UM MÉTODO DE PREVISÃO DA ANOMALIA DE TEMPERATURA MÁXIMA, MÍNIMA E MÉDIA MENSAL NOS ESTADOS DO RIO GRANDE DO SUL E SANTA CATARINA

UM MÉTODO DE PREVISÃO DA ANOMALIA DE TEMPERATURA MÁXIMA, MÍNIMA E MÉDIA MENSAL NOS ESTADOS DO RIO GRANDE DO SUL E SANTA

CATARINA

Ilja S. Kim (Centro de Pesquisas Meteorológicas, Faculdade de Meteorologia, Universidade

Federal de Pelotas, Pelotas RS, Brasil).

ABSTRACT

A model of forecast of the maximum, minimum temperature and monthly mean has been developed for 13 stations of Rio Grande do Sul and Santa Catarina. As predictors for creation of the equations of Multiple Lineal Regression were used the data of the temperature of the air of the surface and and sea-surface temperatures at support points. In the each studied field were separated homogeneous regions and a support point chosen. Theses points are practically to each other independent and each point characterize one area. All support point together characterize the field over the Southern Hemisphere. The prediction model has been tested in the independent data set and these results show that a prediction model can be aplicated in the practical work.

INTRODUÇÃO

Atualmente, um dos difíceis problemas da meteorologia é a da Previsão do Tempo de Longo Prazo, porque ainda não sabemos exatamente a física dos processos de formação das condições do tempo nas diferentes regiões da Terra. Com o desenvolvimento dos computadores, surgiu a possibilidade de se processar quantidades imensas de dados e, assim, iniciaram-se as pesquisas com a utilização dos métodos numéricos.

Existem diferentes métodos estatísticos de previsão do tempo de longo prazo tais como nos trabalhos (Repelli e Alves, 1994; Calvo, Gregory 1994; Diaz e Studzinski , 1994; Barnston et al..,1996;Gruza et al., 1989; Barnston e Livezey 1989; Livezey et al 1994; Kim 1995a).

No entanto, o principal problema nos métodos estatísticos de previsão do tempo de longo prazo é a escolha dos preditores informativos. Se acharmos bons preditores, é possível usar quase todos os métodos estatísticos e podemos obter boas previsões do tempo de longo prazo. Por causa do desconhecimento dos mecanismos de formação do tempo para longo período nas diferentes regiões, tenta-se usar todos os dados disponíveis. Mas isto não é possível e, por isso, há diferentes métodos para diminuir a dimensão do preditor inicial. Neste trabalho a diminuição da dimensão do vetor-preditor inicial foi feita como nos trabalhos de Kim 1991, Kim e Nikulina 1992, onde foi feita a separação de regiões homogêneas e pontos de apoio no Hemisfério Norte, com os dados de temperaturas médias do ar e pressões médias mensais na superfície da Terra. Este trabalho foi realizado dentro do projeto intitulado "Elaborar um Banco de Dados e Desenvolver Métodos de

Previsão do Tempo e Clima para Estado do Rio Grande do Sul” - FAPERGS. DADOS E METODOLOGIA

Foram utilizados dados mensais de temperatura da água na superfície do mar, das seguintes fontes de dados: COADS, NOAA e JMA (EUA) na grade 2° x 2° no Hemisfério Sul no período 1940-1989, dados recuperados com utilização componentes principais na grade 2° por 2° para o período de 1950-1992 (Smith, et al. 1996) e os dados da temperatura do ar na grade 5º x 5º no período de 1900-1993 do Centro de Análise do Clima/ EUA.

Também foram utilizados dados mensais da temperatura do ar máxima, mínima e média (Tmax, Tmin, Tmed) de 13 estações, com longo período de observações, nos estados do Rio Grande do Sul e Santa Catarina, no Brasil (Bagé, Bom Jesus, Caxias do Sul, Encruzilhada do Sul, Florianópolis, Iraí, Lages, Porto-Alegre, São Luiz Gonzaga, Santa Maria, Santa Vitória de Palmar e Torres), fornecidos pelo 8º-DISME do INMET e uma estação da EMBRAPA Pelotas.

A diminuição da dimensão do número de preditores potenciais foi feita através da separação em regiões homogêneas e pontos de apoio nos campos da temperatura da água no oceano e temperatura do ar na superfície da Terra. A separação das regiões homogêneas foi realizada através da utilização do algoritmo de auto-ensino com classes desconhecidas.

Para criar equações prognósticos foi utilizado o procedimento passo a passo “stepwise”, e foram criadas equações como:

Onde - previsão da temperatura mínima, - coeficientes de regressão, n – o número de preditores escolhidos através de “stepwise”.

A avaliação das previsões calculada através dos parâmetros:

onde e - números dos pontos com coincidência e não coincidência dos sinais das anomalias correspondentes, N – número total de pontos. O valor ρ pode variar de –1 até 1. Quando

o valor de ρ for igual a –1, a previsão dos sinais das anomalias foram dadas ao contrário e quando valor ρ igual 1, as previsões dos sinais das anomalias foi prevista corretamente e quando o valor de ρ for igual a zero, só 50% dos sinais das anomalias foram dadas certas. As previsões tem significância quando o valor de ρ for ≥ 0.1.

onde - erro da previsão no ponto ou estação i , - o valor da previsão da

temperatura, - o valor real na estação i, - desvio padrão na estação i, N – número de pontos ou estações. Quando os valores de Q e S sãoiguais a zero significa que a previsão é ideal. A previsão é considerada boa quando os valores de Q e S estão entre 0 e 1 e a previsão é

considerada ruim quando os valores de Q e S são >1.

RESULTADOS E DISCUÇÕES

Nos campos mensais da temperatura do ar e da temperatura da água na superfície do oceano no Hemisfério Sul, foram separadas regiões homogêneas e pontos de apoio com a utilização do algoritmo de classificação auto-ensino com classes desconhecidos. A análise da localização dos pontos de apoio, em cada mês, mostrou que na maioria dos casos os pontos de apoio, em todos meses, ficam localizados muito próximos um do outro. E com a utilização de um algoritmo de procura por centro de gravidade, foram escolhidos 15 pontos de apoio em cada campo, em todos os meses (Fig. 1 e 2).

Cada ponto de apoio caracteriza uma região, onde a oscilação da temperatura é homogênea (praticamente a mesma). Por isso os 15 pontos de apoio no campo de temperatura do ar caracteriza o campo da temperatura do ar no Hemisfério Sul, e os 15 pontos de apoio no campo da temperatura do oceano caracteriza o campo temperatura da água na superfície do oceano no Hemisfério Sul.

min ˆ T αi,c

∑

n

n

n

σ

T

∑

∆

T

T

Fig.1. Localização dos pontos de apoio no campo da temperatura do ar no Hemisfério Sul.

Fig. 2 Localização pontos de apoio no campo da temperatura do oceano No Hemisfério Sul

Assim, como a maior parte do Hemisfério Sul é ocupado pelo oceano, a análise mostrou que os pontos de apoio são localizados nas zonas das correntes oceânicas. E como se sabe, existe uma forte relação entre a temperatura da água do oceano e a temperatura do ar próximo à superfície do oceano. Por isso, a temperatura mensal do ar e a temperatura do oceano nos pontos de apoio, podem caracterizar o campo da temperatura na superfície da Terra, no Hemisfério Sul. A temperatura do ar é uma característica integrada dos processos atmosféricos e oceânicos.

Foram feitos experimentos para desenvolver um Método de Previsão das temperaturas máxima , mínima e média mensal, nas 13 estações meteorológicas do Rio Grande do Sul e Santa Catarina, com a utilização dos dados das temperaturas do ar e do oceano, nos pontos de apoio com

defasagem até 11 meses. As equações de regressão linear múltipla foram criadas por meio de procedimento passo o passo “stepwise”. Nas equações foram aplicados até 3 preditores, e foram criadas equações para cada estação e cada mês em separado. As previsões foram calculadas para 1, 2, ..., até 10 meses à frente. Para cada defasagem, dados de dois meses seguidos são usados na previsão. Por exemplo, no início de dezembro a previsão de 1 mês à frente, para janeiro, utiliza como preditores os dados da temperatura do oceano e do ar dos meses de outubro e novembro no Hemisfério Sul; para a previsão de 2 meses à frente, utiliza-se setembro e outubro, etc.

As equações obtidas foram avaliadas nos dados independentes, que não foram utilizados para calcular coeficientes de regressão. Foram calculadas previsões da Tmax, Tmin e Tmed para 4 anos, ou seja, foram calculadas 48 previsões para cada variável e para cada defasagem. Foram analisados os resultados das avaliações das previsões para cada variável separada. Para temperatura máxima, os melhores resultados foram obtidos para a primavera , verão, e parte do outono (outubro-abril) com defasagem de 7-8 meses e para maio-setembro com defasagem de 2-3 meses. Então sempre é possível calcular as previsões para 2 meses no futuro ou a calcular as previsões para 7 meses na frente e corrigir as previsões para maio- setembro com os dados com defasagem de 2-3 meses. Na Tabela 2 são mostrados os resultados da avaliação da temperatura máxima, calculados com defasagem de 7-8 meses para outubro-abril e 2-3 meses para maio-setembro.

Tabela 2. Avaliações das previsões das temperaturas maxíma, mínima e média mensal para 13 estações do Rio Grande do Sul e Santa Catarina.

Temperatura Máxima

Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Media

ρρ 0,96 0,89 0,92 0,92 0,29 0,82 0,69 0,77 0,50 0,88 0,92 0,94 0,79 Q 0,05 0,03 0,09 0,06 0,10 0,17 0,20 0,09 0,08 0,08 0,04 0,04 0,09 S 0,18 0,15 0,25 0,20 0,26 0,36 0,37 0,23 0,23 0,20 0,16 0,15 0,23

Temperatura Mínima

Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Media

ρρ 0,92 0,95 0,65 0,42 0,69 0,27 0,25 0,69 0,24 0,62 0,75 0,81 0,61 Q 0,12 0,05 0,12 0,55 0,32 0,48 0,67 0,30 0,40 0,28 0,16 0,17 0,30 S 0,29 0,17 0,29 0,67 0,34 0,59 0,65 0,44 0,51 0,41 0,30 0,35 0,42

Temperatura Média

Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Media

ρρ 1,00 0,96 0,95 0,91 0,35 0,31 0,35 0,88 0,25 0,88 0,92 0,90 0,72 Q 0,04 0,06 0,04 0,15 0,24 0,24 0,38 0,14 0,35 0,20 0,04 0,05 0,16 S 0,16 0,19 0,18 0,33 0,39 0,42 0,46 0,28 0,41 0,36 0,16 0,19 0,29

Como podemos ver na média, o valor do parâmetros de avaliação dos sinais das anomalias ρ e´ igual a 0.79, o que significa um acerto de quase 90% dos sinais das anomalias. Os valores da media anual para 4 anos, dos parâmetros de avaliação das previsões Q e S são significativamente menor que 1, igual 0,09 e 0.23 respectivamente.

Para a temperatura mínima, os valores dos parâmetros de avaliação são iguais a ρ=0,61,

Q=0,30 e S=0,42, o que significa cerca de 80% de acerto dos sinais das anomalias e um bom acerto

dos valores. As previsões da temperatura media mensal também mostram um bom acerto dos valores ρ, Q e S, que são iguais a 0,71, 0,16 e 0,29, respectivamente.

Portanto a avaliação que foi feita nos dados independentes, mostra um bom sucesso do modelo das previsões da temperatura máxima, mínima e media, que foram obtidas.

CONCLUSÃO

O trabalho que foi feito mostrou que o método de diminuição da dimensão do vetor-preditor inicial é efetivo e permite diminuir o tamanho dos dados iniciais dezenas vezes e usar só 15 pontos para os campos da temperatura do ar na superfície da Terra e 15 pontos no campo da temperatura da água na superfície do oceano, no Hemisfério Sul. Com a utilização dos dados da temperatura do ar e da água nestes pontos, foi criado um modelo de previsão da temperatura máxima, mínima e média mensal para os 13 estações nos estados do Rio Grande do Sul e Santa Catarina . A avaliação do modelo nos dados independentes mostrou resultados suficientes.

7. - REFERÊNCIAS BIBLIOGRÁFICAS

BARNSTON A.G., LIVEZEY R.E.. An operational multifield analog/antianalog prediction system for United States seasonal temperatures. Part II: Spring, summer, fall and intermediate 3-month period experiments. Journal of Climate, Boston, 1989, 2, p. 513-541.

BARNSTON A.G.; THIAO W.; KUMAR V.. Long-lead forecasts of seasonal precipitation in Africa Using CCA. Journal of Climate, Boston, 1996, v. 9, p. 506-520

BARNSTON A. G., SMITH T. M. Specification and Prediction of Global Surface Temperature and Precipitation from Global SST Using CCA. Journal of Climate, 1996, v. 9, N 11, p. 2661-2697. CALVO J.C., GREGORY J.D.. Predicting Monthly and Annual Air Temperature Characteristics in

North Carolina. Journal of Applied. Meteorology, 1994, vol. 33, p. 490-499.

DIAZ A. E STUDZINSKI C.. Rainfall anomalies in the Uruguay-Southern Brazil region related to SST in Pacific and Atlantic oceans using canonical correlation analysis. VIII Congresso

Brasileiro de Meteorologia, II Congresso Latino-Americano e Ibérico de Meteorologia, 1994,

GRUZA G.V., RAN’KOVA E.YA. and et. al. Probabilistic meteorological prediction adaptive model (group analogous) with the data set optimization. Proc. USSR Hydrometeocenter, 1989, 306, p. 3-55. (em Russo).

HASTENRATH S., GREISCHAR L.. Further work on the prediction of Northeast Brazil Rainfall Anomalies. . Journal of Climate, 1993, v.6, p.743-758.

KIM I.S. NIKULINA S.P. About possible aproaches to selection of predictors for long-range meteorological forecasting. Proc. SANIGMI, 1992a, vol.143(224), p. 92-97, (em Russo).

KIM I.S. Model of forecasting anomalies of monthly avarage air temperature and monthly sums of precipitation by group analogous. Proc. SANIGMI, 1995, vol. 150(231), p. 72-75, (em Russo) LIVEZEY R.E., BARNSTON A.G., GRUZA G.V. AND RAN’KOVA E.YU. 1994.Comparative Skill

of Two Analogous Seasonal Temperature Prediction Sistems: Objective Selection of Predictors.

Journal of Climate,Vol.7, N 4, p. 608-615.

UVO C.B., REPELLI C.A., ZIBIAK S.E. E KUSHNIR Y.. The Influence of tropical pacific and atlantic SST on northeast Brazil monthly precipitation. In: VIII Congresso Brasileiro de

Meteorologia, II Congresso Latino-Americano e Ibérico de Meteorologia, 1994, vol.2, p.