XXIII SIMPÓSIO BRASILEIRO DE RECURSOS HIDRÍCOS
AVALIAÇÃO DAS PREVISÕES SUBSAZONAIS PARA AS REGIÕES
HOMOGÊNEAS DO ESTADO DO CEARÁ
José Marcelo Rodrigues Pereira 1; Daniel von Glehn dos Santos 2; Francisco das Chagas Vasconcelos Júnior 2; Diógenes Passos Fontenele 2; Eduardo Sávio Passos Rodrigues Martins 2;
Cleiton da Silva Silveira 1
RESUMO – Os modelos de previsão subsazonal surgiram como uma nova ferramenta para os
prognósticos de precipitação em uma escala temporal de semanas. As previsões permitem que os responsáveis pela tomada de decisão façam um melhor planejamento em vários setores, como na gestão de reservatórios e na agricultura. A previsão subsazonal preenche uma escala temporal que fica entre previsão de tempo (até 15 dias) e a previsão climática (meses de previsão). O estado do Ceará sofreu uma forte seca entre os anos 2012 e 2016 com grandes impactos na sociedade e na economia. Previsões subsazonais ajudam no planejamento e a mitigação dos impactos sofridos. Este trabalho investiga a habilidade das previsões subsazonais dos modelos ECMWF e UKMO, com base em índices estatísticos para as regiões homogêneas do estado do Ceará. Os resultados mostram que os modelos possuem habilidade para capturar eventos de precipitação para determinados limiares, principalmente na pré-estação chuvosa. Observou-se também que à medida que o horizonte de previsão aumenta, a uma redução na confiança das previsões. Durante a estação chuvosa, os modelos também apresentaram uma certa habilidade em capturar eventos para determinados limiares de precipitação.
ABSTRACT– The subseasonal forecast models emerged as a new tool for precipitation forecasts on
a time scale of weeks. The forecasts allow experts to do a better plan decision-making across sectors such as reservoir management and agriculture. The subseasonal forecast fills a time scale that lies between the weather forecast (up to 15 days) and the weather forecast (months of forecast). The State of Ceará suffered a severe drought between 2012 and 2016, with major impacts on society and the economy. Subseasonal forecasts help to plan and mitigate impacts. This work investigates the predictive ability of the ECMWF and UKMO models, based on statistical indices, for the homogeneous regions of the state of Ceará. The results show that the models have the ability to capture precipitation events for certain thresholds, especially in the pre-rainy season. It was also observed that as the forecast horizon increases, there is a reduction in the confidence of forecasts. During the rainy season, the models also had a certain ability to capture events for certain precipitation thresholds.
Palavras-Chave – Previsão, Subsazonal, Ceará
1) Departamento de Engenharia Hidráulica e Ambiental (UFC): marcelorodriguesss@gmail.com, cleitonsilveira@ufc.br
2) Fundação Cearense de Meteorologia e Recursos Hídricos: danielvonglehn@gmail.com, juniorphy@gmail.com, diogenesfontenele13@gmail.com, espr.martins@gmail.com.
1. INTRODUÇÃO
Entre os anos de 2012 e 2016 o estado do Ceará sofreu grandes impactos socioeconômicos devido a falta de chuvas e por consequência a queda no volume de águas nos reservatórios. Durante este período, dos 153 reservatórios monitorados pela COGERH, 39 entraram em colapso e 42 ficaram no volume morto (Martins, et al. 2018). A falta de chuvas nesta região é frequentemente associada a eventos de El Niño e gradientes de anomalias positivas da temperatura da superfície do mar (TSM) no Atlântico Tropical (de sul para norte) (Hastenrath; Heller, 1977).
Em janeiro de 2016, o acumulado de precipitação no estado do Ceará foi quase 95% acima do esperado para este mês, totalizando 191,8 mm, com média climatológica de 98,7 mm. Mesmo dentro de um período de seca extrema com características de um El Nino forte, o evento de janeiro de 2016 foi associado a atuação intensa da OMJ em que com extremos precipitação diárias foram observados. A variabilidade destes eventos é marcada por alta flutuação temporal e espacial. É relevante que a captura prematura de ocorrências destes seja marcada por trazer oportunidade para o setor de recursos hídricos e agricultura, uma vez que estes eventos modulam a precipitação em uma escala de tempo menor que a sazonal e podem ter até dois ciclos de vida dentro da estação chuvosa. Nos últimos anos as previsões na escala subsazonal ganharam bastante interesses devido aos avanços nas pesquisas em modelagem numérica, permitindo, por exemplo, um melhor entendimento dos fenômenos nesta escala temporal, em particular a oscilação de Madden-Julian (OMJ) (Madden e Julian, 1972).
Este trabalho tem o objetivo investigar as previsões subsazonais dos modelos ECMWF e UKMO através de índices estatísticos de verificação. As previsões serão investigadas sobre as regiões homogêneas do estado do Ceará, durante o período da pré-estação chuvosa e estação chuvosa para o Norte do Nordeste do Brasil.
2. METODOLOGIA DE VERIFICAÇÃO
A verificação dos sistemas de previsões permite avaliar os pontos fracos e fortes e consequentemente melhorar o desempenho dos resultados em diferentes situações. A verificação dos sistemas de previsão devem ser algo contínuo justificando o suporte a uma melhor tomada de decisão. Neste estudo, as previsões e as observações foram avaliadas usando as propriedades da distribuição conjunta e valores para limiares de precipitação, a fim de verificar a capacidade dos modelos em prever eventos com intensidades variadas baseadas em uma função de distribuição acumulada empírica.
As previsões subsazonais dos modelos ECMWF e UKMO desenvolvidos pelo European Centre
for Medium-Range Weather Forecasts e United Kingdom Met Office, foram usadas neste estudo. A
verificação foi aplicada a média dos membros das previsões, para os períodos de previsão e
reforecasts (climatologia) dos modelos, com horizonte de previsão para 15, 30 e 45 dias de
precipitação acumulada sobre as regiões homogêneas do Ceará.
Figura 1 - Regiões Homogêneas do estado do Ceará.
A análise ainda foi dividida para os eventos da pré-estação chuvosa no norte do Nordeste, que corresponde aos meses de dezembro a janeiro, e eventos durante a estação chuvosa que corresponde as meses fevereiro a meados de maio (Vasconcelos Jr et al,. 2018). Os dados das previsões subsazonais podem ser obtidos diretamente através do site do projeto Seasonal-to-Subseasonal (S2S) (Vitart et al., 2017).
Tabela 1 - Descrição dos Modelos
MODELO HORIZONTAL RESOLUÇÃO MEMBROS DAS PREVISÕES INICIALIZAÇÃO PERÍODO DE REFORECAST
ECMWF ~ 32 km (depois de 15 dias) ~ 16 km (até 15 dias) 51 Duas por semana. Últimos 20 anos a partir da data da previsão.
UKMO ~ 60 km 4 Uma vez por semana. 1993-2016
2.1 Base de dados observados
Foram considerados os dados de precipitação diária dos postos pluviométricos da FUNCEME para a verificação dos modelos. Para cada região, calculou-se a área de influência dos postos pluviométricos sobre a região (Thiessen, 1911). Essa metodologia é calculada usando a seguinte equação:
𝑃 =∑ 𝑃$𝐴$ 𝐴
em que 𝑃𝑖 é a precipitação no ponto de grade 𝑖 e 𝐴𝑖 a área de influência do ponto de grade 𝑖 para a região de interesse.
A tabela de contingência 2 x 2 é apresentada na Tabela 2 e é usada para expressar o número de vezes que ocorreram as combinações entre previsão e observação. No caso específico de uma tabela 2 x 2, os valores possíveis de precipitação são divididos em duas categorias, abaixo de um limite pré-estabelecido, e acima deste limite. Os valores de A, B, C e D são utilizados para estimar as frequências relativas de cada uma destas combinações, conforme Tabela 2.
Tabela 2 - Tabela de contingência 2x2
OBSERVAÇÃO P R EV IS Ã O SIM NÃO SIM A B NÃO C D Em que,
A – Um evento é previsto e o evento ocorre B – Um evento é previsto e o evento não ocorre C – Um evento não é previsto e o evento ocorre D – Um evento não é previsto e o evento não ocorre
2.2 Índices estatísticos
A Probabilidade de Detecção (POD) é a fração de eventos que foram previstos corretamente. É uma das formas de representação da distribuição conjunta de probabilidades entre previsão e observação. Esta metodologia é muito sensível a frequência climatológica do evento, ignora falsos alarmes e é muito boa para eventos raros. Deve ser usada em conjunto com a Razão de Falso Alarme. Seu range vai de 0 a 1, onde os piores índices se aproximam de 0 e os melhores se aproximam de 1.
𝑃𝑂𝐷 = 𝑎
A Razão de Falso Alarme (FAR) verifica as previsões para eventos acima de um determinado limite, porém o evento não foi observado. Essa metodologia é também muito sensível a frequência climatológica do evento e deve ser usada em conjunto com POD. Valores próximos de 1 significam previsões ruins. É calculado por:
𝐹𝐴𝑅 = 𝑏
𝑎 + 𝑏
3. RESULTADOS
A Figura 2 mostra os resultados da verificação das previsões do modelo ECMWF, e seus respectivos limiares de verificação sobre cada região. Os resultados para o índice POD, durante a pré-estação chuvosa, indicam que o modelo possui habilidade entre média e alta para capturar eventos de acumulados de precipitação para todo o estado, para as previsões com horizonte de 15 e 30 dias, principalmente nas regiões da Ibiapaba, Litoral Norte, Litoral do Pecém e Cariri, que possuem valores acima de 0,9 em alguns casos. Estas regiões estão ainda associadas a um baixo FAR (menor que 0,2). Observa-se ainda que para um maior horizonte (45 dias) a uma redução na qualidade das previsões, principalmente na região do Sertão Central e Inhamuns.
Figura 2 - Probabilidade de Detecção e Razão de Alarme False para a pré-estação chuvosa, modelo ECMWF.
POD - Acumulado 30 dias - Pré-estação ECMWF
POD - Acumulado 45 dias - Pré-estação ECMWF
POD – ACUMULADO 15 DIAS PRÉ-ESTAÇÃO - ECMWF
F
POD – ACUMULADO 30 DIAS PRÉ-ESTAÇÃO - ECMWF
F
POD – ACUMULADO 45 DIAS PRÉ-ESTAÇÃO - ECMWF
F
FAR – ACUMULADO 15 DIAS PRÉ-ESTAÇÃO - ECMWF
F
FAR – ACUMULADO 30 DIAS PRÉ-ESTAÇÃO - ECMWF
F
FAR – ACUMULADO 45 DIAS PRÉ-ESTAÇÃO - ECMWF
Os resultados das verificações do modelo ECMWF durante a estação chuvosa indicam uma redução da qualidade das previsões quando comparada a pré-estação, principalmente nas regiões do Cariri, Jaguaribana, Litoral de Fortaleza, Maciço de Baturité e Sertão Central e Inhamus. Essa redução na qualidade das previsões acontece para os horizontes de 15, 30 e 45 dias. Na região da Ibiapaba observa-se um resultado maior que 0,9 para POD, contudo, este resultado está associado a um alto FAR (maior que 0,5), o que compromete as previsões para esta região. As regiões do Litoral Norte e Litoral do Pecém tiveram resultados acima de 0,6 associados a um baixo FAR (Figura 3).
Figura 3 - Probabilidade de Detecção e Razão de Alarme Falso para a estação chuvosa, modelo ECMWF. POD – ACUMULADO 15 DIAS
ESTAÇÃO - ECMWF POD – ACUMULADO 30 DIAS ESTAÇÃO - ECMW F
POD – ACUMULADO 45 DIAS ESTAÇÃO - ECMW
F POD – ACUMULADO 30 DIAS
ESTAÇÃO - ECMWF
POD – ACUMULADO 45 DIAS ESTAÇÃO - ECMWF
FAR – ACUMULADO 15 DIAS ESTAÇÃO - ECMWF
FAR – ACUMULADO 30 DIAS ESTAÇÃO - ECMWF
FAR – ACUMULADO 45 DIAS ESTAÇÃO - ECMWF
A Figura 4 mostra os resultados da verificação das previsões do modelo UKMO para a pré-estação chuvosa e seus respectivos limiares de verificação sobre cada região. A probabilidade de detecção é acima de 0,9 para a regiões Ibiapaba, Litoral Norte, Litoral Pecém e Litoral de Fortaleza. As previsões para 15, 30 e 45 dias se mantém com uma certa habilidade em detectar chuvas acimas dos limiares de cada região, exceto o Sertão Central e Inhamus onde houve uma redução do POD para o horizonte de previsão de 45 dias. Observa-se ainda um FAR acima de 0,4 para o Litoral de Fortaleza e Litoral do Pecém no horizonte de previsão para 30 dias, comprometendo os resultados para POD e sua previsões para estas regiões (Figura 4). As regiões do Sertão Central e Jaguaribana apresentaram os menos resultados para FAR, com valores abaixo de 0,2 para todos os horizontes de previsão, exceto o de 30 dias, onde os valores ficaram abaixo de 0,4.
Figura 4 - Probabilidade de Detecção e Razão de Alarme False para a pré-estação chuvosa, modelo UKMO. POD – ACUMULADO 15 DIAS
PRÉ-ESTAÇÃO - UKMO
POD – ACUMULADO 30 DIAS PRÉ-ESTAÇÃO - UKMO
POD – ACUMULADO 45 DIAS PRÉ-ESTAÇÃO - UKMO
FAR – ACUMULADO 15 DIAS
PRÉ-ESTAÇÃO - UKMO FAR – ACUMULADO 30 DIAS PRÉ-ESTAÇÃO - UKMO
FAR – ACUMULADO 45 DIAS PRÉ-ESTAÇÃO - UKMO
Durante a estação chuvosa, o modelo UKMO manteve o POD superior a 0,9 nas regiões do Litoral Norte e Litoral do Pecém em todos os horizontes de previsão. A região da Ibiapaba apresentou um FAR acima de 0,5 para os horizontes de 30 e 45 dias de previsão, o que compromete os resultados acima de 0,9 para o POD. Observa-se uma significativa redução, quando comprados a pré-estação chuvosa, em todos os horizontes de previsão, nos resultados de POD para as regiões do Litoral de Fortaleza, Jaguaribana e Maciço de Baturité, associados a um FAR menor que 0,1. A região da Ibiapaba obteve os piores valores para FAR, com valores acima de 0,5 para os horizontes de 30 e 45
dias (Figura 5).
Figura 5 - Probabilidade de Detecção e Razão de Alarme False para a estação chuvosa, modelo UKMO.
POD – ACUMULADO 15 DIAS
ESTAÇÃO - UKMO POD – ACUMULADO 30 DIAS ESTAÇÃO - UKMO
POD – ACUMULADO 45 DIAS ESTAÇÃO - UKMO
FAR – ACUMULADO 15 DIAS ESTAÇÃO - UKMO
FAR – ACUMULADO 30 DIAS
4. CONCLUSÕES
As previsões usando os modelos ECMWF e UKMO durante o período da pré-estação chuvosa, obteve os melhores resultados para Probabilidade de Detecção e Razão de Alarme Falsos na maioria das regiões homogêneas do estado do Ceará, quando comparado a mesma metodologia que foi aplicada ao período da estação chuvosa sobre as regiões. À medida que os eventos de chuva ficam mais intensos e horizontes de previsão mais distantes, a uma redução na qualidade das previsões e por tanto, uma redução na habilidade dos modelos em capturar tais eventos. Os resultados foram mais satisfatórios para as regiões litorâneas, onde os sistemas precipitantes recebem maior influência da circulação de escala regional e interação com a costa o que deve estar possivelmente melhor representados nesses modelos.
Este trabalho é uma avalição preliminar das previsões dos modelos ECMWF e UKMO que fazem parte do conjunto de modelos do projeto de previsão subsazonal. Mais índices estatísticos devem ser investigados e para um maior número de modelos a fim de fornecer informações mais detalhadas.
5. REFERÊNCIAS
A. MADDEN, R.; R. JULIAN, P. Description of Global-Scale Circulation Cells in the Tropics with a 40-50 Day Period. Journal of The Atmospheric Sciences - J ATMOS SCI, v. 29, p. 1109–1123, 1972.
HASTENRATH, S.; HELLER, L. Dynamics of climatic hazards in northeast Brazil. Quarterly
Journal of the Royal Meteorological Society, v. 103, n. 435, p. 77–92, 1977. Disponível em:
<https://rmets.onlinelibrary.wiley.com/doi/abs/10.1002/qj.49710343505>. .
MARTINS, E.; A. S. COELHO, C.; HAARSMA, R.; et al. A Multimethod Attribution Analysis of the Prolonged Northeast Brazil Hydrometeorological Drought (2012–16). Bulletin of the
American Meteorological Society, v. 99, p. S65–S69, 2018.
THIESSEN, A. H. Precipitation averages for large areas. Monthly Weather Review, v. 39, n. 7, p. 1082–1089, 1911. Disponível em:
<http://journals.ametsoc.org/doi/abs/10.1175/1520-0493%281911%2939%3C1082b%3APAFLA%3E2.0.CO%3B2>. .
VASCONCELOS JR, F.; JONES, C.; GANDU, A. Interannual and Intraseasonal Variations of the Onset and Demise of the Pre-Wet Season and the Wet Season in the Northern Northeast Brazil.
Revista Brasileira de Meteorologia, v. 33, p. 472–484, 2018.
Project Database. Bulletin of the American Meteorological Society, v. 98, n. 1, p. 163–173, 2017. Disponível em: <https://doi.org/10.1175/BAMS-D-16-0017.1>. .
