PREVISÃO QUALITATIVA DE CHUVA POR DEEP LEARNING USANDO IMAGENS DE RADAR METEOROLÓGICO
Suzanna Maria Bonnet de Oliveira Martins
Tese de Doutorado apresentada ao Programa de Pós-graduação em Engenharia Civil, COPPE, da Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários à obtenção do título de Doutor em Engenharia Civil.
Orientadores: Alexandre Gonçalves Evsukoff Carlos Augusto Morales Rodriguez
Rio de Janeiro Abril de 2021
PREVISÃO QUALITATIVA DE CHUVA POR DEEP LEARNING USANDO IMAGENS DE RADAR METEOROLÓGICO
Suzanna Maria Bonnet de Oliveira Martins
TESE SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO LUIZ COIMBRA DE PÓS-GRADUAÇÃO E PESQUISA DE ENGENHARIA DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE DOUTOR EM CIÊNCIAS EM ENGENHARIA CIVIL.
Orientadores: Alexandre Gonçalves Evsukoff Carlos Augusto Morales Rodriguez
Aprovada por: Prof. Alexandre Gonçalves Evsukoff Prof. Carlos Augusto Morales Rodriguez Profª. Rachel Ifanger Albrecht
Prof. Gutemberg Borges França Prof. Leonardo Calvetti
Prof. Luiz Landau
RIO DE JANEIRO, RJ - BRASIL ABRIL DE 2021
iii
Martins, Suzanna Maria Bonnet de Oliveira
Previsão Qualitativa de Chuva por Deep Learning Usando Imagens de Radar Meteorológico/ Suzanna Maria Bonnet de Oliveira Martins. – Rio de Janeiro UFRJ/COPPE, 2021.
VIII, 124 p.: il.; 29,7 cm.
Orientadores: Alexandre Gonçalves Evsukoff Carlos Augusto Morales Rodriguez
Tese (doutorado) – UFRJ/ COPPE/ Programa de Engenharia Civil, 2021.
Referências Bibliográficas: p. 94-102.
1. Previsão de imagem por Deep Learning. 2. Deep Learning. 3. Radar Meteorológico. I. Evsukoff, Alexandre Gonçalves et al. II. Universidade Federal do Rio de Janeiro, COPPE, Programa de Engenharia Civil. III. Título.
iv Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos necessários para a obtenção do grau de Doutor em Ciências (D.Sc.)
PREVISÃO QUALITATIVA DE CHUVA POR DEEP LEARNING USANDO IMAGENS DE RADAR METEOROLÓGICO
Suzanna Maria Bonnet de Oliveira Martins Abril/2021
Orientadores: Alexandre Gonçalves Evsukoff Carlos Augusto Morales Rodriguez Programa: Engenharia Civil
Nowcasting (ou previsão a curtíssimo prazo) de precipitação pode alertar e prever, em geral com um curto tempo de antecedência, a possibilidade de ocorrência de mudanças bruscas no tempo que possam causar algum risco humano ou material. A maioria dos métodos de nowcasting convencionais extrapolam os ecos de radares meteorológicos, mas o nowcasting de precipitação ainda é um desafio, devido a características intrínsecas da precipitação e deficiências nos sistemas de medição, entre outros fatores. Recentemente, algoritmos de previsão de vídeo por deep learning (VPDL) vêm sendo aplicados ao nowcasting de precipitação. Nesta tese, o modelo VPDL PredRNN++ é utilizado para prever sequências de imagens de refletividade do radar, com antecedência de pelo menos 1h, a partir de sequências de imagens de refletividade do radar de Ponte Nova (SP). Os resultados obtidos confirmam o potencial do modelo VPDL como uma ferramenta adicional no suporte ao nowcasting, com 86% POD, 53% FAR e 0,44 CSI para previsão de 30 min. As análises dos resultados apontaram que: o modelo VPDL prevê mais pixels com refletividade do que o observado; a qualidade da previsão se degrada com o aumento do horizonte de previsão; os resultados se mostraram sensíveis à frequência de pixels com refletividade observados no período avaliado; valores de refletividade previstos são suavizados em relação aos valores observados devido à arquitetura do modelo VPDL. De fato, o modelo provê tendências úteis na localização e no desenvolvimento de regiões com chuva para sistemas que possam causar risco a população. Apesar dos eventos meteorológicos que levam a desastres variarem de local para local, uma solução geral pode contribuir como uma ferramenta de auxílio na tomada de decisão e consequentemente a emissão de alertas mais eficientes.
v Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the requirements for the degree of Doctor of Science (D.Sc.)
QUALITATIVE NOWCASTING WITH WEATHER RADAR IMAGES AND DEEP LEARNING MODEL
Suzanna Maria Bonnet de Oliveira Martins April/2021
Advisors: Alexandre Gonçalves Evsukoff Carlos Augusto Morales Rodriguez Department: Civil Engineering
Precipitation nowcasting (or very-short range forecasting) can predict and alert, usually with a short lead time, for any possibility of abrupt weather changes which may cause both human and material risks. Most of the conventional nowcasting methods extrapolate weather radar echoes, but precipitation nowcasting is still a challenge, due to intrinsic characteristics of the meteorological systems and deficiencies in measurement, among others. Recently video prediction deep learning (VPDL) algorithms have been applied in precipitation nowcasting. In this thesis we use the VPDL PredRNN++ and sequences of the Ponte Nova (SP) weather radar reflectivity images to predict the future sequence of reflectivity images for up to 1-hour lead time. We also verify the feasibility for the continuous use of the VPDL model predictions, providing the meteorologist with trends and forecasts in precipitation edges regardless of the weather event occurring. The results obtained confirm the potential of the VPDL model as an additional tool to assist nowcasting, with 86% POD, 53% FAR and 0,44 CSI for 30 min lead time. By using pixel by pixel confusion matrix for the architecture used in the VPDL model, we find that: the VPDL model overforecasts the prediction of reflectivity pixels; the forecast quality decrease with prediction horizon; the number of reflectivity pixels affects the results; the numerical results are smoothed due to model architecture. In fact, the model provides trends in the localization and development of rain edges of systems that can cause damage. As a tool to assist nowcasting, this model should be used in parallel with other data and models. Even though meteorological systems which trigger natural disasters vary by location, a general solution can contribute as a tool to assist decision-makers and consequently issue efficient alerts.
vi Sumário
Lista de Siglas ... viii
1 Introdução ... 1
1.1 Objetivo... 4
2 Previsão meteorológica a curtíssimo prazo de precipitação ... 7
2.1 Métodos convencionais ... 7
2.2 Modelos de deep learning ... 11
2.2.1 Limitações dos modelos VPDL no nowcasting ... 15
3 Radar meteorológico... 17
3.1 Descrição... 17
3.2 Medidas do radar... 22
3.3 Aplicações ... 24
3.4 Dificuldades e limitações da medida de precipitação ... 25
4 Aprendizado profundo ... 28
4.1 Rede Neural Artificial (RNA) ... 31
4.2 Rede recorrente (RNN) ... 35
4.2.1 Long Short-Term Memory (LSTM) ... 38
4.3 Rede Neural Convolucional (CNN) ... 41
5 Materiais e Métodos ... 47
5.1 Dados ... 47
5.1.1 Radar meteorológico de Ponte Nova ... 47
5.2 Metodologia (modelos e equipamentos) ... 53
5.2.1 Equipamentos utilizados ... 53
5.2.2 Modelo VPDL ... 55
5.2.2.1 Arquitetura ... 57
5.2.3 ENCAST ... 59
vii 5.3.1 Medidas de Regressão ... 61 5.3.2 Medidas de classificação ... 62 6 Resultados e discussão... 67 6.1 Fase 1 ... 67 6.2 Fase 2 ... 68 6.3 Fase 3 ... 73 6.3.2 Estudo de caso ... 81 7 Conclusões ... 90 Referências Bibliográficas ... 94 Apêndice 1 ... 103 Apêndice 2 ... 103 Apêndice 3 ... 108 Apêndice 4 ... 110
viii Lista de Siglas
CNN – Rede Convolucional ou Convolution Neural Networks DEAA – Departamento de Águas e Energia Elétrica
DL – Aprendizado profundo ou Deep Learning ENCAST – Ensemble nowCASTing
FC – Redes totalmente conectadas ou Fully Connected FCTH – Fundação Centro Tecnológico de Hidráulica IA – Inteligência Artificial
LSTM – Long Short-Term Memory ML – Machine Learning
MLP – Multi-Layer Perceptron PNT – Previsão Numérica do Tempo RNA – Rede Neural Artificial
RNN – Rede Recorrente ou Recurrent Neural Networks SAISP – Sistema de Alerta a Inundações de São Paulo TMG – Tempo Médio de Greenwich
VPDL – Video Prediction Deep Learning WMO – World Meteorological Organization
1 1 Introdução
A ocorrência de eventos meteorológicos severos como tempestades, tornados, descargas elétricas e ventos fortes, podem causar muitas perdas de vidas humanas e também danos a comunidades nas esferas sociais, econômicas e ao meio ambiente (CEPED, 2013a, 2013b; GOLNARAGHI et al., 2014; UNISDR, 2007). Com o aumento da temperatura devido às mudanças climáticas, espera-se que esses danos sejam maiores e afetem mais pessoas (ASADIEH e KRAKAUER, 2014; ZHANG et al., 2009; ZILLI et al., 2017).
De acordo com GOLNARAGHI et al. (2014), entre 1970 e 2012, enchentes, movimento de massa úmida e tempestades contabilizaram 85% dos desastres relacionados a tempo e clima, resultando em mais de um milhão de mortes e uma perda econômica em torno de US$ 2 bilhões ao redor do globo. De 1991 a 2012 foram registradas em torno de 1.700 mortes no Estado do Rio de Janeiro devido à ocorrência de desastres naturais relacionados a chuvas intensas e/ou persistentes e granizo, e mais de 4 milhões de pessoas afetadas por esses desastres (CEPED, 2013a). No Estado de São Paulo, foram registradas em torno de 250 mortes e mais de 3.5 milhões de pessoas afetadas (CEPED, 2013b).
Além de pessoas em situações vulneráveis, os eventos meteorológicos severos também afetam tomadores de decisão em agências de administração e segurança, como as defesas civis e os setores de energia, agricultura e aviação. Do ponto de vista das agências de proteção civil, o monitoramento e o alerta de ameaças são extremamente importantes para ações de mobilização preventiva e de resposta à população vitimada por desastre, dessa forma, a previsão ou antecipação aos desastres amplia a capacidade de resiliência pelo cidadão (SEDEC-RJ, 2020).
Em muitas localidades do Brasil, os níveis de risco meteorológico, hidrológico e geológico são definidos a partir de limiares de precipitação observados e previstos, que podem ser localizados ou abranger uma área maior, como por exemplo os limiares de precipitação apresentados em SEDEC-RJ (2020), que são deflagradores de alertas por parte da Secretaria de Estado de Defesa Civil do Rio de Janeiro. Portanto, a possibilidade de se obter alertas de eventos meteorológicos severos, como tempestades, com antecedência e confiabilidade é de extrema importância para auxiliar no planejamento e mobilização das agências responsáveis, além de contribuir na minimização dos danos, redução de custos e salvar vidas.
2 Em geral, os fenômenos meteorológicos severos são localizados, ou seja, ocorrem em uma área que se estende de alguns metros a poucos quilômetros, e também apresentam curto tempo de duração (ciclo de vida), desde sua formação, desenvolvimento até a sua dissipação (REYNIERS, 2008; WILSON et al., 1998). No entanto, quando ocorrem em associação com outros sistemas meteorológicos, como, por exemplo, frentes frias, a área de abrangência e o tempo de duração podem aumentar. O nowcasting (ou previsão a curtíssimo prazo) (BROWNING, 1980), que compreende uma descrição detalhada das condições meteorológicas vigentes, juntamente com previsões para um pequeno espaço (metros a alguns quilômetros) e um curto intervalo de tempo (0 até 6 horas) (WMO, 2017a), é utilizado para previsão e acompanhamento desses fenômenos severos.
O radar meteorológico é uma das principais ferramentas para monitoramento do desenvolvimento das condições de tempo em curto prazo devido a sua alta resolução espacial (≤1 km) e temporal (≤5 min) (ATLAS, 1990; BÜYÜKBAS et al., 2006; LIGDA, 1953; REYNIERS, 2008; WMO, 2017a). De acordo com WMO (2006), o radar é o único sensor que pode fornecer informações precisas em tempo real sobre fenômenos meteorológicos perigosos em uma grande área, como vento forte, forte precipitação e granizo, sendo um equipamento indispensável para sistemas de alerta e redes de observação para monitoramento do tempo. Exemplos de informações extraídas do radar são: tamanho, forma, intensidade, velocidade e direção do movimento de tempestades individuais. Como uma primeira aproximação, pode-se assumir que a distribuição da refletividade1 do radar representa o campo de chuva (GERMANN et al., 2006). A partir de agora, a palavra nowcasting é utilizada no sentido de nowcasting de precipitação.
Normalmente, modelos de previsão numérica do tempo (PNT) são utilizados para a previsão do tempo em diversas escalas espaciais e temporais. No entanto, devido a alguns fatores como capacidade computacional, resolução espacial e temporal dos modelos, espaçamento dos dados medidos e assimilados, parametrizações das equações, entre outros, esses modelos não são eficazes em aplicações de nowcasting (BUSHARA e ABRAHAM, 2013). Os modelos mais utilizados no nowcasting são modelos de
1
Fator de refletividade do radar: quantidade determinada pela distribuição do tamanho de gotas de chuva, é proporcional à refletividade do radar. [Tradução de: Glossary of Meteorology: "Radar Reflectivity
Factor" (AMS GLOSSARY, 2021c)]
Refletividade do radar: medida da quantidade de energia interceptada pelos alvos e que retorna ao radar. Depende do tamanho, formato, aspecto e propriedades dielétricas do alvo. [Tradução de: Glossary of Meteorology: ―Radar Reflectivity‖ (AMS GLOSSARY, 2021b)]
3 extrapolação com dados de radar, em que são identificados os elementos de interesse, no caso as tempestades, a partir de limiares e estes elementos são advectados2 a partir de um campo ou vetor de velocidade do vento (WILSON et al., 1998). No entanto, as abordagens convencionais apresentam algumas limitações, principalmente quanto a escolha dos limiares para identificação dos sistemas, o vetor vento para deslocamento dos sistemas e o acompanhamento e identificação do desenvolvimento dos sistemas com o passar do tempo. Os modelos de nowcasting são descritos em mais detalhes no capítulo 2.
NASCIMENTO (2005) sugere uma estratégia operacional para previsão convectiva3 com procedimentos e ferramentas a serem utilizados de acordo com a proximidade de ocorrência do evento: 1 – reconhecimento de padrões atmosféricos, em que é analisada a atuação de algum sistema meteorológico de grande escala que possa gerar condições de tempo severo através de dados meteorológicos observados e modelos de PNT (este procedimento pode ser realizado com alguns dias a várias horas de antecedência); 2 – análise de parâmetros de tempo severo, em que são analisadas as regiões mais suscetíveis a ocorrência de um evento severo e o potencial do evento é quantificado através de radiossondagens, modelos de PNT, dados observacionais e imagens de satélite (este procedimento ocorre com 1 dia a poucas horas de antecedência); 3 – nowcasting, quando o potencial severo do evento é confirmado e é feito seu monitoramento através de radares meteorológicos, imagens de satélite, dados observacionais e modelos de nowcasting (este procedimento deve ser feito de poucas horas antes a durante o evento). Na literatura também se encontram estratégias que dividem o nowcasting em etapas de acordo com o estágio do processo convectivo (pré-convectivo, iniciação e fase madura) e que são adotadas em diferentes centros de previsão do tempo (CALHEIROS et al., 2016; KÖNIG, 2012).
Alguns centros de monitoramento e previsão de tempo no Brasil não possuem acesso a modelos de nowcasting convencionais. Nesses casos, o nowcasting é puramente feito através do conhecimento dos meteorologistas durante o trabalho de monitoramento quando as condições meteorológicas são favoráveis à ocorrência de chuva ou outro evento adverso. O monitoramento em geral é feito através do
2
Advecção: Transferência (ou transporte) das propriedades de uma massa de ar pelo campo de velocidade da atmosfera. [Tradução de: International Meteorological Vocabulary, WMO - No. 182].
3
Sistemas de precipitação gerados por convecção.
Convecção: Movimentos organizados dentro de uma camada de ar que leva ao transporte vertical de calor, movimento, etc. [Tradução de: International Meteorological Vocabulary, WMO - No. 182]. Esses movimentos podem ser forçados por barreiras.
4 acompanhamento de imagens de satélite, radares meteorológicos e dados observados das estações meteorológicas e pluviométricas instaladas e em funcionamento na área de interesse e na frequência temporal disponível, além da consideração de informações sobre as condições meteorológicas em escalas maiores. A partir das imagens de radar nos campos de refletividade ou taxa de precipitação, os núcleos de chuva são identificados e o meteorologista faz uma projeção manual do movimento e evolução desses núcleos com base em seu deslocamento, inferido de imagens anteriores, e suas características de desenvolvimento, como crescimento e dissipação.
Segundo LUK et al. (2001), uma abordagem viável para previsão de chuva é baseada no reconhecimento de padrões de precipitação, em que as características espaciais e temporais de eventos históricos são utilizadas para prever outros eventos de chuva.
Modelos de previsão de vídeo por deep learning (VPDL, sigla em inglês para video prediction deep learning), que combinam visão computacional (redes de convolução) com a memória de aspectos temporais de séries temporais (redes recorrentes) em um modelo de dados espaço-temporal, têm sido aplicados em imagens de radar meteorológico para o nowcasting de precipitação (FRANCH et al., 2020; KLEIN et al., 2015; REICHSTEIN et al., 2019; SHI et al., 2015). Esses são modelos de dados que possuem o intuito de construir e integrar conhecimentos sobre os sistemas meteorológicos (REICHSTEIN et al., 2019). A maioria dessas soluções não é específica para o nowcasting de precipitação, elas são aplicadas em conjuntos de dados diversificados como moving-MNIST (SHI et al., 2015), movimentos do corpo humano (WANG et al., 2017), migração animal (REW et al., 2019), entre outras aplicações.
Até o presente, tem-se conhecimento de alguns esforços pela parte de centros de previsão do tempo no Brasil, como CEMADEN e CPTEC/INPE, no estudo da aplicação de modelos de machine learning em previsão de variáveis meteorológicas espaciais, mas não há registro de seu uso para auxiliar o nowcasting de forma operacional. O exemplo conhecido de aplicação dessa tecnologia para auxiliar o nowcasting, que está mais adiantado em termos de operacionalização, ocorre no Observatório de Hong Kong, China (SHI et al., 2017).
1.1 Objetivo
No presente trabalho, um modelo de previsão de vídeo por deep learning (VPDL) é utilizado para previsão de imagens de radar como ferramenta de suporte ao
5 nowcasting de precipitação com o objetivo de alertar a possibilidade de eventos de precipitação com antecedência de pelo menos 1h. O modelo VPDL é avaliado quanto à potencialidade e utilidade de suas previsões. Também é analisada a viabilidade do uso de um modelo VPDL para uso contínuo, provendo ao meteorologista uma tendência do movimento e desenvolvimento dos núcleos de precipitação, como iniciação e decaimento, independente do evento meteorológico ocorrendo.
Neste trabalho, o modelo PredRNN++ (WANG et al., 2018) é utilizado como modelo VPDL para prever imagens de refletividade e, consequentemente, núcleos de precipitação a partir de imagens de radar meteorológico. Os dados são do radar de Ponte Nova – SP. O campo de refletividade do radar em um único nível (0,5° PPI) é usado como única variável de entrada do modelo. Em três estudos de caso, o modelo VPDL é comparado ao modelo de nowcasting convencional ENsemble NowCASTing (ENCAST), que é o modelo de nowcasting utilizado operacionalmente pela Fundação Centro Tecnológico de Hidráulica (FCTH). O campo de refletividade é utilizado, em vez do campo de taxa de precipitação, pois este é medido diretamente pelo radar e não inclui aproximações e possíveis erros que decorrem da transformação de refletividade em taxa de precipitação4.
Muitas ferramentas estão disponíveis para os campos de inteligência artificial, especificamente machine learning e deep learning (DL, sigla em inglês para aprendizado profundo), mas elas precisam ser desenvolvidas e adaptadas em análises de geociências (REICHSTEIN et al., 2019). O conhecimento da aplicação e dos dados utilizados é fundamental para interpretação dos resultados. Objetiva-se avaliar, do ponto de vista meteorológico e da aplicação, a eficácia do método.
O presente documento encontra-se organizado da seguinte forma: no capítulo 2, é apresentada uma contextualização dos métodos convencionais utilizados para nowcasting, onde são abordados os modelos PNT e suas deficiências e os modelos de extrapolação a partir de dados de radar meteorológico (seção 2.1). Na seção 2.2 são comentados os modelos VPDL consultados e na seção 2.2.1 são comentadas suas limitações quando se trata de nowcasting em comparação com modelos de extrapolação. No capítulo 3 é descrito o radar meteorológico, sua medida e aplicações dos dados medidos. O capítulo 4 introduz o conceito de DL e descreve em detalhes os métodos de DL utilizados no presente trabalho. No capítulo 5 são apresentados os dados e a
4
6 metodologia utilizados na elaboração do presente trabalho. No capítulo 6 são apresentados os resultados obtidos; e finalmente, no capítulo 7 são apresentadas as conclusões.
7 2 Previsão meteorológica a curtíssimo prazo de precipitação
Do ponto de vista meteorológico, o nowcasting de precipitação é um dos problemas mais complexos abordados pela meteorologia, devido à própria dificuldade inerente de se prever chuva em geral (BUSHARA e ABRAHAM, 2013; REYNIERS, 2008).
Neste capítulo são apresentados os principais métodos convencionais para nowcasting: os modelos de PNT e suas deficiências na aplicação, os modelos de extrapolação a partir de dados de radar meteorológico e algumas limitações. Também são apresentados os modelos VPDL para aplicação em previsão de imagens de radar. 2.1 Métodos convencionais
Diversas metodologias aplicáveis ao nowcasting podem ser encontradas na literatura, como análise de variáveis obtidas por sensoriamento remoto como imagens de radar meteorológico ou de satélites (MECIKALSKI et al., 2008, 2016; MET OFFICE, 2017; VILA et al., 2008; WILSON et al., 1998, 2010), avaliação de variáveis meteorológicas observadas como vento, precipitação e índices de instabilidade obtidos por radiossondagens (MET OFFICE, 2017; NASCIMENTO, 2005; WILSON et al., 1998, 2010); modelos de PNT (WILSON et al., 1998); modelos preditivos – e.g., modelos de persistência Euleriana (MET OFFICE, 2017; PIERCE et al., 2012; REYNIERS, 2008; WILSON et al., 1998, 2010), modelos de persistência Lagrangeana (Optical Flow, e.g.) (GERMANN e ZAWADZKI, 2002; MET OFFICE, 2017; PIERCE et al., 2012; REYNIERS, 2008; WILSON et al., 1998, 2010), modelos de extrapolação matemática a partir de imagens de radar ou de satélite (DIXON e WIENER, 1993; PIERCE et al., 2012; REYNIERS, 2008; SELEX, 2017; WILSON et al., 1998; WMO, 2017b); e modelos de inteligência computacional (ALMEIDA et al, 2020; AGRAWAL et al., 2019; BUSHARA e ABRAHAM, 2013; FRANÇA et al., 2016; FRANÇA et al., 2018; LUK et al., 2001; MCGOVERN et al., 2017). Sistemas de nowcasting podem utilizar somente uma dessas estratégias ou uma combinação delas (WILSON et al., 1998, 2010; WMO, 2017b).
A utilização de modelos de PNT em nowcasting apresenta algumas limitações que suprimem sua aplicabilidade. Visto que a aplicação de alta resolução espacial (de metros a poucos quilômetros) incrementa o número de pontos de grade, a capacidade computacional requerida para solução numérica das equações físicas (RICHARDSON, 1922) limita a previsão para uso operacional antes que ela se torne passado. Além disso,
8 em função das incertezas geradas pelas condições iniciais, os modelos de PNT possuem fases de flutuação ao longo da solução das equações até o balanço das energias da atmosfera representadas pelo modelo (e.g. overshoot e spin-up), que costumam consumir até seis horas de previsão, que é justamente o período que compreende o nowcasting. Outra característica da alta resolução requerida pelos modelos de PNT é a utilização de parametrização5 de microfísica das nuvens. Nesse caso, a variável precipitação, que é uma variável derivada obtida a partir de outras variáveis meteorológicas, utiliza equações parametrizadas para parte da descrição física de seus processos.
Dessa forma, modelos de PNT não conseguem obter resultados satisfatórios em previsão de curto prazo, nem em previsões de precipitação sazonal, mesmo para uma grande escala espacial (BUSHARA e ABRAHAM, 2013). Diversas iniciativas vêm sendo feitas para suprir esses problemas a nível local, como ciclos rápidos de assimilação de dados e assimilação de dados de radar (SUN et al., 2014; WILSON et al., 1998).
O modelo mais utilizado em nowcasting é o modelo de extrapolação com dados de radar: baseado no rastreamento de células de precipitação (cell tracking) e baseado no rastreamento de áreas precipitantes (area tracking). O primeiro é desenvolvido principalmente para localizar objetos de tempo severo (em sua maioria convectiva), enquanto o segundo é melhor quando aplicado à precipitação estratiforme. Esses modelos utilizam diversos produtos de radar, como o escaneamento volumétrico, campo de movimento para a advecção do sistema, relação Z-R6 e limiares fixos para detecção dos sistemas precipitantes, como tamanho e intensidade (DIXON e WIENER, 1993; REYNIERS, 2008).
Os modelos de extrapolação são ditos modelos conservativos, pois conservam os elementos em uma imagem e advectam esses elementos a partir de um campo de movimento ou um vetor, assim eles modificam a posição das células de tempestade; tomando uma nuvem como exemplo de um elemento na imagem, esses modelos não são capazes de prever dissipação devido à chuva, ou formação de uma nova nuvem onde
5
Equações parametrizadas são equações que não são resolvidas diretamente pelos modelos de PNT e por isso apresentam parâmetros definidos. Algumas razões para isso são: devido ao custo computacional necessário para resolver a equação, caso ela estivesse completa; porque não há uma equação que descreva o processo completo; porque não há variáveis medidas que alimentem as equações, visto que as equações dos modelos de PNT dependem dos valores iniciais.
6
Relação Z-R: relação experimental entre a refletividade obtida pelo radar e a taxa de precipitação. Mais detalhes na seção 3.2. (equação 3.2)
9 não havia nada antes (GERMANN et al., 2006). Além disso, nestes modelos, uma tempestade observada não pode desviar significativamente do caminho que estava seguindo (MET OFFICE, 2017).
Como os modelos de extrapolação não levam em consideração os processos físicos que ocorrem na atmosfera, a menos que seja utilizado um modelo de PNT como entrada do sistema de nowcasting, a utilização desses modelos fica restrita no tempo (~60 min) e espaço, devido a não linearidade dos sistemas atmosféricos e à dinâmica da formação das nuvens (REYNIERS, 2008).
Somente sistemas complexos de nowcasting (como o sistema Auto Nowcast (MUELLER et al., 2003), e.g.), que combinam diversas técnicas e diferentes dados observacionais, são capazes de prever a iniciação e o decaimento das tempestades. No entanto, alguns fatores que limitam a previsibilidade7 do nowcasting são (AMS GLOSSARY, 2020): características intrínsecas dos eventos de tempo; definição dos modelos meteorológicos e utilização de parametrizações; topografia; dados observacionais que podem conter incertezas, ruído, dados espúrios e cobertura espacial e temporal insuficientes (BUSHARA e ABRAHAM, 2013); recursos computacionais, que ainda são limitados para executar e integrar informações suficientes para resolver esses problemas a tempo de serem usados para auxílio da tomada de decisão (BUSHARA e ABRAHAM, 2013). As características intrínsecas dos eventos meteorológicos abrangem: 1- crescimento e dissipação da precipitação; 2- mudanças no movimento da tempestade.
A evolução da precipitação é importante, mas por desconhecimento, não é possível avaliar a importância relativa desta quando comparada às mudanças em seu campo de movimento, nem de sua dependência em relação à localização e ao tempo (GERMANN et al., 2006). Sistemas menores, por exemplo, tempestades típicas de verão, são mais rápidos e mais intensos, já os sistemas maiores tendem a durar mais e são mais fracos (PIERCE et al., 2012) e por isso conseguem ser previstos com mais antecedência do que tempestades curtas (GERMANN e ZAWADZKI, 2002; IMHOFF et al., 2020; PIERCE et al., 2012). De acordo com HUFF (1967), tempestades de curta duração (<12 horas) são mais frequentes que tempestades de longa duração (>24 horas),
7
Previsibilidade: O quanto os estados futuros de um sistema podem ser previstos com base no conhecimento dos estados atuais e passados do sistema. Uma vez que o conhecimento dos estados passados e atuais do sistema é geralmente imperfeito, assim como os modelos que utilizam esse conhecimento para produzir uma previsão, a previsibilidade é inerentemente limitada. Mesmo com modelos e observações arbitrariamente precisos, ainda pode haver limites para a previsibilidade de um sistema físico. [Tradução de: Glossary of Meteorology: "Predctability" (AMS GLOSSARY, 2021a)].
10 e tempestades moderadas apresentam duração entre 12 e 24 horas. Com todos esses fatores, o resultado da previsão pode variar significativamente entre um método e outro, devido à variedade de variáveis associadas (WANG et al., 2009).
PIERCE et al. (2012) enumeraram algumas limitações de modelos de nowcasting, por exemplo, erros na identificação de tempestades levam a erros de rastreamento (velocidade e direção), a uma estimativa errônea da intensidade do sistema e erros no próprio campo de velocidade. Além disso, erros na estimativa do tamanho e duração do distúrbio também pioram a qualidade da previsão.
A Figura 2.1 compara o desempenho da previsão do tempo de modelos de extrapolação e modelos de PNT. No geral, as fontes de incerteza crescem com o aumento do tempo de previsão, em razão dos processos numéricos aplicados, acabando por limitar este. Portanto, como pode ser observado, modelos de extrapolação apresentam melhor desempenho quando a aplicação é nowcasting, mas sua qualidade decai rapidamente com o aumento do tempo de previsão.
Figura 2.1: Desempenho da técnica de previsão do tempo com o horizonte de tempo de previsão. [Adaptado de BROWNING, 1980].
Alguns algoritmos e softwares utilizados para previsão em nowcasting, e que utilizam somente dados gerados por radar, são: Next Generation Radar (NEXRAD), Storm Cell Identification and Tracking (SCIT), Canadian Radar Decision Support (CARDS); Thunderstorm Identification, Tracking, Analysis and Nowcasting (TITAN); Hidro-Nowcaster; Thunderstorm Environenment Strike Probability Algorithmm (THESPA); COTREC; Variational Echo Tracking (VET); optical flow (CALHEIROS et al., 2016; PIERCE et al., 2012; WILSON et al., 1998). O algoritmo ENsemble
11 foreCAST (ENCAST) utiliza dados de radar e faz parte do software proprietário do radar da Selex ES GmbH.
O desempenho de muitos desses algoritmos diminui rapidamente nos primeiros 30 min por causa do curto ciclo de vida médio das tempestades, de cerca de 20 min para células simples (FOOTE e MOHR, 1979, apud CALHEIROS et al., 2016). Além disso, quando se usam imagens de um único radar, o horizonte de previsão obtido por extrapolação dos ecos de radar é fortemente limitado pelo máximo alcance do radar (GERMANN e ZAWADZKI, 2002).
PIERCE et al. (2012) apresentam uma compilação dos resultados obtidos pelos sistemas de nowcasting. Os resultados são apresentados em termos da estatística índice crítico de sucesso (CSI, sigla em inglês para Critical Success Index), que é normalmente utilizada para reportar a acurácia dos modelos de nowcasting. Os valores do CSI variam entre 0,35 a 0,5 para previsão de 60 min e resolução espacial dos dados de 1 a 2 km. Em geral, quanto maior o limiar de precipitação utilizado para identificação dos sistemas, menor o valor de CSI; quanto maior a resolução dos dados, melhores são os resultados dos modelos; os modelos falham na previsão do desenvolvimento do sistema quando há iniciação, decaimento, aglutinação e separação; e o CSI é baixo no início e fim do evento. Dessa forma, não é viável o uso de técnicas de nowcasting para prever com exatidão a localização de chuvas extremas (PIERCE et al., 2012).
2.2 Modelos de deep learning
Modelos de inteligência artificial vêm sendo aplicados com sucesso em problemas de previsão meteorológica como previsão de variáveis meteorológicas em diferentes escalas de tempo (ALMEIDA et al, 2020; BUSHARA e ABRAHAM, 2013; FENG et al., 2017; FRANÇA et al., 2016; FRANÇA et al., 2018; GOPE et al., 2016; SALMAN et al., 2015), previsão hidrológica aplicada a inundação (CHANG et al., 2014), previsão a partir de imagens de satélite (SHUKLA et al., 2014) e previsão de imagens de radar meteorológico (KLEIN et al., 2015; SHI et al., 2015, 2017; WANG et al., 2017, 2019). Este último é denominado previsão de vídeo por deep learning (VPDL) e a aplicação com imagens de radar pode ser usada para nowcasting.
Os modelos VPDL unem visão computacional (redes de convolução) com a memória de aspectos temporais de séries temporais (redes recorrentes) em um modelo de dados espaço-temporal. Esses modelos de dados aprendem representações adequadas a partir de dados com alta dimensionalidade do início ao fim (end-to-end) sem a
12 aplicação de filtros específicos elaborados por especialistas (hand-designed filters) (LECUN et al., 2015). Em outras palavras, os modelos de deep learning apresentam equações não lineares em sua formulação que se ajustam (aprendem) a partir de propriedades (ou características) complexas extraídas dos dados. O capítulo 4 esclarece alguns conceitos de inteligência artificial e deep learning, como: redes de convolução (CNN, sigla em inglês para Convolutional Neural Network), redes recorrentes (RNN, sigla em inglês para Recurrent Neural Network) e Long Short-Term Memory (LSTM, um tipo de rede recorrente).
Tomando uma sequência de imagens de radar meteorológico, esta pode ser considerada como cenas de um vídeo, onde os pixels das imagens apresentam correlação espacial e temporal. No contexto de IA, vídeos são sequências de imagens com coerência temporal, em que duas cenas sucessivas são semelhantes ao ponto de possuírem o mesmo conteúdo e representarem o mesmo conceito de classe. Cada objeto no vídeo pode estar sujeito a pequenas transformações, como translação, rotação ou deformação sobre as cenas anteriores (MOBAHI et al., 2009; OPREA et al. 2020; ZHOU et al., 2020).
Técnicas de aprendizado de sequências são bastante desenvolvidas na área de textos e linguagem, e a mesma técnica pode ser empregada com imagens, de acordo com diversos autores como MICHALSKI et al. (2014), RANZATO et al. (2014) e, em particular, SUTSKEVER et al. (2014), que estudaram modelos de DL para tradução de textos, para citar alguns.
SRIVASTAVA et al. (2015b) usaram a estrutura de SUTSKEVER et al. (2014) em um modelo VPDL para o aprendizado de sequências de vídeos de atividades humanas, como tocar um instrumento ou praticar algum esporte. A saída do modelo apresenta duas camadas LSTM, uma para reconstrução da sequência de entrada e outra para previsão da próxima cena do vídeo. Também foi testado o uso de um decodificador condicional e um não condicional, em que o condicional recebe como entrada a última cena da sequência, além da saída da camada de codificação. O decodificador condicional pode levar a erros na previsão a partir da geração de múltiplos alvos, pois, mesmo assumindo um ambiente determinístico, nem todas as informações necessárias à previsão estão necessariamente na entrada, e também devido à alta correlação entre as cenas, que pode levar o modelo a copiar essas cenas. No caso não condicional o modelo é forçado a olhar a informação que ele mesmo carrega. Como resultados, o decodificador condicional melhorou um pouco os resultados da previsão.
13 MOTTAGHI et al. (2016) estudaram o movimento horizontal de objetos em uma imagem como resultado da aplicação de forças externas sobre eles. Para isso eles combinaram CNN e RNN. A RNN aprende as regras físicas a partir do movimento enquanto que a CNN implicitamente mapeia a aparência e a geometria dos objetos e da cena. Assim, a RNN captura as dependências temporais e gera uma sequência de vetores velocidade, que podem mudar entre os passos de tempo, por exemplo, um objeto pode se mover diferentes distâncias dependendo da magnitude da força aplicada e da estrutura da cena.
XU et al. (2018) propuseram o modelo PredCNN, um modelo VPDL inteiramente convolucional, o que permite sua paralelização. Inspirado na RNN, o modelo utiliza uma unidade Cascade Multiplicative Unit para modelar as dependências entre a próxima cena e a sequência de cenas de entrada. Treinado com o conjunto de dados Moving MNIST, o modelo mostrou um resultado melhor em relação a outro modelo testado até a terceira imagem prevista.
KLEIN et al. (2015) propuseram um modelo VPDL para prever a região central de uma imagem de radar meteorológico um tempo à frente. O modelo proposto denomina-se ―Dynamic Convolutional Layer‖, que é uma generalização da CNN em que os filtros de convolução variam de acordo com a entrada. Esses filtros dinâmicos permitem que o sistema se adapte a múltiplos cenários e possa tratar de uma maior variedade de cenas. O método proposto apresentou resultados melhores do que outros métodos testados no artigo.
SHI et al. (2015) propuseram uma unidade básica de processamento denominada Convolutional Long Short-Term Memory (ConvLSTM), que pode ser utilizada para modelar relações espaço-temporais entre cenas de um vídeo. A unidade ConvLSTM estende a ideia de um LSTM totalmente conectado para uma estrutura convolucional, preservando a correlação temporal com o uso do LSTM, mas levando em consideração a correlação espacial dada pelo modelo de convolução (SRIVASTAVA et al., 2015b; STUSKEVER et al., 2014). O modelo VPDL ConvLSTM foi aplicado ao nowcasting de precipitação, onde sequências de imagens de radar meteorológico foram utilizadas para prever as próximas imagens da sequência de 1 a 6 horas à frente, ou seja, prever de 6 a 60 imagens, mas apenas em dias com chuva. O resultado da previsão é qualitativamente melhor que o modelo totalmente conectado, entre outras metodologias de previsão de imagem comparadas, embora as imagens tenham ficado embaçadas.
14 Segundo RANZATO et al. (2014), para uma função custo baseada no erro médio quadrático, é mais fácil para o modelo de DL produzir erros menores de reconstrução da imagem embaçando a saída, uma vez que não é estável a pequenas deformações nas imagens. MATHIEU et al. (2016) estudaram o problema de nitidez das imagens previstas por modelos de previsão de vídeo, observadas em RANZATO et al. (2014) e SRIVASTAVA et al. (2015b), a partir da avaliação de diferentes funções custo. Os resultados mostraram que todas as estratégias testadas obtiveram desempenho melhor do que a norma L28.
WANG et al. (2017) propuseram o modelo VPDL Predictive Recurrent Neural Network (PredRNN) para previsão de vídeo, que usa LSTM espaço-temporal (ST-LSTM, sigla em inglês para spatiotemporal LSTM) como unidade básica de processamento. Diferente das unidades ConvLSTM, que têm somente memória temporal, as unidades ST-LSTM memorizam tanto a aparência espacial quanto a variação temporal. Assim como em ConvLSTM (SHI et al., 2015), o modelo PredRNN foi aplicado na previsão de sequências de imagens de radar meteorológico. O modelo PredRNN apresentou desempenho superior nos exemplos testados, em relação ao ConvLSTM.
SHI et al. (2017), propuseram o modelo VPDL Trajectory Gated Recurrent Unit (TrajGRU), como um melhoramento de ConvLSTM, especificamente para a aplicação de nowcasting de precipitação a partir da previsão de imagens de radar. O modelo TrajGRU aprende estruturas que variam de localização (por exemplo, rotação) – intrínseca a movimentos naturais. O modelo também utiliza uma função custo balanceada que dá um peso maior para casos com mais chuva. O modelo apresentou melhores resultados frente a outros modelos nos conjuntos de dados testados. O artigo disponibiliza um conjunto de dados benchmark de imagens de radar do Observatório de Hong Kong, entre 2009 e 2015, para dias de chuva selecionados.
WANG et al. (2018) propuseram o modelo VPDL PredRNN++ como uma melhoria do PredRNN (WANG et al. 2017). Este modelo não foi aplicado a imagens de radar, mas o método proposto apresentou menor degradação da previsão de vídeo com o tempo e maior capacidade de capturar dependências temporais de longo prazo. Este modelo foi utilizado no presente trabalho, e, será descrito com mais detalhes na seção 5.2.2.
8
15 TRAN e SONG (2019), seguindo as sugestões de KLEIN et al. (2015) e MATHIEU et al. (2016), e com o objetivo de reduzir o problema de nitidez das imagens previstas, adaptaram o modelo VPDL TrajGRU utilizando como função de custo uma métrica de avaliação de qualidade de imagens. O modelo VPDL modificado também foi aplicado ao problema de nowcasting de precipitação. Os resultados apresentaram imagens menos embaçadas.
FRANCH et al. (2020) apresentaram um método para melhorar a habilidade de nowcasting de precipitação de modelos VPDL, em particular para taxas de precipitação elevadas, combinando orografia local com um ensemble de modelos. Eles utilizaram o modelo VPDL TrajGRU como base para construção do ensemble, onde cada elemento utiliza um limiar de precipitação diferente como entrada. O método proposto dobrou a capacidade de previsão do modelo VPDL para casos de precipitação extrema.
O problema de nowcasting de precipitação por imagens de radar é complexo e tem sido utilizado como desafios na plataforma de competições de ciência de dados Kaggle ―How Much Did It Rain?‖ (https://www.kaggle.com/c/how-much-did-it-rain), ―How Much Did It Rain? II‖ (https://www.kaggle.com/c/how-much-did-it-rain-ii) e da conferência internacional CIKM2017 ―Shenzhen Meteorological Bureau-Alibaba Short-Term Quantitative Precipitation Forecasting Challenge‖ (https://tianchi.aliyun.com/competition/entrance/231596/introduction) (YAO e LI, 2017). Esses desafios disponibilizam bancos de dados com imagens de radar que podem ser acessados sem limite.
2.2.1 Limitações dos modelos VPDL no nowcasting
O modelo proposto por SRIVASTAVA et al. (2015b) para previsão de vídeos de atividades humanas considera que não há mudanças na física do ―mundo‖ do modelo, ou seja, independente da entrada, o que estava acontecendo na imagem em t, continua a acontecer em t+1. Em outras palavras, a mesma física atuando em qualquer estado, em qualquer tempo, deve produzir o próximo estado. Da mesma forma, modelos de nowcasting por extrapolação de imagens de radar também têm essa consideração implícita.
Modelos puramente VPDL estão sujeitos às mesmas restrições que qualquer modelo que utilize somente extrapolação matemática de imagens. Ambos não levam em consideração os processos físicos que ocorrem na atmosfera e a dinâmica de formação e dissipação das nuvens, o que poderia diferenciar a aplicação de previsão de vídeo em
16 problemas de nowcasting de um problema comum de previsão de vídeo, como o movimento de dígitos (SRIVASTAVA et al., 2015b). No entanto, se espera que o modelo VPDL aprenda o efeito da topografia e a dinâmica do ciclo de vida das nuvens a partir de uma série de imagens de refletividade.
Com relação à CNN, uma vez que uma característica foi detectada, sua exata posição se torna menos importante. Somente a sua posição aproximada relativa a outras características é relevante (LECUN et al., 1998). Já camadas de pooling tornam o modelo insensível a variações quanto à rotação de um objeto presente na imagem. No entanto, um objeto presente em um vídeo pode sofrer algumas transformações, como rotação e translação. Considerando ―objetos meteorológicos‖, como uma nuvem em uma imagem de radar, essa nuvem pode se dissipar (ou sumir) devido à chuva, ou se formar (ou surgir) onde não havia nada antes, devido à convecção, por exemplo. Além disso, as tempestades não se comportam da mesma maneira, nem se deslocam na mesma direção.
Uma limitação da previsão de vídeo com relação a uma sequência de imagens de radar é que um vídeo contém muitas cenas em um curto espaço de tempo, e há pouca variação entre essas cenas. Já na sequência de imagens de radar, a discretização entre as ―cenas‖ é de aproximadamente 10 minutos e pode haver bastante mudança entre uma imagem e outra, no presente trabalho foi utilizado o intervalo de 15 minutos entre as imagens.
Outro problema é que a precipitação é uma variável desbalanceada, tipicamente a maior parte dos valores diários de precipitação é zero, geralmente os valores diferentes de zero são pequenos e as proporções de eventos de chuva em diferentes limiares de precipitação são diferentes (SHI et al., 2017; WILKS, 2006). É esperado que o modelo subestime os valores previstos e que tenha problemas quanto a quantidade de determinado número de casos, pois as nuvens são eventos raros.
A menos que a estrutura espaço-temporal dos dados seja capturada corretamente, os modelos VPDL não podem ser tidos como triviais, sobretudo devido à alta dimensionalidade das sequências espaço-temporais, principalmente quando se considera a previsão de múltiplos passos de tempo, devido à ambiguidade inerente dos vídeos, por exemplo, sobreposição de objetos detectados, deformação de formas e variações de escala (OPREA et al., 2020; SHI et al., 2015; XU et al. 2018). Além disso, construir um modelo efetivo para previsão de imagens de radar é desafiador devido à natureza caótica da atmosfera (SHI et al., 2015).
17 3 Radar meteorológico
Neste capítulo é apresentado o radar meteorológico, as aplicações que podem ser feitas com seus dados no acompanhamento e previsão do tempo e algumas limitações com relação à medida de precipitação. O conhecimento desses fatores é importante para a avaliação dos resultados no capítulo 6.
3.1 Descrição
Radar (RAdio Detection And Ranging) (Figura 3.1) é um instrumento que detecta e localiza objetos através da emissão de ondas eletromagnéticas e recepção de parte dessa energia retroespalhada pelos objetos. À energia interceptada e retroespalhada pelos alvos dá-se o nome de eco. Fator de refletividade é a medida do eco pelo radar (Rinehart, 2010). A refletividade depende do tamanho, formato, composição e concentração dos alvos, caso haja mais de um. Alguns fatores que atenuam a intensidade do eco, reduzindo sua potência, são: condições meteorológicas, retorno do solo, sombreamento por alvos fixos, parâmetros do próprio instrumento e distância entre o radar e o alvo (WMO, 2006).
De acordo com RINEHART (2010), a habilidade de detectar tempestades e outros fenômenos meteorológicos é um dos mais valiosos usos do radar. Quase todo objeto no caminho do feixe emitido produz um retorno, que pode ser visível ou não ao sensor dependendo das características do objeto, como tamanho e composição, e das características do radar e para o que ele é aplicado, como comprimento de onda. O que diferencia o radar meteorológico de outros tipos de radar é o objeto de interesse, que são os hidrometeoros9. No entanto, seu retorno ainda é influenciado por outros alvos, podendo medir também, indiretamente, insetos e pássaros presentes na área varrida.
9
Hidrometeoros: partículas de vapor de água condensado suspensas na atmosfera, p. ex.: líquido (chuva),
18 Figura 3.1: Radar meteorológico de São Paulo, localizado em Ponte Nova - SP, propriedade do Departamento de Águas e Energia Elétrica do Estado de São Paulo (DAEE), autarquia da Secretaria de Recursos Hídricos, Saneamento e Obras do Estado de São Paulo. [Fonte: https://www.saisp.br/estaticos/sitenovo/produtos.html]
Os radares meteorológicos atuais apresentam alguns elementos principais (RINEHART, 2010):
Transmissor: gera um sinal de alta frequência;
Computador: controla a operação do radar, como a frequência de emissão do transmissor (PRF, sigla em inglês para Pulse Repetition Frequency) e a duração de transmissão do sinal (ou duração do pulso);
Antena (+ refletor): transmite o sinal e recebe o eco de retorno dos alvos. A antena se eleva na vertical, varrendo o horizonte em todas as direções em torno do radar;
Receptor: detecta e amplifica o sinal recebido pela antena, tornando-o suficientemente forte;
Visualizador: permite que os usuários vejam o que o radar detectou;
Algoritmo: identifica automaticamente as propriedades dos sistemas meteorológicos detectados, como chuva e granizo, a partir de limiares.
As seguintes definições são importantes para o entendimento do funcionamento do radar:
Azimute: ângulo no plano horizontal até 360°, onde o norte fica em 0°, leste em 90°, sul em 180°, oeste em 270°, etc., em coordenadas geográficas (Figura 3.2a).
19
Ângulo de elevação: ângulo de elevação da antena na vertical, acima do horizonte (Figura 3.2b). Alguns radares podem escanear até 90° de elevação (RINEHART, 2010).
PPI (Plan Position Indicator): É o método de exibição mais utilizado. Para um ângulo de elevação fixo, a posição do eco é mostrada relativa ao radar (Figura 3.2c).
CAPPI (Constant Altitude PPI): É a refletividade em uma altura fixa, em vez de um ângulo de elevação fixo. Obtido a partir da composição dos PPIs em diferentes ângulos de elevação, em que é feito um corte em uma altura fixa e um método de interpolação é aplicado (Figura 3.2d).
Figura 3.2: Esquema de varredura do radar: (a) Ângulo azimute no plano horizontal, (b) Varredura volumétrica, considera várias elevações; (c) Esquema de PPI; (d) esquema de CAPPI. [Adaptado de SKOLNIK, 2008]
Cone cego (ou cone of silence): região em forma de cone diretamente acima do radar que não é escaneada (Figura 3.3), isso significa que os topos de tempestades em aproximadamente 20 km de distância não serão observados (COMET, 2017). Sua largura depende do ângulo máximo de elevação da receita de varredura.
Alvo: partícula ou objeto suspenso na atmosfera que se encontra no caminho do raio emitido pelo radar e produz um eco na imagem do radar.
Alvos fixos: alvos parados, e.g., prédios, montanhas.
Alvos móveis: alvos em movimento, e.g., pássaros, aviões, insetos.
Alvos distribuídos: amontoado de alvos, e.g., hidrometeoros, estes também são móveis.
20 Figura 3.3: Esquema de escaneamento do radar Next Generation Weather Radar (NEXRAD) Weather Surveillance Radars-1988 Doppler (WSR-88D) usado em varredura de precipitação. A figura apresenta a altura dos feixes em metros, os ângulos de elevação da antena (em vermelho) e a área do cone cego [Adaptado de COMET (2017)].
Durante o processo de medição, a antena assume um ângulo de elevação fixo e gira no azimute (ou ângulo horizontal, Figura 3.2a), emitindo um feixe de ondas eletromagnéticas em determinada frequência e em todas as direções até completar 360°. Em um processo contínuo, de acordo com o esquema da varredura definido no software do radar, este pode assumir diferentes ângulos de elevação (Figura 3.2b). O radar também pode fazer o escaneamento na vertical, isto é, aumentando o ângulo de elevação acima do horizonte. A antena faz um círculo completo a cada ângulo de elevação (Figura 3.2), finalizando uma varredura completa de aproximadamente 10 a 20 ângulos de elevação diferentes em cerca de 6 minutos (RINEHART, 2010). Parte da energia emitida pelo radar é interceptada por um ou mais alvos. O eco que retorna à antena é processado e amplificado, de forma que ele seja forte o suficiente para que possa ser analisado, sendo visualizado na tela do sistema. A Figura 3.4 apresenta uma sequência de PPIs de refletividade horizontal. Um único ângulo de elevação define um plano (PPI, Figura 3.2c), vários ângulos compõem um volume.
21 Figura 3.4: Sequência de PPIs de refletividade horizontal no ângulo de elevação de 0.5° do Radar de Ponte Nova, São Paulo. [Fonte: http://www.radar.iag.usp.br]
Radares meteorológicos convencionais medem somente a refletividade, fornecendo informações úteis sobre a posição e desenvolvimento de tempestades, entre outras propriedades. No entanto, alguns radares, se não a maioria, apresentam as funções Doppler (i), e/ou dupla polarização (horizontal e vertical) (ii):
(i) Radares Doppler, além da energia recebida dos alvos, medem, a partir do efeito Doppler, a velocidade radial dos alvos com relação ao radar pela diferença de fase entre duas ondas consecutivas. Se mais de um alvo estiver presente no volume, a velocidade de cada alvo será recebida individualmente. Já no caso de tempestades, devido ao número excessivo de alvos, o radar determina a quantidade relativa de alvos a uma determinada velocidade (RINEHART, 2010). A informação de movimento pode ser usada para filtrar sinais indesejados, como alvos fixos e ecos de terreno, detectando apenas sinais de alvos móveis, como chuva (WMO, 2006).
(ii) A orientação do campo elétrico da onda eletromagnética emitida pelo radar define sua polarização, que pode ser horizontal ou vertical. Em geral, radares de dupla polarização emitem ondas nas duas polarizações de forma síncrona. Essa escolha otimiza uma característica dos alvos, por exemplo, uma gota de chuva é maior se medida na horizontal do que na vertical, assim, a potência de retorno é maior na horizontal que na vertical. Os radares meteorológicos convencionais utilizam polarização horizontal. Já a informação de dupla polarização consegue inferir o tamanho do alvo e o tipo de hidrometeoro (RINEHART, 2010).
A frequência e comprimento de onda do radar e a duração do pulso definem o tamanho do objeto que será detectado pelo radar, além de seu alcance espacial. A relação entre o comprimento de onda emitido e o tamanho do alvo, e também as características do alvo, como chuva, gelo ou nuvem, definem a atenuação do feixe: quanto menor o comprimento de onda, maior a frequência e maior a atenuação. Alguns
22 tipos de radares meteorológicos, juntamente com sua frequência de emissão (Tabela 3.1), são:
Banda S: sofrem pouca atenuação, sendo úteis para observações curtas e de longo alcance.
Banda C: o sinal é mais atenuado que o de Banda S, sendo mais adequado para observações meteorológicas de curto alcance.
Banda X: são mais sensíveis e podem detectar partículas menores, como chuva fina. Sofrem bastante atenuação, portanto são usados apenas para observações meteorológicas de curtíssimo alcance.
Esses tipos de radares podem ser combinados com as funções Doppler e/ou dupla polarização. Como mostrado na seção 5.1.1, o radar utilizado neste trabalho é do tipo Doppler, banda S (10,6 cm) com dupla polarização (SPOL).
Tabela 3.1: Alguns tipos de radares meteorológicos e suas frequências de emissão. Banda Frequência Nominal Comprimento de
onda nominal
S 2-4 GHz 15-8 cm
C 4-8 GHz 8-4 cm
X 8-12 GHz 4-2,5 cm
3.2 Medidas do radar
A equação do radar quantifica a potência do eco retornado para o radar, o que pode ser usado para estimar a taxa de precipitação e outros parâmetros da tempestade. A equação completa do radar relaciona características da antena, características do sinal emitido e características do alvo. A equação inclui efeitos de reflexão, difração e espalhamento. Devido a este último, a potência retornada depende da razão entre o tamanho do alvo ( , diâmetro) e o comprimento de onda emitido pelo radar ( ).
Partículas grandes comparadas ao comprimento de onda emitido pelo radar estão inseridas na região ótica. Nessa região, o espalhamento da energia interceptada é proporcional à área geométrica do alvo. Partículas menores , encontram-se na região conhecida como Rayleigh. Nessa região, o espalhamento é proporcional a . Partículas de tamanho intermediário estão sujeitas ao espalhamento Mie. Nesta região, o espalhamento exibe um comportamento oscilatório (RINEHART, 2010).
Para a maioria dos radares, quase todas as gotas de chuva podem ser consideradas pequenas comparadas ao comprimento de onda, então a aproximação Rayleigh se aplica. A partir desta consideração e agrupando os termos referentes ao
23 radar em uma constante, a equação do radar pode ser simplificada da seguinte maneira (RINEHART, 2010):
| | 3.1
onde é a potência que retorna para o radar do alvo; é a constante referente ao radar; é a constante dielétrica do alvo (varia principalmente de acordo com o material, e.g. | | e | | ; ∑ é o fator de refletividade (ou refletividade) e é a distância entre o radar e o alvo. A maior parte das tempestades varridas pelo radar são compostas de água, então normalmente é usada | | . A potência recebida pelo radar é proporcional à refletividade e inversamente proporcional ao quadrado da distância.
A refletividade é independente do radar e varia com a quantidade e tamanho das partículas. Quanto mais intensa a tempestade, maior a refletividade será e maior a potência recebida. Partículas muito pequenas apresentam refletividade muito baixa. Dependendo da fase de desenvolvimento e composição das nuvens, estas são facilmente detectadas pelo radar, devido ao tamanho de suas partículas. A chuva é facilmente detectável, pois gotas de chuva são maiores que gotículas de nuvem.
A refletividade pode ser relacionada à taxa de precipitação através da ―Relação Z-R‖:
3.2
onde é a taxa de precipitação e e são coeficientes determinados empiricamente. Esta é uma relação experimental na forma de uma lei de potência, obtida a partir da distribuição do tamanho de gotas. Seus coeficientes variam de acordo com o sistema causador, o tipo de precipitação associada (orográfica, convectiva, etc.) e a localização geográfica. Assim, esta relação apresenta incertezas devido ao caráter da precipitação e também devido a incertezas na própria medida do radar, que são abordadas na seção 3.4.
A relação Z-R mais usada é atribuída a Marshall e Palmer (RINEHART, 2010; MARSHALL e PALMER, 1948). Neste trabalho, é utilizada a relação (HUNTER, 1996), que abrange precipitação estratiforme e convectiva e é a mesma utilizada pelo software operador do radar (seção 5.2.3). A Tabela 3.2 apresenta os valores aproximados da taxa de precipitação para refletividade.
24 Tabela 3.2: Taxa de precipitação associada a refletividade seguindo a relação (HUNTER, 1996).
z (mm6/m3)* log10z Z(dBZ) 10
R (mm/h) Nota
10 1 10 0,1 Significante, mas a maioria das
nuvens são não precipitáveis
100 2 20 0, Chuvisco
1000 3 30 3 Chuva fraca
10000 4 40 12 Chuva moderada
100000 5 50 60 Chuva forte, tempestade,
possibilidade de granizo
1000000 6 60 300 Chuva extremamente forte
* Valores negativos de refletividade não estão associados à precipitação.
Como dito anteriormente, também é possível inferir o tipo de hidrometeoros a partir de variáveis oriundas das informações de dupla polarização, são eles: refletividade diferencial, fase diferencial específica, coeficiente de correlação, entre outros. Apenas o fator de refletividade horizontal é utilizado nesta tese, que será descrito na seção 5.1.1. 3.3 Aplicações
O radar meteorológico é a principal ferramenta utilizada no nowcasting (previsão do tempo de curta extensão espacial e temporal), devido a sua alta resolução espacial e temporal (ATLAS, 1990; BÜYÜKBAS et al., 2006; CALHEIROS et al., 2016; REYNIERS, 2008; WMO, 2017a). O radar meteorológico é usado principalmente no monitoramento do tempo quando há condições propícias para formação de sistemas de tempo severo, e o acompanhamento dos sistemas quando estes já estão estabelecidos.
Abaixo são listadas algumas possíveis aplicações para os dados de radar meteorológico:
(i) Acompanhamento e avaliação de sistemas de tempo severo ou não, que podem gerar alertas para órgãos de tomada de decisão. Por exemplo, na sequência das imagens de radar na Figura 3.4, observa-se o desenvolvimento e o deslocamento de possíveis núcleos de precipitação entre uma imagem e outra;
(ii) Estimativa do movimento de tempestades;
(iii) Estudo da formação e desenvolvimento de sistemas de tempo severo que podem impactar em operações de pouso e decolagem em aeroportos;
(iv) Estudo da Relação Z-R entre a refletividade observada pelo radar e a taxa de precipitação;
10
Devido ao grande intervalo de variação de z, este é comprimido para valores logarítmicos. O fator de
refletividade logarítmico (Z) é calculado pela relação , onde Z tem a unidade de dBZ e z é
25 (v) Classificação dos hidrometeoros a partir de parâmetros de dupla polarização: as nuvens apresentam diferentes composições, podendo ter água líquida ou gelo, granizo, neve, granizo molhado, neve molhada, gotas de chuva, gotículas de nuvem, entre outros. Dependendo da fase de desenvolvimento e composição das nuvens, estas não são facilmente detectáveis pelo radar, devido ao tamanho de suas partículas. Já chuva é mais facilmente detectável, pois as gotas de chuva são maiores;
(vi) Assimilação de dados em modelos PNT: dados de radar podem ser assimilados em modelos PNT para ajuste local do modelo;
(vii) Aplicações em modelos de nowcasting para previsão de chuva;
(viii) Aplicações em modelos de DL: dados de radar podem ser aplicados a modelos VPDL para previsão de imagem. Essa aplicação é realizada no presente trabalho, e, portanto é descrita em detalhes na seção 2.2.
3.4 Dificuldades e limitações da medida de precipitação
A precipitação é uma variável complexa devido a sua variação espaço-temporal e a características intrínsecas como composição de hidrometeoros, a própria dinâmica de formação de nuvens e sistema meteorológico causador. Sua variação também está relacionada à época do ano, posição geográfica, características locais como relevo, proximidade do oceano, além de sua relação com outras variáveis atmosféricas locais como temperatura, umidade e instabilidade. Espacialmente, a precipitação pode apresentar uma distribuição irregular, podendo ser localizada, por exemplo, em uma mesma cidade, pode chover em um bairro, mas não chover em outro bairro vizinho; e durante uma tempestade, a quantidade de chuva que cai está associada, principalmente, ao ciclo de vida das nuvens que a compõem.
Os principais instrumentos utilizados para medir precipitação são: o pluviômetro, que faz uma medida direta pontual da chuva de forma cumulativa, e o radar meteorológico, que faz uma medida indireta para uma grande área da taxa de precipitação, a uma determinada altura.
Um pluviômetro mede em torno de 20 cm de diâmetro, podendo variar entre normas e países. A área coberta por todos os pluviômetros no mundo se fossem colocados um ao lado do outro, ocuparia cerca de 40% da área gramada de um campo de futebol, que compreende 105 metros de comprimento por 68 metros de largura
26 (KIDD et al., 2017). A área coberta por apenas um radar com 150 km de raio é muitos milhões de vezes maior (~23 milhões).
A distribuição irregular dos pluviômetros, falta de manutenção e instalação inadequada, além dos fatores enumerados acima como irregularidade no terreno, etc., limitam a confiabilidade da medida da precipitação somente por pluviômetros. Assim, o radar meteorológico deve ser utilizado como ferramenta complementar aos pluviômetros, pois permite a observação da variabilidade espacial e temporal dos sistemas precipitantes.
Apesar dos benefícios, os radares apresentam algumas limitações quanto à medida, e sofrem influências das características dos alvos. Abaixo estão listados alguns desses fatores limitantes:
1. Efeito de curvatura da terra: Como esquematizado na Figura 3.2 e na Figura 3.3, à medida que o feixe se distancia do radar, o feixe do radar se eleva. A curvatura do feixe do radar em relação à superfície da Terra depende da variação do índice de refração da atmosfera com a altura. Por exemplo, quanto mais afastado o volume medido estiver do radar, menor a chance de se observar a precipitação próxima ao solo, ou seja, devido à elevação do feixe do radar com o aumento da distância, a diferença entre a estimativa de precipitação do radar e o que cai no solo aumenta (ATLAS, 1990).
2. Perda de precisão da medida com o aumento da distância: Outra limitação de medição que o radar apresenta é o aumento da largura do feixe com a distância (Figura 3.2 e Figura 3.3). Para uma largura de antena de 0,95°, o volume medido quadruplica cada vez que o alcance duplica. Essa degradação na resolução limita a detecção de sistemas se precipitação, podendo superestimar o retorno do alvo (HUNTER, 1996).
3. Banda brilhante: Outra fonte de incerteza para a estimativa do radar ocorre quando há gelo grande derretendo logo abaixo do nível de congelamento (nível de 0°C no perfil vertical de temperatura do ar dentro da nuvem). Quando o gelo começa a derreter, uma película de água líquida se forma em torno dele, o que faz o radar interpretar como uma gota de água grande. Como a constante dielétrica da água no estado líquido é maior que a do gelo, o radar retorna uma área com alta refletividade. Esse fenômeno é denominado banda brilhante. Por exemplo, interpretações errôneas podem ocorrer na presença de um eco intenso de granizo em
