Um estudo inter-comparativo de previsão sazonal estatística-dinâmica de precipitação no nordeste do Brasil

Please download to get full document.

View again

All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
 13
 
  Despite significant advances of the dynamic atmosphere models over the last decades of the 20th century, the empirical atmospheric models have been widely used due mostly to both its general applicability and its little dependence on the
Share
Transcript
  Revista Brasileira de Meteorologia, v.22 , n.3 , 354-372, 2007 UM ESTUDO INTER-COMPARATIVO DE PREVISÃO SAZONAL ESTATÍSTICA-DINÂMICA DE PRECIPITAÇÃO NO NORDESTE DO BRASIL JOSÉ MARIA BRABO ALVES 1,2 , ALEXANDRE ARAÚJO COSTA 1,3 , SÉRGIO SOUSA SOMBRA 1 , JOSÉ NILSON BEZERRA CAMPOS 1,2 , FRANCISCO DE ASSIS DE SOUZA FILHO 1 , EDUARDO SÁVIO PASSOS RODRIGUES MARTINS 1 , EMERSON MARIANO DA SILVA 3 , ANTÔNIO CARLOS SANTANA DOS SANTOS 3 , HUMBERTO A. BARBOSA 1 , WAGNER LUIS BARBOSA MELCIADES 1 , DAVID FERRAN MONCUNNIL 1 1 Fundação Cearense de Meteorologia e Recursos Hídricos (FUNCEME)Av. Rui Barbosa, 1246, Fortaleza-CE, CEP: 60.115-221 - brabo@funceme.br  2 Universidade Federal do Ceará (UFC), Centro de Tecnologia, Departamento de Engenharia Hidráulica e Ambiental. 3 Universidade Estadual do Ceará (UECE), Departamento de Física, Fortaleza-CERecebido Abril 2006 - Aceito Junho 2006 RESUMO Apesar dos avanços da modelagem dinâmica da atmosfera nas últimas duas décadas do século 20 as aplicações com modelagem empírica ainda têm sido muito utilizadas em função do seu fácil uso e pouca dependência de recursos computacionais. Neste estudo é mostrada uma comparação dos resultados de simulação de precipitação para o Nordeste do Brasil (NEB) - 1971-2000 obtido por modelagem dinâmica de grande escala e regional ( downscaling  ) e a previsão de um método de modelagem empírica  K´neigbhors . Foram usados o modelo de circulação geral da atmosfera  ECHAM4.5 , e dois modelos regionais, o Modelo Regional Espectral (MRE/97) do  National Centers for Atmospheric  Prediction- NCEP   e o  Regional Atmospheric Model System (RAMS)  desenvolvido na Universidade do Colorado. Os modelos regionais foram aninhados aos dados simulados pelo  ECHAM4.5  tendo como condição de contorno a Temperatura da Superfície do Mar observada no período de fevereiro a maio. Os resultados mostraram que o modelo empírico apresentou menor erro absoluto nos períodos fevereiro a abril (FMA) e março a maio (MAM) que os modelos dinâmicos em áreas do no norte do Maranhão e Piauí, oeste e sul do Ceará, centro-sul do Piauí e oeste e nordeste da Bahia. Quanto ao bias,  o  ECHAM4.5  e o MRE/97 mostraram um bias  úmido em grande parte do NEB, porém com um valor médio para o setor norte do NEB (2ºS-12ºS e 45ºW-37ºW) mais próximo do observado. Para o  RAMS   e o método análogo houve um predomínio de um bias  seco sobre o NEB, com valores em magnitudes mais distantes do observado. A previsibilidade (  Heidke Skill  ) em três categorias Seca (S),  Normal (N), Chuvosa (C), mostrou que o método análogo tem baixo Skill  , entre 0,1 e 0,3 em todas as categorias, enquanto os modelos dinâmicos apresentaram Skill   superiores, com valores maiores para as categorias S e C (da ordem de 0,4 a 0,5), até superiores a 0,6 em algumas áreas do setor norte do  NEB para a categoria C como visto nos resultados dos modelos  ECHAM4.5  e MRE/97. Palavras-Chave : Análogos, Previsibilidade, Redução de escala. ABSTRACT: A STUDY INTER-COMPARATIVE OF STATISTICAL-DYNAMICAL SEASONAL FORECAST PRECIPITATION IN NORDESTE´S BRAZIL.Despite significant advances of the dynamic atmosphere models over the last decades of the 20 th  century, the empirical atmospheric models have been widely used due mostly to both its general applicability and its little dependence on the computational resources. This study is show comparison of precipitation simulation to Northeast Brazil (NEB) – 1971-2000 from large scale dynamical modeling and regional model (downscaling) and the forecast of empirical modeling (  K- nearest-neighbor (k-NN). Were user the general circulation model ECHAM4.5 together two regional models, the Regional Spectral Model (RSM/97) from the National Centers for Atmospheric Prediction-NCEP  and the Regional Atmospheric Model System (RAMS) developed at Colorado State University. The regional models were nested in ECHAM4.5, forced with the observed Sea Surface Temperature as a  boundary condition, for the period from February to May. The results show that the empirical model  presented a smaller absolute error than the dynamic models for the periods February to April (FMA) and March to May (MAM) in isolated areas of the north of Maranhão and Piauí states, west and south of Ceará, center-south of Piauí and west and northeast of Bahia state. Regarding model biases, ECHAM4.5 and the RSM/97 produced, to a large extent, a humid bias over large areas of NEB, however with an average precipitation for the northern sector of NEB (2ºS-12ºS and 45ºW-37ºW) close to the observations. RAMS and the analog method had a dominance of a dry bias over NEB, with precipitation totals below the observed values. The model skills (using the Heidke score) were evaluated for three categories Dry (S), Normal (N), Rainy (C), showed that the analogous method has low skills, between 0,1 and 0,3 in all categories, while dynamic models presented superior skills, with larger values for categories S and C (of the order of 0,4 the 0,5), exceeding 0,6 in some areas of the northern sector of NEB for category C as seen in the models ECHAM4.5 and RSM/97 models. Keywords : Analogs, Previsibility, Downscaling. 1. INTRODUÇÃO Técnicas que abordam a previsão de eventos climáticos evoluíram significativamente nesses últimos 20 anos. Revisões sobre o desempenho de previsões dinâmicas e empíricas  podem ser encontradas em Hastenrath (1985), (1990), (1995), (1995a), (1995b), (1996), (2002), Palmer e Anderson (1994); Carson (1998), Latifi et al. (1998), Anderson et al. (1999) e Goddard et al. (2001). O desenvolvimento da modelagem dinâmica com o aperfeiçoamento dos modelos numéricos de circulação geral da atmosfera (MCGAs), e os modelos regionais de escala espacial limitada (MRs) têm contribuído para diag-nosticar e prever eventos meteorológicos de tempo e clima em várias áreas do globo com melhor desempenho (Giorgi e Bates, 1989; Giorgi, 1990; Cavalcanti et al., 2002; Chou et al., 2002; Marengo et al., 2003, Nobre et al., 2001; Sun et al, 2005).Apesar do avanço da modelagem dinâmica o seu custo financeiro ainda é relativamente alto, embora o aparato com- putacional tenha diminuído de preço ao longo dos anos. A modelagem numérica por MCGAs requer, geralmente, super-computadores quase nem sempre disponíveis na maioria dos centros operacionais de meteorologia. Modelagem por MRs são menos dispendiosas, mas em geral necessitam de clusters de computadores pessoais (Pcs) e analistas/especialistas em modelagem numérica. Além disso, a modelagem dinâmica requer uma alimentação de dados em tempo real de variáveis atmosféricas e de superfície que em algumas situações não estão disponíveis. Basicamente, são utilizados dois tipos de modelos na modelagem atmosférica. Os MCGAs, que são modelos globais (resolução espacial igual ou acima de 250 quilômetros) e os modelos regionais (MRs) que são modelos de área limitada, com resolução variável da ordem de dezenas de quilômetros. Esses MRs, por serem de área limitada, também incorporam, ou podem incluir, características mais refinadas da região de interesse, como topografia, vegetação, solo, etc. Além da reso-lução de processos físicos, por exemplo, balanço de radiação em nuvens, microfísica de nuvens, etc., que nos MCGAs são  parametrizados. No que se refere ao desempenho é esperado que os dos MRs sejam superiores do que os MCGAs. Nos últi-mos anos, uma nova técnica chamada de downscaling  , que usa MRs aninhados a MCGAs, apresentou resultados promissores na configuração e intensidade de variáveis atmosféricas para escalas regionais, nas quais os MCGAs têm pouca sensibilidade (Giorgi e Bates, 1989; Nobre et al., 2001; Sun et al., 2005; Alves et al. 2003, 2005).Uma alternativa a modelagem dinâmica para estudos diagnósticos e de previsão de variáveis meteorológicas, devido a sua facilidade de aplicação, tem sido o uso de técnicas estatístico-estocásticas. Essas técnicas tentam predizer o estado de uma ou mais variáveis atmosféricas tendo como bases relações entre essas variáveis que guardam algum sinal físico entre as mesmas. Muitos estudos na literatura meteorológica têm mostrado que o uso das técnicas estatístico-estocásticas como métodos de  prognósticos apresentaram resultados com um melhor desem- penho do que os advindos da modelagem dinâmica. Nessa linha têm destaque os estudos de Barnston et al. (1994, 1999), Anderson et al. (1999) e Bamzai e Shukla (1999), Greischar e Hastenrath (2000). Mais específico, para o Nordeste do Brasil (NEB), alguns estudos de modelagem estatístico-estocástica têm mostrado que esta tem melhor desempenho do que os resultados da modelagem dinâmica para a previsão de chuva sazonal nessa região. Folland et al. (2001), compararam vários resultados de  previsão estatístico-estocástica de precipitação para o NEB, usando diferentes preditores para um período de quatro anos, Dezembro 2007 Revista Brasileira de Meteorologia 355  356 José Maria Brabo Alves et al. Volume 22(3)com resultados de modelagem numérica e observaram que os seus resultados da modelagem não superaram o desempenho do modelo empírico. Moura e Hasteranth (2004), apresentaram uma compara-ção entre a previsão de chuva (período de março a junho) para o NEB, resultante de uma modelagem empírica desenvolvida na Universidade de Wisconsin (Hastenrath e Greischar, 1993a, 1993b) e os resultados de um MCGA (  ECHAM4.5 ) para um  período de 1968-2002. Seus resultados, também, mostraram um melhor desempenho do modelo empírico em relação ao modelo numérico. Souza Filho e Lall (2003 e 2004) desenvolveram metodologia semi-paramétrica para a previsão de vazões apli-cando a técnica dos K’ vizinhos (  K´neighbors ). Estes autores observaram que havia previsão nestes artigos a partir de Julho, isto é, seis (6) meses antes da estação chuvosa.Os estudos que utilizam aproximações por  K´neighbors  têm sido muito usados em simulação e previsão de variáveis atmosféricas e hidrológicas pela facilidade de sua aplicação. Essa técnica basicamente simula ou prevêem variáveis com  base na relação com outras variáveis e com a sua própria característica observada em anos passados (Souza Filho e Lall, 2003; Lall e Sharma, 1996). Young (1994) apresentou um estudo de re-amostragem de simulações de séries diárias de temperatura máximas e mínimas e precipitação usando a técnica de  K´neighbors. Lall e Sharma (1996) discutiram uma aproximação por  K´neighbors  para gerar séries hidrológicas temporais. Rajagopalan e Lall (1999) usaram o algoritmo de Lall e Sharma (1996) para geração de precipitação diária e outras cinco variáveis atmosféricas. A técnica de  K´neighbors  mostrou-se capaz de reproduzir várias estatísticas simples e a distribuição de dias secos e chuvosos da precipitação. Uma simulação diária  para vários locais, na bacia do Rio Reno, usando  K´neighbors,  para precipitação e temperatura foi discutida em Buishand e Brandsma (2001).O objetivo desse estudo é comparar a previsão de chuva trimestral fevereiro-março-abril (FMA), março-abril-maio (MAM) e fevereiro-março-abril-maio (FMAM), obtida de um método de modelagem empírica (  K´neigbhors ), com a de mode-los dinâmicos (um MCGA –  ECHAM4.5 , e de MRs aninhados ( downscaling  ) ao  ECHAM4.5 , o Modelo Regional Espectral (MRE/97) e  RAMS   (  Regional Atmospheric Model System ). 2. DADOS E METODOLOGIA2.1. Dados de Precipitação Dados contínuos de precipitação para grandes períodos de anos, com um extenso número de estações, com boa qualidade e com elevada cobertura espacial ainda são escassos sobre o NEB e Atlântico Tropical (Silva Filho, 2005). Os dados usados nesse estudo para servirem como fonte observacional e de comparação com os resultados da modelagem estatístico-estocástica e dinâ-mica tiveram como base uma composição de vários conjuntos observacionais. O objetivo foi tentar diminuir os problemas men-cionados acima. A base foi o arquivo disponível na Universidade de  East Anglia  ( UEA ) no reino Unido (New et al., 2000). Estes dados foram compilados com o uso de mais de 19.800 estações de observações ao longo do globo e interpolados para uma grade global de 0,5º de latitude e longitude, com um acurado controle de qualidade e estão disponíveis como totais mensais desde 1901-1996, mas somente o período de 1971-1996 foi usado nesse estudo, sendo os mesmos interpolados para a grade dos modelos  ECHAM4.5 , MRE/97 e  RAMS  . Adicionalmente a esse conjunto de dados da UEA foram usados totais de precipitação sobre o Brasil do Instituto Nacional de Meteorologia (INMET) interpolada para uma grade 0,25º de latitude e de longitude, para um período de 1994-2000. Estes dados do INMET foram também interpolados para a mesma grade dos modelos acima mencionados. Algumas estações de observações que serviram de base para formação desse arquivo de dados do INMET são diferentes das do conjunto de dados da UEA, e a densidade de estações usadas também foi maior do que da UEA . Entretanto com um controle de qualidade inferior (Sun et al., 2005). Nos pontos de grade onde havia dados dos dois conjuntos esses receberam pesos iguais na sua utilização. Após este procedimento este conjunto de dados foi novamente interpolado espacialmente (pelo método do inverso do quadrado da distância) para a grade do modelo  RAMS   (aproximadamente com uma resolução de 1º x 1º de latitude e longitude sobre a região do NEB). 2.2. Técnica Estatístico-Estocástica Usada no Estudo Foi usado um método estatístico-estocástico que tem como base a relação entre essa precipitação no NEB e variáveis climáticas que são observadas nos Oceano Pacífico e Atlântico Tropical (Hastenrath e Heller, 1977; Moura e Shukla, 1981,  Nobre e Shukla, 1996). O método utilizado, com o uso das informações de  preditores climáticos, foi similar aos usados por Souza Filho e Lall (2003) e Cardoso (2003). Os chamados preditores climá-ticos, em geral, são previamente conhecidos (Moura e Shukla, 1981) sendo atribuídos pela relação entre suas variabilidades e a precipitação ao longo de anos.Após as análises de correlações, em função dos pre-ditores e precipitação no NEB, foram escolhidas áreas que apresentaram as maiores correlações, essas foram usadas na identificação dos análogos. As regiões selecionadas foram: Niño 3 (definida como a anomalia de temperatura média mensal da superfície do mar na região do Pacífico Equatorial entre 150 o W e 90 o W e 5 o S e 5 o  N) e um gradiente de temperatura da superfície do mar (TSM) do Atlântico Tropical (GAT) definida como a  Dezembro 2007 Revista Brasileira de Meteorologia 357diferença na média mensal da anomalia de TSM na região do Atlântico Norte (5-20 o  N, 60-30 o W) e a média mensal da região do Atlântico Sul (0-20 o S, 30 o W-10 o E). Essas áreas coincidem com as que têm maior impacto nas chuvas do NEB (Moura e Shukla, 1981; Uvo et al; 1998). A este gradiente de TSM chama-se também de dipolo de TSM do Atlântico Tropical. Quando o GAT é positivo apontando para o Atlântico Norte denomina-se o mesmo como dipolo positivo de TSM, contrário quando esse é negativo na direção sul chama-se o mesmo de dipolo negativo de TSM (Moura e Shukla., 1981). Os dados das anomalias de TSM nas áreas de Niño3 e do dipolo de TSM estão disponíveis no site do Climate Prediction Center  .A base metodológica dos chamados métodos dos vizi-nhos (  K-neighbors ) é explicada a seguir. A identificação do análogo tem como base o valor da distância Euclidiana (di) entre o valor do vetor dos preditores atuais x* e o valor dos preditores em sua série histórica x i , na seguinte forma: d x x i j i j j j2122 = − ( ) { == ∑  *,  . , (1)Onde: x*  é um vetor 1x2, x i  é um vetor 1x2 de preditores durante o i-ésimo ano usado. As distâncias assinalam a similari-dade da condição de preditor atual com cada uma das condições  passadas. Segundo Souza Filho e Lall (2003), com aplicação  posterior de Cardoso (2003) para a previsão de vazão e operação de reservatórios hídricos no estado do Ceará, o vetor distância d determina o conjunto de valores mais próximos aos preditores atuais x*  (correspondente ano de previsão), identificando a  posição em um ordenamento dos vizinhos mais próximos (o elemento j está associado ao j-ésimo x  mais próximo de x* ).A partir desse passo selecionam-se o número de vizinhos  K´s  a serem utilizados e suas respectivas funções pesos (ou  probabilidades) K(j) a ser associada a cada um dos K vizinhos. Abaixo são mostradas algumas funções pesos que podem ser utilizadas. K k   j ( )  =  1  (uniforme), (2) K  ji  jik  ( ) = = ∑ 11 1 , (Lall e Sharma, 1996), (3)Por exemplo, a formulação de Lall e Sharma (1996) calcula o peso pela posição em relação ao ano de previsão, isto é o peso do ano mais próximo é K(1)= (1/1)/(1/1+1/2+ ........ 1/nk). A função de peso K(j)=1/k distribui os pesos de forma uniforme, ou seja k(1)=1/nk. Esta última equação considera a distância Euclidiana entre o ano de previsão e cada um dos anos próximos. É importante mencionar que nosso estudo, os  K´s  foram identificados no mês de novembro, dois meses antes do início da estação chuvosa do norte do NEB (região de interesse para a previsão de chuva). Após a identificação dos  K´s , para cada ano entre 1971-2000, os 10  K´s  mais próximos das anomalias observadas em novembro para a região de Niño3 e para o dipolo de TSM no Atlântico Tropical foram usados como preditores. Nesse caso, como o análogo usado foi rela-tivo a novembro e a previsão de chuva é fevereiro a maio do ano seguinte, os somatórios dos trimestres FMA e MAM e do quadrimestre fevereiro, março, abril e maio (FMAM) do ano seguinte aos 10 análogos multiplicados pelas suas respectivas funções pesos (fórmulas 2 e 3), foi o valor do trimestre (quadri-mestre) prognosticado para o ano em questão entre 1971-2000. Os testes feitos nesse estudo mostraram que a função peso (2) obteve melhores resultados em relação ao observado, sendo a mesma usada para a previsão. 2.3. Sobre o MCGA e os Modelos Regionais Usados no Estudo 2.3.1. MCGA  ECHAM4.5  Segundo Sun et al. (2005) o AGCM usado neste estudo é o  European Comunity-Hamburg   (  ECHAM  ) versão 4.5. desen-volvido no Max Planck Institute for Meteorology and German Climate Computing Centre  (  DKRZ  ). Esse modelo é baseado no modelo de previsão de tempo do  European Centre for Medium  Range Weather Forecasts  (  ECMWF  ). Várias modificações têm sido aplicadas no  DKRZ   para melhorar a previsão climática, estando o mesmo atualmente na quarta geração. Uma detalhada descrição do  ECHAM4.5  pode ser encontrada em Roeckner (1996). O  ECHAM4.5  é um dos modelos usados operacional-mente na previsão climática sazonal no  International Research  Institute  (  IRI  ), e o mesmo tem tido bom desempenho na simula-ção da variabilidade climática sobre o nordeste da América do Sul ( http://iri.columbia.edu/forecast/skill/SkillMap.html  ). Na versão padrão do modelo o mesmo tem 19 níveis híbridos usados em um sistema de coordenadas de pressão-sigma. O domínio vertical estende-se até o nível de pressão de 10 hPa. Variáveis prognósticas são vorticidade, divergência, logaritmo de pressão a superfície, temperatura, umidade espe-cífica, razão de mistura e total de água de nuvem. Exceto para componentes de vapor o prognóstico das variáveis são repre-sentados por harmônicos esféricos com truncamento triangular no número de onda T42. O passo de tempo para a dinâmica e a física é de 24 minutos para a resolução horizontal T42. O passo de tempo para a radiação são duas horas. Os ciclos diurno e sazonal da forçante solar são simulados. Para o transporte de vapor d´água e água de nuvem um semi-lagrangeano esquema é usado. Os fluxos turbu-lentos de superfície são calculados através do Monin-Obukov bulk usando teoria da similaridade (Louis, 1981). Dentro e acima da camada limite atmosférica um esquema fechado de alta ordem é usado para computar a transferência turbulenta  358 José Maria Brabo Alves et al. Volume 22(3)de momento, calor, mistura e água de nuvem. Os coeficientes de difusão turbulenta são calculados como função da energia cinética turbulenta (E). O modelo de solo contempla os balan-ços de calor, água no solo, pacote de neve sobre o continente e  balanço de calor de gelo sobre o continente. Efeitos de vegetação tais como interceptações de chuva na copa das árvores e controles de evapotranspiração pelos estomatos são parametrizados. O esquema de estimativa do escoamento superficial tem como base a área de captação da bacia hidrográfica e leva em consideração as variações de sub-grade da capacidade máxima de armazenamento de água no solo (capacidade de campo) sobre áreas continentais não homogêneas. Parâmetros de superfície tais como albedo, rugosidade, tipo de vegetação, índice de área foliar e parâmetros de solo tais como, capacidade de armazenamento de água e condutividade térmica tem suas compilações segundo Claussen et al  ., 1994. As parametrizações de convecção cumulus (rasa, média e pro-funda) são baseadas no conceito de fluxo de Tiedtke (1989). Um conjunto de 10 integrações do  ECHAM4.5  forçadas com TMSs observadas foram executadas no IRI desde o início dos anos 40 até o presente. 2.3.2 - Modelo Regional Espectral (MRE/97) O MRE aqui usado é uma versão do MR de 1997 desen-volvidos no Centro de Modelagem de Meio Ambiente do  NCEP   desenvolvidos por Juang e Kanamitsu (1994). Uma importante característica do MRE é a resolução da perturbação dependente do tempo e o desempenho de alta ordem da computação que utiliza o método espectral. O MRE tem a mesma física do modelo espectral global (MEG) que é usado para previsão de médio prazo como descrito em Kanamitsu et al. (1991). Um importante avanço foi também endereçado na dinâ-mica do MR para manter a sua estabilidade computacional, uma opção de difusão local contida no MEG foi implementada no mesmo (Iridell e Purser, 1994). A mesma pode ser utilizada  para passos de tempo mais longos e faz uma checagem e difusão das áreas de ventos fortes que poderiam causar instabilidade computacional. Essa opção pode não ser ideal para previsão em áreas onde correntes de jato são importantes dinamicamente  para sistemas atmosféricos de curta duração, entretanto pode ser útil para estudos climáticos que requerem integrações mensais com MR de alta resolução. O MRE tem 18 níveis sigma na vertical, com as seguin-tes características físicas: radiação de onda longa e onda curta com variação diurna, interação com radiação de nuvem, uma camada na superfície com propriedades físicas da camada limite  planetária, arrasto por onda de gravidade, convecção cumulus tipo Arakawa-Shubert simplificada (Pan e Wu, 1994; Hong e Pan, 1996), convecção rasa e alguns processos hidrológicos (Kanamitsu, 1989). As parametrizações físicas são computadas a cada passo de tempo, exceto para a rotina de radiação que é chamada a cada 1 hora pelo MRE. Além disso, têm sido testado e implementado  pacotes físicos, particularmente, para parametrização de convec-ção (Juang et al  ., 1997). O MRE usa um modelo de solo de duas camadas descrito por Pan e Marth (1987). Esse modelo de solo é usado para descrever o papel da vegetação e sua interação com a umidade no solo em modificar as trocas entre a superfície-atmos-fera de fluxos de momento, energia e vapor d´água. 2.3.3.  Regional Modeling Atmospheric System (RAMS) O Sistema de Modelagem Atmosférica Regional,  RAMS   (  Regional Atmospheric Modeling System)  foi desenvolvido  pelo Departamento de Ciências Atmosféricas da Universidade Estadual do Colorado, USA. O modelo  RAMS   é muito flexí-vel e com muitas opções, podendo ser configurado para fazer simulações da circulação atmosférica em várias escalas de tempo e espaço, bem como diferentes resoluções horizontal e vertical. O modelo  RAMS   é do tipo euleriano (Pielke et al  ., 1992 e Tramback, 1990). A micro-física do  RAMS   é de volume, explícita, com esquema de um ou dois momentos. No primeiro esquema (usado neste estudo), a razão de mistura é prognosticada e a concen-tração ou tamanhos dos hidrometeoros são especificados. No segundo caso, tanto a razão de mistura como a concentração como o tamanho dos hidrometeoros é prognosticado. O pacote de microfísica contém sete classes de hidrometeoros (água de nuvem, água de chuva, cristais de gelo, neve, agregados, graupel e granizo, Walko et al., 1995). Um esquema radiativo acoplado a microfísica que compreende três bandas de radiação de onda curta e cinco de onda longa foi usado (Harrington, 1997; Olson et al., 1998). O esquema de superfície foi o LEAF-2, no qual diferentes tipos de vegetação podem ser introduzidos em cada coluna do modelo para representar a escala de sub-grade. O esquema de turbulência usado foi o de Mellor e Yamada (1975), devido à grade do estudo ser de dezenas de quilômetros (seção 2.4).O modelo é escrito em coordenado vertical sigma, que segue o contorno da topografia. Maiores detalhes da física do Modelo  RAMS   são encontrados em Pielke et al.  (1992) e Tremback (1990). O modelo emprega os esquemas  Leapfrog  , avançado-recuado ou a combinação híbrida na resolução de suas equações. Maiores detalhes de todos os processos físicos envolvidos nesse sistema de modelagem e suas opções de uso  podem ser encontrados em Chen e Cotton (1983, 1987), Har-rington (1997); Walko et al., (1995), Walko (2000) e outros. Segundo Costa (2006) o modelo  RAMS   foi usado com sucesso em simulações de convecção tropical e de latitudes médias (Alexander e Cotton, 1998; Ziegler et al., 1997; Olsson e Cotton, 1997; Nair et al., 1997 e Costa et al. 2001 a,b).
Related Search
Similar documents
View more
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks
SAVE OUR EARTH

We need your sign to support Project to invent "SMART AND CONTROLLABLE REFLECTIVE BALLOONS" to cover the Sun and Save Our Earth.

More details...

Sign Now!

We are very appreciated for your Prompt Action!

x