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)
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)
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,
1966-B317a Avaliação da chuva produzida pelo modelo ETA de previsão do tempo para o estado de São Paulo com uso de radar meteo- rológico para aplicações agrícolas / José Márcio Bassan. – Botucatu : [s.n.], 2014
xv, 73 f. : grafs., ils. color., tabs.
Tese (Doutorado) - Universidade Estadual Paulista, Fa- culdade de Ciências Agronômicas, Botucatu, 2014
Orientador: João Eduardo Machado Perea Martins Inclui bibliografia
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.
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
4.2 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
LISTA DE FIGURAS
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
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.
MCGA – Modelo de Circulação Geral da Atmosfera.
MLP - 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.
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
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.
- 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.
- 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.
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.
__________________________
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.
__________________________
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.
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 Ocean-Land-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 e pelo Instituto Hidrometeorológico da antiga Iugoslávia. 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.
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.
2. REVISÃO BIBLIOGRÁFICA
2.1 Radares meteorológicos
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)
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 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.
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).
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.
Biosphere-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 (Multi-Layer 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.
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.
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.
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.
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.
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
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 pós-processamento, 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.
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 :
. ,
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
. ,
. ,
Nessas equações, é coordenada na direção leste-oeste, é coordenada na direção norte-sul, e
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.
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:
(3.8), 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
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
Tabela 2- Características do radar meteorológico do IPMet-UNESP, instalado em Bauru/SP.
Características do radar meteorológico do IPMet-UNESP Comprimento de onda [cm] 10,7
Abertura do feixe [graus] 2,0 Comprimento do Pulso
[µseg]
[m] 0,8 250
Mínimo sinal detectado até 240 km [dBZ] 10
Resolução dos dados gravados 1º x 1º x 250 m
Com essas características, 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.
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.
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.
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.
(a) (b)
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,
(a) (b)
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.
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
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 = aR
b(
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
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).
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).
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
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 meteorológica
Latitude (S)
Longitude (W)
entidade Distância do
radar de Bauru (km)
Bebedouro 200 53' 16” 480 28' 11” Estação Experimental de Citricultura de Bebedouro
170
Piracicaba 220 42' 30” 470 38' 00” Escola Superior de
Agricultura “Luiz de Queiroz” (ESALQ/USP)
150
Jaú 220 18' 50” 480 32' 54” Faculdade de Tecnologia
(FATEC Jahú)
50
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 , apode 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
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 ae b utilizados nas relaçõesZ-R, mostradas na Figura 12.
a b Referência
200 1,6 Marshall e Palmer (1948) 55 1,6 Jorgensen e Willis (1982) 316 1,5 Joss e Lee ( 1995)
143 1,5 Steiner et al. (1995)
251 1,48 Narayana Rao et al. (2001) 250 1,2 Rosenfeld et al. (1993) 300 1,4 Woodley et al. (1975) 230 1,4 Austin (1987)
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.
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.
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
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.
Figura 16 – Acumulado de chuva (mm), no período de 2010 a 2012 na estação
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.
Figura 18 – Acumulado de chuva (mm), no período de 2010 a 2012 na estação
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.
