ESTIMATIVA DE PRECIPITAÇÃO POR SATÉLITE Carlos Augusto Morales Departamento de Ciências Atmosféricas Inst. de Astronomia, Geofísica e Ciências Atmosféricas – IAG Universidade de São Paulo

ESTIMATIVA DE PRECIPITAÇÃO POR SATÉLITE Revisão dos Métodos de Estimativa de Precipitação: Infra-Vermelho e Microondas Estimativas Horárias, Diárias e Mensais: Prós e Contras Métodos Operacionais de Estimativa de Precipitação Futuro da Estimativa de Precipitação por Satélite

Revisão dos Métodos de Estimativa de Precipitação

INFRA-VERMELHO

~ Tn4 ~ Ts4 No Infravermelho a radiação não penetra as nuvens, logo o Satélite esta medindo a emissão do topo da nuvem. A questão é: Como podemos inferir a chuva sem saber o que existe dentro dela? Desse modo podemos dizer que temos uma solução empírica ~ Tn4 ~ Ts4

MICROONDAS

~ Ts + (1-  )Tn ~ (1-  )Tn ~ Ts A superfície da Terra emite radiação em microondas. Esta energia interage com os hidrometeoros: absorção, emissão e espalhamento. Como esta interação depende da Freq., podemos inferir algumas propriedades físicas da nuvem amostrada, ou seja: ~ Ts + (1-  )Tn ~ (1-  )Tn ~ Ts Podemos identificar tipos de hidrometeoros: Água liquida, Gelo, Neve.

EMPIRICOS (IR) e FÍSICOS (MW) LOGO PODEMOS DIZER QUE OS METODOS DE ESTIMATIVA DE PRECIPITACAO PODEM SER CLASSIFICADOS EM: EMPIRICOS (IR) e FÍSICOS (MW)

Prós e Contras Sat. Geo-estacionário 4x4 km 15 a 30 minutos Infra-vermelho Microondas Sat. Geo-estacionário 4x4 km 15 a 30 minutos Chuva = f(Tb) não é linear Área de chuva proporcional a área de nuvem Sat. Polares/Equatorial 3.5x3.5 a 25x25 km 2X ao dia; Chuva = f(Tb1,Tb2…) Área de chuva proporcional a área de nuvem Problemas sobre o continente

Técnicas de Infra-vermelho Indexação de Nuvens Bi-Espectral Ciclo de Vida Modelo de Nuvem

Indexação de Nuvens É o método mais antigo de estimativa de precipitação. Baseia-se na observação das imagens e na identificação do tipo de nuvens. Na sua forma mais simples, assume-se uma taxa de precipitação para cada tipo de nuvem. Sendo que a taxa de precipitação em um determinado local ou área pode ser escrito como: (1)  onde Ri é a taxa de precipitação assinalada para o tipo de nuvem “i”, e Fi é a fração de tempo que o ponto estava coberto com o tipo de nuvem “i”.

Barret, E.C. (1970): The estimation of monthly rainfall from satellite data. Mon. Wea. Ver., 98, 322-327. Barret (1970) foi o pioneiro nesta técnica. Naquele artigo ele estava interessado em estimar a precipitação mensal sobre a Austrália e suas vizinhanças associadas as sistemas marítimos continentais.  

Follansbee, W.A. (1973): Estimation of average daily rainfall from satellite cloud photographs, NOAA Tech. Memo. NESS 44, Washington, DC, 39 pp. Follansbee (1973) estava interessado em estimativas médias de precipitação diária sobre um estado. Ele utilizava uma imagem do canal visivel diaria, da tarde. Ele identificava as nuvens visualmente e estimava a fração do estado coberta por: Cumulusnimbus (R = 1 polegada/dia) Nimbostatus (R = 0.25 polegada/dia) Cumulus Congestus (0.02 polegada/dia)

GOES Precipitation Index (GPI) Mais conhecida e aplicada.   Arkin, P.A. (1979): The relationship between fractional coverage of high cloud and rainfall accumulations during GATE over the B-scale array, Mon. Wea. Ver., 107, 1382-1387.

O GPI vem sendo utilizado para estimativa de precipitação tropical para fins de climatologia.   Arkin encontrou que sobre a área do GATE, as precipitações estimadas pelo radar eram altamente correlacionadas (CC = 0.86) com a fração de área coberta por pixels com Tb inferior a 235 K (~ -38 oC). Esta correlação é dependente da área e do tempo sobre a qual a precipitação é estimada.

Resolução Espacial (graus) Sendo que a correlação aumenta em função do tamanho da área e da integração no tempo.   Resolução Espacial (graus) 0.1 x 0.1 2.5 x 2.5 Resolução Temporal 15 minutos Dia Correlação < 0.5 (Baixa) > 0.8 (Alta)

O método final do GPI foi definido em um artigo de Arkin e Meisner (1987).   Arkin, P.A. and B. Meisner (1987). The relationship between large-scale convective rainfall and cold cloud over the Western Hemisphere during 1982-1984. Mon. Wea. Rev., 115, 51-74. Eles utilizaram uma Tb <= 235 K e uma taxa de precipitação constante de 3 mm/h, a qual é uma valor apropriado para estimativa de precipitação tropical em áreas de aproximadamente 2.5 x 2.5 graus.

Onde GPI é uma estimativa da altura média da chuva (mm) sobre a área, f é a fração de área mais fria que a Tb=235K, e t é o tempo em horas que f é aplicado (ou seja, se o intervalo de tempo entre imagens é de 3 horas, então t = 3).   http://www.cpc.ncep.noaa.gov/products/global_precip/html/wpage.gpi.html

Técnica Bi-Espectral Nuvens que são brilhantes nas imagens do visível são mais prováveis de precipitar do que as mais escuras, já que o brilho está relacionado com a espessura ótica e logo a espessura da nuvem.   Nuvens que são frias tem topos mais altos do que as nuvens quentes. Existem exceções a esta regra. Nuvens Stratus são brilhantes, mas não precipitam muito, e não tão freqüente como as nuvens Cumulus Nimbus. As nuvens Cirrus são frias, mas não produzem mais precipitação que as nuvens quentes.

Os métodos bi-espectrais tentam combinar estas regras para identificar as nuvens que tem a melhor probabilidade de chover que são ambas frias e brilhantes. Sendo que em menor intensidade (ou menor probabilidade ) de precipitação poderia se esperar das nuvens não tão frias mas escuras (Cirrus) e brilhantes-mas-quentes (Stratus).   Dittberner e Vonder Haar (1973): Large scale precipitation estimates using satellite data; application to the Indian Monsoon, Arch. Met. Geoph. Biokl. Ser., B, 21, 317-334.

Dittberner e Vonder Haar (1973) desenvolveram uma relação para estimar a precipitação durante o período de Monção da Índia, sendo que eles obtiveram sucesso em separar os períodos fracos e intensos de monção, e que pode ser descrito por:   onde P é a porcentagem da precipitação sazonal normal, E é a radiação do infra-vermelho média sazonal e A é o albedo médio sazonal, sendo que c1, c2 e P0 são fatores de regressão.

Lovejoy e Austin (1979): The delineation of rain areas from visible and IR satellite data for GATE and mid-latitudes, Atmosphere-Ocean, 17, 77-92.   Lovejoy e Austin (1979) comparam dados do visível e infra-vermelho do GOES com dados de radar durante o experimento GATE e nas regiões de Montreal no Canadá. Eles criaram histogramas 2D de temperatura de brilho e albedo para determinar para os pixels que choviam e não choviam.

Tsonis e Isaac (1985): On a new approach for instantaneous rain area delineation in the midlatitudes using GOES data. J. Climate Appl. Meteor., 24, 1208-1218.   Tsonis e Isaac (1985) modificaram a técnica de Lovejoy e Austin a partir da aplicação de técnicas de agrupamento. Aonde os grupos precipitantes eram identificados pelas imagens de radar.

Ciclo de Vida A taxa de precipitação de uma nuvem, em particular da nuvem convectiva, é função do estagio do ciclo de vida.   Stout, Martin and Sikdar (1979): Estimating GATE rainfall with geosynchronous satellite images, Mon. Wea. Ver., 107, 585-598. Stout, Martin and Sikdar (1979) analisaram a relação entre a chuva estimada por radar e a área da nuvem medida pelo satélite de uma nuvem isolada

O ponto importante é que o pico de precipitação ocorre durante a fase de rápido crescimento da nuvem. Sendo que a precipitação reduz bastante durante o tempo em que a nuvem tem área máxima.   Eles tentaram ajustar a taxa de precipitação a partir da equação: onde A é a área da nuvem, dA/dt é o tempo de mudança da área da nuvem, e a0 e a1 são coeficientes determinados empiricamente. O termo a1 é positivo, isso assegura que a taxa de precipitação será maior durante o estágio de crescimento do que durante o decaimento.

Convective and Stratiform Technique (CST) Modelo de Nuvens Convective and Stratiform Technique (CST) Adler,R.F. and R.A. Mack (1984): Thunderstorm cloud heigh-rainfall rate relations for use with satellite rainfall estimation techniques, J. Climate Appl. Meteor., 23, 280-296.   Adler, R.F. and A.J. Negri (1988), A satellite infrared technique to estimate tropical convective and stratiform rainfall, J. Appl. Meteor., 27, 30-51.

O CST é baseado no trabalho descrito por Adler e Negri (1988). A técnica CST utilizou resultados de um modelo de física de nuvens de 1D de Adler e Mack (1984). Sendo que Adler e Mack (1984) analisaram as mudanças da temperatura do topo da nuvem com taxa de precipitação para nuvens observadas na Florida e Oklahoma.

O CST pode ser descrito como: Utiliza-se uma radiosondagem representativa em um modelo de física de nuvem 1D; Calcula-se as temperaturas de brilho e correspondente taxa de precipitação Calcula-se as relações entre temperatura de brilho e área precipitante.

Definição da precipitação a partir das imagens de Satélite no IR: - A nuvem é definida por Tb  258 K; - Para cada nuvem delineada, encontra-se a Tb mínima com. Esta Tb minima será usada para fazer uma mascara que removerá os Cirrus (isto se faz através do calculo do gradiente entre 9 pixels, baseado nas simulações do modelo e inspeção manual para a identificação de cirrus); - As regiões de Tb mínima são consideradas convectivas; - Na região vizinha da Tb mínima (80km), calcula-se a temperatura mais freqüente (Tmodal). Esta temperatura representa a temperatura do anvil. Sendo que estas temperaturas são utilizadas como delimitadores para a identificação de precipitação estratiforme;

O modelo 1D define a taxa de precipitação e a respectiva área de chuva: - No centro do pixel mais frio, começa-se assinalar o pixel convectivo e fazendo um espiral em volta deste ponto começa-se a assinalar os pixels convectivos até que a fração convectiva esteja completa; - Finalmente as temperaturas mais frias que a temperatura do anvil (estratiforme) que não receberam classificação convectiva são assinaladas como estratiforme e recebem uma taxa de precipitação de 2 mm/h.

The Operational GOES Infrared Rainfall Estimation Technique Vicente, G.A, R.A. Scofield, W.P. Menzel, 1998: The Operation GOES Infrared Rainfall Estimation Technique, Bull. Amer. Meteor. Soc., vol. 79, 9, 1883-1898.

Este artigo descreve a técnica operacional do National Environmental Satellite Data and Information Service (NESDIS) at the National Oceanic and Atmospheric Administration (NOAA) de estimativa de precipitação que utiliza dados de imagem de satélite no infra-vermelho e a saída de parâmetros meteorológicos do modelo de previsão do tempo ETA.   A técnica, conhecida com auto-estimador, tem como principal aplicação: a previsão de enchentes, modelos numéricos e para hidrologia operacional (uma ferramenta de complementação para com os dados do NEXRAD – 120 radares meteorológicos).

O Método utiliza as temperaturas de brilho do infravermelho do canal 4 (10.7 m) dos satélites GOES8 e GOES9, e as converte a partir de uma relação de potência para taxa de precipitação. A taxa de precipitação utilizada pela equação de potência foi estimada pelo radar (a qual é ajustado com pluviômetros). Além disso, a taxa de precipitação é ajustada para diferentes regimes de umidade, crescimento das células convectivas e gradientes espaciais das nuvens.

Metodologia:   Calcular a taxa de precipitação através de um regressão de potência; Utiliza os índices de umidade relativa e água precipitável do modelo ETA do National Centers for Environmental Prediction (NCEP); Separa pixels que estão chovendo ou não: - Crescimento e decaimento; - gradiente espacial;

a) Taxa de Precipitação X Tb   As taxas de precipitação estimadas pelo radar e ajustadas com pluviômetros (Região central dos US, Great Plains e Golfo do México) foram colocadas sobre a mesma projeção do satélite. Determina-se a distribuição de freqüências para Tb e R, uma vez que as duas variáveis não são totalmente correlacionadas. A partir desta distribuição correlaciona-se a distribuição de probabilidades, (PMM) e se ajusta uma curva. R = 1.1183x1011 exp{-3.6382x10-12 T1.2}

Como Funciona a PMM?

Para cada freqüência de Probabilidade obtemos o par correspondente de Taxa de Precipitação e Temperatura de Brilho

Cria-se uma tabela ou uma relação

Comparação entre a Taxa de Precipitação média estimada e a observada pelo radar meteorológico

b) Correção por umidade A aplicação de uma simples curva de regressão entre temperatura e precipitação pode gerar erros, uma vez que a relação entre a temperatura de topo da nuvem e precipitação na superfície varia com o tipo de chuva (tempestades, pancadas de chuva, linhas de instabilidade, frentes, nimbus, cumulus congestus e etc.), estação do ano, localidade, condições diversas nas camadas mais baixas, e etc;   Prevendo isso, Scofield em 1987 propôs uma correção na precipitação estimada a partir da umidade relativa.

Sendo que o fator de correção foi definido como sendo PWRH: PWRH é o produto da água precipitável (PW, em polegadas) (definido pela camada a partir da superfície até a altura de 500 mb) e a umidade relativa (RH, em %) média entre a superfície e o nível de 500 mb. Neste artigo, o fator PWRH é escalado para variar de 0 a 2: PWRH < 1  ambiente seco  Base das tempestades é bem alta; PWRH > 1  ambiente úmido   Este fator diminuirá a precipitação para ambientes secos e aumentará para ambientes úmidos.

Entretanto eles observaram que para temperaturas inferiores a 210 K, havia uma mudança muito rápida da taxa de precipitação. Sendo assim eles criaram 2 condições:   -         Se T < 210 K e PWRH > 1, a umidade do ambiente é bem alta, e precipitação não deverá ser multiplicada por PWRH; -         Se T < 200 K, a taxa de precipitação deverá ser limitada a 72 mm/h (isso se deve ao fato que os autores, argumentam que precipitações superiores a este valor estão associados a presença de granizo, e isso implicaria em um excessivo erro para precipitações que não possuem esta característica mesmo com temperaturas baixas)

c) Correção por taxa de crescimento da nuvem:   Esta correção é utilizada para discriminar os pixels que estão chovendo dos que não estão. Isto se baseia nos trabalhos de Woodley et al. (1972) e Scofield (1987), aonde eles observaram que as nuvens em processo de decaimento e nuvens com topos frios mas que tornam-se quentes produzem muito pouca precipitação ou nenhuma. O fator de correção neste caso será 0  sem chuva 1  com chuva

Como calcula-se este índice:   -         Se os pixels mais frios da primeira imagem são mais frios na segunda, o sistema convectivo está se intensificando e os pixels da primeira imagem são associados com taxas de precipitação intensa. Fator = 1 -         Se os pixels mais frios da primeira imagems são mais quentes na segunda, o sistema convectivo esta enfraquecendo e os movimentos verticais estão cessando. Fator = 0 -         Se não existe nenhuma mudança na temperatura do topo da nuvem em duas imagens consecutivas (sem crescimento ou decaimento) o Fator =1.

d) Correção pelo gradiente de temperatura:   A ideia é o de buscar os pixels que estão acima da média da nuvem, e assim identificar os pixels associados com convecção ativa. Para isso, tenta-se encontrar os topos de nuvem mais altos (frios) e mais baixos (quentes) centrados em áreas de 3x3 pixels, Po=(xo,yo). Definindo a temperatura do topo da nuvem como T = T(x,y), podemos calcular o Maximo e Mínimo a partir da primeira e da segunda derivada de T no espaço:

H > 0 e < 0  maximo; H > 0 e < 0  minimo; H < 0  não maximo e não minimo; H = 0  não se sabe

Logo o fator pode ser ajustado como:   Se Po é máximo, indica que a temperatura Po é mais fria que os vizinhos, Fator =1 -         Se Po é mínimo, indica que a nuvem é mais baixa e quente que os vizinhos, logo, Fator =0 -         Se Po não é nem mínimo nem máximo, indica que Po está na mesma altura que os demais, Fator = 0 -         Se Po não pode ser definido, o processo é recalculado a partir da média de 5x5 pixels

e) Cáculo da Precipitação final:   1-Versão taxa de crescimento: PPT = R(regressão) X Fator(PWRW) X Fator(Crescimento) 2-Versão gradiente: PPT = R(regressão) X Fator(PWRW) X Fator(Crescimento) X Fator(gradiente)

IR Radar IR+PWRH +Grad IR+PWRH IR+PWRH +Grad+Cres

Sferics Infrared Rainfall Technique Morales, C.A. and E.A. Anagnostou, 2003: Extending the Capabilities of High-Frequency Rainfall Estimation from Geostationary-Based Satellite Infrared via a Network of Long-Range Lightning Observations. J. Hydrometeorology, vol. 4, 141-159.

Esta estimativa de precipitação é baseada a partir de medidas de raios e GOES-IR ajustado com os dados do radar meteorológico TRMM

Hipóteses Raios estão associados com partículas de gelo; Area de chuva e fração convectiva são funções da area da nuvem e da cobertura de raios; Tempestades e Pancadas de chuva possuem diferentes propriedades e consequentemente tem distribuições de precipitação distintas. Reprodução da distribuição de precipitação observada pelo TRMM-PR

Composição do IR e TRMM-PR

Algorítimo de Estimativa de Precipitação Area de Nuvem Tb, Raios, Achuva Area: Cv,St,O Extração dos dados em nuvens precipitantes Construir banco de dados de Raio, GOES-IR e TRMM-PR Obter as relações de Area de Chuva e Fração Cv e St Para nuvens LTG e NLTG Nuvens LTG-NLTG Terra-Mar Dependencia em intervalos de Tmode Convectiva E Stratiforme PPT depende Tmode, Terra, Mar, LTG e NLTG Obter as relações de Taxa de PPT em função da Tb e Freq. Raios Dez 97 e Jan 98 = 631 Orbitas do PR 366 LTG e 3103 NLTG usadas na calibração

Determinando Area de PPT e as Taxas de PPT LTG Usar as relações de RCv-Raios em função da Freq. de raio para os pixels com raios e RCv e RSt em função de Tb para demais pixels classificados NLTG Usar as relações de RCv e RSt em função de Tb para os pixels classificados Determinando Area de PPT e as Taxas de PPT Definir Nuvens com Tb< 258 K Calcular Tmode Classificar LTG e NLTG Calcular a Area de PPT Calcular a Fração Cv, St Obter o indice de histogramas de Tb LTG Classificar primeiro com indices Cv os pixels com Raio e depois para os pixels com IR-Tb mais baixas até se atingir a %PPT-Cv Posteriormente, assinalar indices St para o resto dos pixels até atingir area total de chuva NLTG Classificar primeiro com indices CV os pixels com as Tb mais baixas até se atingir a %PPT-Cv. Posteriormente, assinalar indices St para o resto dos pixels até atingir area total de chuva Depois que as Nuvens foram classificadas como regiões Cv e St, o programa carrega as relações de taxa de ppt de acordo com Tmode, Terra/Mar e LTG/NLTG

Resultados Define-se o algorítimo de estimativa de precipitação: Sferics Infra-Red Technique - SIRT TRMM-PR durante Fevereiro de 1998; - Area de Chuva, Chuva Volumétrica e ; - Taxa de Precipitação instantânea . Pluviometros (Dezembro de 1997 ate Fevereiro de 1998) - Distribuições de Probabilidade; - Ciclo diário; - Estimativas Mensais. Avaliação da assimilacão de medidas de raios - Comparacões com o TRMM-PR e Pluviometros .

Comparações entre TRMM - PR e SIRT Area da Análise : 125W-45W and 40N-10S

TRMM-PR: Area de Chuva

TRMM-PR: Chuva Volumétrica

Distribuição da taxa de precipitação Tempestades TRMM-PR Distribuição da taxa de precipitação TRMM-PR SIRT Pancadas de Chuva

TRMM-PR: Ciclo Diário – Taxa de Precipitação SIRT

Comparação com Pluviometros

Distribuição de Probabilidade e Ciclo Diário Pluviometros SIRT

Precipitação Média Mensal 1x1 graus2 2x2 graus2 Bias=2.4% Bias = 0.27%

Análise da utilização de medidas de Raios Comparação com o TRMM PR Comparação com os Pluviometros