Performance do modelo ECMWF para estimar a temperatura do ar e precipitação pluvial em Mato Grosso do Sul

  • José Reinaldo da Silva Cabral de Moraes Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso do Sul- Campus Naviraí
  • Lucas Eduardo de Oliveira Aparecido Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso do Sul- Campus Naviraí
  • Cícero Teixeira da Silva Costa Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso do Sul- Campus Naviraí
  • Leucivaldo Carneiro Morais Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso do Sul- Campus Naviraí
  • Pedro Antônio Lorençone Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso do Sul- Campus Naviraí
Palavras-chave: Modelos globais, Agrometeorologia, Análise de regressão, Mapeamento meteorológico.

Resumo

Avaliou-se neste trabalho a performance do modelo de circulação de atmosfera geral (GCM) do Centro Europeu de Previsão Meteorológica de Médio Prazo (ECMWF) para estimar a temperatura do ar (T) e precipitação pluvial (P) em 72 locais do Estado do Mato Grosso do Sul (MS). Foram coletados os dados de T e P do European Centre for Medium Range Weather Forecasts (ECMWF) com resolução espacial de 25 x 25 km (longitude x latitude). O software ENVI foi manipulado para extrair os valores de T e P, correspondentes aos locais que possuem estações de superfície do INMET, em operação. Os dados de T e P foram comparados com dados do Instituto Nacional de meteorologia (INMET), entre 1990 a 2017, separando-se em escala mensal. Foram gerados mapas por meio do software ArcGis para temperatura e precipitação pluvial nas estações do ano, observando-se a variabilidade desses elementos para MS. A estatística utilizada para avaliar o desempenho dos ajustes foram a precisão pelo coeficiente de determinação (R²). A performance do modelo ECMWF apresentou maiores precisões em períodos de menores amplitudes térmicas e hídricas, com valores de R2 que chegam a 0,95 para chuva e 0,88 para temperatura.

Referências

ALBERGEL, C.; DUTRA, E.; MUÑOZ-SABATER, J.; HAIDEN, T.; BALSAMO, G.; BELJAARS, A.; ISAKSEN, L.; ROSNAY, P.; SANDU, I.; WEDI, N. 2015. Soil temperature at ECMWF: An assessment using ground-based observations. J. Geophys. Res. Atmos. 120:1361–1373, doi:10.1002/2014JD022505.

ALESSANDRINI, S.; SPERATI, S.; PINSON, P. 2013. A comparison between the ECMWF and COSMO Ensemble Prediction Systems applied to shortterm wind power forecasting on real data. Appl. Energy 107, 271–280. doi.org/10.1016/j.apenergy.2013.02.041.

AQUILA, V.; SWARTZ, W. H.; WAUGH, D. W.; COLARCO, P. R.; PAWSON, S.; POLVANI, L M.; STOLARSKI, R. S. 2016. Isolating the roles of different forcing agents in global stratospheric temperature changes using model integrations with incrementally added single forcings, J. Geophys. Res. Atmos., (121) 8067–8082, doi:10.1002/2015JD023841.

BECHTOLD, P.; KOHLER, M.; JUNG, T.; DOBLAS-REYES, F.; RODWELL, M.J.; VIART, F.; BALSAMO, G. Advances in simulating atmospheric variability with the ECMWF model: From synoptic to decendal time-scales. Q.J.R. Meteorol. Soc. v. 134, p. 1337-1351, 2008.

CAVALCANTI, I. F. A.; MARENGO, J. A.; ALVES, L. M.; COSTA, D. F. On the opposite relation between extreme precipitation over west Amazon and southeastern Brazil: observations and model simulations. Int. J. Climatol. 2016.

CEGLAR. A.; TORETI, A.; LECERF, R.; VELDE, M.V.; DENTENER, F. 2016. Impact of meteorological drivers on regional inter-annual crop yield variability in France. Agricultural and Forest Meteorology 216: 58–67. doi.org/10.1016/j.agrformet.2015.10.004.

CEGLAR, A.; TORETI, A.; LECERF, R.; VELDE, M. V. D.; DENTENER, F. Impact of meteorological drivers on regional inter-annual crop yield variability in France. Agricultural and Forest Meteorology. V.216, p.58–67, 2016.

COUTINHO, M. D. L.; LIMA, K. C.; SILVA, C. M. S. Regional climate simulations of the changes in the components of the moisture budget over South America. Int. J. Climatol., v. 36, p. 1170–1183, 2016. Avaiable in: < http:// doi: 10.1002/joc.4411>.

DEPPE, F.; MARTINI, L.; LONHMANN, M.; CALVETTI, L.; ADAMI, M. Comparação de estimativas de precipitação com dados observados (estações meteorológicas). In: XII SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO (SBSR). Florianópolis/SC. Anais… São José dos Campos: INPE, p.3319-3326, 2007.

GASQUES, J.; BASTOS, E.; VALDES, C.; BACCHI, M. Produtividade da agricultura: Resultados para o Brasil. Revista de Política Agrícola, ano XXIII, n. 3, p. 87-98, 2014

HARMAN, B.I.; KOSEOGLU, H.; YIGIT, C. O. 2016. Performance evaluation of IDW, Kriging and 599 multiquadric interpolation methods in producing noise mapping: A case study at the city 600 of Isparta, Turkey. Applied Acoustics. 112: 147–157, 601 doi:org/10.1016/j.apacoust.2016.05.024.

HOAGLIN, D.; WELSCH, R. 1978. The hat matrix in regression and ANOVA. Am Stat, 32: 604 17-22.

HUIJEN, V.; FLEMMING, J.; CHABRILLAT, S.; ERRERA, Q.; CHRISTOPHE. Y.; ANNE-MARLENE B. A.; RICHTER, A.; ESKES, H. 2016. C-IFS-CB05-BASCOE: stratospheric chemistry in the Integrated Forecasting System of ECMWF. Geosci. Model Dev 9:3071–3091. doi:10.5194/gmd-9-3071-2016.

IBGE- Instituto Brasileiro de Geografia e estatística, 2016. Disponível em: . Access in: julho de 2018.

INMET – INSTITUTO NACIONAL DE METEOROLOGIA, 2017: BDMEP - Banco de Dados Meteorológicos para Ensino e Pesquisa. Disponível em: <http://www.inmet.gov.br/portal/index.php?r=bdmep/bdmep>. Access in: julho de 2018.

LIU, G.; GUO, Z. 2016. A clustering-based differential evolution with random-based sampling and Gaussian sampling. Neurocomputing 205: 229–246. doi.org/10.1016/j.neucom.2016.04.040.

MARENGO, J. A. 2005. Characteristics and spatio-temporal variability of the Amazon River Basin Water Budget. Climate Dynamics 24: 11–22. doi:10.1007/s00382-004-0461-6.

ORTH, R.; DUTRA, E.; TRIGO, I. F.; BALSAMO, G. 2016. Advancing land surface model development with satellite-based Earth observations. Hydrol. Earth Syst. Sci. Discuss., doi:10.5194/hess-2016-628.

ORTH, R.; SENEVIRATNE, S. I. 2014. Using soil moisture forecasts for sub-seasonal summer temperature predictions in Europe. Climate Dynamics, 43 (12), 3403-3418.

PEREIRA, A.R.; ANGELOCCI, L.R.; SENTELHAS, P.C. Agrometeorologia: fundamentos e aplicações práticas. Guaíba: Agropecuária, 2002. 478p.

PERSON, A.; GRAZZIANI, F. User guide to ECMWF forecast products. Meteorological Bulletin M3.2. Reading,UK: ECMWF, 153p. 2007.

ROLIM, G. S.; APARECIDO, L. E. O. Camargo, Köppen and Thornthwaite climate classification systems in defining climatical regions of the state of São Paulo, Brazil. International Journal of Climatology. 36:636-643, 2015.

SATOH, M. Standard experiments of atmospheric general circulation models, in: Atmospheric Circulation Dynamics and General Circulation Models. Springer, Berlin, Heidelberg. p. 689–702. 2014.

WANG, Y.; JIANG, J.; ZHANG H.; DONG, X.; WANG, L.; RANJAN, R.; ZOMAYAF, A. Y. A scalable parallel algorithm for atmospheric general circulation models on a multi-core cluster. Future Generation Computer Systems. v. 72, p.1–10, 2017.

Publicado
2019-09-03