Previsão por conjunto e características sinóticas de um evento de chuva intensa na região Sul do Brasil

Programa de Pós-Graduação em Meteorologia

Dissertação de Mestrado

Previsão por conjunto e características sinóticas de um evento de

chuva intensa na Região Sul do Brasil

Luciano Ritter Nolasco Junior

Previsão por conjunto e caracteristicas sinóticas de um evento de

chuva intensa na Região Sul do Brasil

Trabalho apresentado no Programa de Pós-Graduação em Meteorologia da Universidade Federal de Pelotas, como requisito obrigatório para obtenção do título de Mestre em Meteorologia (M.M).

Orientador: Prof. Dr. Mateus da Silva Teixeira

Catalogação na Publicação

N786p Nolasco Junior, Luciano Ritter

NolPrevisão por conjunto e caracteristicas sinóticas de um evento de chuva intensa na Região Sul do Brasil / Luciano Ritter Nolasco Junior ; Mateus da Silva Teixeira, orientador. — Pelotas, 2018.

Nol90 f. : il.

NolDissertação (Mestrado) — Programa de Pós-Graduação em Meteorologia, Faculdade de Meteorologia, Universidade Federal de Pelotas, 2018.

Nol1. Previsão quantitativa de chuva. 2. Wrf. 3. Sinótica. I. Teixeira, Mateus da Silva, orient. II. Título.

CDD : 551.5781 Elaborada por Ubirajara Buddin Cruz CRB: 10/901

Previsão por conjunto e características sinóticas de um evento de chuva intensa na Região Sul do Brasil

Dissertação aprovada, como requisito parcial, para obtenção do grau de mestre em meteorologia, Programa de Pós-Graduação em Meteorologia, Faculdade de Meteorologia, Universidade Federal de Pelotas.

Data da defesa: 16 de fevereiro de 2018

Banca Examinadora:

... Prof. Dr. Mateus da Silva Teixeira...………... (Orientador) Doutor em Meteorologia pelo Instituto Nacional de Pesquisas Espaciais………... ... Prof. Dr. André Becker Nunes …... Doutor em Meteorologia pelo Instuto Nacional de Pesquisas Espaciais……….. ... Prof. Dr. Fabricio Pereira Harter ...…...…. Doutor em Computação Aplicada pelo Instituto Nacional de Pesquisas Espaciais…… ...…... Prof. Dr. Leonardo Calvetti …………...…...…. Doutor em Meteorologia pela Universidade de São Paulo………...……

Gostaria de agradecer principalmente aos meus pais, Claudia Margarette Coelho Feijó e Luciano Ritter Nolasco, pelo apoio, pelo exemplo de pessoa e de excelentes profissionais nas suas áreas de atuação, onde me mostraram que nunca devo desistir dos meus sonhos

À Anna Carolina Espíndola Ferreira, minha namorada, pelo companheirismo, incentivo e apoio durante toda a realização deste trabalho.

À coordenação de Aperfeiçoamento de Pessoal de Nível Superior pelo apoio financeiro que permitiu a realização desta pesquisa

Ao meu orientador, Prof. Dr. Mateus da Silva Teixeira, pela paciência, pela disposição para me ajudar quando foi necessário, pela disponibilização de recursos e pelos conhecimentos que foram transmitidos.

Aos colegas e amigos frequentadores do Laboratório de Pós Graduação da Faculdade de Meteorologia, pelas discussões, ideias, apoio e incentivo que foi dado durante a pesquisa.

NOLASCO JUNIOR, Luciano Ritter. Previsão por conjunto e características sinóticas de um evento de chuva intensa na Região Sul do Brasil. 2018. 90f. Dissertação (Mestrado) – Programa de Pós-graduação em Meteorologia. Universidade Federal de Pelotas, Pelotas.

O período entre os dias 23 e 30 de junho de 2014 foram marcados por grandes volumes de chuva e enchentes na Região Sul do Brasil. O objetivo deste trabalho é analisar as condições atmosféricas que propiciaram a ocorrência do evento, verificar se seria possível prever esse evento utilizando os dados de previsão por conjunto do modelo GFS e também previsões por conjuntos geradas a partir das parametrizações físicas do modelo WRF. Além disso, avaliar a relação custo-benefício entre o ensemble do GFS e o ensemble do WRF. Foi verificado a passagem de um sistema frontal e posteriormente a formação de regiões de baixas pressões na região de interesse. Os dois conjuntos de previsão previram acumulados de chuva próximo ao observado nos primeiros dias do evento, com destaque para o conjunto do WRF com inicialização 24 horas antes do início, aquela com maior acurácia. Além disso, foi observado uma maior incerteza entre os membros da previsão por conjuntos do GFS, uma vez que somente 40% dos membros indicavam probabilidade de chuva maior ou igual a 40 mm, enquanto que 80% dos membros do WRF, com inicialização de 24 horas antes do início do evento, indicavam chuva para o mesmo limiar. A previsão por conjunto feita com o WRF mostrou maior precisão a respeito da ocorrência do evento, em relação aquela do GFS.

NOLASCO JUNIOR, Luciano Ritter. Ensemble forecast and synoptic characteristics of a rainfall event in South Region of Brazil. 2018. 90f. Dissertation (Masters) – Programa de Pós-graduação em Meteorologia. Federal university of Brazil, Pelotas.

The period between 23 and 30 June 2014 was marked by heavy rainfalls and floods in Southern Region of Brazil. The goals of this study is analyze the atmospheric conditions that make this event possible and verify if it was possible to forecast this event using ensemble GFS model and forecasts based in different physical parametrization of WRF. In addition, the cost-benefit relationship between GFS and WRF ensemble forecasts was evaluated. It was observed a transition of a cold front and the formation of two low pressure areas on the region. Both ensembles forecasts showed accumulated rain closer to the observed in the days 23, 24 and 25 with a highlight to the ensemble of the WRF with initialization 24 hours before the beginning of the event showing a better accuracy. Besides that, it was verified more uncertainty between the members of the GFS ensemble, since only 40% of the members indicated rainfall probability equal or more than 40 mm, while 80% of the members of WRF ensemble, with initialization of 24 hours before the beginning of the event, indicated rainfall for the same threshold. The ensemble made with WRF showed a better performance in respect with the occurrence of the event, in relation with that of GFS.

Figura 1 - Modelo conceitual elaborado por WEYKAMP (2006) para ocorrência de EEP associados ao JBN na RSB...22 Figura 2 – Campos de pressão ao nível médio do mar das componentes principais encontradas a) – d)...23 Figura 3 – Variação temporal da precipitação no município de Iraí – RS do 22 de junho ao dia 1 de julho de 2014, tanto o observado quando nos seis experimentos realizados...24 Figura 4 – Esquemas dos componentes da previsão por conjuntos, onde tem-se: a previsão de controle (C) que seria a melhor estimativa do estado inicial da atmosfera, duas previsões de condições iniciais perturbadas (P+ e P-) originaria da previsão de controle, a média ensemble (A) e a verdadeira evolução da atmosfera (T) que não se conheceria em um caso real. Sendo a) uma previsão por ensemble boa e b) uma previsão por ensemble ruim...29 Figura 5 – Acumulados de chuva em 24 horas de forma que (a) é o observado, (b) previsão por conjuntos média e (c) utilizando a técnica de probabilidade combinada para o evento de chuva ocorrido em 21 de julho de 2012 em Beijing...32 Figura 6 – Distribuição das estações meteorológicas automáticas (em “+”) e convencionais (em “○”) do INMET...34 Figura 7 – Domínio utilizado no modelo WRF com resolução de 36 km...38 Figura 8 – Região utilizada para calcular a chuva média na área durante os dias de evento...40 Figura 9 – Acumulado de chuva em mm de A) - H) entre os dias 23 e 30 de junho de 2014, respectivamente, e I) o total acumulado durante os 7 dias de evento...44 Figura 10 – Campos de pressão ao nível médio do mar (linha cheia) e altura geopotencial (linha pontilhada) às 12 Z para os dias a) 21, b) 23, c) 24, d) 25, e)26, f) 27, g)28, h) 29 e i) 30 do mês de junho de 2014. Ressalta-se que foi aplicado uma máscara sobre os Andes com o objetivo de retirar os ruídos causados pela cadeia de montanhas...47

entre 1000 e 700 hPa (10-7 s-1) sombreado e ômega em 500 hPa (Pa s-1) em contorno pontilhado às 12 Z para os dias a) 23, b) 25, c) 26, d) 27, e) 28 e f) 29...48 Figura 12 – Campos de temperatura potencial equivalente (Kelvin) em contorno e vetor vento em 850 hPa às 12 Z para os dias a) 23, b) 25, c) 26, d) 27, e) 28 e f) 29. ...48 Figura 13 – Campos para o dia 23 às 06Z de a) divergência em contorno com linha pontilhada (valores negativos) e linha cheia (valores positivos) com o vento em barbelas para o nível de 850 hPa, b) o vento (linha de corrente) e velocidade do vento (sombreado) para o nível de 250 hPa e advecção de vorticidade em contorno com linha tracejada (valores negativos) e linha cheia (valores positivos), e c) imagem de satélite da temperatura realçada………...49 Figura 14 – Idem a figura 13, mas para o dia 27 às 12Z...49 Figura 15 – Perfil vertical da componente meridional do vento tendendo a zero (m s-1) sombreado e da vorticidade relativa (s-s-1) em linha pontilhada para a) latitude de 30S e dia 26 às 06 UTC, b) latitude de 26S e dia 28 às 06 UTC e c) latitude de 30S e dia 29 às 12 UTC...50 Figura 16 – Perfil vertical do vento meridional em contorno com os valores positivos em linhas sólidas e negativos em pontilhado, vetor vento obtido com a componente zonal do vento e a velocidade vertical em m/s (multiplicada por um fator de conversão: 100) e por fim a umidade específica em sombreado em g.kg-1 para a) latitude de 28S e dia 26 às 12Z, b) latitude de 27S e dia 27 às 00Z, c) latitude 27S e dia 28 às 00Z e d) latitude de 30S e dia 29 às 00Z. A linha preta tracejada indica a posição do ciclone extratropical...51 Figura 17 - Termos da equação do balanço local de umidade com valores positivos nas linhas cheias e valores negativos nas linhas pontilhadas, sendo a) o termo de advecção horizontal (s-1), b) o termo de convergência horizontal (s-1), c) o termo de convergência vertical de umidade e d) o termo de variação local de umidade específica em (s-1g/kg)...53 Figura 18 – Termos da equação do balanço local de vorticidade com valores positivos nas linhas cheias e valores negativos nas linhas pontilhadas. Sendo o termo a) a advecção horizontal de vorticidade, b) convergência de vorticidade, c) convergência vertical de vorticidade, d) inclinação da vorticidade e e) variação local da vorticidade relativa em s-2...54 Figura 19 - Termos da equação do balanço local de calor com valores positivos nas linhas cheias e valores negativos nas linhas pontilhadas, sendo a) o termo de advecção horizontal de temperatura, b) o termo de convergência horizontal de temperatura e c) o termo de advecção vertical de temperatura...55

padrão (sombreado) em hPa de A) GEFS24, B) PCWRF24, referindo-se a previsão feita 24 horas antes do início do evento (dia 23), e C) dado analisado do GFS para o dia 24 de junho às 12 UTC...56 Figura 21 – Previsões de pressão ao nível médio do mar (contorno) e o desvio padrão (sombreado) em hPa de A) GEFS24, B) PCWRF24, ambas iniciadas 24 h antes do início do evento (dia 23) e C) dado analisado do GFS para o dia 25 de junho às 12 UTC...57 Figura 22 – Previsões de pressão ao nível médio do mar (contorno) e desvio padrão (sombreado) em hPa de A), B) e C) do GEFS e D), E) e F) do WRF para 72, 48 e 24, respectivamente, horas antes do início do evento (dia 23) para o dia 27 de junho às 12 UTC...58 Figura 23 – Campos de a) pressão ao nível médio do mar (hPa) analisado pelo modelo GFS para o dia 27 às 12Z...59 Figura 24 - Gráfico de selo da precipitação total da GEFS72 (mm), previsão feita com 72 horas antes do dia 23, para cada membro, a média entre os membros e o observado total entre os dias 23 e 30 de junho...60 Figura 25 – Idem a Figura 22, mas para a PCWRF24 que é feita 24 horas antes do inicio do evento, dia 23...61 Figura 26 – Evolução temporal da média entre os membros da chuva média na área acumulada em 24 horas do A) GEFS e B) PCWRF para o caso ocorrido em junho de 2014...62 Figura 27 – Campos de pressão ao nível médio do mar (contorno) e vetor vento em 1000 hPa para A) GEFS48, feita 48 horas antes do inicio do evento, B) análise do GFS, ambos para 27 às 00Z, C) GEFS72, feita 72 horas antes do inicio do evento, e D) análise do GFS, ambos para 27 às 12Z...63 Figura 28 – Evolução temporal da média entre os membros da chuva média na área acumulada em 24 horas dos conjuntos A) PCWRF24 dos membros 01 ao 10, B) PCWRF24 dos membros 11 ao 20, ambas para 24 horas antes do inicio do evento, C) GEFS48 dos membros 1 a 11 e D) GEFS48 dos membros 11 a 21, ambas feitas 48 horas antes do inicio do evento...65 Figura 29 – Índices da tabela de contingência para diferentes limiares sendo A), C), e E) da PCWRF24, feito para 24 horas antes do inicio do evento, e B), D) e F) do GEFS48, feito para 48 horas antes do inicio do evento, para o acumulado de chuva em 24 horas………67 Figura 30 – Índice BIAS para diferentes limiares para o acumulado em 24 horas... .68

do erro quadrático médio para a chuva média em área acumulada em 24 horas para diferentes inicializações e ambos os conjuntos de previsões, feitas para 72, 48 e 24 horas antes do inicio do evento………...69 Figura 32 – Evolução temporal da média entre os membros da chuva média na área acumulada em 6 horas do A) GEFS e B) PCWRF para o caso ocorrido em junho de 2014...70 Figura 33 – Evolução temporal da média entre os membros da chuva média na área acumulada em 6 horas dos conjuntos A) PCWRF24 dos membros 01 ao 10, B) PCWRF24 dos membros 11 ao 20, ambas feitas 24 horas antes do inicio do evento, C) GEFS48 dos membros 1 a 11 e D) GEFS48 dos membros 11 a 21, ambas feitas 48 horas antes do inicio do evento...71 Figura 34 – Campos médios de pressão ao nível médio do mar (contorno) e desvio padrão (sombreado) de A) – C) PCWRF24, feito para 24 horas antes do inicio do evento, e D) – F) dos dados analisados para os dias 26, 27 e 28 às 06Z, respectivamente...72 Figura 35 – Campos de pressão ao nível médio do mar dos membros A) 6, B) 8, C)16 e D) 18 da PCWRF24, feita para 24 horas antes do inicio do evento, para o dia 27 às 06Z...73 Figura 36 - Índices da tabela de contingência para diferentes limiares sendo A), C), e E) da PCWRF24, feito para 24 horas antes do inicio do evento, e B), D) e F) do GEFS48, feito para 48 horas antes do inicio do evento, para o acumulado de chuva em 6 horas.……….74 Figura 37 – Índice BIAS para diferentes limiares para o acumulado em 24 horas... .75 Figura 38 – Média (pontos) e desvio padrão (linhas transversais aos pontos) da raiz do erro quadrático médio para a chuva média em área acumulada em 6 horas para diferentes inicializações e ambos os conjuntos de previsões, feitas para 72, 48 e 24 horas antes do inicio do evento………...76 Figura 39 – Campos de probabilidade da GEFS48, feito para 48 horas antes do inicio do evento, para a chuva maior ou igual a 40 mm acumulado em 24 horas dos dias A) 23, B) 25 e C) 26 às 12Z...77 Figura 40 - Campos de probabilidade da PCWRF24, feito para 24 horas antes do inicio do evento, para o limiar de chuva maior ou igual a 40 mm acumulado em 24 horas dos dias A) 23, B) 25, C) 26, D) 27, E) 28 e F) 29 às 12Z...78 Figura 41 – Campos de probabilidade da PCWRF24, feito para 24 horas antes do inicio do evento, para o limiar de chuva maior ou igual a 80 mm acumulado em 24 horas para os dias A) 23, B) 25, C) 26 e D) 27...79

de A) média simples B) Probabilidade Correspondida, para os membros da PCWRF24, gerada 24 antes do início d evento, e C) média simples, D) Probabilidade Correspondida, para os membros da GEFS48, obtida para 48 horas antes do início do evento, e E) o observado...81 Figura 43 – Idem a Figura 42, mas para o dia 27 às 12Z...81 Figura 44 – Acumulado total de precipitação entre os dias 23 e 30 de junho de 2014 para A) média simples B) Probabilidade correspondida, para os membros da PCWRF24, gerada 24 antes do início d evento, e C) média simples, D) Probabilidade Correspondida, para os membros da GEFS48, obtida para 48 horas antes do início do evento, e E) o observado...82

ANA Agência Nacional das Águas

ARG Argentina

ARW Advanced Research Weather ASAS Alta Subtropical do Atlântico Sul

BDMEP Banco de Dados Meteorológicos para Ensino e Pesquisa BMJ Betts-Miller-Janjic

BNOA Baixa do Noroeste Argentino

BOL Bolivia

BSS Brier Skill Score

CEFS Center’s Ensemble Forecast System CLP Camada Limite Planetária

CPTEC Centro de Previsão do Tempo e Estudos Climáticos DSA Divisão de Satélites Ambientais

EEP Eventos Extremos de Precipitação

ETR Ensemble Transformation and Rescalling FAR False Alarm Ratio

GD Grell-Devenyi

GEFS Global Ensemble Forecast System

GEFS72 Global Ensemble Forecast System para 72 antes do evento GFS Global Forecast System

H Taxa de Acerto

INMET Instituto Nacional de Meteorologia

INPE Instituto Nacional de Pesquisas Espaciais JBN Jatos de Baixos Níveis

KF Kain-Fritsch

MYJ Mellor-Yamada-Janjic

NCAR National Center of Atmospheric Research NCEP National Centers for Environmental Prediction NOAA National Oceanic and Atmospheric Administration NWS National Weather Service

OA Oceano Atlântico

PAR Paraguai

PC Probabilidade Correspondida PCWRF Previsão por Conjuntos do WRF

PCWRF24 Previsão por Conjuntos do WRF para 24 horas antes do evento PCWRF48 Previsão por Conjuntos do WRF para 48 horas antes do evento PCWRF72 Previsão por Conjuntos do WRF para 72 horas antes do evento pKF Previous Kain-Fritsch

POD Probabilidade de Detecção

PR Paraná

REQM Raiz do Erro Quadrático Médio RJ Rio de Janeiro

RRTMG Rapid Radiative Transfer Model (onda longa e curta) RSB Região Sul do Brasil

SC Santa Catarina

TRMM Tropical Rainfall Measuring Mission

TS Threat Score

URU Uruguai

WDM5 WRF Double Moment 5

WMO World Meteorological Organization WRF Weather Research and Forecasting WSM5 WRF Single Moment 5

YSU Yonsei University Scheme

1 Introdução...17

2 Revisão de Literatura...20

2.1. Eventos de chuva intensa...20

2.2 Previsão Quantitativa de Chuva...24

2.2.1 Previsão Determinística...24

2.2.2 Previsão por Conjuntos (Ensemble)...26

3 Dados e Metodologia...33

3.1 Dados...33

3.2 Metodologia...35

3.2.1 Variáveis Analisadas do GFS...35

3.2.2 Variáveis Calculadas...35

3.3 Previsão por Conjuntos...38

3.3.1 Produtos da Previsão por Conjunto...40

3.3.1.1 Média e Desvio Padrão...40

3.3.1.2 Probabilidade Correspondida (em inglês – Probability Matching)...41

3.3.2 Métodos de Avaliação...41

4 Resultados e Discussões...43

4.3 Análise da Tendência Local de Umidade...51

4.4 Análise da Tendência Local de Vorticidade...53

4.5 Análise da Tendência Local de Calor...54

4.6 Previsões por Conjuntos...55

4.6.1 Avaliações das previsões de chuvas...58

4.6.2 Probabilidades...76

4.6.3 Probabilidade Correspondida...80

4.6.4 Custo-benefício entre o GEFS e o PCWRF...82

5 Considerações Finais...85

Atualmente é cada vez mais comum ver na mídia notícias relatando os danos decorrentes de algum fenômeno ou condição atmosférica. Diversas atividades sociais e econômicas são diretamente ou indiretamente influenciadas pelas condições atmosféricas, tal como calor ou frio extremo, chuva intensa, estiagem, entre outros.

As principais consequências da chuva são as inundações, enchentes e alagamentos. Sendo as enchentes àquelas em que há a elevação do nível dos rios, sem haver transbordamento. As inundações são definidas como a elevação do nível dos rios, mas com a ocorrência de transbordamento das águas. Alagamentos são os acúmulos de água que ocorrem instantaneamente em determinados locais (TOMINAGA et al., 2009). Estas consequências normalmente estão associadas com grandes acumulados em um curto período de tempo (chuvas intensas), ou com chuvas de intensidade moderada, mas com longa duração (chuvas persistentes). De forma geral, pode-se considerar eventos que podem provocar enchentes como aqueles em que ocorrem taxas de 25 mm em aproximadamente uma hora (DOSWELL et al., 1996). Os eventos significativos de chuva estão associados a passagem de um sistema frontal ou semi-estacionário sobre a Região Sul associado a um ciclone extratropical sobre o Oceano Atlântico (OA), juntamente com a presença de um centro de baixa pressão no norte da Argentina (ARG) que provoca uma intensificação no fluxo de norte, transportando ar quente e umidade, consequentemente favorecendo a intensificação da convergência do fluxo de umidade e, por último, a presença de uma onda sinótica em médios níveis a oeste da Região Sul do Brasil (RSB) que gera advecção de vorticidade sobre a RSB (TEIXEIRA, 2004; WEYKAMP, 2006; PRIETO, 2016).

Uma das variáveis mais difíceis de se prever em termos determinísticos é a chuva. Os erros na previsão quantitativa de chuva podem aumentar devido aos erros nas observações e do próprio modelo (EBERT, 2001), uma vez que a maior parte dos modelos numéricos possuem dificuldade em desenvolver e organizar a convecção de forma correta no tempo e no espaço (STENSRUD et al., 2000).

A atmosfera é regida por um comportamento não linear e caótico, desta forma se tornando altamente difícil de prevê-la, o que limita muito a previsão do tempo. Lorenz (1963) utilizou um modelo determinístico para mostrar que a atmosfera não é previsível para um futuro distante, possuindo um limite de validade, sendo este limite de aproximadamente duas semanas. Este limite é imposto devido ao crescimento dos erros associados a alta dependência que o modelo possui com as condições iniciais e também as imperfeições da modelagem (REYNOLDS, WEBSTER, KALNAY, 1994).

Então, além da limitação relacionada à previsibilidade da atmosfera, há ainda fatores de escalas diferentes (desde a grande escala até mesoescala e com duração de dias ou até de minutos) que afetam a ocorrência da chuva intensa, aumentando o desafio em prevê-la quantitativamente (GANGULY; BRAS, 2003). A técnica de previsão por conjuntos pode ser uma maneira de melhorar a previsão de chuva, uma vez que são considerados diversos cenários futuros. Calvetti e Pereira Filho (2014) mostraram que a previsão por conjuntos pode atingir uma precisão de até 20% maior quando comparado com a previsão determinística.

Um evento de precipitação extrema ocorreu na RSB entre os dias 23 de junho e o dia 30 de junho de 2014 provocando diversos transtornos na região, principalmente na fronteira dos estados do Rio Grande do Sul (RS) e de Santa Catarina (SC). Os acumulados chegaram a mais de 100 mm em 24 horas em algumas cidades e mais de 400 mm ao longo de toda duração do evento, segundo os dados das estações do Instituto Nacional de Meteorologia (INMET). Cerca de 21.928 e 43.790 pessoas foram desabrigadas e desalojadas, respectivamente, no início das enchentes no RS e SC (ZERO HORA, 2014). No total, foram distribuídos 8.000 kits para limpeza, higiene pessoal, dormitórios e cestas básicas de alimentos, no qual somados geraram uma despesa de aproximadamente R$700 mil reais a um total de 12 municípios. Há relatos de que 117 cidades foram afetadas pelas chuvas, dentre elas, 78 decretaram situação de emergência e duas decretaram situação de calamidade pública. Cerca de 4 mil casas tiveram o interrompimento do

fornecimento de energia elétrica (G1, 2014). Segundo os dados da Agência Nacional das Águas (ANA), o Rio Uruguai, que passa pela cidade de Iraí no RS, uma das cidades com maiores valores acumulados de chuva durante o evento, encontrava-se 4 metros acima do normal no dia 24 de junho. Durante a ocorrência do evento houve uma suba de quase 12 metros no nível do rio, que atingiu aproximadamente 16 metros acima do seu nível normal. Esse aumento do nível dos rios foi refletido nas cidades em que o rio atravessa. Na cidade de Passo de São Borja, o nível do rio atingiu 16 metros acima do nível normal no dia 1° de julho, enquanto que na cidade de Itaqui, o rio atingiu 14 metros acima do seu nível normal no dia 5 de julho.

O objetivo principal deste trabalho é prever o evento ocorrido na Região Sul entre os dias 23 de junho a 30 de junho de 2014, usando a metodologia da previsão por conjuntos. Como objetivos específicos, visa-se:

a) Analisar as condições sinóticas que propiciaram a ocorrência do evento; b) Analisar a sensibilidade do modelo WRF e de suas parametrizações para

prever este evento;

c) Responder a seguinte questão: É possível conseguir uma melhor previsão do tempo utilizando a previsão por conjuntos de um modelo global, Global Ensemble Forecast System (GEFS), disponível online gratuitamente ou utilizando uma previsão por conjuntos a partir de um modelo regional? Levando em conta que para o modelo regional existirá um custo computacional elevado. Verificando também a relação custo-benefício do ponto de vista econômico de cada modelo.

2.1. Eventos de chuva intensa

Maddox (1979) estudou 151 casos de precipitação intensa e caracterizou variáveis comuns entre cada caso, sendo elas:

 Enchentes rápidas foram associadas a tempestades convectivas;  Tempestades ocorrem em regiões com alta temperatura do ponto de

orvalho em superfície;

 Alta concentração de umidade na camada troposférica;

 Fraco ou moderado cisalhamento vertical do vento horizontal;

 Tempestades ou células convectivas repetidamente formavam-se e se moviam sobre uma mesma área;

 Um cavado de onda curta ajudava na formação das tempestades;  A área da tempestade era muito próxima da cordilheira;

 Tempestades ocorriam muitas vezes a noite.

Bosart et al. (1992) realizou um estudo de caso de precipitação intensa na região do Golfo do México. Os autores constataram cinco fatores importantes para ocorrência de precipitação intensa, sendo eles: (1) a aproximação de um cavado a 700 hPa, (2) a propagação de um distúrbio atmosférico em altos níveis, (3) a formação de uma zona baroclínica fraca quando o cavado alcança a região provocando advecção de vorticidade ciclônica, (4) movimento ascendente em superfície e por último (5) a influência orográfica das montanhas mexicanas. Diversos estudos apontam ainda que, para a ocorrência de chuvas intensas, é necessário que se tenha um alto conteúdo de umidade na massa de ar atuante ou que advectada para a região, movimento vertical ascendente, instabilidade do ar (MADDOX, 1979; DOSWELL et al., 1996) e advecção de temperatura potencial

(SEVERO et al., 1998). Além disso, é necessário que o sistema provoque uma convergência em baixos níveis, uma divergência em altos níveis e também uma intensa advecção positiva de calor e umidade. Para precipitações intensas de longa duração o movimento do sistema causador da precipitação deve ser lento e com uma área de cobertura relativamente grande (JUNKER, 1993; HARNACK et al. 1999).

Teixeira e Satyamurty (2004) apresentaram um modelo conceitual para ocorrência de chuvas intensas na Região Sul do Brasil entre os anos de 1991 e 2001. Dividiram a chuva em duas classes: intensa (>50mm/24h e com distribuição espacial >10.000 km²) e extrema (>100mm/24h e com distribuição espacial <5.000 km²). A frequência de chuvas intensas se mostrou maior durante a primavera, com 48 casos, entretanto os casos mais extremos se concentraram no outono, com 7 casos. O modelo para chuvas intensas diz que deve haver a presença de uma onda sinótica curta (3 km) próxima ao continente, a presença da baixa no norte da ARG intensificando-se, fluxo de norte a leste dos Andes intensificando-se e provocando advecção de ar mais quente e úmido para a Região Sul e um ambiente instável sobre o sul, permitindo a formação de nuvens convectivas profundas devido à convergência do fluxo de umidade entre a camada da superfície e 700 hPa, concordando com Maddox (1979) e Doswell et al. (1996).

Weykamp (2006) mostrou que os Eventos Extremos de Precipitação (EEP) possuem uma associação direta com a ocorrência dos Jatos de Baixos Níveis (JBN), destacando este sistema como o principal fornecedor de umidade para ocorrência de EEP na Região Sul. Para os meses de dezembro e janeiro, a ocorrência de EEP mostrou uma relação de 70% e 60%, respectivamente, com a ocorrência de JBN. O mês de março apresentou uma relação mais baixa, sendo menor que 30%. O autor elaborou um modelo conceitual para ocorrência de EEP na Região Sul do Brasil associado ao JBN, como pode ser visto na Figura 1. Pode-se perceber que, para ocorrência de EEP na RSB, é necessária a presença do JBN, em conjunto à circulação anticiclônica da Alta Subtropical do Atlântico Sul, somado a presença de um centro de baixa pressão entre as longitudes 60º e 30º oeste e latitudes 55º e 35º sul e por fim a presença da Alta Subtropical do Pacifico sul próximo a sua posição climatológica. A posição destes sistemas ou a ausência de algum deles pode provocar a mudança na região onde ocorrerá EEP.

Figura 1 - Modelo conceitual elaborado por WEYKAMP (2006) para ocorrência de EEP associados ao JBN na RSB.

Fonte: Weykamp (2006)

Visando caracterizar um padrão sinótico para passagens de frentes frias no leste de SC, Escobar et al. (2016) obtiveram quatro padrões sinóticos que representam 75,7% dos dados analisados (Figura 2). O primeiro padrão encontrado (24,9%) identificou a presença de uma frente fria sobre o leste de SC, associado a um ciclone extratropical posicionado ao sul do paralelo de 40ºS e próximo ao meridiano de 40ºS acompanhado da entrada de um anticiclone pós-frontal ao sul do RS. O segundo padrão encontrado (21,7%) mostra uma frente fria ao extremo sul de SC com um fluxo intenso de sudeste sobre o RS e sul de SC, com a atuação de um anticiclone pós-frontal no centro-norte da ARG. Também foi possível notar a presença de um cavado invertido entre o leste de SC e o sul do Rio de Janeiro (RJ), favorecendo a convergência de massa e de umidade na região. O terceiro padrão obtido (20,4%) apresenta uma frente fria sobre o centro-norte do RS, junto a presença da Baixa do Noroeste Argentino (BNOA) que se localiza entre o norte da ARG, centro-oeste do Paraguai (PAR) e sul da Bolívia (BOL). O último padrão encontrado (8,7%) mostra um sistema frontal quase meridional no leste de SC, leste do Paraná e sul de São Paulo, com um ciclone extratropical sobre o OA, a leste da ARG. O anticiclone pós-frontal associado a este último padrão estava localizado no norte da ARG, sul e oeste do PAR e sul da BOL. Os autores ainda obtiveram uma

frequência mensal média de sistemas frontais para o período de 1979 a 2010 (Figura não mostrada), mostrando uma maior frequência no mês de agosto (inverno) e menor em dezembro (verão).

Figura 2 – Campos de pressão ao nível médio do mar das componentes principais encontradas a) – d).

Fonte: Escobar et al. (2016)

Em certas situações, as chuvas podem persistir por mais de um dia. Segundo Pietro (2016), os casos de chuva persistentes no RS possuem uma maior frequência nos meses de inverno e verão, contudo, com menor intensidade, em relação aqueles identificados nos meses da primavera e outono. Nestas estações do ano, os eventos são mais persistentes e intensos, resultando em eventos com persistência de até 10 dias e com acumulados médios próximo aos 200 mm. Para os casos mais correlacionados com o padrão espacial encontrado, a instabilidade era provocada pelo deslocamento lento de um cavado na média troposfera a oeste do RS, pelo deslocamento em superfície de um cavado a sudeste do RS, pela forte confluência do vento em superfície e divergência do vento na alta troposfera, pela advecção de vorticidade negativa associado ao cavado em médios níveis, pela intensa e persistente convergência do fluxo de umidade desde a região amazônica até o OA, com altas temperaturas na camada média da atmosfera, e também por movimentos ascendentes persistentes em grande parte da troposfera .

2.2 Previsão Quantitativa de Chuva 2.2.1 Previsão Determinística

A dificuldade em realizar a previsão quantitativa de eventos de chuva intensa vem sendo muito estudada ao longo dos anos por esta variável ser uma das mais difíceis de prever devido as diversas escalas espaciais e temporais em que ela pode ocorrer (GANGULY; BRAS, 2003). Além disso, muitos processos podem ajudar na ocorrência de chuva, como ascensão de ar úmido em grande escala, convecção causada pelo ar quente e úmido em superfície, convergência de ar úmido em uma região baroclínica ou ainda levantamento orográfico. Desta forma, todos esses processos devem ser levados em consideração na previsão numérica do tempo (EBERT, 2003).

Ebert (2003) e Hammil et al. (2008) mostraram que os modelos numéricos possuem maior precisão durante o inverno e em latitudes médias, onde o melhor intervalo de chuva foi para taxas de 1 a 2 mm de chuva por dia. Em contraste a isso, a precisão do modelo para chuvas com taxas de 20 mm por dia, e/ou durante o verão, foram muito baixas, o que reflete a grande dificuldade em prever esta variável. Um modelo que tem sido muito utilizado e aprimorado para um melhoramento da previsão quantitativa de chuva é o WRF (JANKOV et al., 2007; JI, 2013; MOLLMAN, 2016).

Liu, Bray e Han (2012) mostraram que a sensibilidade do modelo WRF para diferentes domínios e diferentes sistemas meteorológicos pode influenciar a precisão do modelo. Desta forma, sistema meteorológicos com distribuição espacial e temporal uniforme foram bem representados pelo modelo, enquanto que sistemas meteorológicos muito concentrados na escala espacial e temporal não apresentaram uma boa precisão com o WRF.

Apesar do WRF possuir uma maior precisão para determinadas escalas e fenômenos meteorológicos, o modelo não é perfeito. Isto ocorre devido ao que foi mostrado por Lorenz (1963), onde este utilizou um modelo determinístico para provar que a atmosfera, assim como qualquer outro escoamento dinâmico que possua instabilidade, não é previsível para um futuro distante, sendo este limite estimado em duas semanas. Portanto, existe uma limitação na determinação do estado futuro da atmosfera. Um dos motivos para este limite existir é devido ao comportamento da atmosfera ser caótico e não linear, ou seja, possuir um comportamento irregular e imprevisível. Outro motivo deste limite de previsibilidade

ocorre devido ao crescimento dos erros associado a alta dependência das condições iniciais ao passar do tempo, isso quer dizer que pequenas diferenças nas condições iniciais do modelo podem levar a resultados completamente diferentes. Além disso, imperfeições do modelo também devem ser levadas em consideração, uma vez que também podem resultar em diferentes resultados partindo de uma mesma condição inicial (REYNOLDS, WEBSTER E KALNAY, 1994).

O estudo de Mollmann et al. (2016) utilizou o modelo WRF para mostrar o impacto de cada parametrização física em um evento extremo de chuva no RS. Os autores utilizaram dois domínios, sendo o primeiro com resolução horizontal de 15 km, compreendendo a RSB, Uruguai (URU), sul do PAR, nordeste da ARG e o OA, enquanto o segundo domínio com resolução de 5 km, abrangendo o RS e o URU, ambos para com 30 níveis verticais. As parametrizações escolhidas pelos autores são descritas na Tabela 1. Através da raiz do erro quadrático médio, foi notado que para as variáveis de temperatura, pressão e umidade, o modelo representou muito bem o estado atmosférico, uma vez que os índices estatísticos aplicados não indicaram grandes discrepâncias entre os experimentos e a observação. Já para precipitação, os experimentos quatro e seis obtiveram uma maior precisão. Portanto, nota-se que os autores constataram que para algumas variáveis o modelo obteve uma boa precisão. Para chuva, somente dois experimentos chegaram mais próximo ao observado. Além disso, alguns experimentos superestimaram e outros subestimaram os valores acumulados de chuva e ainda adiantaram em cerca de 24 horas o maior acumulado de chuva. Nenhum dos experimentos realizados pelos autores previu o maior acumulado de chuva no dia em que ele foi observado (Figura 3).

Tabela 1 – Combinações das opções físicas escolhidas em cada experimento:

Figura 3 – Variação temporal da precipitação no município de Iraí – RS do 22 de junho ao dia 1 de julho de 2014, tanto o observado quando nos seis experimentos realizados.

Fonte: Mollmann et al., 2016.

Outro estudo realizado por Oliveira et al. (2013) utilizou as parametrizações físicas do modelo WRF para tentar prever uma ciclogênese sobre a Bacia do Prata, variando somente as parametrizações convectivas do modelo. As parametrizações utilizadas foram: Kain-Fritsch (KF), Grell-Devenyi (GD), Betts-Milller-Janjic (BMJ), abrangendo um período de 36 horas compostas por uma grade com resolução de 25km. Os dados simulados foram comparados com dados estimados do TRMM e foram realizados cálculos de índices estatísticos de verificação. Foi constado que para limiares de chuva fraca (0,3 e 2,5 mm), as simulações com a parametrização de GD e BMJ obtiveram uma maior concordância com as estimativas do TRMM. Para limiares de chuva moderada, a melhor concordância foi com o esquema BMJ. Para os limiares de chuva forte (>50,8 mm), o esquema GD foi ligeiramente superior aos demais. O esquema KF se mostrou o pior para este evento.

2.2.2 Previsão por Conjuntos (Ensemble)

Levando em consideração os estudos apresentados no capítulo anterior, observa-se que caso fosse utilizado somente uma parametrização física ou então somente uma condição inicial no modelo determinístico, muito pouco se saberia das incertezas sobre o estado futuro da previsão do tempo. Portanto, devido a essas incertezas, principalmente para a variável chuva que possui uma alta complexidade na previsão, cada vez mais usa-se a técnica de previsão por conjuntos, ou

Ensemble em inglês (LEWIS, 2004). Esta técnica tenta avaliar a previsão do tempo

do ponto de vista probabilístico, e não determinístico, simulando assim diversas situações futuras possíveis. A previsão por conjuntos e sua distribuição pode superar

a previsão determinística de duas maneiras: primeiramente, devido a efeitos não lineares, onde distribuição da previsão por conjuntos estaria, teoricamente, mais próxima da verdade do que a previsão determinística. A outra contribuição mais importante da previsão por conjuntos é a capacidade de observar dia a dia as variações das incertezas esperadas da previsão do tempo (ZHU et al., 2001). A Tabela 2 aponta as principais diferenças entre uma previsão numérica do tempo determinística e uma previsão por conjunto.

Tabela 2 – Comparações entre a previsão determinística e o sistema de previsão por conjunto.

Fonte: Adaptado do programa COMET (http://www.comet.ucar.edu/)

A técnica da previsão por conjuntos baseia-se em gerar vários membros de previsão sendo eles oriundos da perturbação das condições iniciais, das parametrizações físicas de um único modelo ou ainda da utilização de mais de um modelo numérico e a partir destes membros se aplicar métodos estatísticos para melhor analisá-los. A visualização destes membros da previsão por conjunto, nos permite observar a incerteza das previsões e medir a confiança que pode-se colocar em uma previsão determinística (WMO, 2012).

Desta forma, existem três tipos de previsão por conjunto:

• Previsão por conjunto por perturbações da condição inicial: consiste em utilizar diferentes condições iniciais nas simulações do modelo. Caracteristica Previsão Determinística Sistema de Previsão por Conjunto

Incerteza nas Condições

Iniciais

A incerteza é implícita (mas incompleta) por meio da ponderação de cada dado observado e

da previsão inicial do modelo. Poderá avaliar o erro de condição inicial utilizando satélite e outras observaçoes, mas não consegue avaliar explicitamente o erro subsequente na previsão

do modelo numérico

A incerteza da condição inicial pode ser levado em consideração determinando os mais importantes

erros potenciais (crescendo rapidamente) para a previsão do modelo e reduzindo-os para uma

perturbação de condição inicial razoável

Previsibilidade da atmosfera

Não pode ser avaliada. Pode ser deduzida de forma incompleta pelo grau de consistência entre as rodadas consecutivas do modelo de

previsão

Pode ser avaliada pela taxa de crescimento em um espalhamento dos

membros da previsão por conjunto. Incerteza do

Modelo: dinâmica utilizado, por exemplo, o método espectralSomente um método numérico pode ser

Múltiplos métodos numéricos podem ser utilizados (espectral, ponto de

grande, ponto de grande com diferentes configurações de variáveis na

grade) Incerteza do

Modelo: física Somente um conjunto de configurações físicas do modelo podem ser utilizadas

Múltiplas combinações de parametrizações físicas podem ser

Desta forma, são aplicados métodos estatísticos nas condições iniciais, visando perturbá-las e provocar diferentes variações nas condições iniciais e, por fim, gerando previsões diferentes para cada condição inicial perturbada. Alguns exemplos de métodos estatísticos aplicados nas condições são os Vetores Singulares e Vetores de Crescimento (em inglês “Breeding Vectors”) (KALNAY, 2002).

• Previsão por conjunto física: que foi utilizado neste trabalho, utiliza as parametrizações que um modelo numérico específico possui, ou seja, o modelo é configurado várias vezes com diferentes parametrizações físicas sem alteração nas condições iniciais, resultando em diferentes saídas, uma para cada parametrização e assim formando o conjunto de previsões. Além de variar as parametrizações físicas, podem ser variadas também resoluções horizontais e verticais, métodos numéricos ou até variando a dinâmica do modelo.

• Previsão por conjunto Multi-Modelos: como indicado pelo próprio nome, utiliza diferentes modelos numéricos (WRF, GFS, ETA e etc.), conservando as mesmas condições iniciais e se possível as mesmas parametrizações físicas, para obter as diferentes saídas, para após montar o conjunto de previsões.

Quando formado o conjunto de previsões, é possível aplicar algum método estatístico, como Análise de Componentes Principais, para diminuir a quantidade de membros sem perder a qualidade da previsão (LEE et al., 2012).

É interessante destacar que um conjunto de membros da previsão (seja ele físico, de condição inicial ou multi-modelos) que representou bem algum evento meteorológico específico ocorrido em alguma região, não necessariamente representará outros eventos que ocorram na região (LIRA e CATALDI, 2016).

Na figura 4 a), desenvolvida por Kalnay (2002), consegue-se observar a ideia de uma boa previsão por ensemble, onde a média (A), entre a previsão de controle (C) e os membros perturbados (P+ e P-), possui um comportamento similar a situação real (T). Já quando analisa-se a figura 4 b), nota-se o exemplo de uma previsão por conjuntos ruim, onde a média dos membros (A) segue um caminho totalmente diferente da situação real (T). Ressalta-se para a diferença entre as

condições iniciais perturbadas (P+ e P-) e a previsão de controle (C), mostrando que ao passar do tempo, as previsões tendem a se destoar e seguirem caminhos diferentes.

Figura 4 – Esquemas dos componentes da previsão por conjuntos, onde tem-se: a previsão de controle (C) que seria a melhor estimativa do estado inicial da atmosfera, duas previsões de condições iniciais perturbadas (P+ e P-) originaria da previsão de controle, a média ensemble (A) e a verdadeira evolução da atmosfera (T) que não se conheceria em um caso real. Sendo a) uma previsão por ensemble boa e b) uma previsão por ensemble ruim.

Fonte: Kalnay, 2002.

Fonseca (2010) mostrou que a previsão por conjuntos a partir do modelo regional ETA obteve resultados muito satisfatórios, quando comparados a previsão determinística da previsão de chuva gerada a partir de sistemas frontais e Zonas de Convergência do Atlântico Sul (ZCAS) na região de São Paulo. Calvetti e Filho (2014) também utilizaram a técnica de previsão por conjuntos para a previsão de cheias na bacia do alto do Iguaçu, no Paraná. Os autores utilizaram as parametrizações físicas do modelo WRF para criar a previsão por conjuntos e o modelo TopModel para simular a vazão da bacia. Foi constatado que a previsão por conjuntos obteve um resultado de 10 a 20 % melhor quando comparado a previsão determinística.

Skamarock et al. (2008) descrevem as interações físicas do modelo, apresentando quais parametrizações interagem entre si, ressaltando que todas os esquemas físicos interagem de alguma forma com a superfície. Diversos estudos tentam mostrar a influência na seleção das diferentes parametrizações de camada limite planetária, cumulus, microfísica, radiação atmosférica na precisão de variáveis como temperatura máxima e mínima, velocidade do vento, pressão ao nível médio do mar e precipitação (EVANS et al., 2011; JANKOV et al., 2005). Contudo, Evans et al. (2011) deixam claro que algumas combinações possuem uma maior precisão para determinadas variáveis e pior para outras. Ainda assim, ressalta-se que para eventos meteorológicos relativamente fracos, a diferença entre os membros é pequena quando comparado a eventos meteorológicos fortes ou extremos. Um estudo para a América do Sul, mostrou que variáveis de superfície possuem uma grande sensibilidade em parametrizações de superfície, determinada por erros sistemáticos e não sistemáticos, e isso é ainda mais pronunciado para a temperatura e temperatura do ponto de orvalho do que para as componentes do vento (RUIZ; SAULO; PAEGLE, 2010).

Evans et al. (2011) em um estudo para examinar a precisão das parametrizações físicas do modelo WRF para diversos eventos de chuva intensa, comumente chamados de Baixa da Costa Leste, ocorridos no leste/sudeste da Austrália, constataram que os membros que continham a MYJ para camada limite planetária e BMJ para cumulus, RRTM ou RRTMG para radiação, e ainda WSM5 ou WDM5 para microfísica de nuvens, mostraram uma precisão superior para esta região. Estes resultados contrariam JI (2013) que, também para eventos de chuva intensa, verificou que as melhores parametrizações foram YSU para camada limite planetária e o esquema KF para cumulus.

Blasquez e Nuñez (2009) utilizaram a previsão por conjuntos com diferentes parametrizações físicas do modelo WRF para verificar se o modelo representaria bem a precipitação no sudeste da América do Sul para o acumulado do mês de janeiro de 1971. As parametrizações utilizadas foram do tipo Cumulus, sendo elas: BMJ, GD, KF e a Previous Kain-Fritsch (pKF). Os resultados indicaram que o experimento consegue localizar muito bem os acumulados de precipitação, contudo, subestima a precipitação quanto a intensidade no norte e ao sul da Cordilheira dos Andes. Por outro lado, para a região nordeste da ARG, RSB, URU e PAR, a precipitação é superestimada.

Lira e Cataldi (2016), simularam um evento de chuva intensa ocorrido no Rio de Janeiro em abril de 2010. Foi utilizado o modelo MM5 com nove configurações diferentes (nomeados de P1 a P9). Os resultados foram obtidos analisando a precipitação acumulada para cada membro. Os autores observaram que a maior parte dos conjuntos subestimaram a precipitação ocorrida, com exceção da configuração P5 que representou bem a distribuição espacial e a magnitude do evento. O conjunto P5 é formado por um esquema de microfísica Simple Ice (Grade 1 e 2) e Schultz (Grade 3), esquema de Bets-Miller e esquema MRF para a camada limite planetária. Ressalta-se que a diferença do conjunto P5 para o P3 está na parametrização da camada limite, o que modificou sensivelmente os resultados.

Zhu e Xue (2016) realizaram um estudo de caso para Beijing, China, utilizando a convecção permitida do modelo WRF para gerar uma previsão por conjuntos através dos dados do Sistema Experimental de Previsão Global por Conjuntos (GEFS) produzido pela NOAA ESRL e as parametrizações físicas do modelo WRF. Os autores utilizaram dois conjuntos de previsões: um a partir de diferentes condições iniciais e diferentes configurações físicas, e outro a partir de diferentes condições inciais, mas com as condições iniciais fixas. A partir das previsões realizadas os autores geraram produtos da previsão por conjuntos utilizando o método de probabilidade correspondida (numa tradução livre do inglês, probability matching), média e desvio padrão. Foram utilizados, para avaliar a previsão, o ranking de histogramas e o Brier Skill Score (BSS). É importante notar que dos produtos citados, o melhor foi o de probabilidades correspondida que chegou mais próximo ao observado nas estações (Figura 5). Os autores ainda constataram que a previsão por conjunto CEFS obteve uma maior precisão quando comparada àquela em que somente as parametrizações físicas são alteradas. Ressaltando ainda que para este caso, houve mais sensibilidade nas parametrizações físicas em termos de acumulado máximo de chuva e localização. Porém, o CEFS simulou condições de ambiente que geraria mais diversidade de precipitação e, portanto, simularia melhor o evento de chuva.

Visto que a previsão numérica determinística possui limitações, é de grande importância que estudos utilizando a previsão por conjuntos, seja ele físico ou de pertubação das condições iniciais, sejam realizados. Uma vez que esta previsão por conjuntos pode ajudar a visualizar o cenário com maior probabilidade de ocorrer entre os diversos cenários possíveis e chegar em uma situação mais próxima a

realidade. Assim, proporcionando uma maior chance de acerto na previsão do tempo.

Figura 5 – Acumulados de chuva em 24 horas de forma que (a) é o observado, (b) previsão por conjuntos média e (c) utilizando a técnica de probabilidade combinada para o evento de chuva ocorrido em 21 de julho de 2012 em Beijing.

3.1 Dados

Para avaliar o caso de chuva ocorrido entre os dias 23 e 30 de junho de 2014 na RSB, foram utilizados os dados horários de precipitação obtidos das estações meteorológicas automáticas e também dados do acumulado diário de precipitação das estações meteorológicas convencionais do Banco de Dados Meteorológicos para Ensino e Pesquisa (BDMEP) que pertencem ao Instituto Nacional de Meteorologia (INMET), totalizando 113 estações meteorológicas (Figura 6). Os pluviômetros automáticos do INMET possuem acurácia de +/- 1% para taxas de precipitação de 24 mm/h e +/- 5% para taxas de 140 mm/h, possuindo uma resolução de 0,2 mm e com frequência de medição de uma hora.

Além disso, utilizou-se dados globais de análise e de previsão deterministica do Global Forecast System (GFS), produzido pelo National Centers for Environmental Prediction (NCEP), com resolução de 1 grau, de 6 em 6 horas (00, 06, 12 e 18 UTC) e com até 26 níveis verticais. Os dados de análise foram utilizados para realizar a análise sinótica do evento em questão para até dois dias antes do evento e durante a ocorrência do mesmo. Os dados de previsão determinística possuem resolução de 1 grau, de 3 em 3 horas até 192 horas de previsão e a partir de 192, de 12 em 12 horas até 384 horas de previsão. Neste trabalho foram utilizados somente os dados de previsão determinística até 192 horas de previsão, considerando apenas aqueles com intervalo de 3 em 3 horas. Devido a grande duração do evento (8 dias), para os prognósticos de 48 e 72 horas antes do início do evento, foi necessário desconsiderar os dias 30 e 29, para os respectivos prognósticos. Sendo assim, somente com a previsão de 24 horas antes do início do evento foi possível simular toda a duração do evento. Estes dados de previsão determinística foram utilizados como condição inicial e de contorno no modelo

Weather Research and Forecasting (WRF) para realizar um prognóstico do evento também para até 72 horas antes do evento.

O NCEP fornece também dados de previsão por conjuntos do próprio modelo numérico GFS, conhecido como Global Ensemble Forecast System (GEFS), que é gerado através da perturbação das condições inicias pela técnica Ensemble Transformation and Rescaling (ETR), que contrai a amplitude das perturbações para refletir nas variações regionais da análise de erro (MA et al. 2014), gerando assim uma incerteza que provocará previsões significativamente diferentes e, à vista disso, possibilitando avaliar diferentes cenários de previsão. Desta forma, gerando membros de uma segunda previsão por conjuntos com resolução de 1 grau que totalizará 21 membros de previsão para até 16 dias, totalizando 384 horas de previsão de 6 em 6 horas. Imagens de satélite para o período do evento também foram analisadas. Elas foram obtidas por meio da Divisão de Satélites e Sistemas Ambientais do Centro de Previsão de Tempo e Estudos Climáticos, pertencente ao Instituto Nacional de Pesquisas Espaciais (DSA/CPTEC/INPE).

Figura 6 – Distribuição das estações meteorológicas automáticas (em “ Δ ”) e convencionais (em “

○

3.2 Metodologia

Os dados das estações convencionais e automáticas foram padronizados para o acumulado em 24 horas desde as 12 UTC de um dia até as 12 UTC do dia seguinte. Os dados de precipitação acumulada em 24 horas foram utilizados para realizar a interpolação dos campos de precipitação para melhor demonstrar a abrangência da chuva. O mesmo foi feito para os dados das estações automáticas de hora em hora, calculando o acumulado de 3 em 3 horas e utilizando-o para verificar a precisão do modelo para este intervalo. O método utilizado na interpolação foi o método dos vizinhos naturais que encontra o ponto mais próximo e pondera pela distância para interpolar o valor de precipitação na região (SIBSON, 1982).

3.2.1 Variáveis Analisadas do GFS

Através dos dados analisados do GFS, foram verificadas as condições atmosféricas atuantes durante o período do evento de chuva. Os campos analisados foram: pressão ao nível médio do mar, umidade relativa e específica, vento zonal e meridional, ômega, temperatura e altura geopotencial em diversos níveis na vertical.

3.2.2 Variáveis Calculadas

Outras variáveis foram calculadas a partir dos dados analisados do GFS, tais como:

• Divergência do vento em 1000 e 250 hPa;

• Vorticidade Relativa e sua respectiva advecção em 500 hPa; • Advecção de temperatura em 850 hPa;

• A divergência do fluxo de umidade integrado na vertical entre 1000 e 700 hPa, definida por Holton (2004) como:

∇⋅(q ⃗V )= 1 a cosϕ ∂(qu) ∂ λ + 1 a ∂(qv) ∂ ϕ (1)

sendo q a umidade específica do ar, u e v as componentes zonal e meridional do vento, respectivamente, ϕ é a longitude e λ é a latitude. Para calcular a divergência integrada na vertical, foi utilizado:

∫

∫

• A Temperatura Potencial Equivalente em 850 hPa ( θe ), pois de acordo com

Severo (1994) precipitações intensas podem ser esperadas em regiões com alta temperatura potencial equivalente. Definido por Bolton (1980) como:

θe=Tk(1000 P ) A exp(B) (3) sendo: A=0,2854(1−0,28 x 10−3r ) (3.1) B=((3,376 T_L )−0,00254)r (1+0,81 x 10 −3 ) _(3.2)

sendo Tk a temperatura absoluta (em Kelvin), r é a razão de mistura (g/kg-1)

que pode ser substituído pela umidade específica sem grandes erros devido a aproximação de r≈q , TL é a temperatura do nível de condensação por

levantamento (em Kelvin), dada por: TL= 1 ( 1 Tk−55 )− lnu 100 2840 +55 (3.3)

sendo u é a umidade relativa (em %).

• Variação local da umidade com o tempo, definida por Banacos et al. (2004) como:

∂q

∂t + ∇⋅(q Vh)+

∂(qw)

∂p =E−P (4)

sendo E e P são as fontes e sumidouros de umidade, respectivamente.

Pode-se expandir a equação 4 acima para analisá-la termo a termo, desta forma:

∂q

∂t=−Vh⋅∇q−q ∇⋅Vh−

∂ (qw)

∂p (5)

umidade, o segundo é o termo de convergência horizontal do fluxo de umidade e o terceiro é o termo de convergência vertical do fluxo de umidade.

• Variação local de calor com o tempo conforme Holton (2004):

∂T

∂t =−Vh. ∇ T −T ∇ . Vh−

∂ωT

∂p + ω αC_p +S (6)

Similar a Equação 4, o primeiro termo depois da igualdade da Equação 6 é o termo de advecção horizontal, o segundo termo é o de convergência horizontal, o terceiro termo é o de convergência vertical do fluxo e o quarto e quinto termo são fontes e sumidouros de calor.

Para verificar a evolução na vertical e no tempo de variáveis como convergência horizontal de umidade, advecção de umidade e convergência vertical do fluxo de umidade, foi feita a média na área para o domínio de -30°S a -26°S de latitude e -54°O a -51°O de longitude, sendo o domínio da RSB.

• O balanço local de vorticidade com o tempo também foi calculado, definido por Holton (2004) como:

∂ζ ∂t=−V . ∇ (ζ+f )−ω ∂ ζ ∂p−(ζ+f )( ∂u ∂x+ ∂v ∂y)−( ∂ ω∂x ∂v ∂p− ∂ ω∂y ∂u ∂p) (7)

Sendo o primeiro termo da igualdade definido como o termo de advecção horizontal de vorticidade, o segundo é o termo de advecção vertical de vorticidade, o terceiro é o termo de estiramento/divergência de vorticidade e por último o termo de inclinação.

Também foi feita a média na área para os termos da equação da vorticidade, porém para uma área maior do que a anterior, sendo de 30°S a 20°S de latitude e 60°W a 50°W de longitude.

Ressalta-se que o intuito da análise dos termos das equações acima não visa fechar o balanço local, mas sim a verificação da importância de cada um deles antes e durante o evento. Desta forma, não foram realizados cálculos das fontes e sumidouros.

3.3 Previsão por Conjuntos

Foi utilizado o modelo regional de previsão numérica do tempo WRF para prever em escala regional e com maior resolução as condições atmosféricas associadas ao evento estudado. O modelo WRF foi desenvolvido para ser executado desde um supercomputador até simples notebooks. Possuindo uma grande diversidade de opções físicas e dinâmicas que podem ser executadas em uma escala de metros até a escala global. Além disso o WRF possui cinco opções físicas de configuração, sendo elas: microfísica de nuvens, parametrizações Cumulus, parametrizações de superfície, da camada limite planetária e da radiação atmosférica, sendo que estas ainda se dividem em diversos subtipos, dependendo da metodologia utilizada (SKAMAROCK et al., 2008).

A versão do WRF utilizado foi a 3.8, onde as descrições físicas e operacionais do modelo encontram-se no “ARW User's Guide” (WANG et al., 2017). O WRF foi configurado como não hidrostático para um domínio com resolução espacial de 36 km, conforme a figura 7.

Figura 7 – Domínio utilizado no modelo WRF com resolução de 36 km

A previsão por conjuntos implementada com o WRF (doravante chamada de PCWRF) foi realizada através de diferentes parametrizações físicas do modelo WRF, com condições iniciais e de contorno sendo a previsão determinística do GFS. Estas parametrizações foram escolhidas com a ajuda de estudos anteriores – citados na

revisão bibliográfica – cujo foco era a previsão ou simulação de casos de chuva (JI et al., 2013; ZHU e XUE, 2016; TIAN, 2017; ORTEGA, 2017). Um total de 20 combinações de parametrizações foi definido para a PCWRF. Desta forma, as parametrizações que foram variadas são as do tipo cumulus, microfísica de nuvens e da camada limite planetária do modelo WRF. A parametrização de superfície do modelo é fixada na de Noah, a de radiação de onda curta é a de Dudhia e a de radiação de onda longa é a Rapid Radiative Transfer Model (RRTM). As parametrizações de cumulus são variadas entre a Kain-Fritsch (KF), Betts-Miller-Janjic (BMJ) e Grell-Devenyi (GD). A parametrização de microfísica de nuvens varia entre a de Lin, Eta Ferrier, Thompson e WSM6. A parametrização de Camada Limite Planetária (CLP) variou entre Yonsei University (YSU) e a Mellor-Yamada-Janjic (MYJ). As combinações das parametrizações ficaram como descritas na Tabela 3.

Tabela 3 – Combinação dos membros da previsão por conjuntos para o WRF:

Membros Cumulus Microfísica CLP

MWRF01 Kain-Fritsch Lin YSU

MWRF02 Kain-Fritsch Eta (Ferrier) YSU

MWRF03 Kain-Fritsch Thompson YSU

MWRF04 Kain-Fritsch WSM6 YSU

MWRF05 Betts-Miller-Janjic Lin YSU MWRF06 Betts-Miller-Janjic Eta (Ferrier) YSU MWRF07 Betts-Miller-Janjic Thompson YSU MWRF08 Betts-Miller-Janjic WSM6 YSU

MWRF09 Grell-Devenyi Thompson YSU

MWRF10 Grell-Devenyi WSM6 YSU

MWRF11 Kain-Fritsch Lin MYJ

MWRF12 Kain-Fritsch Eta (Ferrier) MYJ

MWRF13 Kain-Fritsch Thompson MYJ

MWRF14 Kain-Fritsch WSM6 MYJ

MWRF15 Betts-Miller-Janjic Lin MYJ MWRF16 Betts-Miller-Janjic Eta (Ferrier) MYJ MWRF17 Betts-Miller-Janjic Thompson MYJ MWRF18 Betts-Miller-Janjic WSM6 MYJ

MWRF19 Grell-Devenyi Thompson MYJ

3.3.1 Produtos da Previsão por Conjunto

Após rodada todas as parametrizações, obteve-se duas previsões por conjuntos, a PCWRF e a GEFS. Portanto, foram aplicados métodos estatísticos de análise e de avaliação da PCWRF e da GEFS com o intuito de observar qual dos dois conjuntos possui uma maior precisão.

Para avaliar os dois conjuntos objetivamente, foi calculada a média da chuva na área dos estados do RS e SC (Figura 8), sendo estes os estados em que houve os maiores registros de chuva durante o evento.

A precisão membro a membro das previsões também foi levada em consideração, avaliando a quantidade mínima e máxima do acumulado de chuva e a área da chuva.

Figura 8 – Região utilizada para calcular a chuva média na área durante os dias de evento.

3.3.1.1 Média e Desvio Padrão

Um dos produtos mais usados na previsão por conjuntos é a média simples dos campos plotados acompanhado do desvio padrão (ou espalhamento) dos membros (WILKS, 2006; CPTEC, 2017). Estes métodos resultam em uma única previsão, mostrando o cenário mais comum entre os membros e resultando na condição atmosférica predominante, mostrando ainda a incerteza dos membros através do espalhamento onde os membros mais destoam. Desta forma, não é atribuído peso nenhum sobre os membros e assume-se que todos os membros são igualmente prováveis de ocorrer.

3.3.1.2 Probabilidade Correspondida (em inglês – Probability Matching)

A técnica de probabilidade correspondida foi proposta por Ebert (2001). Nesta técnica, o campo médio de chuva, do conjunto de previsões, é considerado a melhor estimativa da distribuição da chuva. Entretanto, como a média suaviza o campo, há um impacto negativo na estimativa da intensidade da chuva. A probabilidade correspondida reorganiza a chuva prevista, produzindo resultados melhores, principalmente, em situações de eventos de chuva intensa. Suponha um conjunto com 20 previsões. O campo médio de chuva para essas 20 previsões apresenta a melhor estimativa da distribuição da chuva. Todos os valores desse campo médio são organizados em ordem decrescente, mantendo a informação de posicionamento geográfico agregado ao respectivo valor – para melhor compreensão, são chamados de grupo A. Posteriormente, os valores de todos os pontos de grade, de todas as 20 previsões, também são organizados em ordem decrescente – chamados de grupo B. Não há necessidade de manter o posicionamento geográfico, pois o interessante neste grupo é somente o valor de chuva acumulada prevista . A seguir, esse grande conjunto (ordenado) de valores de chuva prevista é separado em subconjuntos de 20 valores (mesmo numero de previsões). Finalmente, a mediana do primeiro conjunto de 20 valores do grupo B – que são os 20 maiores valores desse grupo – é atribuída ao ponto de grade com o maior valor do grupo A. Esse processo é feito sucessivamente, até que todos os pontos de grade do grupo A tenham seus valores substituídos pela mediana de cada subgrupo de 20 previsões do grupo B. Esta ferramenta visa resumir a informação resultante dos membros, assim como a média simples, e se mostrou melhor que a média para o estudo de ZHU e XUE (2016).

3.3.2 Métodos de Avaliação

Para realizar a avaliação da previsão por conjuntos, foram montadas Tabelas de Contingência, comparando a chuva observada com a chuva prevista, ambas médias na área da Figura 8 (SCHAEFER, 1990; WILKS, 2006). Sendo que este método leva em conta a ocorrência ou não do evento e se ele foi previsto pelo modelo ou não. O ideal para se avaliar a precisão do modelo é estabelecer limiares de chuva e aplicar a tabela de contingência para cada limiar estabelecido. De acordo com Wilks (2006) a partir da tabela de contingência, podem ser extraídos outros métodos de avaliação, tais como: Equitable Threat Score (ETS), BIAS, Razão de

Alarme Falso (em inglês: FAR) e a Probabilidade de Detecção ou taxa de acerto (POD; ou hit rate (H)). A Raiz do Erro Quadrático Médio (REQM) também foi utilizada.

4.1 Chuvas Observadas

Entre os dias 23 a 30 de junho de 2014 a RSB, principalmente a região entre o RS e SC, houve a ocorrência de um grande acumulado de chuva, conforme mostra a figura 9. A chuva iniciou no dia 23 no noroeste do RS (Figura 9A) e deslocou-se para norte no dia 24 (Figura 9B), concentrando-se na fronteira entre o RS e SC, persistindo nesta região até o dia 27. Os dias 25 (Figura 9C), 26 (Figura 9D) e 27 (Figura 9E) foram os dias em que foram observados os maiores acumulados de chuva em 24 horas, chegando a 70 mm, 80 mm e até 120 mm, respectivamente. No dia 28 a chuva já começava a diminuir e dia 29 a chuva foi intensa, mas se concentrou somente no centro do RS. No dia 30 a chuva diminuiu significativamente. O acumulado total do evento (Figura 9I) foi superior aos 300 mm na fronteira do RS e SC e principalmente nas cidades citadas de Iraí e Chapecó. Além disso, considerando a normal climatológica de 1961-1990 do INMET, o acumulado total corresponde a mais de 120% da normal climatológica na metade norte do RS, oeste de SC e sul do Paraná (PR), com exceção de Iraí e Chapecó, onde o acumulado total corresponde a mais e 300% da normal climatológica.

Figura 9 – Acumulado de chuva em mm de A) - H) entre os dias 23 e 30 de junho de 2014, respectivamente, e I) o total acumulado durante os 7 dias de evento.

4.2 Análise Sinótica

Analisando as condições atmosféricas 48 horas antes do início do evento na RSB, dia 21 às 12 UTC (Figura 10A), é possível visualizar a atuação de um centro de alta pressão sobre o oeste da RSB, junto a uma crista em médios níveis. O giro anticiclônico associado ao centro de alta pressão favorece o transporte de ar relativamente mais quente e úmido de regiões de latitudes mais baixas para as latitudes mais elevadas, refletindo diretamente na espessura da camada, gerando esta crista (Figura não mostrada). Além disso, é possível observar a atuação de dois centros de baixa pressão, um a oeste dos Andes associado a um cavado em fase