenfeld (lado direito), para as estações de Bebedouro (a, b), Piracicaba
(c, d) e Jaú (e, f).
47
Embora o radar apresente uma tendência em subestimar a
precipitação, em algumas situações ocorre o oposto. Por exemplo, no dia 12/11/2011, a
estação em Jaú registrou 52.2 mm de chuva acumulada e a estimativa pelo radar com a Z-R
Rosenfeld foi de 167 mm, portanto, mais que o triplo do valor registrado pelo pluviômetro.
Essa superestimativa pelo radar pode ter sido causada por um ou mais valores de
refletividade altos demais ou inapropriado para estimar precipitação utilizando uma
relação Z-R, apesar de valores acima de 53 dBZ terem sido descartados.
Valores acima de 53 dBZ podem ocorrer também devido a
existência de granizo dentro do volume amostrado pelo radar, mas como foi apresentado na
seção 3.7 esses valores descartados representaram apenas 0,002% dos dados utilizados no
presente trabalho.
Segundo Fulton et al. (1998) um limiar de refletividade para
estimação da taxa de chuva, em núcleos de chuva convectiva utilizando relação Z-R, pode
ser utilizado para limitar a alta refletividade injustificada na presença de granizo. Esse
limiar é estabelecido de forma subjetiva, devido à dificuldade dessa determinação para
cada núcleo de chuva. O valor crítico de 53 dBZ para delimitar empiricamente granizo ou
chuva deve ser interpretado como aproximado e que valores próximos podem causar
problema na estimação de chuva. O NWS utiliza como padrão o limiar de 53 dBZ de
forma subjetiva, para limitar o valor da refletividade referente a água líquida.
Outro fator que pode acarretar incerteza na quantificação da chuva
utilizando relação Z-R é a banda brilhante que ocorre na faixa de altitude abaixo da
isoterma de zero grau, com o derretimento da neve nessa faixa de altitude, principalmente
na ocorrência de chuva estratiforme. Durante esse processo, a refletividade recebida pelo
radar pode sofrer um acréscimo de 5 a 10 dB em relação a faixa adjacente superior a
isoterma de zero grau. Áreas com ocorrência de banda brilhante são de difícil identificação
principalmente na ocorrência de forte convecção, podendo causar superestimação da
quantificação da chuva em relação à quantidade medida em superfície (AUSTIN, 1987).
Em Jaú houve a ocorrência de granizo na mesma data, conforme
registrado no banco de dados de desastres naturais do IPMet-UNESP. A sequência de
imagens do radar na Figura 21, mostra valores bem próximo a 53 dBZ, associadas às
tempestades na região de Jaú, por volta das 20hs UTC. Na Figura 21a, a refletividade
registrada pelo radar na varredura das 19hs29, está na faixa de 57-60 dBZ, na Figura 21b, a
refletividade está na faixa de 51-54 dBZ, na varredura das 19hs36. Nas Figuras 21c e 21d,
48
a refletividade registrada diminui, ficando na faixa dos 48-51 dBZ. Já nas Figuras 21e e
21f, a refletividade permanece na faixa de 42-45 dBZ. As imagens apresentadas na Figura
21 possuem intervalo de 7,5 min, finalizando às 20hs06.
(a)
(b)
(c)
(d)
(e)
(f)
Figura 21 – Sequência de imagens de refletividade do CAPPI de 3.5 na região de Jaú,
entre 19:29h e 20:06h do dia 12/11/2011. Note a ocorrência de refletividade próximo do
valor crítico de 53 dBZ na região de Jaú.
49
Os diagramas de dispersão mostrados na Figura 20, assim como os
coeficientes de correlação mostram que as medidas de precipitação nas estações
meteorológicas e as correspondentes estimativas pelo radar estão fortemente relacionadas,
apesar de as três localidades estarem bastante distantes entre si, e do radar também. A
explicação para isso é que a refletividade do radar está indiretamente relacionada com a
quantidade de água líquida amostrada pelo radar (eqs. 3.12 e 3.13) que, por sua vez, dá
origem à precipitação medida no pluviômetro instalado perto do solo abaixo dessa amostra.
Portanto, essa correlação não é resultado do acaso, e nesses casos é possível utilizar
amostras de tamanhos reduzidos e com menos incerteza do que em casos em que a
correlação provém de quantidades sobre as quais não se sabe se estão fisicamente
relacionadas ou não. Por exemplo, o estado de São Paulo, que conta com um grande de
número de pluviômetros (mais de 5000), a relação entre os valores diários de RP e PP,
poderia ser encontrada com dados de apenas um dia, estimando para cada estação a
precipitação com alguma relação Z-R. Esses dados de precipitação diária para o estado de
São Paulo estão disponíveis no site http://www.daee.sp.gov.br do DAEE.
Um exemplo de aplicação dessa ideia encontra-se no trabalho de
Yoo et al. (2013) que consideraram apenas um evento de chuva e uma rede de 95
pluviômetros, para examinar a relação entre RP e PP na Coréia do Sul.
Outro exemplo
semelhante encontra-se em Legates (2000) que usou 674 pares de dados de radares e de
pluviômetros de Oklahoma, Estados Unidos, para apenas dois meses.
Seguindo esse raciocínio e baseando-se em resultados mostrados na
Figura 20, foram então construídos os diagramas de dispersão juntando os dados de três
estações meteorológicas, com relação Z-R M-P e com a relação Z-R Rosenfeld, conforme
mostrado na Figura 22. É possível observar que os coeficientes de correlação e a
distribuição de pontos ao longo da reta de regressão, nos dois diagramas, são similares a
encontrados anteriormente analisando as estações individualmente. Outra característica
importante a ser notada, é que a inclinação da reta (em relação ao eixo horizontal) é menor
para Z-R Rosenfeld. Em outras palavras, os dados de RP obtidos com relação a Z-R
Rosenfeld teriam menos erro sistemático do que as estimativas com a relação Z-R M-P.
Por isso, em todas as verificações da previsão de precipitação do ETA foram usados
somente RP obtida com a relação Z-R Rosenfeld.
50
Figura 22 – Diagramas de dispersão RP diária versus PP diária com Z-R M-P (lado
esquerdo) e Z-R convectiva (lado direito), mas juntando dados de três estações
(Bebedouro, Piracicaba e Jaú).
A evidência de que os dados de RP diária estão fortemente
relacionados, e linearmente, com os dados de PP diária, sugere que uma equação de
regressão linear relacionando esses dados pode ser útil para corrigir erro sistemático (bias)
nas estimativas de precipitação pelo radar, adotando como variável dependente e verdade
terrestre os dados de PP (y), nas três estações meteorológicas, e a variável independente os
dados de RP, ou seja, o objetivo é determinar a quantidade de chuva que teria sido coletado
pelo pluviômetro a partir da medida de refletividade do volume de ar iluminado pelo radar
acima do pluviômetro. A equação de regressão (WILKS, 2006) é então:
Y=a+bx ( 3.16 )
Seja
,
,
, ...,
amostra de RP, e
,
,
, ...,
amostra de
PP.
Pelo método dos mínimos quadrados,
=
( 3.17 )
51
=
( 3.18 )
onde
é média de x
é media de y
é coeficiente de correlação entre x e y
é desvio padrão de x
é desvio padrão de y.
Na análise de regressão valores abaixo de 1 mm e aqueles maiores
do que 2
, onde s e
são, respectivamente, desvio padrão e média dos dados, que
são calculados da seguinte forma:
( 3.19 )
( 3.20 )
A equação de regressão resultante, para precipitação diária, é:
, 2
.
( 3.21 )
onde:
PPD – precipitação diária no solo.
RPD – Estimativa da precipitação diária por radar, e relembrando que somente
precipitações maiores do que 1,0 mm foram incluídas na análise.
52
4.3 Análise da Correção do erro Sistemático
Dada a refletividade do radar, essa equação permite determinar
precipitação diária em qualquer ponto da grade de 0,75 km x 0,75 km, com a correção do
erro sistemático. A eficácia da equação 3.21 em diminuir bias pode ser notada, por
exemplo, comparando os totais mensais calculados usando essa equação e sem equação e
também com os totais mensais baseados em dados de pluviômetros, como mostra, por
exemplo, as comparações para Bebedouro, Piracicaba e Jaú, exemplificadas na Figura 23.
A Tabela 6 apresenta bias e rms para os totais mensais calculados
a partir dos dados de RP diária, assumindo como verdadeiro os totais mensais calculados
com os dados de pluviômetros. De acordo com esses resultados, a equação corrige não só
bias, mas também rms. Os dados do ano de 2009 não foram usados no desenvolvimento da
equação 3.21, foram usados na verificação da equação, porém, mesmo para esse ano, a
equação mostra um bom desempenho, conforme Figura 24.
É importante ressaltar que a equação 3.21 pode ser usada para
estimar precipitação no solo em qualquer ponto da grade do radar de Bauru, ou seja, na
resolução espacial de 0.75km x 0.75 km, o que seria praticamente impossível com rede de
pluviômetros. É fundamental a importância prática dessa informação sobre a quantidade de
chuva em alta resolução espacial recebida pelo solo, não só para a agricultura, mas para
outros setores como de abastecimento de água, energia, etc.
Tabela 6 – Análise de erro para totais mensais calculados com RP diária corrigida com
equação 3.21 e com RP diária sem correção.
Sem correção
Com correção
Estação meteorológica bias(mm) rms(mm) bias(mm) rms(mm)
Bebedouro
-50,3
79,9
-10,2
50,0
Piracicaba
-38,1
65,1
4,3
50,3
Jaú
-34,3
65,0
2,3
45,4
53
Figura 23 – Totais mensais de precipitação, para o período 2010-2012, calculados com RP
corrigida pela equação 3.21 (preto), com RP sem correção (vermelho), e com PP, para: (a)
Bebedouro, (b) Piracicaba e (c) Jaú.
54
(a)
(b)
Figura 24 – Totais mensais de precipitação, para o ano de 2009, calculados: com RP
corrigida pela equação 3.21 de regressão linear (preto), com RP sem correção (vermelho),
e com PP, para: (a) Bebedouro e (b) Piracicaba.
4.4 Verificação da previsão da localização de chuva do modelo ETA
A seção anterior mostrou que a precipitação que atinge o solo pode
ser estimada com confiança, usando dados de refletividade do radar e equação de regressão
linear para diminuir o bias. Este resultado é importante na validação/verificação das
previsões de precipitação de modelos numéricos da atmosfera, já que, em geral, a rede
convencional de observação de precipitação não possui a resolução desses modelos, e a
rede de pluviômetros no estado de São Paulo não é uma exceção.
A seguir, é apresentada a verificação do desempenho do modelo
ETA na previsão de chuva para o estado de São Paulo, usando precipitação do radar de
Bauru, estimada seguindo o método descrito no seção anterior. Esta análise pretende dar
uma visão crítica de modelo numérico de previsão do tempo, identificando suas qualidades
e defeitos, que devem ser levadas em consideração pelos usuários na tomada de decisão,
por exemplo, em relação à irrigação e gestão de recursos hídricos.
O método a ser aplicado pode ser usado com qualquer modelo
atmosférico de previsão do tempo. A quantidade ou variável a ser verificada é a
precipitação acumulada em 24hs ou precipitação diária, correspondente às previsões
válidas para 24hs, 48hs e 72hs e toda a área de cobertura do radar. Vale repetir que essas
55
previsões são do modelo ETA para uma grade de 10 km x 10 km, e delimitadas pelas
latitudes em graus e décimos de graus entre -24,51330 e -20,18750 e longitudes entre 51,39510 e -46,65990, e que as estimativas de precipitação pelo radar foram adequadas para
essa grade. Daqui em diante, a precipitação prevista pelo modelo será referenciada como
MP.
No IPMet-UNESP, a ocorrência da propagação anômala das ondas
eletromagnéticas emitidas pelo radar é identificada subjetivamente pelos meteorologistas e
operadores de radar, durante o monitoramento contínuo das imagens do radar. No caso da
identificação de ocorrência de propagação anômala, sem chuva, o restante da sequência de
dados não é gravado. Os dias com menos de 6 horas de gravação de dados, dentro do raio
de 240 km do radar de Bauru, foram verificados utilizando análise subjetiva, excluindo,
por exemplo, os dias em que a propagação anômala foi detectada em algum horário.
Lembrando que os ecos registrados pelo radar quando ocorre propagação anômala podem
ser ecos de terreno e não de chuva.
Foram eliminados 7% dos dias da amostra de dados utilizada
devido à identificação de propagação anômala do feixe do radar. A propagação anômala é
um problema de grande complexidade na Meteorologia com Radar e continua um
problema em aberto apesar de muitos esforços para corrigi-la (SILVEIRA e HOLT, 2001),
e não foi escopo do presente trabalho resolver essa questão.
O período de 3 anos considerado para verificação do modelo para a
previsão de 24hs, 48hs e 72hs tem, respectivamente, 791, 789 e 787 casos com
precipitação diária.
Segundo Jolliffe e Stephenson (2003) para verificar somente a
previsão da ocorrência ou não do fenômeno chuva, existem as seguintes possibilidades,
conforme mostrado na Tabela 7.
Tabela 7 - Tabela de contingência para verificação de erros e acertos da previsão de chuva
do modelo ETA.
Observação
Sim Não
Previsão
Sim
Não
56
onde :
- número de vezes em que previu e observou a chuva

(acerto);
- número de vezes em que a chuva observada não havia

sido prevista (erro);
– número de vezes em que a previsão de chuva não se

confirmou (erro ou falso alarme);
– número de vezes em que a previsão de não ocorrência

foi confirmada (rejeição correta ou correta rejeição).
A taxa de acerto, denotado no presente trabalho como índice de
acerto
(em percentagem), para cada ponto do modelo, é dado por:
100%
(4.1)
Quando o modelo prevê ocorrência de chuva que não ocorre, para
um dado ponto, é referido como falso alarme. Então a taxa de falso alarme, também
denotado no presente trabalho como índice de falso alarme (em percentagem), o
será
dado por:
100%
(4.2)
Foram calculados também os índices médios
e
, que são
médias dos correspondentes índices, para toda a área considerada na verificação. A
Tabela 8 mostra os índices médios
,
da previsão de chuva para 24hs, 48hs e 72hs do
modelo ETA. Ocorre um decréscimo no valor do
previsão de chuva, já o valor do
com o aumento do período para a
aumenta juntamente com o período de previsão.
57
Tabela 8- Índices médios
,
da previsão de chuva para 24hs, 48hs e 72hs do modelo
ETA.
Previsão
Índices (%)
24hs 48hs 72hs
90,8
87,6
85,5
47,8
50,8
52,4
O índice de acerto IA juntamente com o índice de falso alarme IFA
(em percentagem), para as previsões de 24hs, 48hs e 72hs, são mostrados nas Figuras 25 e
27. A análise do IA e IFA separadamente não fornecem informação suficiente para medir a
habilidade de previsão do modelo atmosférico. Estes índices devem ser analisados em
conjunto para cada ponto de comparação do modelo atmosférico para indicar o
desempenho do modelo ETA. A perfeita destreza de previsão é dada por IA= 100% e
IFA = 0%. Quanto maior IA e menor IFA para área verificada melhor é a performance do
modelo atmosférico, por exemplo, em pontos com de IA na faixa de 85% a 90% e de IFA
na faixa de 30% a 40%, como ocorreu para a previsão de 24hs nas regiões de Lins, São
Carlos, Marília, Botucatu e próximo a Ourinhos, mas já dentro do estado do Paraná,
indicam uma boa performance do modelo nessas regiões. Para o caso de Botucatu, uma
possível explicação dessa performance seria a boa destreza do modelo ETA para simular a
precipitação na serra de Botucatu. O desempenho melhor do modelo para a região de Rio
Claro pode ter a mesma explicação. O mapa de altitude utilizado no modelo ETA,
apresentado na Figura 28, mostra que essas duas localidades ficam nas regiões altas do
estado de São Paulo.
É possível notar que o ETA possui um desempenho razoável com
IA na faixa de 90% a 95% e IFA na faixa de 40% a 50%, para previsão de 24hs, na maioria
das regiões comparadas do modelo ETA. Para as previsões válidas para 24hs, 48hs e 72hs
como mostrado na Figura 25 e Figura 27, os valores de IA não apresentam grandes
contrastes, mesmo nas áreas de periferia do domínio do produto CAPPI, poucos pontos
com valores de IA inferiores a 75% são observados. Já os maiores valores de IFA, acima de
55%, são para a periferia do domínio do produto CAPPI do radar, mostrado na Figura 27,
onde somente chuvas em nuvens de grande desenvolvimento vertical, como torres de
cumulu nimbus (Cbs), são detectadas pelo radar. Essa é uma limitação do presente método
em virtude da diminuição da capacidade do radar em detectar chuva com o aumento da
58
distância. A frequência relativa de ocorrência de precipitação na grade do modelo estimada
pelo radar é mostrada na Figura 26. Para as previsões válidas para 48hs e 72hs, nota-se que
o IFA aumenta em relação às previsões válidas para 24hs, mas para uma grande área
continua menor que 50%. Assim, quando considerado somente a ocorrência ou não da
chuva, sem levar em consideração a quantidade, as previsões do ETA são razoáveis.
Altos valores para o índice de falso alarme (> 50%) na periferia do
domínio do produto CAPPI se devem mais à limitação do radar na detecção de chuva a
grande distância do que do modelo. É importante ressaltar que qualquer variação na
direção radial do radar nas áreas de chuva, deve ser interpretada como um artefato, como
pode ser observado na Figura 26, que mostra o número de ocorrência de precipitação
(
em percentagem, no domínio do produto CAPPI.
(a)
(b)
(c)
Figura 25 – IA do ETA para o domínio do CAPPI, em percentagem, para previsões de (a)
24hs, (b) 48hs e (c) 72hs.
59
Figura 26 – Número de ocorrência de precipitação (≥ 1 mm), em percentagem, no domínio
do produto CAPPI.
(a)
(b)
(c)
Figura 27 – IFA do ETA para o domínio do produto CAPPI, em percentagem, para
previsões de (a) 24hs, (b) 48hs e (c) 72hs.
60
Figura 28 – Mapa de altitude (m) do relevo na área de cobertura do produto CAPPI do
radar de Bauru, utilizado pelo modelo ETA, com resolução espacial de 10 km x 10 km.
4.5 Verificação da previsão da quantidade de chuva
Na seção anterior foi verificado o desempenho do modelo ETA
considerando somente previsão da ocorrência de chuva, ou seja, sem levar em conta a
quantidade. Para levar em consideração previsão da quantidade de chuva na verificação, ao
invés de estabelecer comparações de valores individuais, foi dividido tanto RP diária como
MP diária em quatro intervalos definidos, utilizando limiar de 1 mm e respectivos quantis
de 0,25 e 0,75, indicados por Q0,25 e Q0,75 . Esses quatro intervalos, para RP e MP diárias,
são apresentados na Tabela 9.
Tabela 9 – Intervalos de precipitação usados na verificação do modelo ETA.
ETA
Radar
Intervalo
A
1 mm ≤
.
.
.
.
(fraca)
(moderada)
(forte)
1 mm
(fraca)
B
(moderada)
C
.
.
.
.
(forte)
D
61
No cálculo de quantis foram considerados todos os dias com
precipitação acima de 1 mm e todos os pontos de domínio. A Tabela 10 mostra os quantis
para RP e MP diárias.
Tabela 10 – Quantis de 25% e 75% para precipitação diária do modelo ETA, MP, e do
radar, RP.
.
(mm)
.
(mm)
MP
3
14
RP
9
15
Para cada ponto da grade, considerando todos os intervalos, foram
calculadas as proporções de erros e acertos (em percentagem), para as previsões de 24hs,
48hs e 72hs e os resultados são mostrados nas Figuras 29, 30 e 31.
As previsões de precipitação para 24hs, considerando todos os
intervalos, mostradas na Figura 29a apresentam melhor desempenho, com acerto
percentual de 50 a 55% numa área que se estende na direção noroeste-sudeste.
Interessantemente, a orientação desta área lembra chuvas associadas tipicamente à
aproximação de frentes frias sobre o estado de São Paulo, especialmente no verão, que por
sua vez causam ventos de noroeste que trazem ar quente e úmido para a região. Esta área
engloba a região de Botucatu, que já tinha surgido como uma região onde o desempenho
do modelo é melhor. Fora desta área, aparece a região de Rio Claro com maior
percentagem de acerto, que já havia sido observado anteriormente na análise do
desempenho do ETA só em termos da previsão de ocorrência de chuva. A explicação para
um desempenho melhor do ETA para a região de São José do Rio Preto, exige mais
investigações.
Para precipitação no intervalo B, mostrado na Figura 29b, o
desempenho do ETA é ruim para todo domínio do produto CAPPI e a percentagem de
acerto não ultrapassa 40%. Para o intervalo C, mostrado na Figura 29c, surgem algumas
áreas que já haviam se destacado com melhor desempenho do ETA, considerando todos os
intervalos, mostradas na Figura 29a, incluindo Marília, Tupã e Assis, e surgem novas áreas
principalmente ao norte do rio Tietê. Nessas áreas a percentagem de acerto chega a 60%. É
interessante que as áreas mais favorecidas pelas previsões de precipitação no intervalo C,
62
estão no norte e noroeste do estado de São Paulo. Para o intervalo D, mostrado na Figura
29d, que inclui um maior volume de chuva diária, as previsões alcançam maior
percentagem de acerto perto da fronteira sul do domínio, incluindo entre outras, a região de
Itapeva. Nessa área, a percentagem de acerto chega a ultrapassar 70%, uma das explicações
desse desempenho do modelo podem ser chuvas associadas à topografia com maior
altitude, conforme mostrado na Figura 28.
(A, B, C, D)
(a)
(b)
(c)
(d)
Figura 29 – Previsão para 24hs para os intervalos de precipitação (A, B, C, D) 26a), B
29b), C 29c) e D 29d). Os pontos em branco na Figura 29, dentro da circunferência, são
áreas que o acerto não atingiu 5%.
As previsões de precipitação para 48hs, considerando todos os
intervalos, mostrados na Figura 30a, são em geral ruins, com percentagem de acerto abaixo
63
de 50% na maior parte do domínio do CAPPI. Somente na região de Botucatu, e em áreas
bem pequenas ao sul de Bauru e a sudeste de Ourinhos, a percentagem de acerto chega a
50%. Para o intervalo B, mostrado na Figura 30b, como já foi constatada para as previsões
de 24hs, a percentagem de acerto é bem baixa na maior parte do domínio do CAPPI,
abaixo de 40%. Assim como as previsões para o intervalo B, em geral, as previsões para o
intervalo C, mostradas na Figura 30c, são ruins. Em algumas pequenas áreas isoladas a
percentagem de acerto alcança 50%, porém, elas podem ser decorrência da flutuação da
amostragem. Como nas previsões para 24hs, no intervalo D, mostrado na Figura 30d, a
fronteira sul do domínio do produto CAPPI é favorecida pelo melhor desempenho do ETA,
chegando a percentagem de acerto acima de 70%. A região de Bauru é outra região
favorecida, com percentagem que chega a 60%.
(A, B, C, D)
(a)
(b)
(c)
(d)
Figura 30 – Previsão para 48hs para os intervalos de precipitação (A, B, C, D) 30a), B
30b), C 30c) e D 30d). Os pontos em branco na Figura 30, dentro da circunferência, são
áreas que o acerto não atingiu 5%.
64
Para as previsões de 72hs mostradas na Figura 31, somente o
intervalo D merece destaque, mostrado na Figura 31d, já que nesse intervalo o modelo tem
desempenho com percentagem de acerto acima de 50%. Considerando todos os intervalos
e para o intervalo C, mostrados nas Figuras 31a e 31c respectivamente, algumas áreas bem
pequenas alcançam esse percentual, porém, parecem ser resultados de natureza aleatória,
sem nenhuma razão física. No caso das previsões para o intervalo D, mostradas na Figura
31d, a maior percentagem é detectada novamente na fronteira sul do domínio do produto
CAPPI e como nas previsões de 48hs, a região de Bauru é favorecida com percentagem de
acerto acima de 60%.
(A, B, C, D)
(a)
(b)
(c)
(d)
Figura 31 – Previsão de 72hs para os intervalos de precipitação (A, B, C, D) 28a), B 31b),
C 31c) e D 31d). Os pontos em branco na Figura 31, dentro da circunferência, são áreas
que o acerto não atingiu 5%.
65
5. CONCLUSÕES
O presente trabalho realizou um estudo de verificação das
previsões de precipitação pelo modelo numérico da atmosfera ETA no estado de São
Paulo, onde essas previsões puderam ser confrontadas com os dados de precipitação
estimados pela refletividade do radar do IPMet-UNESP de Bauru. O modelo ETA foi
executado com resolução espacial de 10 km x 10 km e 38 níveis na vertical, e esquema de
convecção de Kain-Fritsh. Os dados de precipitação do radar foram obtidos mediante
aplicação da relação Z-R Rosenfeld, que se mostrou superior a outras relações testadas,
dentre as quais a de Marshall-Palmer, que é uma das mais usadas na Meteorologia com
Radar. Além dessa escolha da relação Z-R Rosenfeld, as estimativas de precipitação por
radar foram ajustadas aos dados de pluviômetros de três estações meteorológicas, através
da análise de regressão linear. Os dados de chuva do radar que estão numa grade retangular
de 0,75 km x 0,75 km foram distribuídos na mesma grade do modelo de 10 km x 10 km,
interpolados utilizando média aritmética simples.
A verificação da previsão de precipitação do modelo foi feita de
duas formas. Primeiro, considerando somente a ocorrência do evento chuva, i.e., sem levar
em consideração a intensidade ou quantidade e depois considerando a quantidade, mas em
intervalos definidos pelos quantis de 25% e 75%, reconhecendo pouca habilidade do
modelo numérico em prever quantidade de chuva na maior parte da área comparada.
As previsões de ocorrência de chuva do ETA para 24hs alcançam
IA acima de 90% e IFA baixo de 50%, na maior parte da região de verificação e também IA
de 85-90 % e IFA abaixo de 40% em algumas áreas, como na região de Botucatu, Marília e
66
Rio Claro. Para as previsões de 48hs e 72hs, o IA é ligeiramente menor e o IFA maior, mas
para várias áreas o IFA é ainda inferior a 50%. A boa performance do modelo,
particularmente para as regiões de Botucatu e Rio Claro, pode ser devido à habilidade do
modelo na previsão de chuvas forçadas pela orografia, lembrando que essas regiões são
relativamente mais altas do que o entorno. Os erros do modelo são na maior parte falso
alarme, i.e., não confirmação da ocorrência de chuva prevista, com percentagem inferior a
55% na maior parte do domínio do produto CAPPI para as previsões de 24hs, 48hs e 72hs.
As previsões, levando em consideração a quantidade de chuva,
apresentam menos qualidade. O pior resultado é para o intervalo entre 1 mm e quantil de
25%, para o qual a percentagem de acerto é geralmente abaixo de 40%. Um resultado que
chama atenção é quando são considerados todos os intervalos ao mesmo tempo, a maior
percentagem de acerto é observada numa área que se estende de noroeste-sudeste,
lembrando chuvas pré-frontais sobre o estado de São Paulo. Percentagem maior de acerto
do modelo na fronteira sul do domínio do produto CAPPI e nas regiões de Botucatu e Rio
Claro, nas previsões de 24hs, 48hs e 72hs, sugere a habilidade do ETA na produção de
chuvas orográficas.
Considerando apenas a localização do evento chuva, a previsão
fornecida pelo modelo ETA para 24hs com
de 87,6% e
de 50,8% e para 72hs com
de 90,8% e
de 85,5% e
de 47,8%, para 48hs com
de 52,4% é útil para sistemas
de irrigação com janela temporal de operação de 1 ou 2 dias. Já o índice de acerto da
quantificação da chuva inferior a 50% para 24hs, 48hs e 72hs, apresenta pouca utilidade no
planejamento do manejo quantitativo da irrigação. Assim, para aplicações na área agrícola,
o modelo ETA apresenta maior índice de acerto para a previsão da ocorrência e localização
do evento chuva, porém um menor índice de acerto para a quantificação da chuva.
67
6. REFERÊNCIAS BIBLIOGRÁFICAS
AGHAKOUCHAK, A.; HABIB, E.; BÁRDOSSY, A. Modeling radar rainfall estimation
uncertainties: random error model. Journal of Hydrologic Engineering, v. 15, n. 4,
p.265-274, Apr. 2010.
ALMEIDA, A. Q. de et al. Geoestatística no estudo de modelagem temporal da
precipitação. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande,
v. 15, n. 4, p.354-358, 2011.
ALVES, M. de C. et al. Modelagem estatística e geoestatística da duração do período de
melhoramento foliar, com base na umidade relativa do ar. Revista Brasileira de
Agrometeorologia, São Paulo, v. 16, n. 1, p. 31-38, abr. 2008.
ARAKAWA, A. Design of the UCLA general circulation model. 7. ed. Los Angeles:
Ucla, 1972.
ATLAS, David et al. Systematic variation of drop size and radar-rainfall relations. Journal
of Geophysical Research: Atmospheres (1984-2012), v. 104, n. D6, p. 6155-6169, 1999.
AUSTIN, P. M. Relation between measured radar reflectivity and surface
rainfall. Monthly Weather Review, Boston, v. 115, p. 1053-1070, May 1987.
BERTOL, I. et al. Erosividade das chuvas e sua distribuição entre 1989 e 1998 no
município de Lages (SC). Revista Brasileira de Ciência do Solo, Campinas, v. 26, n. 2, p.
455-464, 2002.
CHOU, S. C.; SILVA, J. M. G. A. Objective evaluation of Eta precipitation forecasts over
South América. Revista Climanálise, Cachoeira Paulista, v. 14, n. 1, p. 1-17, 1999.
68
COSTA, P. N. F. Verificação do modelo de circulação geral da atmosfera do
CPTEC/COLA: ciclo hidrológico e processos de superfície. 1997. 83 f. Dissertação
(Mestrado)-Curso de Meteorologia, Instituto Nacional de Pesquisas Espaciais, São José
Dos Campos, 1997.
DOVIAK, R. J.; ZRNIC, D. S. Doppler radar and weather observations. San Diego:
Academic Press, 1984.
FAO MULTIMEDIA GROUP (GII). Water: precious and finite resource. [Rome]: Food
and Agriculture Organization of the United Nations, Agriculture and Consumer Protection
Department, Oct. 2002. Disponível em: <http://www.fao.org/ag/magazine/0210sp1.htm>.
Acesso em: 11 dez. 2013.
FERREIRA, M. C. Pulverizadores: aplicação eficiente. Cultivar Máquinas, Pelotas,n. 63,
p. 14-17, maio 2007.
FRITSCH, J. M.; CHAPPELL, C. F. Numerical prediction of convectively driven
mesoscale pressure systems. Part II. Mesoscale model. Journal of the Atmospheric
Sciences, v. 37, n. 8, p. 1734-1762, 1980.
GUNN, K. L. S.; MARSHALL, J. S. The distribution with size of aggregate snowflakes.
Journal of Meteorology, Lancaster, v. 15, p. 452-461, Oct. 1958.
HAGEN, M.; YUTER, S. E. Relations between radar reflectivity, liquid-water content, and
rainfall rate during the MAP SOP. Quarterly Journal Of The Royal Meteorological
Society, Berks, v. 129, n. 588, p. 477-493, Dec. 2006.
HAYKIN, S. Cognitive radar: a way of the future. IEEE Signal Processing Magazine, v.
23, n.1, p.30-40, Jan. 2006. Disponível em:
<http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1593335>. Acesso em: 02 dez.
2013.
HOLTON, J. R.; HAKIM, G. J. An introduction to dynamic meteorology. 5. ed.
Waltham: Academic Press, 2013.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Censo agropecuário
2006: Brasil, Grandes Regiões e Unidades da Federação. Rio de Janeiro, 2009.
JOLLIFFE, Ian T.; STEPHENSON, David B. (Ed.). Forecast verification: a
practitioner's guide in atmospheric science. John Wiley & Sons, 2003.
JOLLIFFE, Ian T.; STEPHENSON, David B. (Ed.) Forecast verification: a
practitioner’s guide in atmospheric science. John Wiley & Sons, 2012.
69
JORGENSEN, David P.; WILLIS, Paul T. A ZR relationship for hurricanes. Journal of
Applied Meteorology, v. 21, n. 3, p. 356-366, 1982.
JOSS, Jürg; LEE, Robert. The application of rada-gauge comparisons to operational
precipitation profile corrections. Journal of Applied Meteorology, v. 34, n. 12, p. 26122630, 1995.
JUSTI, A. L.; VILAS BOAS, M. A.; SAMPAIO, S. C. Índice de capacidade do processo
na avaliação da irrigação por aspersão. Engenharia Agrícola, Jaboticabal, v. 30, n. 2, p.
264-270, mar./abr, 2010.
KAIN, J. S. The Kain–Fritsch Convective Parameterization: an update. Journal of
Applied Meteorology, Boston, v. 43, p. 170-181, 2004. Disponível em:
<http://dx.doi.org/10.1175/1520-0450(2004)043<0170:TKCPAU>2.0.CO;2>. Acesso em:
15 dez. 2013.
KALNAY, E. Atmospheric modeling: data assimilation and predictability. Cambridge:
Cambridge University Press, 2003.
KRAMER, P. J; BOYER, J. S. Water relations of plants and soils. San Diego: Academic
Press, 1995.
KUMAR, L. S. et al. Tropical rain classification and estimation of rain from z-r
(reflectivity-rain rate) relationships. Progress In Electromagnetics Research B, v. 32, p.
107-127, 2011. Disponível em: <http://www.jpier.org/pierb/pier.php?paper=11040402>.
Acesso em: 11 dez. 2013.
LEGATES, D. R. Real-time calibration of radar precipitation estimates. The Professional
Geographer, v. 52, n. 2, p. 235-246, 2000.
LIMA, D. B. de; LIMA, M. D. C. E.; SALGADO, R. M. An empirical analysis of MLP
neural networks applied to streamflow forecasting. IEEE Latin America Transactions, v.
9, n. 3, p. 295-301, Jun. 2011.
MARSHALL, J. S.; PALMER, W. Mc K. The distribution of raindrops with size. Journal
of Meteorology, v. 5, p. 165-166, Aug. 1948. Disponível em:
<http://dx.doi.org/10.1175/1520-0469(1948)005<0165:TDORWS>2.0.CO;2>. Acesso em:
05 dez. 2013.
MARTINS, F. R.; GUARNIERI, R. A.; PEREIRA, E. B. O aproveitamento da energia
eólica. Revista Brasileira de Ensino de Física, v. 30, n. 1, p. 1304-1-1304-13, 2008.
70
MASON, B. J.; ANDREWS, J. B. Drop‐size distributions from various types of
rain. Quarterly Journal of the Royal Meteorological Society, v. 86, n. 369, p. 346-353,
1960.
MESINGER, F. A blocking technique for representation of mountains in atmospheric
models. Rivista di Meteorologia Aeronautica, v. 44, n. 1-4, p. 195-202, 1984.
MESINGER, Fedor et al. An upgraded version of the Eta model.Meteorology and
Atmospheric Physics, v. 116, n. 3-4, p. 63-79, 2012.
MEISCHNER, P. Weather radar: principles and advanced applications. 2. ed. Berlin:
Springer, 2004.
MISHRA, A. et al. Short-term rainfall forecasts as a soft adaptation to climate change in
irrigation management in North-East India. Agricultural Water Management, v. 127, p.
97-106, Sept. 2013. Disponível em: <http://dx.doi.org/10.1016/j.agwat.2013.06.001>.
Acesso em: 11 jan. 2014.
MORIN, E. et al. Radar Z–R relationship for summer monsoon storms in
Arizona. Weather and Forecasting, Boston, v. 20, n. 4, p. 672-679, Aug. 2005.
Disponível em: <http://dx.doi.org/10.1175/WAF878.1>. Acesso em: 07 dez. 2013.
MOURA, R. G. de et al. Avaliação do modelo regional eta utilizando as análises do
CPTEC e NCEP. Revista Brasileira de Meteorologia, São Paulo, v. 25, n. 1, p. 46-53,
mar. 2010. Disponível em:
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-77862010000100005>.
Acesso em: 10 dez. 2013.
MURPHY, Allan H. Forecast verification: Its complexity and dimensionality. Monthly
Weather Review, v. 119, n. 7, p. 1590–1601, 1991.
OLITTA, A. F. L. Os método de irrigação. São Paulo: Nobel, 1984.
PANACHUKI, E. et al. Parâmetros físicos do solo e erosão hídrica sob chuva simulada,
em área de integração agricultura-pecuária. Revista Brasileira de Engenharia Agrícola e
Ambiental, Campina Grande, v. 10, n. 2, p. 261-268, 2006.
PAZ, A. R. da; COLLISCHONN, W. Avaliação de estimativas de campos de precipitação
para modelagem hidrológica distribuída. Revista Brasileira de Meteorologia, São Paulo,
v. 26, n. 1, p. 109-120, mar. 2011.
PEZZOPANE, J. R. et al. Chuva e previsão de épocas de pulverização para controle das
manchas foliares do amendoim. Bragantia, Campinas, v. 57, n. 2, p. 285-295, 1998.
71
RAMLI, S.; BAKAR, S. H. A.; TAHIR, W. Radar hydrology: new Z/R relationships for
Klang River basin, Malaysia based on rainfall classification. In: IEEE COLLOQUIUM ON
HUMANITIES, SCIENCE AND ENGINEERING RESEARCH, 2011, Penang.
[Trabalhos apresentados]. Penang: IEEE, 2011. p. 537-541.
RAGHAVAN, S. Radar meteorology. Boston: Kluwer Academic Publishers, 2003.
RAO, T. Narayana et al. Classification of tropical precipitating systems and associated Z-R
relationships. Journal of Geophysical Research: Atmospheres (1984-2012), v. 106, n.
D16, p. 17699-17711, 2001.
RINEHART, R. E. Radar for meteorologists. 4. ed. Columbia: Rinehart Publications,
2004.
RIZZI, R. et al. Monitoramento e estimativa da produtividade de soja auxiliados pelo
modelo regional de previsão de tempo ETA. Revista Ambiente e Água: An
Interdisciplinary Journal of Applied Science, Taubaté, v. 1, n. 2, p. 28-38, 2006.
RODRIGUES, G. C. et al. Modelling economic impacts of deficit irrigated maize in Brazil
with consideration of different rainfall regimes. Biosystems Engineering, São Paulo, v.
116, n. 1, p. 97-110, Sept. 2013. Disponível em:
<http://dx.doi.org/10.1016/j.biosystemseng.2013.07.001>. Acesso em: 20 jan. 2014.
ROSENFELD, Daniel; WOLFF, David B.; ATLAS, David. General probability-matched
relations between radar reflectivity and rain rate. Journal of applied meteorology, v. 32,
n. 1, p. 50-72, 1993.
SANTOS e SILVA, C. M.; FREITAS, S. R. de; GIELOW, R. Ciclo diário da precipitação
estimada através de um radar banda S e pelo algoritmo 3B42_V6 do projeto TRMM
durante a estação chuvosa de 1999 no sudoeste da Amazônia. Revista Brasileira de
Meteorologia, São Paulo, v. 26, n. 1, p. 95-108, mar. 2011.
SHIMANO, I. S. H.; SENTELHAS, P. C. Risco climático para ocorrência de doenças
fúngicas da videira no Sul e Sudeste do Brasil. Revista Ciência Agronômica, Fortaleza, v.
44, n. 3, p. 527-537, set. 2013.
SILVA, D. F. da; PRELA-PANTANO, A.; SANTANNA NETO, J. L. Variabilidade da
precipitação e produtividade agrícola na região do médio Paranapanema, SP. Revista
Brasileira de Climatologia, Presidente Prudente, v. 4, p.101-116, ago. 2008.
SILVEIRA, R. B. da; HOLT, A. R. An automatic identification of clutter and anomalous
propagation in polarization-diversity weather radar data using neural networks. IEEE
Transactions on Geoscience and Remote Sensing, Berlin, v. 39, n. 8, p.1777-1788, Aug.
2001.
72
Souza, Z. M. et al. Dependência espacial da resistência do solo à penetração e do teor de
água do solo sob cultivo contínuo de cana-de-açúcar. Ciência Rural, v. 36, n. 1, p.128134, 2006.
STAMBOULI, T. et al. Sprinkler evaporation losses in alfalfa during solid-set sprinkler
irrigation in semiarid areas. Irrigation Science, Berlin, p.1075-1089, 2013. Disponível em:
<http://dx.doi.org/10.1007/s00271-012-0389-2>. Acesso em: 10 jan. 2014.
STEINER, Matthias; HOUZE JR, Robert A.; YUTER, Sandra E. Climatological
characterization of three-dimensional storm structure from operational radar and rain gauge
data. Journal of Applied Meteorology, v. 34, n. 9, p. 1978-2007, 1995.
TANAJURA, C. A. S. et al. Mudanças climáticas e recursos hídricos na Bahia: validação
da simulação do clima presente do HADRM3P e comparação com os cenários A2 e B2
para 2070-2100. Revista Brasileira de Meteorologia, São Paulo, v. 25, n. 3, p. 345-358,
2010.
THE R project for statistical computing. Vienna: Vienna University of Economics and
Business, Institute for Statistics and Mathematics, [2011]. Disponível em: <http://www.Rproject.org>. Acesso em: 20 jan. 2013.
ULBRICH, Carlton W.; LEE, Laurence G. Rainfall measurement error by WSR-88D
radars due to variations in Z-R law parameters and the radar constant. Journal of
Atmospheric and Oceanic Technology, v. 16, n. 8, p. 1017-1024, 1999.
UIJLENHOET, R. Raindrop size distributions and radar reflectivity–rain rate relationships
for radar hydrology. Hydrology and Earth System Sciences, v. 5, n. 4, p. 615-627, 2001.
Disponível em: <http://www.hydrol-earth-syst-sci.net/5/615/2001/hess-5-615-2001.pdf>.
Acesso em: 11 dez. 2013.
VIEIRA JUNIOR, P. A. et al. Previsões meteorológicas do Modelo Eta para subsidiar o
uso de modelos de previsão agrícola no Centro-Sul do Brasil. Ciência Rural, Santa Maria,
v. 39, n. 2, p. 412-420, mar./abr. 2009.
VIEUX, B. E.; BEDIENT, P. B. Estimation of rainfall for flood prediction from WSR-88D
reflectivity: a case study, 17-18 October 1994. Weather and Forecasting, Boston, v. 13,
n. 2, p.407-415, Jun. 1998.
WHITE, Bryan G. et al. Short-term forecast validation of six models. Weather and
Forecasting, v. 14, n. 1, p. 84–108, 1999.
WILKS, D. Statistical methods in the atmospheric sciences. 2. ed. Amsterdam:
Academic Press, c2006.
73
WOODLEY, William L. et al. Comparison of gage and radar methods of convective rain
measurement. Journal of Applied Meteorology, v. 14, n. 5, p. 909-928, 1975.
YOO, C. et al. Interpretation of mean-field bias correction of radar rain rate using the
concept of linear regression. Hydrological Processes, Chichester, 2013.