UM ESTUDO DE CASO SOBRE O IMPACTO DA ASSIMILAÇÃO DE DADOS NA CONDIÇÃO INICIAL E NA PREVISÃO DE TEMPO DO MODELO RAMSv6 NO BRASIL
Clemente Augusto Souza Tanajura 1
Hans Castro Einsiedler 2
Jonatas Castro Einsiedler 3
RESUMO. Este trabalho apresenta os resultados sobre o impacto da assimilação de dados atmosféricos na produção da condição inicial do modelo atmosférico regional RAMSv6 (RAMS versão 6.0) e na influência desta condição inicial em um caso de previsão de tempo sobre o Brasil. Para este trabalho foram realizados nove experimentos de previsão de 72 horas com condição inicial em 00 UTC 14 de janeiro de 2004. Duas previsões foram realizadas variando a física de convecção do modelo (Kuo e Kain-Fritsch) e com condição inicial proveniente da análise do modelo global do NCEP/NOAA, que foram caracterizadas como integrações de controle. Sete integrações do modelo foram geradas variando a física de convecção do modelo e a condição inicial, através da construção de análises regionais com o método de assimilação de Barnes e diferentes dados de 99 estações meteorológicas de superfície e de sondagens no Brasil.
Os resultados indicaram que o método de Barnes produziu uma análise realista. Os campos das condições iniciais apresentaram variabilidades coerentes. A previsão de controle e as previsões com assimilação produziram resultados diferentes, mostrando que o modelo foi sensível à condição inicial. A precipitação da média do conjunto de previsões foi mais acurada que as previstas pelos controles.
ABSTRACT. This work presents results on the impact of atmospheric data assimilation in the
production of the initial conditions for the regional atmospheric model RAMSv6 (RAMS version 6.0) and on the influence of these initial conditions in a weather forecast case over Brasil. Nine 72 h forecast experiments with initial condition in 00 UTC 14 January of 2004 were realized. Two forecasts were done by varying the model convection scheme (Kuo or Kain-Fritsch) and the initial condition from the NCEP/NOAA global model operational analysis. These were characterized as control integrations. Seven integrations were generated by changing the physics of convection of the model and the initial condition produced by the Barnes data assimilation scheme with different atmospheric data from 99 surface stations and vertical profiles over Brasil.
The results indicated that the Barnes method produced a realistic analysis. The fields of the initial conditions presented coherent variabilities. The control forecasts and the ones with regional assimilation produced different results, showing that the model was sensitive to the initial
conditions. The ensemble mean precipitation forecast was more accurate than the control forecasts.
Palavras-Chave: Assimilação de dados, RAMS, previsão de tempo.
1
Laboratório Nacional de Computação Cientifica (LNCC), Av. Getúlio Vargas 333, Petrópolis RJ, Brasil, 25651-075, tel. (24) 2233 6164, e-mail: cast@lncc.br.
2
Universidade Federal da Bahia (UFBA), Rua Barão de Geremoabo, s/nº Campus Universitário de Ondina, Salvador BA, Brasil, 40170-115, Telefone : (71) 3203 8564, e-mail: hans@lncc.br.
3
Universidade Federal da Bahia (UFBA Rua Barão de Geremoabo, s/nº Campus Universitário de Ondina, Salvador BA 40170-115 Brasil, mobile: (71) , 3203 8600, e-mail: jonatas@lncc.br.
INTRODUÇÃO
Com o objetivo de aprimorar a representação da circulação e do estado físico da atmosfera e dos oceanos produzidas por modelos da circulação atmosférica e oceânica, métodos de assimilação de dados são empregados (e.g., Daley 1991; Ghil e Malanotte-Rizzoli 1991; Kalnay et al. 1996). Eles combinam campos de modelos com dados observados e produzem novos campos, as análises, com erros menores que os dos modelos. Entretanto, tendo em vista que os dados não são
distribuídos homogeneamente no tempo e no espaço e que os modelos atmosféricos e oceânicos são não-lineares e multivariados, a realização da assimilação é um desafio sob muitos aspectos. Um deles é a obtenção de uma análise multivariada em balanço térmico e dinâmico (e.g., Belyaev e Tanajura 2005). Sem o balanço, ondas de gravidade podem ser geradas e degradar a qualidade da solução numérica.
O presente trabalho testa o método de assimilação de Barnes implementado no modelo regional da atmosfera RAMSv6 para geração de condições iniciais regionais sobre o Brasil com dados de 99 estações meteorológicas. O impacto destas condições iniciais em um caso de previsão de tempo é investigado.
METODOLOGIA
O modelo atmosférico RAMSv6
Para este teste, o modelo RAMSv6 foi configurado com uma grade de domínio 45oS-10oN, 90oW-30oW e resolução espacial de 80 km nas direções meridional e zonal com 32 níveis verticais centrada na região centro-oeste. O modelo foi aninhado em previsões geradas pelo modelo global T254L64 do National Centers for Environmental Predictions (NCEP/NOAA), EUA, a cada 6 horas com condição inicial em 00 UTC 14 de janeiro de 2004. Os resultados do RAMSv6 foram gerados a cada 3h.Foram realizadas nove previsões a partir de nove integrações diferentes como apresentado na Tabela 1
Tabela 1. Configurações das previsões realizadas com o RAMSv6.
Sem Assimilação
Com Assimilação
Física de Convecção Tipos de dados assimilados
Kuo Kain-Fritsch Superfície Sondagens Superfície e sondagens.
sem vento M1 X X M2 X X X X M3 X X M4 X X X M5 X X X M6 X X X X M7 X X X M8 X X X M9 X X X
Os dados de superfície assimilados foram: temperatura do ar em 2 m, umidade relativa, intensidade e direção do vento a 10 m e pressão. Os dados de sondagem assimilados obtidos por balões meteorológicos foram os de temperatura, pressão, umidade relativa, direção e intensidade do vento e altura geopotencial. O método de Barnes foi configurado com um raio de influência de
1.200 e 400 km, respectivamente, para estações com dados de sondagem vertical e de superfície. Os dados assimilados foram coletados por 87 estações meteorológicas de superfície e por 12 sondagens verticais de balões meteorológicos da rede de plataformas de coleta de dados do Instituto Nacional de Pesquisas Espaciais (INPE) e da Aeronáutica sobre o Brasil.
O Método de Barnes
O algoritmo de Barnes (1964), baseado no método de correções sucessivas de Cressman (Daley 1991), calcula iterativamente a análise considerando raios de influência diferentes na função peso em cada iteração. O algoritmo é dado por:
) ( ) ( ) ( i 1 0 0 0 A
∑
= = K k k ik k r r W r f f (1.1) )] ( ) ( )[ ( ) ( ) ( A 1 0 1 j A 1 A i k j K k k ik i j i j r r r r f W r f f f∑
= + + = + (1.2)∑
= = i 1 ( ) ) ( ) ( K k j ik ik j ik j r w r w r W (1.3)onde é a posição do i-ésimo ponto de análise, e ri rk , 1≤k≤Ki, são as posições das observações existentes na região definida pelo raio de influência. é a j-ésima iteração do valor analisado de f; e é a observação em . é uma função peso que varia com o valor absoluto da distância r ) ( A i j r f ) ( 0 rk f rk Wj (rik)
ik entre a observação e o ponto de grade analisado durante a j-ésima iteração, e é
o valor de interpolado para o ponto da observação r
) ( A k j r f ) ( A i j r
f k. Note que na formula (1.3) tanto os
erros das observações como os da aproximação inicial são considerados iguais a zero. A função especifica do peso é dada por
⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − = ik22 2 exp ) ( j ik j L r r w (1.4)
e é função da iteração j, de rik , e do raio de influência Lj.
A função peso é positiva e monotonamente decrescente. Estas características garantem a convergência do algoritmo de Barnes para os valores das observações se para todo j. pode ser escolhido da seguinte forma. Definimos
0 L Lj = Lj 2 2 1 / j j L L + =
γ para todo j, e 0≤ γ≤1. Logo,
2 0 1 2 1 L Lj+ =γ j+ . RESULTADOS E DISCUSSÃO
Analisando o tempo inicial das séries temporais na Fig. 1, observa-se que os menores erros das análises de temperatura a 2 m foram obtidos para os casos onde somente dados de sondagens foram assimilados. Considerando ambos os dados de sondagens e de superfície no processo de
assimilação, foi obtido um erro na condição inicial de temperatura em 2m um pouco menor que assimilando somente dados de superfície. Isto é uma indicação de que os dados de superfície em 00 UTC 14 de janeiro de 2004 degradaram a qualidade da análise da temperatura de 2m.
Entretanto, para a análise de umidade relativa em 2m, este comportamento não foi verificado. Para essa variável, a assimilação de dados de sondagem produziu os maiores erros na condição inicial. Portanto, para o caso estudado, a análise de temperatura a 2m recebeu influência dos altos níveis que melhorou sua qualidade, enquanto que para a umidade em 2m, a influência dos altos níveis foi negativa.
Observando a Fig.1a, as previsões de temperatura feitas com física de convecção de Kain-Fritsch foram as que produziram os menores erros. Os maiores erros estão associados aos casos em que foram assimilados dados de superfície. Isto indica que estes dados prejudicaram a previsão. O Mesmo aconteceu para física de convecção do Kuo. A Fig. 1b mostra que os maiores erros de previsão de umidade relativa a 2m foram produzidos pelo membro M4 e, para os outros oito membros, os erros de previsão foram muito parecidos. Pode ser observado ainda que a dispersão entre as previsões dos membros do conjunto para a temperatura máxima é maior que a dispersão para a temperatura mínima.
O padrão de precipitação de chuva/sem chuva está relativamente bem representado nos membros M3 e M6 da Fig. 2. Entretanto, em relação ao posicionamento das regiões com
precipitação mais intensa, o membro M3 (sem assimilação) apresenta na Fig. 2b máximos no oeste da Bahia e noroeste de Minas Gerais que não são observados. Ainda, o membro M3 apresenta intensa precipitação no Pará e Mato Grosso, enquanto as observações apresentam máximo a oeste desta região, sobre a Bolívia. A precipitação do membro M6 (com assimilação), mostrada na Fig. 2c, produz uma forte redução dos máximos apresentados pelo membro M3 no Pará e Mato Grosso e um aumento da chuva sobre a Bolívia. Portanto, M6 contém um campo bem mais próximo das observações. A média do conjunto, Fig. 2d, supera a qualidade da previsão de M6 no Pará e Mato Grosso e produz superestimativa no oeste da Bahia e noroeste de Minas Gerais. Este resultado indica que o membro M6 foi um dos que mais contribuiu para que a média do conjunto produzisse resultados mais realistas. Portanto, a assimilação de dados atuou de forma positiva na previsão do modelo.
A Tab. 2 apresenta o erro de previsão para a temperatura em 2 metros (ºC) e da umidade relativa para 2 metros (%). O erro de previsão é dado pela média no tempo da raiz quadrada do erro quadrático médio calculado a cada 3 horas na previsão de 72 horas. Como mencionado
anteriormente, o erro de previsão da temperatura a 2m possui menores valores no caso em que foram assimilados dados de sondagens, tanto para física de convecção de Kuo como para a Kain-Fritsch. Na umidade relativa a 2m, podemos observar o oposto. Os casos em que foram assimilados
dados de sondagem produziram os maiores erros. Os maiores erros de previsão foram devido à previsão da temperatura máxima. Há necessidade de se visitar o cálculo da temperatura a 2m no modelo, visto que erros maiores de 5oC são considerados extremamente altos.
2 4 6 8 10 12 14 16 18 20 22 24 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 8.5 9.0 E rro Q uadr át ic o M édio Tempo M1 M2 M3 M4 M5 M6 M7 M8 M9
Erro Quadráditco Médio (Temperatura 2m)
(a) 2 4 6 8 10 12 14 16 18 20 22 24 8 10 12 14 16 18 20 22 24 26 28 30 32 E rro Q u a d rá tico M é dio Tempo M1 M2 M3 M4 M5 M6 M7 M8 M9
Erro Quadrático Médio (Umidade 2m)
(b)
Fig. 1. (a) Erro quadrático médio da temperatura a 2 metros da superfície (oC); e (b) erro quadrático médio da umidade relativa a 2 metros da superfície (%) para os casos (M1-M9) em relação às observações de 87 estações no período de previsão de 72 horas com condição inicial em 00 UTC 14 de janeiro de 2004 dado de 3 em 3 horas.
(a) (b)
(c) (d)
Fig 2. Precipitação acumulada no período de 12UTC 14/01/2004 às 12UTC 150/01/2004 de acordo com: (a) observações (fonte Centro de Previsão de Tempo e Estudos Climáticos - CPTEC/INPE); (b) experimento de controle, membro M3; (c) experimento de controle, membro M6; e (d) média dos 9 membros do conjunto. Unidade em mm.
CONCLUSÃO
O estudo de caso de assimilação de dados e de previsão numérica de tempo de 72 h realizado neste trabalho mostrou que o método de Barnes implementado no modelo RAMSv6 produziu uma
análise realista combinando dados da análise do modelo global do NCEP/NOAA T254L64 com dados de superfície e de sondagens. Um conjunto de nove integrações foi realizado, sendo duas inicializadas sem assimilação de dados regionais e sete com assimilação. Três membros foram integrados utilizando a física de convecção de Kuo e seis com a de Kain-Fritsch.
A validação para a temperatura e a umidade relativa a 2 m feita com o cálculo do erro quadrático médio para previsão de 72 h, indicou que o modelo foi sensível à mudança da condição inicial com uma análise regional. Os erros de temperatura foram considerados altos, indicando um possível erro sistemático no modelo. Em relação à precipitação, a melhor previsão foi oferecida pelo membro M6, no qual somente dados de sondagens foram assimilados. Houve uma grande dispersão da precipitação entre os membros do conjunto em algumas regiões, entre elas o oeste da Bahia. A média do conjunto ofereceu uma campo de precipitação prevista mais acurado que a integração de controle M1 (não apresentado) e M3 (Fig. 2). Isto corrobora para que haja melhoria da previsibiliade do RAMSv6 com o uso de previsão por conjuntos.
Tabela 2 Erro de Previsão.
Membro do conjunto Erro de previsão da temperatura (oC) Erro de previsão da umidade relativa (%)
M1 5,90 15,17 M2 5,53 15,76 M3 5,81 14,93 M4 5,15 19,99 M5 5,78 14,60 M6 5,54 14,93 M7 5,61 14,90 M8 5,56 16,02 M9 5,85 14,95 AGRADECIMENTOS
Os autores gostariam agradecer ao Programa Institucional de Bolsas de Iniciação Científica (PIBIC) do LNCC, e ao Prof. Reynan Pestana do Centro de Pesquisas em Geofísica e Geologia (CPGG) da UFBA.
REFERÊNCIAS BIBLIOGRÁFICAS
Barnes, S. L., 1964: A Technique for Maximizing Details in Numerical Weather Map Analysis. Journal of Applied Meteorology, v. 3, p. 396-409.
Daley, R., 1991: Atmospheric Data Analysis, Cambridge University Press, 451 pp. Ghil, M., and Malanotte-Rizzoli, P., 1991: Data assimilation in meteorology and oceanography. Adv. Geophys., v. 33, p. 141-266.
Belyaev, K.P., and Tanajura, C.A.S., 2005: On the correction of perturbations due to data assimilation in ocean circulation models. Applied Mathematical Modelling, vol. 29, p. 690-709,
Kalnay, E.; Kanamitsu, M.; Kistler, R.; Collins, W.; Deaven, D.;Gandin, L.; Iredell, M.; Saha, S.; White, G.; Woollen, J.; Zhu,Y.; Chelliah, M.; Ebisuzaki, W.; Higgins, W.; Janowiak, J.; Mo, K. C.; Ropelewski, C.; Wang, J.; Leetmaa, A.; Reynolds, R.; Jenne, R.; Joseph, D. 1996: The
