Previsão de tempo severo: Desafios, novas tecnologias e aprendizado com o Projeto SOS-CHUVA e a nova geração de satélites GOES-16

(1)

Previsão de tempo severo:

Desafios, novas tecnologias e aprendizado com o

Projeto SOS-CHUVA e a nova geração de satélites

GOES-16

Prof

a

_Dr

a

_{Rachel Ifanger Albrecht}

[email protected]

colaboradores: Luiz Machado, Vinicius Sperling, Camila Lopes, Carlos Morales, Izabelly Costa, Bruno Ribeiro.

(2)

Sumário

1)

Previsão de tempo de severo:

a) O que é e o que é necessário para fazê-la? b) Quais são os desafios?

2)

Novas tecnologias e aprendizado na previsão

imediata de tempo:

a) O projeto SOS-CHUVA

(3)

• _A_previsão_e_{monitoramento}_{de tempo severo é um dos}_{maiores desafios}

encarados pelos Serviços Meteorológicos do mundo, sendo um desafio

NOVO e ainda MAIOR NOS TRÓPICOS.

• _{Tempo severo}_{são sistemas meteorológicos que levam a ocorrência de:} • _{Granizo (> 1,9 cm)}

• _{Rajadas de vento (>93 km/h)} • Inundações e enchentes

• Raios

• _Tornados

1) Previsão de tempo severo: o que é e o que é necessário para fazê-la?

1) Previsão de tempo severo:

(4)

•

Além da

ameaça à vida

, os ventos fortes, granizo, raios,

enchentes e inundações dessas tempestades causam também

danos materiais extensivos

à construções, lavouras e

infraestrutura.

(5)

•

Para evitar esses danos, a meteorologia dispõe de

métodos de

previsão de tempo severo

:

• _{Previsão de tempo ”clássica”, na escala de dias;}

• Previsão imediata de tempo (i.e., ”nowcasting”),

na escala de minutos à horas.

(6)

•

A previsão de tempo severo é uma das mais difíceis de serem

realizadas em qualquer um desses métodos porque, para ser

eficaz, ela exige a determinação de:

• Probabilidade de ocorrência (%)

• _Intensidade

• Locais afetados

• _{Tempo de antecedência (a fim de dar um tempo de resposta adequado} aos usuários)

(7)

•

Um exemplo clássico e bem sucedido são as previsões de

tempo severo associadas aos ciclones tropicais (e.g., furacões):

Probabilidade e localidade In tensidade Antecedência da previsão

(8)

• _{Porém, a os ciclones tropicais (}_{probabilidade (%), intensidade, locais}

afetados, tempo de antecedência) são um fenômeno de larga escala, o que garante relativa alta previsibilidade na escala de tempo de dias.

• Tempo severo de menor escala (e.g., tempestades locais) são fenômenos de meso-escala e menos previsíveis na escala de tempo de dias, mas muito

bem previsíveis na escala de tempo de horas a minutos quando usamos

técnicas de nowcasting, associadas à previsão ”clássica” de até 48h.

Previsão de 48h

Probabilidade de Tempo Severo

(9)

• Nos Serviços Meteorológicos onde a previsão de tempestades que geram

tempo severo é adequada, existem três elementos principais associados à

ocorrência desses eventos que são muito bem definidos e conhecidos:

i. Parâmetros específicos e limites bem estabelecidos de severidade

• e.g., calculo de índices de instabilidade

ii. Os padrões meteorológicos (e

evolução) associados à ocorrência de tempo severo

• e.g., evolução e padrão de escoamento de vento e umidade de larga escala

iii. A climatologia de cada um dos eventos severos, para

determinarmos as potencias áreas de ocorrência

(10)

• _{Os métodos que preveem a ocorrência de tempo severo são baseados nas}

propriedades atmosféricas favoráveis à ocorrência desses eventos. Esses

métodos levam em consideração:

• _{Dados observacionais}

• e.g., estações meteorológicas e balões meteorológicos

• Imagens de satélite

• Informações de Radares Meteorológicos

• Resultados de modelos numéricos de previsão de tempo

Todas variáveis são

coletadas no Brasil!

(11)

• Vários métodos de previsão de tempo severo foram desenvolvidos ao longo dos anos, principalmente nos Estados Unidos e Europa.

• Os indicadores desses métodos são baseados nas condições meteorológicas

locais e seus limiares devem ser calibrados para cada região do globo, e é aí

que encontramos os maiores desafios da Meteorologia no Brasil frente aos eventos severos:

A. Extensão continental do Brasil e sua grande variabilidade de características físicas • Região tropical e subtropical, florestas, montanhas, planaltos, costas

B. DISPONIBILIDADE DE DADOS históricos e em tempo real

• Históricos – para mapear as zonas e períodos de risco ; Tempo real – para emissão de alertas (prejudicado pela falta ou precariedade dos meios de comunicação – e.g., região Norte do Brasil)

C. RECURSOS HUMANOS e capacidade computacional

• Formação e ABSORÇÃO de pessoal qualificado; Computação de alto desempenho

D. CAPACIDADE dos previsores em receber e manipular os produtos meteorológicos • Cursos de capacitação

E. POLÍTICAS PÚBLICAS de apoio e capacidade dos usuários em aplicar as

informações

• Organização das responsabilidades de cada órgão para construir um sistema eficaz de disseminação da informação e ações de prevenção e correção

1) Previsão de tempo severo:

(12)

1) Previsão imediata de tempo (i.e., nowcasting): quais são seus desafios?

Exemplo da NOAA em previsão imediata de tempo (Estados Unidos):

Dados observacionais

Severe Prediction Center

Modelos numéricos de Previsão de Tempo Dados observacionais

Dados de Radar Meteorológico Rádio NOAA E s c ri tó ri o s e s ta d u a is e lo c a is Def e s a Civ il Rádio, TV, Celular, Companhias privadas Público Geral Dados de satélite

SOS CHUVA

(13)

•

Como viabilizar uma estrutura semelhante no Brasil?

(14)

•

_{Logo, o projeto}

_{SOS CHUVA}

_{é uma}

_{prova de conceito}

_{de um modelo}

de previsão de tempo severo, focando em alguns dos desafios:

A. Disponibilidade de dados históricos e em tempo real

• Históricos para mapear as zonas e períodos de risco ; Tempo real para emissão de alertas

(prejudicado pela falta ou precariedade dos meios de comunicação – e.g., região Norte do Brasil)

B. Recursos humanos e capacidade computacional*

• Formação e absorção de pessoal qualificado; Computação de alto desempenho

C. Extensão continental do Brasil e sua grande variabilidade de características físicas • Região tropical e subtropical, florestas, montanhas, planaltos, costas

D. Capacidade dos previsores em receber e manipular os produtos meteorológicos • Cursos de capacitação

E. Políticas públicas de apoio e capacidade dos usuários em aplicar as informações • Organização das responsabilidades dos órgão e sistema eficaz de disseminação da

informação

(15)

(16)

O que é o ”

CHUVA

”?

•

_{Projeto CHUVA (2010-2015) (Fapesp 2009/15235-8)}

•

_C

loud processes of t

H

e main precipitation systems in Brazil: A contrib

U

tion to cloud resol

V

ing modeling and to the GPM (Glob

A

l Precipitation Measurement)

GPC P (1979 -2010 ) rainf all (m m /day ) 1 2 3 4 6 5 B e lém -PA Fo rt al ez a -CE A lcân ta ra -MA S. J.Cam po s -SP ta M a ri a -RS M a n a u s -AM

(17)

•

_{Projeto CHUVA (2010-2015) (Fapesp 2009/15235-8)}

•

_C

loud processes of t

H

e main precipitation systems in Brazil: A contrib

U

tion to cloud resol

V

ing modeling and to the GPM (Glob

A

l Precipitation Measurement)

4 6

O que é o ”

CHUVA

”?

GPC P (1979 -2010 ) rainf all (m m /day ) 1 2 3 4 6 5 B e lém -PA Fo rt al ez a -CE A lcân ta ra -MA S. J.Cam po s -SP S ta M a ri a -RS M a n a u s -AM

(18)

O que é o ”

SOS-CHUVA

”?

• S

ISTEMA DE

O

BSERVAÇÃO E PREVISÃO DE TEMPO

S

EVERO

= Observation System and Nowcasting of Severe Weather

•

_{Objetivos do SOS-CHUVA (2016-2019) (Fapesp 2015/14497-0):}

• _{Aplicar o conhecimento sobre microfísica de nuvens adquirido} durante o Projeto;

• _{Entender a evolução da microfísica de nuvens à medida que ela} muda para se tornar um evento extremo;

• _{Construir modelos conceituais e prever essas mudanças;}

• _{Desenvolver um sistema de alerta de intensificação de tempestades;} • _{Torne esta informação útil e acessível à sociedade:}

• Informação enviada diretamente à Defesa Civil

(19)

Local e instrumentação

• Sítio principal em Campinas-SP (~90 km de São Paulo, capital)

• Dezembro 2016 à Julho 2018 (1 ano e 9 meses)

(20)

Local e instrumentação

•

_{Base na Unicamp (Universidade Estadual de Campinas):}

• Radar Sellex X-Pol • _{Micro-Rain Radar} • Radiômetro

• _{Disdrômetros}

• Joss Waldvogel e Parsivel

• Vapor total de água por GPS • Pluviômetro

• _{Distribuição de tamanho de aerossóis}

• _{Concentração de núcleos de condensação de nuvens} • _{Estação meteorológica}

(21)

Local e instrumentação

•

_{Rede medição de}

_{campo elétrico}

_(field-mill)

(22)

•

_{Rede de medição de}

_granizo

_(hailpad):

• 23 sensores; 10 tempestades amostradas

(23)

Local e instrumentação

•

_{Na USP-Esalq (Piracicaba):}

(24)

Local e instrumentação

•

_{Redes de detecção de}

_raios

_:

• BrasilDAT (EarthNetworks), STARNET (USP) and LINET (USP-Nowcast)

LINET

BrasilDAT STARNET

(25)

Modelos numéricos de previsão de tempo que

resolvem nuvens (CRM – Cloud Rosolving Models)

• _{BRAMS – Brazilian Regional Atmospheric Modeling System (operacional)} • Redução do tempo de spin-up (”aceleração”) para nowcasting

• _{Rodadas a cada 3h}

• WRF-ARW (pesquisa e operacional)

• Assimilação de dados de radar meteorológico (Vendrasco et al. 2016)

• _{Assimilação de dados de raios do sensor GLM do satélite GOES-16 GLM (Vendrasco}

et al. 2017)

• _{WRF-CELLS (somente pesquisa)}

• Com eletrificação de nuvem explícita (Mansell et al. 2013; Fierro et al. 2014)

• Combinação de diferentes esquemas de parametrização de microfísica e eletrificação de nuvens (Puig e Albrecht 2018)

• Meso-NH (somente pesquisa)

• _{Com eletrificação de nuvem explícita e propagação explícita do canal das descargas}

(26)

Resultados preliminares:

Tempestades de granizo

(27)

Resultados preliminares:

Tempestades de granizo

(28)

Resultados preliminares:

Tempestades de granizo

•

_{Tempestade do dia 15-Nov-2018, Indaiatuba e Campinas:}

(29)

Resultados preliminares:

Tempestades de granizo

(30)

Resultados preliminares:

Tempestades de granizo

(31)

Resultados preliminares:

Tempestades de granizo

•

_{Tempestade do dia 15-Nov-2018, Indaiatuba e Campinas:}

intra-nuvem nuvem-solo

n

o

de

raios

por

minuto

Hora (UTC)

(32)

Resultados preliminares:

Tempestades de granizo

•

_{Altura da máxima concentração de hidrometeoro e máxima}

(33)

(34)

(35)

(36)

(37)

(38)

(39)

(40)

Período de operação intensiva

27-Nov à 01-Dez-2018

•

**_{Teste da Plataforma de Nowcasting em tempo real*}**

•

_{Atividades em conjunto com RELAMPAGO Dry-Run}

•

_{Treinamento de estudantes e Defesa Civil}

(41)

Alcançando o público em geral

•

_{Aplicativo de celular com dados de}

_{vários radares}

meteorológicos

,

imagem de satélite

do Brasil,

raios

e

previsão

de chuva para os próximos 20 minutos

.

• _{Alertas de tempo severo}_{: aproximação de raios e chuva da local do}

usuário.

(42)

(43)

(44)

Geostationary Operational

Environmental Satellites

(45)

• Antes do laçamento, os satélites GOES são denominados por

letras (-A, -B, -C..., -R, -S).

• Assim que é lançado, o satélite é redenomnado com um número

(-1, -2, -3…, -16, -17)

História do programa de satélites GOES

GOES-1 a GOES-3 GOES D-H GOES -4 a GOES-7 (GOES-G falhou) GOES I-M GOES-8 a GOES-12 GOES N-P GOES-13 a GOES-15 (GOES-Q cancelado) GOES R/S GOES-16/17 • Primeiro satélite GOES da NOAAS • Spin-stabilized • 3-axis stabilized • Imageador e sondador simultâneo, 100% do tempo • Imageador e Sondador alternados • Aumento da resolução • Aumento da resolução espacial, temporal e espectral • Raios Launched in Nov/2016

(46)

História do programa de satélites GOES

GOES-16 GOES-15 GOES-13/14 GOES-17 (checkout position)

(47)

(48)

GOES-R/S Series Spacecraft

Extreme Ultraviolet and X-Ray Irradiance Sensor (EXIS)

Space Environment In Situ Suite (SEISS)

Magnetometer Advanced Baseline Imager (ABI) Geostationary Lightning Mapper (GLM) Solar Ultraviolet Imager (SUVI)

(49)

Advanced Baseline Imager (ABI)

5 4 3

X

Mais rápido em cobertura temporal: imagem

full disk em até 5 minutos (vs.

25-X

Mais resolução espacial Ex.: IR: 2 km (vs. 4 km no GOES-13)

X

Mais bandas espectrais: 16 bandas no ABI (vs. 5 no imageador GOES-13)

(50)

• 2 modos de varredura:

– Full disk a cada 15 minutos + CONUS a cada 5 minutos + MESO a cada 30 segundos.

ABI – Cobertura espacial

(51)

• 2 modos de varredura:

– Full disk a cada 15 minutos + CONUS a cada 5 minutos + MESO a cada 30 segundos. – ou Full disk a cada 5 minutos.

(52)

ABI – Cobertura espacial

(53)

53

Full Disk Imagery Increased

From 8X to 96X per Day

(54)

(55)

(56)

ABI

Approximate Central Wavelength (μm)

ABI

Band Type Theme

0.47 1 Visible Blue Visible Green 0.64 2 Visible Red 0.86 3 Near-Infrared Veggie 1.4 4 Near-Infrared Cirrus 1.6 5 Near-Infrared Snow/Ice

2.2 6 Near-Infrared Cloud Particle Size 3.9 7 Infrared Shortwave Window 6.2 8 Infrared Upper-level Water Vapor 6.9 9 Infrared Mid-level Water Vapor 7.3 10 Infrared Lower-level Water Vapor 8.4 11 Infrared Cloud-Top Phase

9.6 12 Infrared Ozone

10.3 13 Infrared “Clean” Longwave Window 11.2 14 Infrared Longwave Window

12.3 15 Infrared “Dirty” Longwave Window

(57)

ABI – Cobertura espectral: GOES-16

57 0.64 m 0.86 m 1.38 m 1.61 m 2.26 m 3.9 m 6.19 m 6.95 m _{7.34 m} 0.47 m 8.5 m _{9.61 m} 10.35 m _{11.2 m} 12.3 m _{13.3 m}

Simulaçõa

par

a

o

Fur

acão

K

atrina

(58)

Cobertura Espectral: GOES-13

Simulaçõa

par

a

o

Fur

acão

K

atrina

(59)

True Color Imagery

h ttp:// w w w .s se c.wi sc.ed u/n ew s/ art ic les /9626

GOES-16:

First light in

true color

(

Using Python

to Explore

GOES-16 Data

)

https://www.star.nesd is.noaa.gov/GOES/GO ES16_FullDisk_Band.p hp?band=GEOCOLOR &length=24

(60)

Baffle & Door Solar Rejection Filter Solar Blocking Filter Metering Tube

Focal Plane Array Assembly (FPAA)

Loop Heat Pipes Baffle

Support

Lens Housing & Support Structure Narrow Band Filter Sensor Unit Variable Pitch CCD

(61)

GLM – Geostationary Lightning Mapper

(62)

Anatomy of a Lighting Discharge:

(63)

GLM detection methods

•

GLM creates background images

every 2 min

•

Detects changes in brightness

relative to the background every

~2ms

•

Illuminated pixels are termed

GLM Events

•

Filters determine the likehood

that events are real lightning

•

Lightning Cluster Filter Algorithm

(LCFA) combines events into

groups and groups into flashes

(definitions on next slide)

Courtesy of Michael Peterson (CICS/UMD)

https://youtu.be/1lHOQA-zfHE

One single GLM Flash (2017-09-09):

• Events are the illuminated pixels

• Groups are the square dots being

(64)

GLM – Geostationary Lightning Mapper

• Lightning is controlled by updraft intensity and ice particle collision.

– – – – – – + ₊ + + + + + + + + + + + + + + + + + + ++ + + + – +

(65)

GLM Forecaster Demo at NOAA’s

Hazardous Weather Testbed, May 2018

Avg 1-min Group Area

Total 1-min Flash Energy 2-min

Flash Extent Density

Avg 1-min Flash Area

Avg 2-min Flash Area

(66)

(67)

(68)

http://goesrhwt.blogspot.com/2016/08/surprise-indiana-tornadoes-and-total.html

With lightning: 68% Without lightning: 21% _{Kokomo, IN storm 8}

minutes prior to first warning (8/24/16)

ProbSevere

(69)

(70)

GOES-16 GLM Observes Widespread

Thunderstorms Across the Amazon Basin

(71)