• Nenhum resultado encontrado

Modelo Fatorial Quantílico: uma Abordagem Bayesiana para Redução de Dimensão sob a Ótica de Quantis

N/A
N/A
Protected

Academic year: 2021

Share "Modelo Fatorial Quantílico: uma Abordagem Bayesiana para Redução de Dimensão sob a Ótica de Quantis"

Copied!
105
0
0

Texto

(1)

Calibra¸

ao Espa¸

co-temporal de Previs˜

oes

Num´

ericas do Modelo de Mesoescala Eta

para a Velocidade do Vento em Minas

Gerais

Luiz Eduardo da Silva Gomes

Departamento de M´etodos Estat´ısticos

Instituto de Matem´

atica

Universidade Federal do Rio de Janeiro

(2)

Calibra¸

ao Espa¸

co-temporal de Previs˜

oes

Num´

ericas do Modelo de Mesoescala Eta

para a Velocidade do Vento em Minas

Gerais

Luiz Eduardo da Silva Gomes

Disserta¸c˜ao de Mestrado submetida ao Programa

de P´os-Gradua¸c˜ao em Estat´ıstica do Instituto de

Matem´atica da Universidade Federal do Rio de

Janeiro como parte dos requisitos necess´arios `a

obten¸c˜ao do t´ıtulo de Mestre em Estat´ıstica.

Orientadoras: Profa. Dra. Thais C. O. Fonseca

Profa. Dra. Kelly C. M. Gon¸calves

Rio de Janeiro, RJ – Brasil 2018

(3)
(4)

CIP - Catalogação na Publicação

G633c

Gomes, Luiz Eduardo da Silva

Calibração espaço-temporal de previsões numéricas do modelo de mesoescala Eta para a velocidade do vento em Minas Gerais / Luiz Eduardo da Silva Gomes. -- Rio de Janeiro, 2018.

105 f.

Orientadora: Thais Cristina Oliveira da Fonseca. Coorientadora: Kelly Cristina Mota Gonçalves. Dissertação (mestrado) - Universidade Federal do Rio de Janeiro, Instituto de Matemática, Programa de Pós-Graduação em Estatística, 2018.

1. Calibração. 2. Modelo de mesoescala Eta. 3. Modelos lineares dinâmicos espaço-temporais. 4. Previsão da velocidade do vento. 5. Técnica de aumento de dados. I. Fonseca, Thais Cristina Oliveira da, orient. II. Gonçalves, Kelly Cristina Mota, coorient. III. Título.

(5)

Agradecimentos

` A Deus.

Aos meus amados pais que sempre fizeram de tudo para que eu pudesse chegar at´e aqui. Obrigado pelo suporte, educa¸c˜ao e apoio que vocˆes me proporcionam. Sem vocˆes, grande momentos como este, n˜ao seriam poss´ıveis. Eu continuarei orgulhando vocˆes. At´e o fim. Eu amo vocˆes. Incondicionalmente.

`

A Iuna Alves, minha velha amiga que tornou-se rec´em companheira. Vocˆe ´e incr´ıvel (e engra¸cada). Obrigado por sempre mostrar-me o lado bom da vida e me fazer sorrir em dias chuvosos e ensolarados. Te amo.

`

As minhas orientadoras Thais Fonseca e Kelly Gon¸calves pelo aux´ılio e disponibilidade oferecidos durante o desenvolvimento do trabalho. O conhecimento compartilhado por vocˆes foram primordiais no meu desenvolvimento acadˆemico.

Aos amigos que fiz durante o curso, em especial, Rafael Erbisti, Rebecca Souza, Renato Gomes, Rodrigo Lassance e Victor Eduardo. Foi um prazer compartilhar afli¸c˜oes, notas de aula e conceitos (nem t˜ao bons assim) com vocˆes.

Aos amigos que fiz previamente e tamb´em estavam l´a, em especial, ao Marcel, meu antigo orientador de IC na Fiocruz, e `a Ra´ıra Marotta, uma gradua¸c˜ao inteira n˜ao foi o suficiente n´e? Aos velhos amigos, Bruno Delgado, Filipe Steikofp, Patrick Martins e Rom´ario Paiva. N´os estaremos sempre juntos!

`

A Profa. Marina Paez e ao Prof. Marcos Prates por aceitarem integrar a banca.

Ao Prof. Gustavo Ferreira por, ainda, ser um exemplo profissional e pessoal para mim. Obrigado pela oportunidade de ir al´em do esperado (no passado) e ter chegado at´e aqui. Como proposto por mim no fim da gradua¸c˜ao, obrigado por tamb´em compor a atual banca.

`

A Ramiro C´adernas por auxiliar na coordena¸c˜ao do projeto maior o qual, meu projeto est´a aninhado, e pela disponibiliza¸c˜ao dos dados necess´arios para este trabalho.

(6)

Resumo

Previs˜oes de vari´aveis meteorol´ogicas provenientes de modelos num´ericos est˜ao,

sistematicamente, sujeitas a erros. Tais erros devem-se `a tentativa de simular

deterministicamente processos termodinˆamicos da atmosfera a partir de suas condi¸c˜oes

correntes por meio de sistemas de equa¸c˜oes diferenciais. Al´em disto, estes sistemas s˜ao

solucionados em uma grade discreta, apresentando previs˜oes uniformes para toda regi˜ao

pertencente `a mesma c´elula desta grade. Por consequˆencia, previs˜oes procedentes de

modelos num´ericos podem n˜ao ser representativas em locais espec´ıficos. Assim, t´ecnicas

de p´os-processamento estat´ıstico s˜ao apropriadas para a calibra¸c˜ao destas previs˜oes,

minimizando poss´ıveis distor¸c˜oes.

O presente trabalho tem por objetivo minimizar os erros das previs˜oes do modelo

de mesoescala Eta para a velocidade do vento a 10 metros do solo no Estado de Minas

Gerais atrav´es do desenvolvimento de extens˜oes aprimoradas dos principais modelos de

p´os-processamento estat´ıstico para campos meteorol´ogicos. Os modelos propostos foram

estruturados atrav´es da t´ecnica de aumento de dados e dos Modelos Lineares Dinˆamicos.

Palavras-Chaves: Calibra¸c˜ao; Modelo de mesoescala Eta; Modelos lineares dinˆamicos

(7)

Abstract

Forecasts of meteorological variables from numerical models are systematically subject to errors. Such errors are due to the attempt to simulate deterministically thermodynamic processes of the atmosphere from their current conditions through systems of differential

equations. Besides, these systems are solved in a discrete grid, presenting uniform

forecasts for every region belonging to the same grid cell. Consequently, forecasts

from numerical models may not be representative at specific locations. Thus, statistical post-processing techniques are appropriate for calibration of these forecasts, minimizing possible distortions.

This work aims to minimize the errors of the Eta mesoscale model’s forecasts for the wind speed at 10 meters above the ground in the State of Minas Gerais through the development of improved extensions of the main statistical post-processing models for meteorological fields. The proposed models were structured by the data augmentation technique and the dynamic linear models.

Keywords: Calibration; Eta mesoscale model; Data augmentation technique;

(8)

Sum´

ario

Lista de Figuras xi

Lista de Tabelas xiv

Lista de Abreviaturas e Siglas xv

1 Motiva¸c˜ao 1

1.1 Previs˜ao Num´erica em Minas Gerais . . . 2

2 Introdu¸c˜ao 9 2.1 Previs˜ao Num´erica do Tempo . . . 9

2.1.1 Hist´oria . . . 10

2.1.2 Aplica¸c˜oes . . . 10

2.1.3 Classifica¸c˜ao dos modelos . . . 12

2.1.4 Ensembles . . . 12

2.1.5 Fontes de incerteza . . . 14

2.1.6 Aperfei¸coamento dos modelos . . . 15

2.2 P´os-Processamento Estat´ıstico . . . 16

2.3 Modelo de Mesoescala Eta . . . 17

3 Modelos de P´os-Processamento Estat´ıstico 19 3.1 M´etodos de Calibra¸c˜ao Univariados . . . 19

3.1.1 Model Output Statistics . . . 19

(9)

3.2 M´etodos de Calibra¸c˜ao Espaciais . . . 21

3.2.1 Geostatistical Output Pertubation . . . 21

3.2.2 Spatial Ensemble Model Output Statistics . . . 22

3.3 M´etodos de Calibra¸c˜ao Espa¸co-temporais . . . 23

3.3.1 Dynamic Geostatistical Output Pertubation . . . 25

3.3.2 Spatiotemporal Ensemble Model Output Statistics . . . 27

4 Aplica¸c˜ao `a Previs˜ao da Velocidade do Vento em Minas Gerais 29 4.1 Descri¸c˜ao do Conjunto de Dados. . . 29

4.2 Sele¸c˜ao de Covari´aveis e Defini¸c˜oes dos Modelos . . . 32

4.3 Modelos Propostos . . . 36

4.4 Resultados . . . 39

4.4.1 Aplica¸c˜ao: Di´aria . . . 41

4.4.2 Aplica¸c˜ao: Hor´aria . . . 47

4.4.3 Aplica¸c˜ao: Interpola¸c˜ao Espacial . . . 56

4.5 Conclus˜oes . . . 58

5 Considera¸c˜oes Finais e Trabalhos Futuros 62 Referˆencias Bibliogr´aficas 65 Apˆendice 72 A Outros Modelos de P´os-Processamento Estat´ıstico 73 A.1 Bayesian Model Average . . . 73

A.2 Spatial Bayesian Model Average . . . 74

B Crit´erios de Compara¸c˜ao de Modelos 76 B.1 Raiz Quadrada do Erro Quadr´atico M´edio . . . 76

B.2 Erro Absoluto M´edio . . . 76

B.3 ´Indice de Concordˆancia de Willmott. . . 76

(10)

C Distribui¸c˜oes Condicionais Completas 78

C.1 Vetor param´etrico β . . . 78

C.2 Parˆametro φ . . . 78

C.3 Parˆametro λ . . . 79

C.4 Processo Espacial latente Zt(s) . . . 79

C.5 Processo Espacial latente Ut(s) . . . 80

D Algoritmo Robusto-Adaptativo de Metropolis 81 E Modelos Dinˆamicos 83 E.1 Modelo Linear Dinˆamico . . . 83

E.2 Filtro de Kalman . . . 84

E.3 Distribui¸c˜oes de Previs˜ao . . . 85

E.4 Fatores de Desconto . . . 86

E.5 Esquema de Amostragem para MLD . . . 86

(11)

Lista de Figuras

1.1 Localiza¸c˜oes das esta¸c˜oes de monitoramento meteorol´ogico em Minas Gerais e vizinhan¸ca. Triˆangulos s´olidos representam as esta¸c˜oes. Linhas cont´ınuas representam a grade discreta utilizada pelo modelo de mesoescala Eta. . . 3

1.2 Representa¸c˜ao da interpola¸c˜ao bilinear feita na grade utilizada pelo modelo Eta para obten¸c˜ao de previs˜oes num´ericas nos locais de observa¸c˜ao: (a) Grade discreta (15 km × 15 km) e (b) Interpola¸c˜ao bilinear. . . 4

1.3 S´erie temporal da velocidade do vento a 10 metros de altura e de suas respectivas previs˜oes num´ericas ao longo das esta¸c˜oes do ano iniciado `as 12 UTC. . . 5

1.4 FAC da velocidade do vento a 10 metros de altura ao longo das esta¸c˜oes do ano iniciado `as 12 UTC. . . 6

1.5 Histograma da velocidade do vento a 10 metros de altura ao longo das esta¸c˜oes do ano. . . 8

2.1 Distribui¸c˜ao espacial de previs˜oes da refletividade (dBZ) durante a passagem do Furac˜ao Gustav no Golfo do M´exico, 2008. Adaptado de NRL (2018). . . 10

2.2 Exemplos de grade horizontal com diferentes resolu¸c˜oes. Adaptado de Li et al. (2016).. . . 12

2.3 Representa¸c˜ao das trajet´orias das previs˜oes num´ericas inicializadas com distintas condi¸c˜oes iniciais. Adaptado de Wilks (2006). . . 13

(12)

2.4 Organiza¸c˜ao dos membros do ensemble conforme sua classifica¸c˜ao: (a) Defasados e (b) Tradicional. Adaptado de Warner (2010).. . . 13

2.5 Ensemble de previs˜oes para a rota do furac˜ao Katrina. Inicializado em 26 de agosto de 2005, 00 UTC (a) e 12 UTC (b). Adaptado de Leutbecher e Palmer (2008). . . 14

2.6 Diagrama do processo de calibra¸c˜ao para ensemble de previs˜oes da temperatura de superf´ıcie. Adaptado de Warner (2010). . . 17

2.7 Representa¸c˜ao da topografia pela coordenada vertical eta (η). Adaptado de Mesinger et al. (1988). . . 18

4.1 Matriz de correla¸c˜ao dos membros do ensemble de previs˜oes num´ericas da velocidade do vento a 10 m em 21 de junho de 2016, 12 UTC. . . 31

4.2 Crit´erios de compara¸c˜ao de modelos na aplica¸c˜ao di´aria ao longo das esta¸c˜oes do ano. . . 42

4.3 Interval Score na aplica¸c˜ao di´aria ao longo das esta¸c˜oes do ano. . . 43

4.4 Mediana a posteriori e intervalos de credibilidade de 90% para o vetor param´etrico est´atico do modelo STEMOS na aplica¸c˜ao di´aria ao longo das esta¸c˜oes do ano. . . 44

4.5 Diagrama de dispers˜ao com valores previstos versus observados na aplica¸c˜ao di´aria para 18 a 21 de janeiro de 2016, 12 UTC. . . 45

4.6 Previs˜ao 1 a 4 dias `a frente para a velocidade do vento a 10 m de altura em janeiro de 2016, 12 UTC. . . 46

4.7 Diagrama de dispers˜ao com valores previstos versus observados na aplica¸c˜ao di´aria para 18 a 21 de outubro de 2016, 12 UTC. . . 47

4.8 Previs˜ao 1 a 4 dias `a frente para a velocidade do vento a 10 m de altura em outubro de 2016, 12 UTC. . . 48

4.9 Crit´erios de compara¸c˜ao de modelos na aplica¸c˜ao hor´aria ao longo das esta¸c˜oes do ano. . . 50

(13)

4.11 Mediana a posteriori e intervalos de credibilidade de 90% para o vetor param´etrico est´atico do modelo STEMOS na aplica¸c˜ao hor´aria ao longo das esta¸c˜oes do ano. . . 52

4.12 Diagrama de dispers˜ao com valores previstos versus observados na aplica¸c˜ao hor´aria de 20 de julho de 2016, 13 UTC a 21 de julho de 2016, 12 UTC. . . 53

4.13 Previs˜ao at´e 24 horas `a frente para a velocidade do vento a 10 m de altura de 20 de julho de 2016, 13 UTC a 21 de julho de 2016, 12 UTC. . . 54

4.14 Diagrama de dispers˜ao com valores previstos versus observados na aplica¸c˜ao hor´aria de 20 de agosto de 2016, 13 UTC a 21 de agosto de 2016, 12 UTC.. . . 54

4.15 Previs˜ao at´e 24 horas `a frente para a velocidade do vento a 10 m de altura de 20 de agosto de 2016, 13 UTC a 21 de agosto de 2016, 12 UTC.. . . . 55

4.16 Previs˜ao at´e 24 horas `a frente para a velocidade do vento a 10 m de altura de 20 de julho de 2016, 13 UTC a 21 de julho de 2016, 12 UTC obtidos a partir da interpola¸c˜ao espacial. Esta¸c˜oes de monitoramento A505, A517, A550 e A560 fora da amostra. . . 58

4.17 Previs˜oes 6, 12, 18 e 24 horas `a frente para a velocidade do vento a 10 m de altura para o Estado de Minas Gerais. PN: Previs˜ao num´erica proveniente do modelo Eta. PP: Previs˜ao pontual calibrada proveniente do ajuste do modelo Dynamic Geostatistical Output Calibration (DGOP). ME: Margem de erro, definida como metade do comprimento do intervalo de credibilidade 90% da previs˜ao probabil´ıstica. . . 59

(14)

Lista de Tabelas

4.1 Configura¸c˜ao dos membros do ensemble para previs˜oes 24 horas `a frente `

as 12 UTC. . . 30

4.2 Rela¸c˜ao dos crit´erios de compara¸c˜ao de modelos para diferentes blocos de covari´aveis e horizontes obtidos nas previs˜oes realizadas na aplica¸c˜ao piloto. 35

4.3 Informa¸c˜oes acerca das cadeias MCMC para os modelos propostos em diferentes aplica¸c˜oes. . . 40

(15)

Lista de Abreviaturas e Siglas

BMA Bayesian Model Averaging

CPTEC Centro de Previs˜ao de Tempo e Estudos Clim´aticos

CRPS Continuous Ranked Probability Score DGOP Dynamic Geostatistical Output Calibration

dBZ Decibel relativo `a Z

DMA Dynamic Model Averaging

EAM Erro Absoluto M´edio

EMOS Ensemble Model Output Statistics

ENIAC Computador Integrador Num´erico Eletrˆonico

FAC Fun¸c˜ao de autocorrela¸c˜ao

FFBS Forward Filtering Backward Sampling GOP Geostatistical Output Calibration IC Intervalo de Credibilidade

ICW ´Indice de Concordˆancia de Willmott

INPE Instituto Nacional de Pesquisas Espaciais IS Interval Score

(16)

MCMC Monte Carlo via Cadeias de Markov MEE Modelo de Espa¸co de Estado

MLD Modelo Linear Dinˆamico

MLG Modelo Linear Generalizado MOC Model Output Calibration MOS Model Output Statistics

NCEP U.S. National Centers for Environmental Prediction NRL U.S. Naval Research Laboratory

RAM Robusto-Adaptativo de Metropolis

rEQM Raiz Quadrada do Erro Quadr´atico M´edio

SBMA Spatial Bayesian Model Averaging

SEMOS Spatial Ensemble Model Output Statistics

STEMOS Spatiotemporal Ensemble Model Output Statistics UMOS Updatable Model Output Statistics

URSS Uni˜ao das Rep´ublicas Socialistas Sovi´eticas

(17)

Cap´ıtulo 1

Motiva¸

ao

As previs˜oes num´ericas do modelo de mesoescala Eta (Mesinger et al., 1988; Black,

1994) s˜ao utilizadas na predi¸c˜ao de fenˆomenos clim´aticos. Esses sistemas s˜ao solucionados

em uma grade discreta, i.e., apresentam previs˜oes uniformes para toda regi˜ao pertencente

`

a mesma c´elula desta grade. Como cada previs˜ao ´e obtida com base em dados m´edios

da regi˜ao (e.g. altitude m´edia e vegeta¸c˜ao predominante), a representatividade das

previs˜oes em locais com orografia1 complexa e vegeta¸c˜ao densa se torna deficiente devido

`

as diferen¸cas nas caracter´ısticas reais da superf´ıcie com a homogeneiza¸c˜ao feita por este

modelo. Dessa forma, previs˜oes geradas pelo modelo Eta podem n˜ao ser representativas

em um local espec´ıfico (Chou et al., 2007).

Para produzir previs˜oes em pontos distintos, minimizando estas e outras limita¸c˜oes

que este tipo de modelo est´a sistematicamente submetido, t´ecnicas de p´os-processamento

estat´ıstico s˜ao apropriadas e auxiliam na melhor acur´acia das estimativas em um contexto

probabil´ıstico (Glahn e Lowry,1972).

Este trabalho est´a organizado em cinco cap´ıtulos, incluindo este que consiste da

motiva¸c˜ao espec´ıfica para o desenvolvimento de modelos de p´os-processamento estat´ıstico

mais aprimorados. O cap´ıtulo 2faz uma breve introdu¸c˜ao acerca da Previs˜ao Num´erica

do Tempo e seus principais conceitos. O Cap´ıtulo 3 lista os principais modelos de p´

os-processamento estat´ıstico univariados e espaciais. A partir destes, apresenta propostas

de extens˜oes espa¸co-temporais. O Cap´ıtulo 4 exibe e comenta os resultados obtidos

(18)

na aplica¸c˜ao de distintos modelos de p´os-processamento estat´ıstico, avaliando-os de

forma comparativa. Por fim, o Cap´ıtulo 5 consolida os resultados, discute detalhes das

aplica¸c˜oes e apresenta aplica¸c˜oes futuras dos m´etodos propostos.

1.1

Previs˜

ao Num´

erica em Minas Gerais

Especificamente, a metodologia proposta neste trabalho tem como principal objetivo

corrigir potenciais diferen¸cas verificadas entre valores medidos e previs˜oes num´ericas da

velocidade do vento no Estado de Minas Gerais de dezembro de 2015 `a novembro de

2016.

O Estado de Minas Gerais situa-se na regi˜ao Sudeste do Brasil, sendo inteiramente

formado por planaltos. O relevo acidentado confere ao Estado um recurso h´ıdrico

privilegiado, abrigando grandes potenciais hidrel´etricos. A vegeta¸c˜ao predominante ´e

a do Cerrado consistindo em grandes varia¸c˜oes na paisagem entre as esta¸c˜oes chuvosa

e seca, resultando uma influˆencia sazonal da rugosidade aerodinˆamica do terreno2 no

deslocamento dos ventos. Toda a por¸c˜ao leste do Estado ´e coberta pela Mata Atlˆantica,

sendo a vegeta¸c˜ao permanentemente verde e densa (Minas Gerais, 2018).

O clima em Minas Gerais varia desde o quente semi´arido at´e o mesot´ermico ´umido.

De maneira geral, a distribui¸c˜ao das chuvas em Minas Gerais ´e desigual com o norte

apresentando longos per´ıodos de estiagem. Nas ´areas de maior altitude do sul, o regime

pluviom´etrico ´e mais intenso. A sazonalizade tamb´em exerce influˆencia nas temperaturas,

onde predominantemente as maiores m´edias ocorrem no ver˜ao. Periodicamente, na maior

parte do territ´orio mineiro, predominam ventos mais intensos no inverno e na primavera

(Amarante et al., 2010).

Ao longo de Minas Gerais e seu entorno, h´a 59 esta¸c˜oes de monitoramento

meteorol´ogico, onde s˜ao recolhidas, de hora em hora, informa¸c˜oes instantˆaneas sobre

a velocidade do vento a 10 metros de altura, umidade relativa do ar, temperatura

de superf´ıcie, press˜ao atmosf´erica e precipita¸c˜ao, distribu´ıdas conforme a Figura 1.1.

2A rugosidade aerodinˆamica do terreno ´e a altitude em que a velocidade do vento cai a zero com base

(19)

Devido `a irregularidade do espa¸camento das esta¸c˜oes meteorol´ogicas e a grade discreta Longitude Latitude −50 −48 −46 −44 −42 −40 −22 −20 −18 −16 −14

Figura 1.1: Localiza¸c˜oes das esta¸c˜oes de monitoramento meteorol´ogico em Minas Gerais

e vizinhan¸ca. Triˆangulos s´olidos representam as esta¸c˜oes. Linhas cont´ınuas representam

a grade discreta utilizada pelo modelo de mesoescala Eta.

consideravelmente fina, as previs˜oes num´ericas para os locais de observa¸c˜ao s˜ao obtidas,

usualmente, por meio de interpola¸c˜ao bilinear (consulte Press et al., 2007). M´etodos de

interpola¸c˜ao mais complexos podem ser aplicados sendo entretanto, pouco prov´avel que

haja ganhos consider´aveis (Gel et al.,2004). A Figura 1.2 ilustra esta interpola¸c˜ao para

previs˜oes num´ericas da velocidade do vento a 10 metros de altura em Minas Gerais.

Assim, h´a a possibilidade de analisar o erro pontual destas previs˜oes, principalmente

em locais que s˜ao afetados por aspectos de posicionamento geogr´afico (e.g. latitude,

longitude e altitude), de proximidade com corpos d’´agua e de vegeta¸c˜ao regional.

Pode-se citar algumas esta¸c˜oes com estas caracter´ısticas como a esta¸c˜ao meteorol´ogica A507

– Uberlˆandia, pertencente `a regi˜ao do Triˆangulo Mineiro localizada na parte oeste do

Estado, a qual possui majoritariamente vegeta¸c˜ao de cerrado; A530 – Caldas, localizado

ao sul do Estado, no qual h´a grande quantidade de registros de velocidade do vento

baixas; A537 – Diamantina, localizada na regi˜ao central, possuindo a maior altitude

(1359 metros) com rela¸c˜ao ao n´ıvel do mar dentre todas as esta¸c˜oes; A543 – Espinosa,

localizada no extremo norte, fazendo fronteira com o Estado da Bahia, onde registra-se

(20)

Longitude Latitude 0 2 4 6 8 −50 −48 −46 −44 −42 −40 −22 −20 −18 −16 (a) Longitude Latitude 0 2 4 6 8 −50 −48 −46 −44 −42 −40 −22 −20 −18 −16 (b)

Figura 1.2: Representa¸c˜ao da interpola¸c˜ao bilinear feita na grade utilizada pelo modelo

Eta para obten¸c˜ao de previs˜oes num´ericas nos locais de observa¸c˜ao: (a) Grade discreta

(15 km × 15 km) e (b) Interpola¸c˜ao bilinear.

instala¸c˜oes de parques e´olicos e; A547 – S˜ao Rom˜ao, localizada pr´oximo as margens do

Rio S˜ao Francisco, o qual forma um corredor canalizando o vento. Influˆencias sazonais

podem tamb´em afetar o desempenho das previs˜oes. Para elucidar esta hip´otese, a Figura

1.3 ilustra a s´erie temporal da velocidade do vento a 10 metros e de suas respectivas

previs˜oes num´ericas ao longo da esta¸c˜oes do ano. ´

E poss´ıvel observar que n˜ao h´a um padr˜ao seguido pelas diferentes localidades.

Esta¸c˜oes meteorol´ogicas como A507 e A547 apresentam m´edias maiores durante a

primavera. Para as mesmas esta¸c˜oes durante o outono, ocorre o menor erro m´edio das

previs˜oes num´ericas, no entanto, para A543, a periodicidade da previs˜ao ao longo de um

dia aparenta invers˜ao. A Figura 1.4 ilustra a Fun¸c˜ao de autocorrela¸c˜ao (FAC) para a

s´erie temporal das mesmas esta¸c˜oes exibidas previamente, elucidando o padr˜ao peri´odico

existente nos registros na velocidade do vento a 10 m.

H´a padr˜oes peri´odicos bem definidos durante algumas esta¸c˜oes do ano. As esta¸c˜oes

A537, A543 e A547 n˜ao registraram este padr˜ao durante a primavera, diferentemente

(21)

Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 Obs. Eta

(a) A507 - Ver˜ao

Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (b) A507 - Outono Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (c) A507 - Inverno Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (d) A507 - Primavera Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 Obs. Eta

(e) A530 - Ver˜ao

Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (f) A530 - Outono Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (g) A530 - Inverno Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (h) A530 - Primavera Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 Obs. Eta

(i) A537 - Ver˜ao

Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (j) A537 - Outono Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (k) A537 - Inverno Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (l) A537 - Primavera Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 Obs. Eta (m) A543 - Ver˜ao Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (n) A543 - Outono Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9

(o) A543 - Inverno

Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (p) A543 - Primavera Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 Obs. Eta (q) A547 - Ver˜ao Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (r) A547 - Outono Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (s) A547 - Inverno Horizonte (h) V el. do V ento (m/s) 0 +24 +48 +72 +96 +120 0 3 6 9 (t) A547 - Primavera

Figura 1.3: S´erie temporal da velocidade do vento a 10 metros de altura e de suas

(22)

Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0

(a) A507 - Ver˜ao

Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (b) A507 - Outono Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (c) A507 - Inverno Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (d) A507 - Primavera Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0

(e) A530 - Ver˜ao

Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (f) A530 - Outono Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (g) A530 - Inverno Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (h) A530 - Primavera Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0

(i) A537 - Ver˜ao

Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (j) A537 - Outono Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (k) A537 - Inverno Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (l) A537 - Primavera Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (m) A543 - Ver˜ao Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (n) A543 - Outono Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0

(o) A543 - Inverno

Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (p) A543 - Primavera Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (q) A547 - Ver˜ao Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (r) A547 - Outono Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (s) A547 - Inverno Defasagem (h) F A C 0 24 48 72 96 120 −0.5 0.0 0.5 1.0 (t) A547 - Primavera

Figura 1.4: FAC da velocidade do vento a 10 metros de altura ao longo das esta¸c˜oes do

(23)

solar3 o qual, tem influˆencia direta em vari´aveis meteorol´ogicas, como a temperatura

de superf´ıcie e na velocidade do vento. Mais coment´arios sobre as consequˆencias desta

atua¸c˜ao no comportamento e nas previs˜oes da velocidade do vento ser´a dada na Se¸c˜ao

2.1.5.

Majoritariamente em Minas Gerais, as previs˜oes num´ericas do modelo de mesoescala

Eta superestimam a velocidade do vento a 10 metros. Uma grande limita¸c˜ao destas ´e

a ausˆencia de previs˜oes com velocidades baixas e iguais a zero, mesmo sendo observada

uma grande propor¸c˜ao destes casos, como ´e evidenciado na Figura 1.5 que apresenta os

histogramas da velocidade do vento a 10 metros de altura para as esta¸c˜oes meteorol´ogicas

A517 – Muria´e, A549 – ´Aguas Vermelhas, A557 – Coronel Pacheco e F501 – Belo

Horizonte (Cercadinho). Esta ´ultima destoa significativamente das demais, apresentando

m´edias mais elevadas. De forma geral, a distribui¸c˜ao da velocidade do vento a 10 metros

em Minas Gerais ´e assim´etrica com grande variabilidade possuindo ponto de massa em

0 e atingindo velocidade m´axima de 12 m/s.

Com a breve descri¸c˜ao dos erros e limita¸c˜oes das previs˜oes num´ericas, considera-se a

calibra¸c˜ao destas por meio de modelos estat´ısticos. A partir da motiva¸c˜ao de minimizar

o erro sistem´atico das previs˜oes num´ericas do modelo de mesoescala Eta devido `as suas

limita¸c˜oes intr´ınsecas, o principal objetivo deste trabalho ´e propor modelos de p´

os-processamento estat´ıstico considerando dinˆamica espa¸co-temporal para a distribui¸c˜ao

assim´etrica da velocidade do vento.

A seguir, uma vis˜ao geral de aspectos importantes no contexto da previs˜ao num´erica

de fenˆomenos meteorol´ogicos como aplica¸c˜oes, p´os-processamento e informa¸c˜oes acerca

do modelo Eta ser´a fornecida.

3For¸camento solar ´e a diferen¸ca entre a insola¸ao solar absorvida pela Terra e a energia irradiada de

(24)

Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8

(a) A517 - Ver˜ao

Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (b) A517 - Outono Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (c) A517 - Inverno Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (d) A517 - Primavera Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8

(e) A549 - Ver˜ao

Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (f) A549 - Outono Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (g) A549 - Inverno Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (h) A549 - Primavera Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8

(i) A557 - Ver˜ao

Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (j) A557 - Outono Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (k) A557 - Inverno Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (l) A557 - Primavera Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (m) F501 - Ver˜ao Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (n) F501 - Outono Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (o) F501 - Inverno Vel. do Vento (m/s) Densidade 0 2 4 6 8 10 12 0.0 0.2 0.4 0.6 0.8 (p) F501 - Primavera

Figura 1.5: Histograma da velocidade do vento a 10 metros de altura ao longo das esta¸c˜oes

(25)

Cap´ıtulo 2

Introdu¸

ao

Uma breve introdu¸c˜ao acerca da Previs˜ao Num´erica do Tempo e seus principais

conceitos ´e feita neste Cap´ıtulo. Historicamente, a express˜ao “previs˜ao num´erica do

tempo” foi utilizada para descrever todas as atividades envolvendo a simula¸c˜ao num´erica

de processos atmosf´ericos.

A Se¸c˜ao2.1 apresenta uma vis˜ao geral do ferramental te´orico utilizado na simula¸c˜ao

num´erica de processos atmosf´ericos. Na Se¸c˜ao 2.2, a t´ecnica de p´os-processamento

estat´ıstico de previs˜oes num´ericas ´e conceituada. E por fim, a Se¸c˜ao 2.3 comenta

brevemente sobre o modelo de mesoscala Eta.

2.1

Previs˜

ao Num´

erica do Tempo

Previs˜oes num´ericas de vari´aveis clim´aticas s˜ao baseadas em modelos matem´aticos que

fazem previs˜oes determin´ısticas com base nas condi¸c˜oes atmosf´ericas correntes. Baseadas

na teoria da dinˆamica dos fluidos, essas vari´aveis clim´aticas podem ser vistas como

um sistema de equa¸c˜oes diferenciais que n˜ao possuem solu¸c˜ao anal´ıtica e utilizam-se

da integra¸c˜ao num´erica para simular processos f´ısicos, dinˆamicos e termodinˆamicos da

atmosfera dependendo de suas condi¸c˜oes correntes, sendo poss´ıvel a solu¸c˜ao do sistema

para qualquer instante de tempo posterior (Krishnamurti, 1995). Na Figura 2.1 ´e

(26)

Figura 2.1: Distribui¸c˜ao espacial de previs˜oes da refletividade (dBZ) durante a passagem

do Furac˜ao Gustav no Golfo do M´exico, 2008. Adaptado de NRL (2018).

2.1.1

Hist´

oria

No in´ıcio do s´eculo XX, o meteorologista norueguˆes Vilhelm Bjerknes propˆos que

a previs˜ao do tempo poderia ser baseada nas leis da f´ısica e ent˜ao, desenvolveu um

conjunto de equa¸c˜oes, conhecidas como equa¸c˜oes primitivas, cuja solu¸c˜ao, a princ´ıpio,

previa movimentos atmosf´ericos em grande escala.

Em 1922, o matem´atico inglˆes Lewis Fry Richardson desenvolveu um m´etodo

diferente para analisar as equa¸c˜oes, simplificando-as antes de resolvˆe-las numericamente

(Richardson, 1922), sendo este o primeiro sistema de previs˜ao num´erica de vari´aveis

clim´aticas. No entanto, somente na d´ecada de 1950, com o advento da computa¸c˜ao

e pleno funcionamento do Computador Integrador Num´erico Eletrˆonico (ENIAC),

primeiro computador digital eletrˆonico de grande escala, surgiram resultados efetivos

de previs˜oes meteorol´ogicas computadorizadas sob idealiza¸c˜ao do matem´atico h´ungaro,

naturalizado estadunidense, John von Neummann (Charney et al., 1950). Inicialmente,

von Neummann, sob dias de p´os-Segunda Guerra Mundial (1939 – 1945), acreditava

que essa modelagem pudesse levar ao conhecimento antecipado de fenˆomenos clim´aticos,

podendo ser usada como arma de guerra contra a, ent˜ao, Uni˜ao das Rep´ublicas Socialistas

Sovi´eticas (URSS) (Kwa,2001).

2.1.2

Aplica¸

oes

Al´em de aplica¸c˜oes militares, h´a uma gama de modelos num´ericos de previs˜ao

(27)

na seguran¸ca dos meios de transportes e nas ind´ustrias de gera¸c˜ao de energia. Pode-se citar:

– Atividades mar´ıtimas: A dire¸c˜ao e a velocidade do vento podem influenciar a altura

das ondas formadas nos oceanos e em outros corpos d’´agua impactando a seguran¸ca

das atividades mar´ıtimas recreativas e comerciais (Bidlot et al., 2002).

– Doen¸cas Infecciosas: A atmosfera pode influenciar a propaga¸c˜ao de doen¸cas

infecciosas humanas e agr´ıcolas. Vari´aveis atmosf´ericas, como temperatura,

umidade relativa, intensidade da radia¸c˜ao ultravioleta e precipita¸c˜ao est˜ao

relacionadas `a sa´ude dos organismos que transmitem doen¸cas (Thomson et al.,

2000).

– Seguran¸ca e eficiˆencia do transporte: Opera¸c˜oes em aeroportos, roteamento de

aeronaves pelos controladores de tr´afego a´ereo e as decis˜oes tomadas por pilotos,

bem como o tr´afego rodovi´ario e ferrovi´ario s˜ao afetados pelas condi¸c˜oes clim´aticas (Sharman et al., 2006).

– Agricultura: Eventos clim´aticos podem influenciar o desempenho e vida ´util de

colheitas (Mera et al., 2006).

– Aplica¸c˜oes Militares: O tr´afego terrestre de ve´ıculos militares e a trajet´orias de

m´ısseis requerem a tomada de decis˜ao antecipada com rela¸c˜ao a vari´aveis clim´aticas (Liu et al., 2008).

– Ind´ustria de energia: A log´ıstica para abertura de comportas em usinas

hidrel´etricas, a venda de energia e´olica no mercado energ´etico e a avalia¸c˜ao do

potencial impacto `a sa´ude publica de lan¸camentos de gases na atmosfera pelas

instala¸c˜oes nucleares dependem de previs˜oes meteorol´ogicas com boa acur´acia

(28)

2.1.3

Classifica¸

ao dos modelos

Operacionalmente, sistemas de previs˜oes num´ericas meteorol´ogicas s˜ao solucionados

em uma grade discreta. A Figura2.2ilustra diferentes resolu¸c˜oes de grade, demonstrando

as potenciais diferen¸cas que a amplitude de suas c´elulas causa nas previs˜oes.

Figura 2.2: Exemplos de grade horizontal com diferentes resolu¸c˜oes. Adaptado de Li

et al. (2016).

Conforme a extens˜ao de seu dom´ınio espacial de previs˜ao, os modelos num´ericos

podem ser classificados como globais, quando descrevem a atmosfera em escala global,

identificando fenˆomenos meteorol´ogicos de escala sin´otica (e.g. trajet´oria de ciclones,

tornados e furac˜oes) ou modelos de mesoescala, quando possuem escalas regionais,

permitindo a an´alise de fenˆomenos meteorol´ogicos de mesoescala (e.g. brisas mar´ıtimas

e terrestres).

Dada a natureza ca´otica da atmosfera, os modelos num´ericos podem apresentar

distor¸c˜oes em suas previs˜oes devido a anomalias captadas nas condi¸c˜oes iniciais

necess´arias para a solu¸c˜ao de seus sistemas de equa¸c˜oes. A Figura 2.3 esquematiza a

potencial mudan¸ca na trajet´oria das previs˜oes num´ericas empregando distintas condi¸c˜oes

iniciais (Wilks, 2006).

2.1.4

Ensembles

Como previs˜oes ´unicas n˜ao descrevem completamente o fenˆomeno, considera-se a

(29)

Figura 2.3: Representa¸c˜ao das trajet´orias das previs˜oes num´ericas inicializadas com

distintas condi¸c˜oes iniciais. Adaptado deWilks (2006).

como uma forma de an´alise de Monte Carlo, visando uma gama de poss´ıveis estados

futuros da atmosfera, a partir de diferentes estados atmosf´ericos iniciais. M´ultiplas

simula¸c˜oes s˜ao realizadas com objetivo de minimizar incertezas nas previs˜oes (Epstein,

1969). Os ensembles s˜ao classificados como defasados, quando previs˜oes s˜ao feitas at´e

determinado horizonte e se sobrep˜oem conforme o regime de funcionamento do modelo,

ilustrado intuitivamente na Figura 2.4(a) e tradicionais, quando utilizam condi¸c˜oes

iniciais ou suposi¸c˜oes distintas para uma mesma solu¸c˜ao do sistema, ilustrado na Figura

2.4(b).

(a) (b)

Figura 2.4: Organiza¸c˜ao dos membros do ensemble conforme sua classifica¸c˜ao: (a)

(30)

Ensembles s˜ao mais proficientes do que previs˜oes individuais pois a m´edia de seus

membros ´e, geralmente, mais precisa do que uma previs˜ao singular. A dispers˜ao entre

seus membros pode indicar maior incerteza associada `a previs˜ao pontual. A distribui¸c˜ao

de frequˆencia emp´ırica formada fornece informa¸c˜oes sobre eventos extremos (Grimit e

Mass,2007). O realismo da dispers˜ao depender´a de qu˜ao fidedigna as fontes de incerteza

est˜ao sendo representadas pelo modelo. Um exemplo da variabilidade da dispers˜ao ´e

apresentado na Figura 2.5 que equipara dois ensembles consecutivos para a rota do

furac˜ao Katrina. O ensemble inicializado em 26 de agosto de 2005, 00 UTCexibe uma

grande dispers˜ao a qual, ´e substancialmente reduzida no ensemble inicializado doze horas

mais tarde. A verdadeira trajet´oria do furac˜ao foi pr´oxima `a m´edia do ensemble mais

recente.

(a) (b)

Figura 2.5: Ensemble de previs˜oes para a rota do furac˜ao Katrina. Inicializado em 26 de

agosto de 2005, 00UTC (a) e 12 UTC (b). Adaptado deLeutbecher e Palmer (2008).

2.1.5

Fontes de incerteza

De acordo com Warner (2010), h´a uma variedade de fontes conhecidas de erros que

acometem as previs˜oes dos modelos num´ericos. Brevemente, pode-se citar:

– Incerteza sobre as condi¸c˜oes iniciais: M´a calibra¸c˜ao e localiza¸c˜ao inadequada

dos instrumentos, pouca representatividade da regi˜ao e condi¸c˜oes atmosf´ericas

(31)

– Incerteza sobre a superf´ıcie: Depress˜oes e corpos d’´agua s˜ao sub-representados

devido `a homogeneiza¸c˜ao da superf´ıcie feita pelo sistema.

– Incerteza nos algoritmos num´ericos: As equa¸c˜oes diferenciais que comp˜oem o

sistema s˜ao solucionadas a partir de aproxima¸c˜oes lineares e consequentemente,

h´a erros de truncamento.

– Incerteza na parametriza¸c˜ao dos processos f´ısicos e dinˆamicos: A dinˆamica

atmosf´erica possui alta complexidade e fenˆomenos de pequena escala

s˜ao representados indiretamente, pois elevariam demasiadamente o custo

computacional.

A existˆencia de varia¸c˜ao diurna e sazonal do for¸camento solar na superf´ıcie e na atmosfera

da Terra impacta diretamente o comportamento de muitas vari´aveis previstas por esses

sistemas. Al´em das fontes de erros sistem´aticos, existem aspectos naturais que podem

causar varia¸c˜ao na qualidade das previs˜oes. S˜ao eles:

– Variabilidade regional e climatol´ogica: O padr˜ao clim´atico de uma regi˜ao

depende de sua localiza¸c˜ao geogr´afica, orografia e a proximidade com o oceano.

Previs˜oes para regi˜oes com padr˜ao clim´atico inconstante requerem ferramentas mais

avan¸cadas.

– Variabilidade sazonal: Pode haver queda de desempenho nas previs˜oes devido `as

diferen¸cas regionais existentes entre as esta¸c˜oes do ano.

– Dependˆencia do regime clim´atico: Alguns fenˆomenos naturais (e.g. El Ni˜no e La

Ni˜na) causam anomalias no padr˜ao clim´atico global, podendo ocasionar distor¸c˜oes

nas previs˜oes.

2.1.6

Aperfei¸

coamento dos modelos

Novos m´etodos de assimila¸c˜ao de dados, atualiza¸c˜ao dos algoritmos num´ericos,

reparametriza¸c˜oes de processos f´ısicos e o aumento da resolu¸c˜ao da grade horizontal

(32)

representar fenˆomenos de pequenas escalas em modelos com car´ater sin´otico. Aumentar sua complexidade eleva demasiadamente os custos financeiros e computacionais para

a operacionaliza¸c˜ao desses sistemas e, ainda sim, com possibilidade de queda no

desempenho das previs˜oes devido `a inser¸c˜ao de mais erros sistem´aticos (Kalnay, 2003).

Uma alternativa `as melhorias diretamente feitas no modelo ´e o p´os-processamento

estat´ıstico das previs˜oes num´ericas.

2.2

os-Processamento Estat´ıstico

O p´os-processamento estat´ıstico, ou calibra¸c˜ao, das sa´ıdas operacionais do modelo de

previs˜ao num´erica (i.e., ensembles) ´e ´util na remo¸c˜ao dos erros sistem´aticos presentes

e pode resultar em avan¸cos equivalentes `a melhorias elaboradas no modelo (Glahn e

Lowry,1972). Relativamente menos dispendioso do que outras abordagens tradicionais de

melhoria (e.g. aumento da resolu¸c˜ao do modelo), esse refinamento deve ser implementado

como parte integrante do sistema de modelagem para aplica¸c˜oes operacionais (Warner,

2010). Historicamente, os m´etodos de p´os-processamento estat´ısticos foram utilizados

para predizer vari´aveis que n˜ao eram preditas explicitamente pelos modelos num´ericos

de baixa resolu¸c˜ao relacionando-as estatisticamente (Klein et al.,1959). Atualmente, com

os modelos bem desenvolvidos, o uso de algoritmos estat´ısticos ´e empregado como uma

forma de downscaling1 relacionando aspectos locais (e.g. orografia) para reduzir erros

sistem´aticos. Alguns dos principais bem estabelecidos m´etodos de p´os-processamento

estat´ıstico ser˜ao apresentados e comentados no Cap´ıtulo 3. A ilustra¸c˜ao do processo de

calibra¸c˜ao do ensemble de previs˜oes para temperatura de superf´ıcie se encontra na Figura

2.6, sendo esquematizada a remo¸c˜ao do erro sistem´atico (i.e., remo¸c˜ao do vi´es na m´edia) e o ajuste da dispers˜ao (i.e., remo¸c˜ao do vi´es na variˆancia).

1Downscaling ´e o procedimento que faz inferˆencia sobre informa¸oes em alta resolu¸ao a partir de

(33)

Figura 2.6: Diagrama do processo de calibra¸c˜ao para ensemble de previs˜oes da

temperatura de superf´ıcie. Adaptado de Warner (2010).

2.3

Modelo de Mesoescala Eta

O modelo de mesoescala Eta ´e um modelo num´erico de ´area limitada desenvolvido

inicialmente na d´ecada de 1970. Ap´os algumas modifica¸c˜oes, entrou em opera¸c˜ao no U.S.

National Centers for Environmental Prediction (NCEP) durante a d´ecada de 1980 (Black,

1994). A principal caracter´ıstica deste modelo ´e a introdu¸c˜ao da coordenada vertical

eta (η), homˆonima ao modelo, visando a redu¸c˜ao dos erros nas derivadas horizontais

sobre relevos montanhosos (Mesinger et al., 1988). Desta maneira, o terreno passa a ser

representado sob a forma de degraus discretos, onde o topo coincide com a interface do

relevo. A Figura2.7ilustra esta discretiza¸c˜ao onde T representa a vari´avel meteorol´ogica

dentro de cada c´elula de grade, u simboliza as componentes horizontais do vento, ps

representa a press˜ao superficial2 e u indica pontos em que o vento ´e nulo constantemente

por defini¸c˜ao.

Operacionalmente, o modelo Eta vˆem sendo utilizado pelo Centro de Previs˜ao de

Tempo e Estudos Clim´aticos (CPTEC) do Instituto Nacional de Pesquisas Espaciais

(INPE) desde 1996 com o intuito de fornecer previs˜oes do tempo de curto `a longo prazo

para o Brasil. Seu dom´ınio engloba toda a Am´erica do Sul. Suas vari´aveis progn´osticas

s˜ao temperatura do ar, componentes zonal e meridional do vento, umidade espec´ıfica e

press˜ao na superf´ıcie. A partir destas, s˜ao derivadas as demais vari´aveis previstas pelo

modelo. Sua atual resolu¸c˜ao horizontal ´e de 5 km. O funcionamento do modelo ocorre

(34)

Figura 2.7: Representa¸c˜ao da topografia pela coordenada vertical eta (η). Adaptado de

Mesinger et al. (1988).

duas vezes ao dia (00 UTC e 12 UTC) disponibilizando sa´ıdas a cada hora para um

horizonte de previs˜ao de at´e 72 horas (INPE/CPTEC,2018). Os resultados operacionais

(35)

Cap´ıtulo 3

Modelos de P´

os-Processamento

Estat´ıstico

Os modelos descritos neste Cap´ıtulo tˆem por objetivo comum minimizar os

erros sistem´aticos presentes nas previs˜oes num´ericas, como discutido no Cap´ıtulo 2.

Basicamente, estes modelos exploram padr˜oes estat´ısticos nas rela¸c˜oes entre observa¸c˜oes

e previs˜oes, buscando melhor representatividade local.

A Se¸c˜ao3.1apresenta os precursores m´etodos univariados. Na Se¸c˜ao3.2, as extens˜oes

espacias s˜ao listadas. E por fim, a Se¸c˜ao3.3 prop˜oe novas extens˜oes espa¸co-temporais.

3.1

etodos de Calibra¸

ao Univariados

Nesta se¸c˜ao ser˜ao apresentados os principais modelos de p´os-processamento estat´ıstico

que foram desenvolvidos para calibra¸c˜ao em localiza¸c˜oes fixas. Supondo independˆencia

entre localiza¸c˜oes, produz previs˜oes probabil´ısticas calibradas para estas em um horizonte

pr´e-determinado, sem possibilidade de interpola¸c˜ao espacial.

3.1.1

Model Output Statistics

A abordagem precursora de p´os-processamento estat´ıstico ´e conhecida como o

(36)

relaciona-se estatisticamente as previs˜oes feitas pelo modelo num´erico com as observa¸c˜oes

correspondentes de uma mesma vari´avel, a fim de quantificar os erros sistem´aticos para

cada ponto de observa¸c˜ao e corrigir futuras previs˜oes atrav´es de um modelo de regress˜ao

linear m´ultipla (Montgomery e Peck, 1982), dado por:

Y = θ0+ θ1F1+ ... + θmFm+ ε. (3.1)

Este modelo sup˜oe uma rela¸c˜ao linear entre a vari´avel clim´atica de interesse Y para

a qual, deseja-se minimizar o erro sistem´atico em sua previs˜ao, com seu ensemble de m

membros F1, ..., Fm (consulte a Se¸c˜ao 2.1.4 do Cap´ıtulo 2) adicionado de um termo de

erro aleat´orio ε, para o qual assume-se:

E(ε) = 0, V ar(ε) = σ2. (3.2)

Os m´etodos de inferˆencia para estima¸c˜ao dos coeficientes da regress˜ao θ0, ..., θm e do

parˆametro de variˆancia σ2 ao baseados no m´etodo dos m´ınimos quadrados e est˜ao

descritos em Glahn e Lowry (1972).

Com o passar dos anos, a aplica¸c˜ao de ensembles se tornou usual nas opera¸c˜oes e ent˜ao

o m´etodo MOS recebeu diversas vers˜oes que diferem, em geral, no tamanho do per´ıodo

de treinamento (e.g. UMOS, Wilson e Vall´ee, 2002), na modelagem direta do erro de

previs˜ao (e.g. MOC, Mao et al., 1999) e na distribui¸c˜ao da vari´avel resposta (e.g. Piani

et al., 2010) por meio dos Modelo Linear Generalizado (MLG, Nelder e Wedderburn,

1972). Uma das extens˜oes mais avan¸cadas em termos estat´ısticos, conforme discutido

em Gneiting(2014), ´e o Ensemble Model Output Statistics (EMOS), utilizado como base

para os modelos que ser˜ao propostos na Se¸c˜ao3.3.

3.1.2

Ensemble Model Output Statistics

O m´etodo Ensemble Model Output Statistics (EMOS,Gneiting et al.,2005), tamb´em

conhecido como modelo de regress˜ao n˜ao homogˆenea, ´e uma extens˜ao do m´etodo MOS

(Se¸c˜ao 3.1.1) aplic´avel `a ensembles. A diferen¸ca para o seu antecessor se encontra

na incorpora¸c˜ao da dispers˜ao dos membros do ensemble ao coeficiente de variˆancia,

(37)

previs˜ao. Discuss˜oes sobre essa rela¸c˜ao, conhecida na literatura como rela¸c˜ao dispers˜

ao-proficiˆencia (spread-skill relationship), podem ser encontradas em Whitaker e Loughe

(1998). Este m´etodo utiliza o modelo precursor MOS descrito em (3.1) com o erro

aleat´orio ε seguindo as seguintes suposi¸c˜oes:

E(ε) = 0, V ar(ε) = σ2∗ = β0+ β1S2, (3.3)

com S2 representando a variˆancia amostral dos membros do ensemble e o vetor

β = (β0, β1)0, coeficientes lineares n˜ao negativos. Para a estima¸c˜ao dos parˆametros

desconhecidos do m´etodo EMOS calibrando a temperatura de superf´ıcie e a press˜ao ao

n´ıvel do mar,Gneiting et al.(2005) sup˜oem normalidade na distribui¸c˜ao do erro aleat´orio

e utilizam a minimiza¸c˜ao do Continuous Ranked Probability Score (CRPS, Matheson e

Winkler, 1976), que neste caso pode ser obtido de forma anal´ıtica. Mais aplica¸c˜oes deste

m´etodo para outros tipos de vari´aveis clim´aticas (e.g velocidade, rajada e dire¸c˜ao do

vento) supondo distintas distribui¸c˜oes de probabilidade para o erro aleat´orio, podem ser

encontradas em Thorarinsdottir e Gneiting (2010), Thorarinsdottir e Johnson (2012) e

Schuhen et al. (2012), respectivamente.

3.2

etodos de Calibra¸

ao Espaciais

Nesta se¸c˜ao ser˜ao apresentadas as principais extens˜oes dos modelos de p´

os-processamento estat´ıstico univariados, as quais foram desenvolvidas de forma que haja intera¸c˜ao espacial da informa¸c˜ao, i.e., produzem previs˜oes probabil´ısticas calibradas para

campos meteorol´ogicos com horizonte pr´e-determinado.

3.2.1

Geostatistical Output Pertubation

O m´etodo Geostatistical Output Calibration (GOP,Gel et al.,2004) ´e uma extens˜ao do

m´etodoMOSque considera a existˆencia de correla¸c˜ao entre as medi¸c˜oes de um fenˆomeno

meteorol´ogico medido em diferentes localiza¸c˜oes possibilitando previs˜oes para campos

meteorol´ogicos. Foi o m´etodo de p´os-processamento estat´ıstico pioneiro no contexto

espacial. Seja {Y (s), s ∈ S} um campo meteorol´ogico aleat´orio e Y = (y(s1), ..., y(sn))

(38)

observa¸c˜oes deste em um conjunto de n localiza¸c˜oes pertencentes `a S. Considere

m membros do ensemble para estas mesmas localiza¸c˜oes, representados por F1 =

(F1(s1), ..., F1(sn)) 0

, ..., Fm = (Fm(s1), ..., Fm(sn)) 0

. A forma geral desse modelo ´e dada

por:

Y = θ01n+ θ1Fs1 + ... + θmFsm+ ε, (3.4)

com 1n representando um n-vetor completo por 1’s, θ = (θ0, ..., θm)0, o vetor param´etrico

da regress˜ao e ε = (ε(s1), ..., ε(sn))0, observa¸c˜oes de um Processo Gaussiano {ε(s), s ∈ S},

com as seguintes suposi¸c˜oes:

E(ε) = 0n, Cov(ε(si), ε(sj)) = Σi,j = σ2C(si, sj), i, j = 1, ..., n. (3.5)

com 0n representando um n-vetor completo por 0’s. As entradas de C(.) dependem de

uma estrutura de correla¸c˜ao v´alida para Processos Espaciais (veja Cressie, 1993). Para

a estima¸c˜ao dos parˆametros desconhecidos do modelo GOP calibrando a temperatura

de superf´ıcie, Gel et al. (2004) prop˜oem um m´etodo de estima¸c˜ao em trˆes est´agios

que se aproxima de uma abordagem de m´axima verossimilhan¸ca completa. Os autores

indicam a estima¸c˜ao dos parˆametros por uma abordagem totalmente Bayesiana devido `as

previs˜oes num´ericas serem realizadas em uma grade discreta, enquanto que as observa¸c˜oes

correspondem a locais irregularmente espa¸cados, o chamado problema de mudan¸ca de suporte, e esta abordagem tem a vantagem de lidar explicitamente e de forma coerente

com tal adversidade. Para mais detalhes sobre mudan¸ca de suporte, consulte Gelfand

et al. (2001).

Uma desvantagem desse m´etodo ´e o fato de que n˜ao foi desenvolvido para uso de

ensembles como o EMOS. Extens˜oes naturais combinando estes m´etodos com o GOP

ser˜ao apresentadas na sequˆencia.

3.2.2

Spatial Ensemble Model Output Statistics

O m´etodo Spatial Ensemble Model Output Statistics (SEMOS, Feldmann et al.,

2015), tamb´em conhecido como modelo de regress˜ao espacial n˜ao homogˆenea, combina os

(39)

que o m´etodo GOP descrito em (3.4) com {ε(s), s ∈ S} sendo um Processo Gaussiano com ε = (ε(s1), ..., ε(sn))

0

seguindo as seguintes suposi¸c˜oes:

E(ε) = 0n, Cov(ε(si), ε(sj)) = Σ∗i,j = Di,iC(si, sj)Dj,j, i, j = 1, ..., n, (3.6) onde D = diag(pβ0+ β1S12, ...,pβ0 + β1Sn2) ´e uma matriz diagonal de dimens˜ao n com

Si2representando a variˆancia amostral dos membros do ensemble para a i-´esima localidade

e C(.) ´e uma matriz de correla¸c˜ao espacial baseada no m´etodoGOP. Para a estima¸c˜ao dos

parˆametros do SEMOS calibrando a temperatura de superf´ıcie, Feldmann et al. (2015)

consideraram primeiro ajustar o modeloEMOS original de forma semelhante `a feita em

Gneiting et al.(2005). Dado as estimativas para os parˆametros doEMOS, o modeloGOP

´

e ajustado igualmente como feito em Gel et al. (2004). N˜ao h´a aplica¸c˜oes dispon´ıveis

com este modelo para a calibra¸c˜ao de vari´aveis assim´etricas (e.g. velocidade do vento e

chuva) para campos meteorol´ogicos completos na literatura.

3.3

etodos de Calibra¸

ao Espa¸

co-temporais

Comumente nos modelos apresentados, a estima¸c˜ao dos parˆametros ´e feita atrav´es

de uma janela m´ovel que consiste de um passado recente de valores observados e

previstos pelo modelo num´erico, usualmente chamado de per´ıodo de treinamento no

contexto do p´os-processamento estat´ıstico. Conforme discutido em Gneiting (2014), `a

medida em que os per´ıodos de treinamento s˜ao mais longos, estes permitem, a princ´ıpio,

uma melhor estimativa com menor incerteza. No entanto, como abordado na Se¸c˜ao

2.1.5, per´ıodos longos podem tamb´em introduzir distor¸c˜oes devido aos efeitos sazonais

provindos do for¸camento solar e de aspectos geogr´aficos (e.g. localiza¸c˜ao geogr´afica,

orografia e proximidade com o oceano). Gneiting et al. (2005) e Raftery et al. (2005)

analisam como o comprimento do per´ıodo de treinamento afeta a estima¸c˜ao e incerteza

dos parˆametros, observando que h´a ganhos (e.g. menores Raiz Quadrada do Erro

Quadr´atico M´edio (rEQM) e Erro Absoluto M´edio (EAM) obtidos em previs˜oes pontuais

e previs˜oes intervalares mais estreitas) com o aumento de at´e 25 dias, especificamente em

(40)

per´ıodo sejam melhores para outros tipos de aplica¸c˜oes deste modelo (e.g. tipos de

vari´aveis, ciclos, regi˜oes, horizontes, etc.) e ressaltam a importˆancia do desenvolvimento

de modos autom´aticos de decis˜ao.

Em geral, a sazonalidade de fenˆomenos meteorol´ogicos ´e bem definida (e.g.

for¸camento solar – 24 horas, esta¸c˜oes do ano – 3 meses), tornando o uso do Filtro

de Kalman (Kalman, 1960) usual para este tipo de aplica¸c˜ao, contornando a limita¸c˜ao

do comprimento do per´ıodo de treinamento e permitindo a dinˆamica temporal dos

parˆametros de tendˆencia.

Nesta se¸c˜ao ser˜ao propostas novas extens˜oes para os principais m´etodos de p´

os-processamento estat´ıstico apresentados anteriormente. Desenvolvidas com a adi¸c˜ao da

componente temporal por meio dos Modelo Linear Dinˆamico (MLD, West e Harrison,

1997), de forma que tamb´em haja intera¸c˜ao espacial da informa¸c˜ao, produzem previs˜oes

probabil´ısticas calibradas para campos meteorol´ogicos completos com possibilidade de

previs˜ao em um horizonte intervalar. Estas extens˜oes foram nomeadas, respectivamente,

por Dynamic Geostatistical Output Calibration (Se¸c˜ao 3.3.1) e Spatiotemporal Ensemble

Model Output Statistics (Se¸c˜ao3.3.2).

Um modelo que mostrou-se adequado para descri¸c˜oes de fenˆomenos meteorol´ogicos

com distribui¸c˜ao assim´etrica de forma simples (e.g. precipita¸c˜ao em Bardossy e

Plate, 1992) em diferentes escalas de tempo ´e o modelo Normal Truncado (Stidd,

1973; Hutchinson, 1995). Seja {Yt(s), s ∈ S ⊂ R2, t = 1, ..., T } um campo meteorol´ogico

aleat´orio no tempo discreto t. Assumindo que o vetor de observa¸c˜oes deste campo em n

localiza¸c˜oes Yt = (yt(s1), ..., yt(sn))0 possui distribui¸c˜ao Normal Truncada sobre a regi˜ao

C ⊂ Rn, tem-se que: Yt(s) =    BC−1(Xt(s), λ) , se BC−1(Xt(s), λ) ≥ c, c, se BC−1(Xt(s), λ) < c, (3.7)

onde C ´e o produto cartesiano de n intervalos [c, +∞), c ´e constante conhecida, λ ´e o

parˆametro desconhecido desta transforma¸c˜ao espec´ıfica, Xt(s) ´e um Processo Gaussiano

e BC(., λ) representa a Transforma¸c˜ao Box-Cox (Box e Cox, 1964) definida por:

BC(y, λ) =    yλ− 1 /λ, se λ 6= 0 e y > 0, log y, se λ = 0 e y > 0.

(41)

Assim, sup˜oe-se que Xt(s) ´e um Processo Gaussiano latente que ´e intr´ınseco a um

Processo Espacial assim´etrico a partir de uma transforma¸c˜ao conhecida. Diferentes

fam´ılias de transforma¸c˜oes foram utilizadas emGlasbey e Nevison(1997),Sans´o e Guenni

(1999) e Ravines et al. (2008).

A estrutura¸c˜ao dada em (3.7) baseia-se na t´ecnica de aumento de dados (Tanner

e Wong, 1987) e lida de forma natural e intuitiva com dados ausentes, eventualidade

corriqueira quando estuda-se simultaneamente um grande n´umero de localiza¸c˜oes ao longo

do tempo, e com a suposta “censura” do Processo Espacial assim´etrico quando Yt(s) < c,

com adi¸c˜ao de outros Processos Espaciais latentes da seguinte maneira:

Xt(s) =          Ut(s), se Yt(s) ´e ausente, BC(Yt(s), λ), se Yt(s) ≥ c, Zt(s), se Yt(s) < c. (3.8)

3.3.1

Dynamic Geostatistical Output Pertubation

A extens˜ao proposta para o modelo GOP (Se¸c˜ao 3.2.1), nomeada por DGOP,

combina-o com uma dinˆamica temporal de seus coeficientes lineares a partir da adapta¸c˜ao

de MLDs. Assim, DGOP ´e um MLD com covariˆancias estoc´asticas e aprendizado por

descontos a partir de uma evolu¸c˜ao estoc´astica Beta-Gama (veja Se¸c˜aoE.6do Apˆendice

E). Sequencialmente com (3.7), o modelo DGOP´e dado por:

Xt = F0tθt+ εt, εt∼ N (0n, Σt), (3.9a)

θt= Gtθt−1+ ωt, ωt∼ Tnt−1(0p, Wt), (3.9b)

onde Xt = (xt(s1), ..., xt(sn)) 0

, F0tθt descreve a tendˆencia polinomial com a matriz F0t de

dimens˜ao n×r (r ≥ m) composta por covari´aveis explicativas (e.g. ensemble de previs˜oes,

latitude, longitude e altura das localiza¸c˜oes) e θtrepresentando o vetor de parˆametros de

estados de dimens˜ao r, Gt´e a matriz de evolu¸c˜ao de dimens˜ao r, ωt ´e o erro de evolu¸c˜ao

com distribui¸c˜ao t-Student com nt−1graus de liberdade com vetor de m´edias nulo e matriz

(42)

Beta-Gama. A partir do Processo Gaussiano {εt(s), s ∈ S, t = 1, ..., T }, assume-se que εt = (εt(s1), ..., εt(sn))

0

segue as seguintes suposi¸c˜oes: E(εt) = 0n, Cov(εt(si), εt(sj)) = Σti,j = σ

2

tC(si, sj), i, j = 1, ..., n. (3.10)

Construiu-se C(.) com base na fun¸c˜ao de correla¸c˜ao exponencial dada por C(si, sj) =

exp(−φksi− sjk) com φ > 0 representando a taxa de decaimento exponencial e ksi− sjk,

a distˆancia euclidiana entre as localiza¸c˜oes si e sj, i, j = 1, ..., n.

Para a estima¸c˜ao dos parˆametros desconhecidos do modelo DGOP, opta-se pela

abordagem Bayesiana devido `a incorpora¸c˜ao das incertezas nas estimativas dos

parˆametros serem levadas em considera¸c˜ao na inferˆencia preditiva atrav´es de suas

distribui¸c˜oes a posteriori. Utiliza-se a t´ecnica de fatores de desconto como aux´ılio na

especifica¸c˜ao de W1:T. Mais detalhes sobre fatores de desconto podem ser encontrados na

Se¸c˜aoE.4do ApˆendiceE. Assim, seguindo o Teorema de Bayes, a distribui¸c˜ao a posteriori

do vetor param´etrico Θ = (θ1:T, σ21:T, φ, λ)

0 ´e proporcional `a fun¸c˜ao de verossimilhan¸ca p(Y1,s, ..., YT ,s|θ1:T, σ21:T, φ, λ) multiplicada pela distribui¸c˜ao a priori p(θ0, σ02, φ, λ). Para

o modelo espa¸co-temporalDGOPapresentado em (3.7) a (3.9), a distribui¸c˜ao a posteriori

do vetor param´etrico Θ = (θ1:T, σ1:T2 , φ, λ)0 ´e dada por: p(θ1:T, σ1:T2 , φ, λ|Y1:T) ∝ T Y t=1 |Σt|−1/2 × exp ( −1 2 T X t=1 (Xt− F0tθt)0Σt−1(Xt− F0tθt) ) × exp ( −1 2 T X t=1 (θt− Gtθt−1)0Wt−1(θt− Gtθt−1) ) × Y {i,t:Yit>c} Yitλ−1× p(θ0, σ02, φ, λ). (3.11)

Para obter amostras aproximadas da distribui¸c˜ao a posteriori do vetor param´etrico

Θ = (θ1:T, σ1:T2 , φ, λ)

0, a qual n˜ao possui forma anal´ıtica conhecida, m´etodos de Monte

Carlo via Cadeias de Markov (MCMC, Gamerman, 1997) s˜ao aplic´aveis. A partir de

(3.11), obt´em-se as distribui¸c˜oes condicionais completas dos parˆametros de interesse.

A descri¸c˜ao completa das distribui¸c˜oes condicionais completas poder˜ao ser encontradas

(43)

(θ1:T, σ1:T2 )0 s˜ao obtidas atrav´es do procedimento Forward Filtering Backward Sampling (FFBS,Fr¨uhwirth-Schnatter,1994;Carter e Kohn,1994) e para (φ, λ)0, usa-se o algoritmo

Robusto-Adaptativo de Metropolis (RAM, Vihola, 2012). Mais detalhes acerca do

procedimento FFBS podem ser encontrados na Se¸c˜aoE.5 do ApˆendiceE e do algoritmo

RAM, no ApˆendiceD. Informa¸c˜oes acerca das distribui¸c˜oes a priori, fatores de desconto

utilizados e detalhes computacionais ser˜ao dados durante sua aplica¸c˜ao no Cap´ıtulo 4.

3.3.2

Spatiotemporal Ensemble Model Output Statistics

An´alogo ao m´etodo DGOP, o m´etodo Spatiotemporal Ensemble Model Output

Statistics (STEMOS) combina o m´etodo SEMOS (Se¸c˜ao 3.2.2) com Modelo Linear

Dinˆamicos (MLDs). Desta forma,STEMOS´e umMLDNormal Multivariado (veja Se¸c˜ao

E.1do ApˆendiceE).

Com a estrutura¸c˜ao dada em (3.8), o modeloSTEMOS´e, sequencialmente, dado por:

Xt = F0tθt+ εt, εt∼ N (0n, Σ∗t), (3.12a)

θt= Gtθt−1+ ωt, ωt∼ N (0p, Wt), (3.12b)

onde, diferentemente do modelo apresentado anteriormente, ωt ´e o erro de evolu¸c˜ao

Normalmente distribu´ıdo com vetor de m´edias nulo e matriz de covariˆancia Wt. A partir

do Processo Gaussiano {εt(s), s ∈ S, t = 1, ..., T }, assume-se que εt = (εt(s1), ..., εt(sn)) 0

segue as seguintes suposi¸c˜oes:

E(εt) = 0n, Cov(εt(si), εt(sj)) = Σ∗ti,j = Dti,iC(si, sj)Dtj,j, (3.13)

onde Dt = diag( q β0+ β1S2 1,t, ..., q β0+ β1S2

n,t) ´e uma matriz diagonal de dimens˜ao n

com S2

i,t representando a variˆancia amostral dos membros do ensemble para a i-´esima

localidade no tempo t e C(.) ´e uma matriz de correla¸c˜ao espacial constru´ıda de mesmo

modo que o modelo DGOP (Se¸c˜ao 3.3.1). Faz-se uso da t´ecnica de fatores de desconto

(44)

A estima¸c˜ao dos parˆametros do STEMOS tamb´em ´e feita sobre a abordagem Bayesiana. A distribui¸c˜ao a posteriori do vetor param´etrico Θ∗ = (θ1:T, β, φ, λ)0 ´e dada por: p(θ1:T, β, φ, λ|Y1:T) ∝ T Y t=1 |Σ∗t|−1/2 × exp ( −1 2 T X t=1 (Xt− F0tθt)0Σ∗t −1 (Xt− F0tθt) ) × exp ( −1 2 T X t=1 (θt− Gtθt−1)0Wt−1(θt− Gtθt−1) ) × Y {i,t:Yit>c} Yitλ−1× p(θ0, β, φ, λ). (3.14)

De forma espec´ıfica para os parˆametros deste modelo, amostras para θ1:T s˜ao obtidas

atrav´es do procedimento FFBS (Fr¨uhwirth-Schnatter, 1994; Carter e Kohn, 1994) e

para (β, φ, λ)0, atrav´es do algoritmo Robusto-Adaptativo de Metropolis (RAM, Vihola,

2012). Informa¸c˜oes acerca das distribui¸c˜oes a priori utilizadas e detalhes computacionais

tamb´em ser˜ao dados durante a aplica¸c˜ao no Cap´ıtulo 4.

No cap´ıtulo a seguir, alguns dos modelos de p´os-processamento estat´ıstico para

calibra¸c˜ao de campos meteorol´ogicos completos exibidos nas Se¸c˜oes 3.2 e 3.3 ser˜ao

testados e comparados conforme o desempenho na calibra¸c˜ao feita nas previs˜oes

num´ericas da velocidade do vento a 10 metros em Minas Gerais providas pelo modelo

(45)

Cap´ıtulo 4

Aplica¸

ao `

a Previs˜

ao da Velocidade

do Vento em Minas Gerais

Os resultados apresentados neste Cap´ıtulo avaliam a capacidade de calibra¸c˜ao dos

modelos de p´os-processamento apresentados no Cap´ıtulo 3.

A Se¸c˜ao4.1 caracteriza o banco de dados dispon´ıvel. Na Se¸c˜ao4.2, defini¸c˜oes iniciais

s˜ao contextualizadas para aplica¸c˜ao dos modelos propostos. A Se¸c˜ao 4.3 cataloga os

modelos propostos para a aplica¸c˜ao. Na Se¸c˜ao 4.4, s˜ao exibidos os resultados obtidos

na pr´atica em distintas aplica¸c˜oes. Por fim, a Se¸c˜ao 4.5 resume os resultados e exibe as

conclus˜oes.

4.1

Descri¸

ao do Conjunto de Dados

O banco de dados utilizado ´e composto pelo ensemble de previs˜oes num´ericas hor´arias

iniciadas `as 12UTCdo modelo de Mesoescala Eta para a velocidade do vento instantˆanea

`

a 10 metros de altura no Estado de Minas Gerais e seu entorno de 01 de novembro de

2015, 12UTC`a 30 de novembro de 2016, 11UTC, totalizando mais de dez mil ensembles,

um para cada hora de previs˜ao. A quantidade de membros do ensemble, como elucidado

pela Figura 2.4, pode variar devido `a n˜ao inicializa¸c˜ao do modelo Eta e do horizonte de

previs˜ao requisitado. O horizonte m´aximo de previs˜ao deste modelo ´e 255 horas, i.e., o

(46)

Tabela 4.1: Configura¸c˜ao dos membros do ensemble para previs˜oes 24 horas `a frente `as 12UTC. Previs˜ao Origem 02/12/2015 03/12/2015 ... 10/12/2015 11/12/2015 ... 01/12/2015 +24h +48h ... +216h +240h ... 02/12/2015 +24h ... +192h +216h ... 03/12/2015 ... +168h +192h ... 04/12/2015 ... +144h +168h ... 05/12/2015 ... +120h +144h ... 06/12/2015 ... +96h +120h ... 07/12/2015 ... +72h +96h ... 08/12/2015 ... +48h +72h ... 09/12/2015 +24h +48h ... 10/12/2015 +24h ...

no hor´ario de inicia¸c˜ao do modelo Eta (12 UTC) 24 horas `a frente, o ensemble ser´a

composto pelas previs˜oes feitas 240, 216, ... , 48 e 24 horas anteriores, totalizando 10

membros. A Tabela 4.1 esquematiza o enquadramento dos membros para a constru¸c˜ao

de um ensemble do tipo defasado, como na Figura 2.4(a).

Para evitar a eventual indisponibilidade de algum membro, optou-se utilizar a

m´edia dos momentaneamente dispon´ıveis sob determinado horizonte de calibra¸c˜ao.

Este procedimento n˜ao acarreta grande perda de informa¸c˜ao, em vista que, h´a alta

correla¸c˜ao linear entre os membros, implicando em uma boa estabilidade do modelo

Eta, como exibida pela Figura 4.1. Note que desta forma tamb´em evita-se problemas

de multicolinearidade. Mais detalhes sobre tal adversidade, consulteMontgomery e Peck

(1982). SegundoGrimit e Mass (2007), a m´edia dos membros pode captar uma eventual

anomalia meteorol´ogica pontual (e.g. frente fria) e assim, seu uso tamb´em ´e indicado por

aspectos te´oricos.

Medi¸c˜oes da vari´avel meteorol´ogica em estudo nas 59 esta¸c˜oes de monitoramento em

Minas Gerais e seu entorno, assim como dados georreferenciados destas (e.g. latitude,

(47)

0.5 0.6 0.7 0.8 0.9 1 +96h +120h +144h +168h +192h +216h +120h +144h +168h +192h +216h +240h

Figura 4.1: Matriz de correla¸c˜ao dos membros do ensemble de previs˜oes num´ericas da

velocidade do vento a 10 m em 21 de junho de 2016, 12 UTC.

registros de previs˜oes num´ericas e vari´aveis meteorol´ogicas est´a dispon´ıvel para o mesmo

per´ıodo de tempo. A precis˜ao num´erica dos dados ´e de uma casa decimal. Outras

defini¸c˜oes requeridas como entrada para os modelos apresentados na Se¸c˜ao 3.3 como o

vetor de descontos δ, as matrizes F0t e Gt e o fator de desconto requerido na evolu¸c˜ao

estoc´astica Beta-Gama (veja Se¸c˜ao E.6 do Apˆendice E) exclusivo do modelo DGOP

(Se¸c˜ao 3.3.1) ser˜ao apresentados na se¸c˜ao a seguir.

Devido `a atividade operacional que os modelos de p´os-processamento exercem e `a

grande quantidade de dados dispon´ıveis, n˜ao houve como utilizar todos de forma cont´ınua.

Por consequˆencia, seguindo a l´ogica das esta¸c˜oes do ano, foram feitas 12 previs˜oes, 1

para cada mˆes, partindo de dezembro de 2015 `a novembro de 2016. O horizonte de cada

aplica¸c˜ao ser´a explicado `a frente.

Projetou-se duas situa¸c˜oes de aplica¸c˜oes para a calibra¸c˜ao da velocidade do vento a

10 metros. S˜ao elas:

(i) Previs˜ao em um hor´ario espec´ıfico (e.g. no hor´ario de funcionamento do modelo

Eta, 12 UTC). Assim, a unidade de tempo t s˜ao dias.

Referências

Documentos relacionados

Apesar da longa distância dos grandes centros urbanos do país, Bonito destaca- se, regionalmente, como uma área promissora dentro do Estado de Mato Grosso do Sul. Bonito,

O primeiro passo para introduzir o MTT como procedimento para mudança do comportamento alimentar consiste no profissional psicoeducar o paciente a todo o processo,

forficata recém-colhidas foram tratadas com escarificação mecânica, imersão em ácido sulfúrico concentrado durante 5 e 10 minutos, sementes armazenadas na geladeira (3 ± 1

Discussion The present results show that, like other conditions that change brain excitability, early environmental heat exposure also enhanced CSD propagation in adult rats.. The

Foram analisados a relação peso-comprimento e o fator de condição de Brycon opalinus, em três rios do Parque Estadual da Serra do Mar-Núcleo Santa Virgínia, Estado de São

A estabilidade do corpo docente permanente permite atribuir o conceito muito bom, segundo os parâmetros da área, para o item 2.2 (pelo menos 75% dos docentes permanentes foram

Detectadas as baixas condições socioeconômicas e sanitárias do Município de Cuité, bem como a carência de informação por parte da população de como prevenir

O segundo Beneficiário será designado pelo Segurado na Proposta de Adesão, podendo ser substituído a qualquer tempo, mediante solicitação formal assinada pelo próprio Segurado, para