SlideShare uma empresa Scribd logo
RESULTADOS PRELIMINARES SOBRE A VERIFICAÇÃO DAS PREVISÕES DO MODELO
WRF INSTALADO NO CPPMET: PREVISÃO X ANÁLISE
Elias Galvan de Lima1,2
Fabrício Pereira Härter 1,3
Jonas da Costa Carvalho1,4
Cláudia Rejane Jacondino de Campos1,5
1
Faculdade de Meteorologia, Universidade Federal de Pelotas (UFPel)
Campus Universitário s/n – Caixa Postal 354, Pelotas (RS), Brasil – CEP 96010-900
²elias.gl@hotmail.com
³fabricio.harter@ufpel.edu.br
4
jonas.carvalho@ufpel.edu.br
5
cjcampos@ufpel.edu.br
Abstract: This paper is inserted at project entitled "Avaliação do Modelo Numérico Weather Research and
Forecasting Model (WRF) Instalado no Centro de Previsão e Pesquisas Meteorológicas da UFPel (CPPMet)",
by this way the main target aims to quantify the WRF model erros. Focused on quality of the forecasting, the
methodology consist on calculate the bias between 24, 48 and 72 hours forecasting and the GFS objective
analysis. Bias it is a statistic concept used to express a sistematic error or tendenciousness, by this way, at
this paper the authors used the Bias of temperature, relative humidity, pressure and wind at the low and high
levels of the atmosphere wich are computed in a grid that covers the South of Brazil. By this research, the
authors will be able to identify regions of systematic errors of the model, by this way, is going to be possible to
know better the model behaviour. Based on a specific case study the authors concluded that the algorithm is
working properly, mainly for 24hrs and 48hrs forecast and the most ordinary erros are those associated with
maritime and land breeze. Finally, as soon as exist a significative sample of data the authors will be able to
reach more results and better results, since the sample will be greater.
Resumo: O presente trabalho está inserido no projeto intitulado "Avaliação do Modelo Numérico Weather
Research and Forecasting Model (WRF) Instalado no Centro de Previsão e Pesquisas Meteorológicas da
UFPel (CPPMet)", desta forma o principal objetivo é quantificar o erro do modelo WRF. Focado na qualidade
da previsão, a metedologia consiste em calcular o viés entre a previsão de 24, 48 e 72hrs com a análise
objetiva do Global File System (GFS). Viés é um conceito estatístico usado para expressar o erro sistemático
ou a tendenciosidade, desta forma neste trabalho os autores usaram o viés dos campos de temperatura,
umidade relativa, pressão e vento em altos e baixos níveis da atmosfera, esses campos foram computados
numa grade que cobre o sul do Brasil. Através desta pesquisa, os autores estarão capacitados para
identificar regiões de erros sistemáticos do modelo, desta forma, será possível conhecer melhor o
comportamento do modelo. Baseados em um caso especifico estudado, os autores concluíram que os
algoritmos estão funcionando bem, principalmente para as previsões de 24 e 48hrs e os erros mais
comumente identificados são aqueles associados com brisa marítima ou brisa terrestre. Em fim, assim que
existir uma amostra significante de dados, os autores estrão possibilitados de alcançar mais dados e com
mais qualidade, uma vez que a amostra será maior.
1- Introdução
O Centro de Pesquisas e Previsões Meteorológicas (CPPMET) da UFPel, disponibiliza
diariamente à sociedade, produtos gerados pelo sistema previsor de tempo baseado no The
Weather Research and Forecasting Model (WRF). Este sistema previsor é composto por três
fases: (1) construção da condição inicial e de fronteiras para integração do modelo; (2)
processamento do modelo e (3) avaliação dos resultados, elaboração de gráficos e envio para
Web Page.
Embora modelos numéricos de equações primitivas, tais como o WRF, sejam
ferramentas extremamente úteis na previsão de tempo, apresentam erros intrínsecos. Estes erros
têm varias causas, tais como, imperfeição do método numérico que aproxima as equações
diferenciais por equações de diferenças finitas, resolução da grade, dificuldade em representar os
termos não-lineares das equações do modelo e erros nos dados observados usados na
elaboração da condição inicial. Neste trabalho, apresentam-se resultados parciais sobre a
verificação do modelo WRF em ponto de grade do modelo, ou seja, comparando-se a previsão
com a análise GFS, interpolada para a resolução, coordenada e níveis verticais configurados na
implementação em questão do WRF, conforme Härter (2008).
Verificação da previsão é o procedimento pelo qual se avalia a qualidade da previsão.
Este processo não se limita a ciências atmosféricas, como previsão de tempo e clima. Portanto,
tem sido desenvolvido paralelamente em outras áreas, tais como biologia, economia e
engenharias (Wilks, 2006).
Destacam-se três razões que tornam o procedimento de verificação importante: (1)
monitorar a qualidade da previsão: quantificar o quanto precisa é a previsão e se a mesma está
melhorando com o tempo; (2) melhorar a qualidade da previsão: investigar a causa dos erros é um
passo importante para a melhoria da qualidade de previsão; (3) comparar a previsibilidade de
diferentes sistemas previsores: julgar em que sentido um sistema é melhor do que outro.
De acordo com Murphy (1993), a previsão pode ser avaliada segundo três
características: (1) consistência: significa avaliar o quanto a previsão objetiva (fornecida pelo
modelo determinístico ou estocástico) corresponde a previsão subjetiva (elaborada com base na
interpretação do previsor); (2) qualidade: avalia-se em que grau a previsão corresponde ao que
“realmente” ocorreu na natureza [Ehrendorfer e Murphy (1992), Krzysztofowicz e Long (1991)] e;
(3) valor: avalia o benefício de ordem econômica e humano obtido em decorrência da previsão.
Observa-se que a qualidade e o valor estão diretamente relacionados, embora sejam
conceitos bem diferentes. Uma previsão de alta qualidade é a que prevê as condições observadas
na atmosfera. Esta previsão terá valor, se o tomador de decisão fizer bom uso da mesma. Ilustra-
se a relação qualidade x valor através dos exemplos a seguir. Imaginemos a situação em que o
modelo de previsão indica o desenvolvimento de uma tempestade isolada em uma determinada
região e a tempestade ocorre numa região vizinha. De acordo com a maioria dos sistemas de
avaliação, a qualidade da previsão será baixa, mas mesmo assim terá um benefício social
importante, pois ajuda ao previsor a alertar moradores de áreas vizinhas. Um contra-exemplo é a
previsão de céu claro sobre o deserto de Sahara. Esta previsão tem alta qualidade e pouco valor.
Uma vez que o interesse maior deste trabalho é avaliar uma ferramenta utilizada para
fazer a previsão, ou seja, o modelo numérico, o foco deste trabalho é a qualidade da previsão.
Nesta pesquisa se calcula a métrica estatística Viés para avaliar a qualidade da previsão do WRF.
2- Dados e metodologia
Este trabalho está inserido no projeto intitulado “Avaliação do Modelo Numérico WRF
Instalado no Centro de Previsão e Pesquisas Meteorológicas (CPPMET)”, que visa quantificar o
viés e os erros do WRF instalado no CPPMET. O projeto prevê que a estatística seja calculada
primeiramente para um período de 12 meses, onde se visa avaliar a performance do modelo nas
quatro estações do ano de 2009.
Neste trabalho apresenta-se o resultado de um caso, útil para avaliarmos se os
algoritmos estão adequadamente escritos.
O WRF é um modelo de equações primitivas desenvolvido pelo National Center for
Atmospheric Research (NCAR) em colaboração com o National Centers for Environmental
Prediction/ National Oceanic and Atmospheric Administration (NCEP/NOOA) e o Forecast Systems
Laboratory (FSL). O WRF constitui um sistema de previsão numérica de tempo de última geração,
podendo ser implementado em várias arquiteturas de computadores, suportando diferentes
diretivas de paralelismo e pode ser integrado tanto no modo hidrostático como não-hidtrostático.
Neste trabalho é utilizada a versão 3.2 do WRF, integrado por 72 horas no modo
hidrostático com resolução horizontal de 20 km, 28 níveis verticais (27 níveis mais a superfície),
modelo de solo com 4 camadas e passo de tempo de 2 minutos. As condições iniciais e de
fronteira são obtidas do Global Forecast System (GFS), modelo global com aproximadamente 100
km de resolução horizontal e 64 níveis verticais integrado no National Oceanic and Atmospheric
Administration (NOAA).
As análises GFS tem resolução horizontal 100 km e são interpoladas para os níveis
verticais e para o sistema de coordenada vertical híbrida (pressão-sigma) do WRF. A metodologia
consiste em calcular o Viés entre as previsões de 24, 48 e 72 horas e as análises, através da
seguinte equação:
Onde:
P(i,j): representa a previsão do modelo WRF em cada ponto de grade (i,j), para cada nível
vertical;
A(i,j): representa a análise em cada ponto de grade (i,j), para cada nível vertical do
modelo, na coordenada híbrida do WRF, correspondente a previsão em cada ponto de grade (i,j).
Valores negativos de viés indicam regiões onde o modelo tende a subestimar os valores
das variáveis, enquanto valores positivos de viés indicam regiões onde o modelo tende a
superestimar os valores das variáveis. Viés zero é, uma vez que se considera a análise a verdade.
3- Resultados
Os resultados obtidos são aprestados nas Figuras 1 e 2 e discutidos a seguir. A Figura 1
refere-se às variáveis de superfície, exceto a Umidade Relativa (UR), cujo campo representa o
nível de 850 hPa. A primeira linha representa o viés da Pressão ao Nível Médio do Mar (PNM)
para previsão de 24, 48 e 72 horas. Abaixo tem-se a mesma situação para Temperatura do Ar à
2m, Vento a Superfície e Umidade Relativa (UR) do ar ao nível de 850 hPa. Nos experimentos
comentados, a análise é considerada a verdade terrestre, denominada de controle.
Analisando as imagens de PNM para a região sul percebe-se que o modelo para as
primeiras 24 superestimou o controle no oeste do Rio Grande do Sul e na serra catarinense.
Entretanto, subestimou no litoral de Santa Catarina e no norte do Paraná. Para previsão de 48 hrs
o modelo superestimou o controle em todo o oeste da região sul e serra catarinense. No litoral do
Paraná e Santa Catarina a verdade foi subestimada. Por fim, para previsão numérica de 72 hrs o
modelo superestimou a verdade para toda região sul de forma acentuada.
A respeito da variável temperatura a previsão apresenta um desvio padrão de 1°C. Em
todo oeste do Paraná, nas regiões adjacentes a Laguna dos Patos, Lagoa Mirim e Rio Iguaçu, e
regiões serranas o erro foi maior, supostamente devido a brisa de terra-mar e vale-montanha.
Para a previsão de 48 hrs o modelo subestimou a análise principalmente para metade sul do Rio
Grande do Sul, embora as outras regiões tenham apresentado um comportamento semelhante ao
da previsão de 24 hrs. Para previsão de 72 hrs o modelo superestimou o controle para todo Rio
Grande do Sul e Santa Catarina, destacando-se a serra gaúcha, o litoral catarinense e as regiões
adjacentes aos lagos.
Para o campo de vento, a previsão de 24 hrs, resulta em erro da ordem de 1m/s para
mais ou para menos, com exceção das regiões adjacentes a grandes áreas hídricas onde o
controle é superestimado. Para previsão de 48hrs a superestimativa do modelo se acentua nas
regiões adjacentes a extensas áreas de água. Ocorre uma leve subestimava dos ventos no centro
sul gaúcho. Para a previsão de 72hrs o modelo superestima excessivamente os dados do litoral de
Santa Catarina ao litoral do Rio de Janeiro. Entretanto, nas outras regiões o modelo o
superestimou o campo de vento na ordem de 4 m/s, sendo que no oeste do Paraná e Santa
Catarina o erro foi de 1 m/s.
Para o campo de Umidade Relativa (UR), as primeiras 24hrs de previsão o modelo
apresentou bons resultados, porém superestimou o controle no sul e oeste catarinense e nordeste
gaúcho. Para a previsão de 48hrs o modelo subestimou os dados no extremo sul e nordeste
gaúcho e superestimou a verdade na serra e região metropolitana do Rio Grande do sul. Nas
demais regiões analisadas o erro foi pequeno. Para a previsão de 72hrs o modelo superestimou
demasiadamente os dados do leste ao litoral gaúcho, enquanto nas outras regiões o modelo
apresenta bons resultados.
(a) (b) (c)
Figura 1: Viés de Pressão ao Nível Médio do Mar (hPa), Temperatura do Ar a 2m (
0
C),
Vento à Superfície (ms
-1
) e Umidade Relativa do Ar no Nível de 850 hPa, respectivamente, para
(a) 24, (b) 48 e (c) 72 horas de previsão.
Analisando os campos da Figura 2 temos, para a variável temperatura em altos níveis,
que o modelo superestimou o controle no noroeste e sudeste gaúcho e subestimou em todo o
litoral. Para as 48 hrs de previsão, o modelo subestimou a verdade em toda a Região Sul, mas de
forma mais acentuada no centro sul gaúcho. Assim, para a previsão de 72hrs, o modelo
subestimou numa média de 3°C toda a temperatura da Região Sul do Brasil.
Para a variável vento em altos níveis, são apresentados resultados que fogem do padrão
visto até aqui, pois os erros apresentados às 24 hrs são maiores do que os de 48 hrs e os de 72
hrs. No primeiro dia de previsão, o modelo subestima de forma mais acentuada o controle na
região sul do Paraná e nas demais áreas o viés diminui. Contudo, no segundo dia de previsão o
modelo superestima o vento sobre o Rio Grande do Sul e subestima sobre Santa Catarina e
Paraná.
Para a variável Umidade Relativa em altos níveis o modelo apresenta bons resultados,
apenas com uma leve super estimativa no sul do Rio Grande do Sul. Para as 48 hrs de previsão o
modelo resulta em uma super estimativa em toda fronteira do Rio Grande do Sul com Santa
Catarina e do Paraná com São Paulo. Para o terceiro dia de previsão o modelo fornece um erro
médio de 10% em toda região sul.
(a) (b) (c)
Figura 2: Temperatura (
0
C), Vento (ms
-1
) e Umidade Relativa do Ar no Nível de 200 hPa,
respectivamente, para (a) 24, (b) 48 e (c) 72 horas de previsão.
4- Conclusões
Modelos numéricos são importantes ferramentas para a previsão, pois tem
explicitamente o tempo como variável independente. Contudo, modelos numéricos não fazem
previsão de tempo, são ferramentas extremamente importantes no auxílio da previsão elaborada
pelo meteorologista. Ciente desta importância, inúmeras linhas de pesquisa são desenvolvida no
intuído de aprimorar os modelos numéricos. Para tal é necessário o conhecimento dos seus erros.
Neste artigo foi apresentado o Viés calculado entre o WRF e as análises GFS (interpoladas para
os níveis verticais e para o sistema de coordenada vertical híbrida (pressão-sigma) do WRF), para
todo o domínio de integração do modelo, abrangendo a Região Sul do Brasil. Um único evento
não é significativo para se avaliar a performance do modelo, por isso, o projeto no qual este
trabalho está inserido contempla que as verificação sejam feitas para o ano de 2009 e os
algoritmos fiquem continuamente quantificando os erros do modelo WRF instalado no
CPPMET/UFPel.
O intuito deste trabalho é testar se os algoritmos até o momento implementados na fase
de pós-processamento do modelo estão corretos. Conclui-se que o sistema está funcionando
adequadamente e que será possível avaliar a performance do WRF assim que haver uma amostra
significativa de integrações do mesmo.
5- Referências Bibliográficas
Wilks, D.S. Statistical Methods in the Atmospheric Sciences. San Diego: Elsevier, 2006. 627 p.
Ehrendorfer, M.; Murphy A.H. Comparative Evaluation of Weather Forecasting Systems:
Sufficiency, Quality and Accuracy. Monthly Weather Review, v. 116, p. 1757-1770, 1992.
HÄRTER, F.P.; Barros, F.J.G.; Braga, T.T.; Santos, R.R. ; Bonatti, G.R.; MOL, J.M.D.; Quixaba
Filho, F.; Alves, F.; Guedes, J. M. F. Um Sistema Previsor Baseado no WRF em Fase de Testes
no INMET. Boletim da Sociedade Brasileira de Meteorologia, v. 32, p. 35-41, 2008.
Krzysztofowicz, R.; Long, D. Forecast Sufficiency Characteristic: Construction and application.
International Journal Forecasting, v. 7, p. 39-45, 1991.
Murphy, A.H. What is a Good Forecast? An essay on the Nature of Goodness in Weather
Forecasting. Weather Forecasting, v. 8, p. 281-293,1993.

Mais conteúdo relacionado

Semelhante a Resultados Preliminares sobre a Verificacão das Previsões do Modelo WRF Instalado no CPPMET Previsão x Análise

Prof. Dr. Fabrício Härter
Prof. Dr. Fabrício HärterProf. Dr. Fabrício Härter
Prof. Dr. Fabrício Härter
Dafmet Ufpel
 
J. Bustamante - Ensemble Prediction
J. Bustamante - Ensemble PredictionJ. Bustamante - Ensemble Prediction
J. Bustamante - Ensemble Prediction
Decision and Policy Analysis Program
 
Proconf softwear confiabilidade
Proconf softwear confiabilidadeProconf softwear confiabilidade
Proconf softwear confiabilidade
Erico Pontes Melo
 
AVALIAÇÃO DO IMPACTO DA EFICÁCIA DO PLANEJAMENTO E CONTROLE NO DESEMPENHO DE ...
AVALIAÇÃO DO IMPACTO DA EFICÁCIA DO PLANEJAMENTO E CONTROLE NO DESEMPENHO DE ...AVALIAÇÃO DO IMPACTO DA EFICÁCIA DO PLANEJAMENTO E CONTROLE NO DESEMPENHO DE ...
AVALIAÇÃO DO IMPACTO DA EFICÁCIA DO PLANEJAMENTO E CONTROLE NO DESEMPENHO DE ...
Carla Barroso, MSc, MBA
 
M17 e39-comparacao dediferentesmetodosdeprevisaoe
M17 e39-comparacao dediferentesmetodosdeprevisaoeM17 e39-comparacao dediferentesmetodosdeprevisaoe
M17 e39-comparacao dediferentesmetodosdeprevisaoe
GMBotbot
 
Relatório I
Relatório IRelatório I
Relatório I
Marco Hidalgo
 
Construindo Previsões de Custo Final do Projeto Utilizando Análise de Valor A...
Construindo Previsões de Custo Final do Projeto Utilizando Análise de Valor A...Construindo Previsões de Custo Final do Projeto Utilizando Análise de Valor A...
Construindo Previsões de Custo Final do Projeto Utilizando Análise de Valor A...
Ricardo Viana Vargas
 
Ipaee capitulo0
Ipaee capitulo0Ipaee capitulo0
Ipaee capitulo0
Dharma Initiative
 
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
Danilo Max
 
Alessandra henriquesferreiravc
Alessandra henriquesferreiravcAlessandra henriquesferreiravc
Alessandra henriquesferreiravc
Claudecir Garcia Martins
 
17.ago safira 11.35_212_cesp
17.ago safira 11.35_212_cesp17.ago safira 11.35_212_cesp
17.ago safira 11.35_212_cesp
itgfiles
 
Dissertacao ricardo guarnieri
Dissertacao ricardo guarnieriDissertacao ricardo guarnieri
Dissertacao ricardo guarnieri
Amanda Regina
 
IV PROJETO DO PRODUTO - Etapas PP - III ANÁLISE DE VIABILIDADE_PREVISÃO DE DE...
IV PROJETO DO PRODUTO - Etapas PP - III ANÁLISE DE VIABILIDADE_PREVISÃO DE DE...IV PROJETO DO PRODUTO - Etapas PP - III ANÁLISE DE VIABILIDADE_PREVISÃO DE DE...
IV PROJETO DO PRODUTO - Etapas PP - III ANÁLISE DE VIABILIDADE_PREVISÃO DE DE...
Thays J. Perassoli Boiko
 
Artigos_PREVISÃO DE DEMANDA DE NOVOS PRODUTOS MÉTODOS QUANTITATIVO E QUALITAT...
Artigos_PREVISÃO DE DEMANDA DE NOVOS PRODUTOS MÉTODOS QUANTITATIVO E QUALITAT...Artigos_PREVISÃO DE DEMANDA DE NOVOS PRODUTOS MÉTODOS QUANTITATIVO E QUALITAT...
Artigos_PREVISÃO DE DEMANDA DE NOVOS PRODUTOS MÉTODOS QUANTITATIVO E QUALITAT...
Thays J. Perassoli Boiko
 
Aula 3 metodos prescritivos
Aula 3   metodos prescritivosAula 3   metodos prescritivos
Aula 3 metodos prescritivos
UNAERP
 
Contribuições ao controle de variância minima generalizado: abordagem de proj...
Contribuições ao controle de variância minima generalizado: abordagem de proj...Contribuições ao controle de variância minima generalizado: abordagem de proj...
Contribuições ao controle de variância minima generalizado: abordagem de proj...
UFPA
 
Tutorial Ansys Workbench
Tutorial Ansys WorkbenchTutorial Ansys Workbench
Tutorial Ansys Workbench
Kaique Santos Teixeira
 
2015-CBQEE-VI
2015-CBQEE-VI2015-CBQEE-VI
2015-CBQEE-VI
Sergio Moraes
 
Artigo - Robson Eng Qual Turma 8
Artigo - Robson Eng Qual Turma 8Artigo - Robson Eng Qual Turma 8
Artigo - Robson Eng Qual Turma 8
Robson Luis Monteiro da Silva
 
GP4US - Tecnicas de estimativas essenciais na gestao de projetos
GP4US - Tecnicas de estimativas essenciais na gestao de projetosGP4US - Tecnicas de estimativas essenciais na gestao de projetos
GP4US - Tecnicas de estimativas essenciais na gestao de projetos
Jefferson Affonso - PMP®, ITIL®, MCTS®, MBA
 

Semelhante a Resultados Preliminares sobre a Verificacão das Previsões do Modelo WRF Instalado no CPPMET Previsão x Análise (20)

Prof. Dr. Fabrício Härter
Prof. Dr. Fabrício HärterProf. Dr. Fabrício Härter
Prof. Dr. Fabrício Härter
 
J. Bustamante - Ensemble Prediction
J. Bustamante - Ensemble PredictionJ. Bustamante - Ensemble Prediction
J. Bustamante - Ensemble Prediction
 
Proconf softwear confiabilidade
Proconf softwear confiabilidadeProconf softwear confiabilidade
Proconf softwear confiabilidade
 
AVALIAÇÃO DO IMPACTO DA EFICÁCIA DO PLANEJAMENTO E CONTROLE NO DESEMPENHO DE ...
AVALIAÇÃO DO IMPACTO DA EFICÁCIA DO PLANEJAMENTO E CONTROLE NO DESEMPENHO DE ...AVALIAÇÃO DO IMPACTO DA EFICÁCIA DO PLANEJAMENTO E CONTROLE NO DESEMPENHO DE ...
AVALIAÇÃO DO IMPACTO DA EFICÁCIA DO PLANEJAMENTO E CONTROLE NO DESEMPENHO DE ...
 
M17 e39-comparacao dediferentesmetodosdeprevisaoe
M17 e39-comparacao dediferentesmetodosdeprevisaoeM17 e39-comparacao dediferentesmetodosdeprevisaoe
M17 e39-comparacao dediferentesmetodosdeprevisaoe
 
Relatório I
Relatório IRelatório I
Relatório I
 
Construindo Previsões de Custo Final do Projeto Utilizando Análise de Valor A...
Construindo Previsões de Custo Final do Projeto Utilizando Análise de Valor A...Construindo Previsões de Custo Final do Projeto Utilizando Análise de Valor A...
Construindo Previsões de Custo Final do Projeto Utilizando Análise de Valor A...
 
Ipaee capitulo0
Ipaee capitulo0Ipaee capitulo0
Ipaee capitulo0
 
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
 
Alessandra henriquesferreiravc
Alessandra henriquesferreiravcAlessandra henriquesferreiravc
Alessandra henriquesferreiravc
 
17.ago safira 11.35_212_cesp
17.ago safira 11.35_212_cesp17.ago safira 11.35_212_cesp
17.ago safira 11.35_212_cesp
 
Dissertacao ricardo guarnieri
Dissertacao ricardo guarnieriDissertacao ricardo guarnieri
Dissertacao ricardo guarnieri
 
IV PROJETO DO PRODUTO - Etapas PP - III ANÁLISE DE VIABILIDADE_PREVISÃO DE DE...
IV PROJETO DO PRODUTO - Etapas PP - III ANÁLISE DE VIABILIDADE_PREVISÃO DE DE...IV PROJETO DO PRODUTO - Etapas PP - III ANÁLISE DE VIABILIDADE_PREVISÃO DE DE...
IV PROJETO DO PRODUTO - Etapas PP - III ANÁLISE DE VIABILIDADE_PREVISÃO DE DE...
 
Artigos_PREVISÃO DE DEMANDA DE NOVOS PRODUTOS MÉTODOS QUANTITATIVO E QUALITAT...
Artigos_PREVISÃO DE DEMANDA DE NOVOS PRODUTOS MÉTODOS QUANTITATIVO E QUALITAT...Artigos_PREVISÃO DE DEMANDA DE NOVOS PRODUTOS MÉTODOS QUANTITATIVO E QUALITAT...
Artigos_PREVISÃO DE DEMANDA DE NOVOS PRODUTOS MÉTODOS QUANTITATIVO E QUALITAT...
 
Aula 3 metodos prescritivos
Aula 3   metodos prescritivosAula 3   metodos prescritivos
Aula 3 metodos prescritivos
 
Contribuições ao controle de variância minima generalizado: abordagem de proj...
Contribuições ao controle de variância minima generalizado: abordagem de proj...Contribuições ao controle de variância minima generalizado: abordagem de proj...
Contribuições ao controle de variância minima generalizado: abordagem de proj...
 
Tutorial Ansys Workbench
Tutorial Ansys WorkbenchTutorial Ansys Workbench
Tutorial Ansys Workbench
 
2015-CBQEE-VI
2015-CBQEE-VI2015-CBQEE-VI
2015-CBQEE-VI
 
Artigo - Robson Eng Qual Turma 8
Artigo - Robson Eng Qual Turma 8Artigo - Robson Eng Qual Turma 8
Artigo - Robson Eng Qual Turma 8
 
GP4US - Tecnicas de estimativas essenciais na gestao de projetos
GP4US - Tecnicas de estimativas essenciais na gestao de projetosGP4US - Tecnicas de estimativas essenciais na gestao de projetos
GP4US - Tecnicas de estimativas essenciais na gestao de projetos
 

Mais de Elias Galvan

Happy Children Project
Happy Children Project Happy Children Project
Happy Children Project
Elias Galvan
 
Comparative Study of Wind Tunnel Tests and Full-Scale Damages Caused by a Dow...
Comparative Study of Wind Tunnel Tests and Full-Scale Damages Caused by a Dow...Comparative Study of Wind Tunnel Tests and Full-Scale Damages Caused by a Dow...
Comparative Study of Wind Tunnel Tests and Full-Scale Damages Caused by a Dow...
Elias Galvan
 
Full-scale downburst damage versus boundary layer wind tunnel pressures: a su...
Full-scale downburst damage versus boundary layer wind tunnel pressures: a su...Full-scale downburst damage versus boundary layer wind tunnel pressures: a su...
Full-scale downburst damage versus boundary layer wind tunnel pressures: a su...
Elias Galvan
 
Analysis of Downburst Occurrences in Brazil
Analysis of Downburst Occurrences in BrazilAnalysis of Downburst Occurrences in Brazil
Analysis of Downburst Occurrences in Brazil
Elias Galvan
 
Downburst Occurence in Brazil
Downburst Occurence in BrazilDownburst Occurence in Brazil
Downburst Occurence in Brazil
Elias Galvan
 
Análise da ocorrência de downbursts no Brasil
Análise da ocorrência de downbursts no BrasilAnálise da ocorrência de downbursts no Brasil
Análise da ocorrência de downbursts no Brasil
Elias Galvan
 
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
Elias Galvan
 
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
Elias Galvan
 
Poster - Estudo da Simulação Física de Downbursts e Análise da Ocorrência do ...
Poster - Estudo da Simulação Física de Downbursts e Análise da Ocorrência do ...Poster - Estudo da Simulação Física de Downbursts e Análise da Ocorrência do ...
Poster - Estudo da Simulação Física de Downbursts e Análise da Ocorrência do ...
Elias Galvan
 
Analysis of an environment favorable to the occurrence of Downburst
Analysis of an environment favorable to the occurrence of Downburst Analysis of an environment favorable to the occurrence of Downburst
Analysis of an environment favorable to the occurrence of Downburst
Elias Galvan
 
Análise de um Ambiente Favorável à Ocorrência de Downbursts
Análise de um Ambiente Favorável à Ocorrência de DownburstsAnálise de um Ambiente Favorável à Ocorrência de Downbursts
Análise de um Ambiente Favorável à Ocorrência de Downbursts
Elias Galvan
 
Estudo de um caso de dispersão de poluentes a partir de uma fonte pontual na...
Estudo de um caso de dispersão de poluentes a partir de uma fonte pontual na...Estudo de um caso de dispersão de poluentes a partir de uma fonte pontual na...
Estudo de um caso de dispersão de poluentes a partir de uma fonte pontual na...
Elias Galvan
 
Fenômeno la niña de maio de 2007 a abril de 2008 e a precipitação no rio ...
Fenômeno la niña de maio de 2007 a abril de 2008 e a precipitação no rio ...Fenômeno la niña de maio de 2007 a abril de 2008 e a precipitação no rio ...
Fenômeno la niña de maio de 2007 a abril de 2008 e a precipitação no rio ...
Elias Galvan
 

Mais de Elias Galvan (13)

Happy Children Project
Happy Children Project Happy Children Project
Happy Children Project
 
Comparative Study of Wind Tunnel Tests and Full-Scale Damages Caused by a Dow...
Comparative Study of Wind Tunnel Tests and Full-Scale Damages Caused by a Dow...Comparative Study of Wind Tunnel Tests and Full-Scale Damages Caused by a Dow...
Comparative Study of Wind Tunnel Tests and Full-Scale Damages Caused by a Dow...
 
Full-scale downburst damage versus boundary layer wind tunnel pressures: a su...
Full-scale downburst damage versus boundary layer wind tunnel pressures: a su...Full-scale downburst damage versus boundary layer wind tunnel pressures: a su...
Full-scale downburst damage versus boundary layer wind tunnel pressures: a su...
 
Analysis of Downburst Occurrences in Brazil
Analysis of Downburst Occurrences in BrazilAnalysis of Downburst Occurrences in Brazil
Analysis of Downburst Occurrences in Brazil
 
Downburst Occurence in Brazil
Downburst Occurence in BrazilDownburst Occurence in Brazil
Downburst Occurence in Brazil
 
Análise da ocorrência de downbursts no Brasil
Análise da ocorrência de downbursts no BrasilAnálise da ocorrência de downbursts no Brasil
Análise da ocorrência de downbursts no Brasil
 
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
 
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
Estudo para a Aplicação de Práticas Sustentáveis na Mobilidade Urbana do Muni...
 
Poster - Estudo da Simulação Física de Downbursts e Análise da Ocorrência do ...
Poster - Estudo da Simulação Física de Downbursts e Análise da Ocorrência do ...Poster - Estudo da Simulação Física de Downbursts e Análise da Ocorrência do ...
Poster - Estudo da Simulação Física de Downbursts e Análise da Ocorrência do ...
 
Analysis of an environment favorable to the occurrence of Downburst
Analysis of an environment favorable to the occurrence of Downburst Analysis of an environment favorable to the occurrence of Downburst
Analysis of an environment favorable to the occurrence of Downburst
 
Análise de um Ambiente Favorável à Ocorrência de Downbursts
Análise de um Ambiente Favorável à Ocorrência de DownburstsAnálise de um Ambiente Favorável à Ocorrência de Downbursts
Análise de um Ambiente Favorável à Ocorrência de Downbursts
 
Estudo de um caso de dispersão de poluentes a partir de uma fonte pontual na...
Estudo de um caso de dispersão de poluentes a partir de uma fonte pontual na...Estudo de um caso de dispersão de poluentes a partir de uma fonte pontual na...
Estudo de um caso de dispersão de poluentes a partir de uma fonte pontual na...
 
Fenômeno la niña de maio de 2007 a abril de 2008 e a precipitação no rio ...
Fenômeno la niña de maio de 2007 a abril de 2008 e a precipitação no rio ...Fenômeno la niña de maio de 2007 a abril de 2008 e a precipitação no rio ...
Fenômeno la niña de maio de 2007 a abril de 2008 e a precipitação no rio ...
 

Resultados Preliminares sobre a Verificacão das Previsões do Modelo WRF Instalado no CPPMET Previsão x Análise

  • 1. RESULTADOS PRELIMINARES SOBRE A VERIFICAÇÃO DAS PREVISÕES DO MODELO WRF INSTALADO NO CPPMET: PREVISÃO X ANÁLISE Elias Galvan de Lima1,2 Fabrício Pereira Härter 1,3 Jonas da Costa Carvalho1,4 Cláudia Rejane Jacondino de Campos1,5 1 Faculdade de Meteorologia, Universidade Federal de Pelotas (UFPel) Campus Universitário s/n – Caixa Postal 354, Pelotas (RS), Brasil – CEP 96010-900 ²elias.gl@hotmail.com ³fabricio.harter@ufpel.edu.br 4 jonas.carvalho@ufpel.edu.br 5 cjcampos@ufpel.edu.br Abstract: This paper is inserted at project entitled "Avaliação do Modelo Numérico Weather Research and Forecasting Model (WRF) Instalado no Centro de Previsão e Pesquisas Meteorológicas da UFPel (CPPMet)", by this way the main target aims to quantify the WRF model erros. Focused on quality of the forecasting, the methodology consist on calculate the bias between 24, 48 and 72 hours forecasting and the GFS objective analysis. Bias it is a statistic concept used to express a sistematic error or tendenciousness, by this way, at this paper the authors used the Bias of temperature, relative humidity, pressure and wind at the low and high levels of the atmosphere wich are computed in a grid that covers the South of Brazil. By this research, the authors will be able to identify regions of systematic errors of the model, by this way, is going to be possible to know better the model behaviour. Based on a specific case study the authors concluded that the algorithm is working properly, mainly for 24hrs and 48hrs forecast and the most ordinary erros are those associated with maritime and land breeze. Finally, as soon as exist a significative sample of data the authors will be able to reach more results and better results, since the sample will be greater. Resumo: O presente trabalho está inserido no projeto intitulado "Avaliação do Modelo Numérico Weather Research and Forecasting Model (WRF) Instalado no Centro de Previsão e Pesquisas Meteorológicas da UFPel (CPPMet)", desta forma o principal objetivo é quantificar o erro do modelo WRF. Focado na qualidade da previsão, a metedologia consiste em calcular o viés entre a previsão de 24, 48 e 72hrs com a análise objetiva do Global File System (GFS). Viés é um conceito estatístico usado para expressar o erro sistemático ou a tendenciosidade, desta forma neste trabalho os autores usaram o viés dos campos de temperatura, umidade relativa, pressão e vento em altos e baixos níveis da atmosfera, esses campos foram computados numa grade que cobre o sul do Brasil. Através desta pesquisa, os autores estarão capacitados para identificar regiões de erros sistemáticos do modelo, desta forma, será possível conhecer melhor o comportamento do modelo. Baseados em um caso especifico estudado, os autores concluíram que os algoritmos estão funcionando bem, principalmente para as previsões de 24 e 48hrs e os erros mais comumente identificados são aqueles associados com brisa marítima ou brisa terrestre. Em fim, assim que existir uma amostra significante de dados, os autores estrão possibilitados de alcançar mais dados e com mais qualidade, uma vez que a amostra será maior. 1- Introdução O Centro de Pesquisas e Previsões Meteorológicas (CPPMET) da UFPel, disponibiliza diariamente à sociedade, produtos gerados pelo sistema previsor de tempo baseado no The Weather Research and Forecasting Model (WRF). Este sistema previsor é composto por três fases: (1) construção da condição inicial e de fronteiras para integração do modelo; (2) processamento do modelo e (3) avaliação dos resultados, elaboração de gráficos e envio para Web Page. Embora modelos numéricos de equações primitivas, tais como o WRF, sejam ferramentas extremamente úteis na previsão de tempo, apresentam erros intrínsecos. Estes erros têm varias causas, tais como, imperfeição do método numérico que aproxima as equações diferenciais por equações de diferenças finitas, resolução da grade, dificuldade em representar os termos não-lineares das equações do modelo e erros nos dados observados usados na elaboração da condição inicial. Neste trabalho, apresentam-se resultados parciais sobre a verificação do modelo WRF em ponto de grade do modelo, ou seja, comparando-se a previsão com a análise GFS, interpolada para a resolução, coordenada e níveis verticais configurados na implementação em questão do WRF, conforme Härter (2008). Verificação da previsão é o procedimento pelo qual se avalia a qualidade da previsão. Este processo não se limita a ciências atmosféricas, como previsão de tempo e clima. Portanto,
  • 2. tem sido desenvolvido paralelamente em outras áreas, tais como biologia, economia e engenharias (Wilks, 2006). Destacam-se três razões que tornam o procedimento de verificação importante: (1) monitorar a qualidade da previsão: quantificar o quanto precisa é a previsão e se a mesma está melhorando com o tempo; (2) melhorar a qualidade da previsão: investigar a causa dos erros é um passo importante para a melhoria da qualidade de previsão; (3) comparar a previsibilidade de diferentes sistemas previsores: julgar em que sentido um sistema é melhor do que outro. De acordo com Murphy (1993), a previsão pode ser avaliada segundo três características: (1) consistência: significa avaliar o quanto a previsão objetiva (fornecida pelo modelo determinístico ou estocástico) corresponde a previsão subjetiva (elaborada com base na interpretação do previsor); (2) qualidade: avalia-se em que grau a previsão corresponde ao que “realmente” ocorreu na natureza [Ehrendorfer e Murphy (1992), Krzysztofowicz e Long (1991)] e; (3) valor: avalia o benefício de ordem econômica e humano obtido em decorrência da previsão. Observa-se que a qualidade e o valor estão diretamente relacionados, embora sejam conceitos bem diferentes. Uma previsão de alta qualidade é a que prevê as condições observadas na atmosfera. Esta previsão terá valor, se o tomador de decisão fizer bom uso da mesma. Ilustra- se a relação qualidade x valor através dos exemplos a seguir. Imaginemos a situação em que o modelo de previsão indica o desenvolvimento de uma tempestade isolada em uma determinada região e a tempestade ocorre numa região vizinha. De acordo com a maioria dos sistemas de avaliação, a qualidade da previsão será baixa, mas mesmo assim terá um benefício social importante, pois ajuda ao previsor a alertar moradores de áreas vizinhas. Um contra-exemplo é a previsão de céu claro sobre o deserto de Sahara. Esta previsão tem alta qualidade e pouco valor. Uma vez que o interesse maior deste trabalho é avaliar uma ferramenta utilizada para fazer a previsão, ou seja, o modelo numérico, o foco deste trabalho é a qualidade da previsão. Nesta pesquisa se calcula a métrica estatística Viés para avaliar a qualidade da previsão do WRF. 2- Dados e metodologia Este trabalho está inserido no projeto intitulado “Avaliação do Modelo Numérico WRF Instalado no Centro de Previsão e Pesquisas Meteorológicas (CPPMET)”, que visa quantificar o viés e os erros do WRF instalado no CPPMET. O projeto prevê que a estatística seja calculada primeiramente para um período de 12 meses, onde se visa avaliar a performance do modelo nas quatro estações do ano de 2009. Neste trabalho apresenta-se o resultado de um caso, útil para avaliarmos se os algoritmos estão adequadamente escritos. O WRF é um modelo de equações primitivas desenvolvido pelo National Center for Atmospheric Research (NCAR) em colaboração com o National Centers for Environmental Prediction/ National Oceanic and Atmospheric Administration (NCEP/NOOA) e o Forecast Systems Laboratory (FSL). O WRF constitui um sistema de previsão numérica de tempo de última geração, podendo ser implementado em várias arquiteturas de computadores, suportando diferentes diretivas de paralelismo e pode ser integrado tanto no modo hidrostático como não-hidtrostático. Neste trabalho é utilizada a versão 3.2 do WRF, integrado por 72 horas no modo hidrostático com resolução horizontal de 20 km, 28 níveis verticais (27 níveis mais a superfície), modelo de solo com 4 camadas e passo de tempo de 2 minutos. As condições iniciais e de fronteira são obtidas do Global Forecast System (GFS), modelo global com aproximadamente 100 km de resolução horizontal e 64 níveis verticais integrado no National Oceanic and Atmospheric Administration (NOAA). As análises GFS tem resolução horizontal 100 km e são interpoladas para os níveis verticais e para o sistema de coordenada vertical híbrida (pressão-sigma) do WRF. A metodologia consiste em calcular o Viés entre as previsões de 24, 48 e 72 horas e as análises, através da seguinte equação: Onde: P(i,j): representa a previsão do modelo WRF em cada ponto de grade (i,j), para cada nível vertical; A(i,j): representa a análise em cada ponto de grade (i,j), para cada nível vertical do modelo, na coordenada híbrida do WRF, correspondente a previsão em cada ponto de grade (i,j).
  • 3. Valores negativos de viés indicam regiões onde o modelo tende a subestimar os valores das variáveis, enquanto valores positivos de viés indicam regiões onde o modelo tende a superestimar os valores das variáveis. Viés zero é, uma vez que se considera a análise a verdade. 3- Resultados Os resultados obtidos são aprestados nas Figuras 1 e 2 e discutidos a seguir. A Figura 1 refere-se às variáveis de superfície, exceto a Umidade Relativa (UR), cujo campo representa o nível de 850 hPa. A primeira linha representa o viés da Pressão ao Nível Médio do Mar (PNM) para previsão de 24, 48 e 72 horas. Abaixo tem-se a mesma situação para Temperatura do Ar à 2m, Vento a Superfície e Umidade Relativa (UR) do ar ao nível de 850 hPa. Nos experimentos comentados, a análise é considerada a verdade terrestre, denominada de controle. Analisando as imagens de PNM para a região sul percebe-se que o modelo para as primeiras 24 superestimou o controle no oeste do Rio Grande do Sul e na serra catarinense. Entretanto, subestimou no litoral de Santa Catarina e no norte do Paraná. Para previsão de 48 hrs o modelo superestimou o controle em todo o oeste da região sul e serra catarinense. No litoral do Paraná e Santa Catarina a verdade foi subestimada. Por fim, para previsão numérica de 72 hrs o modelo superestimou a verdade para toda região sul de forma acentuada. A respeito da variável temperatura a previsão apresenta um desvio padrão de 1°C. Em todo oeste do Paraná, nas regiões adjacentes a Laguna dos Patos, Lagoa Mirim e Rio Iguaçu, e regiões serranas o erro foi maior, supostamente devido a brisa de terra-mar e vale-montanha. Para a previsão de 48 hrs o modelo subestimou a análise principalmente para metade sul do Rio Grande do Sul, embora as outras regiões tenham apresentado um comportamento semelhante ao da previsão de 24 hrs. Para previsão de 72 hrs o modelo superestimou o controle para todo Rio Grande do Sul e Santa Catarina, destacando-se a serra gaúcha, o litoral catarinense e as regiões adjacentes aos lagos. Para o campo de vento, a previsão de 24 hrs, resulta em erro da ordem de 1m/s para mais ou para menos, com exceção das regiões adjacentes a grandes áreas hídricas onde o controle é superestimado. Para previsão de 48hrs a superestimativa do modelo se acentua nas regiões adjacentes a extensas áreas de água. Ocorre uma leve subestimava dos ventos no centro sul gaúcho. Para a previsão de 72hrs o modelo superestima excessivamente os dados do litoral de Santa Catarina ao litoral do Rio de Janeiro. Entretanto, nas outras regiões o modelo o superestimou o campo de vento na ordem de 4 m/s, sendo que no oeste do Paraná e Santa Catarina o erro foi de 1 m/s. Para o campo de Umidade Relativa (UR), as primeiras 24hrs de previsão o modelo apresentou bons resultados, porém superestimou o controle no sul e oeste catarinense e nordeste gaúcho. Para a previsão de 48hrs o modelo subestimou os dados no extremo sul e nordeste gaúcho e superestimou a verdade na serra e região metropolitana do Rio Grande do sul. Nas demais regiões analisadas o erro foi pequeno. Para a previsão de 72hrs o modelo superestimou demasiadamente os dados do leste ao litoral gaúcho, enquanto nas outras regiões o modelo apresenta bons resultados.
  • 4. (a) (b) (c) Figura 1: Viés de Pressão ao Nível Médio do Mar (hPa), Temperatura do Ar a 2m ( 0 C), Vento à Superfície (ms -1 ) e Umidade Relativa do Ar no Nível de 850 hPa, respectivamente, para (a) 24, (b) 48 e (c) 72 horas de previsão. Analisando os campos da Figura 2 temos, para a variável temperatura em altos níveis, que o modelo superestimou o controle no noroeste e sudeste gaúcho e subestimou em todo o litoral. Para as 48 hrs de previsão, o modelo subestimou a verdade em toda a Região Sul, mas de forma mais acentuada no centro sul gaúcho. Assim, para a previsão de 72hrs, o modelo subestimou numa média de 3°C toda a temperatura da Região Sul do Brasil. Para a variável vento em altos níveis, são apresentados resultados que fogem do padrão visto até aqui, pois os erros apresentados às 24 hrs são maiores do que os de 48 hrs e os de 72 hrs. No primeiro dia de previsão, o modelo subestima de forma mais acentuada o controle na região sul do Paraná e nas demais áreas o viés diminui. Contudo, no segundo dia de previsão o modelo superestima o vento sobre o Rio Grande do Sul e subestima sobre Santa Catarina e Paraná. Para a variável Umidade Relativa em altos níveis o modelo apresenta bons resultados, apenas com uma leve super estimativa no sul do Rio Grande do Sul. Para as 48 hrs de previsão o modelo resulta em uma super estimativa em toda fronteira do Rio Grande do Sul com Santa Catarina e do Paraná com São Paulo. Para o terceiro dia de previsão o modelo fornece um erro médio de 10% em toda região sul.
  • 5. (a) (b) (c) Figura 2: Temperatura ( 0 C), Vento (ms -1 ) e Umidade Relativa do Ar no Nível de 200 hPa, respectivamente, para (a) 24, (b) 48 e (c) 72 horas de previsão. 4- Conclusões Modelos numéricos são importantes ferramentas para a previsão, pois tem explicitamente o tempo como variável independente. Contudo, modelos numéricos não fazem previsão de tempo, são ferramentas extremamente importantes no auxílio da previsão elaborada pelo meteorologista. Ciente desta importância, inúmeras linhas de pesquisa são desenvolvida no intuído de aprimorar os modelos numéricos. Para tal é necessário o conhecimento dos seus erros. Neste artigo foi apresentado o Viés calculado entre o WRF e as análises GFS (interpoladas para os níveis verticais e para o sistema de coordenada vertical híbrida (pressão-sigma) do WRF), para todo o domínio de integração do modelo, abrangendo a Região Sul do Brasil. Um único evento não é significativo para se avaliar a performance do modelo, por isso, o projeto no qual este trabalho está inserido contempla que as verificação sejam feitas para o ano de 2009 e os algoritmos fiquem continuamente quantificando os erros do modelo WRF instalado no CPPMET/UFPel. O intuito deste trabalho é testar se os algoritmos até o momento implementados na fase de pós-processamento do modelo estão corretos. Conclui-se que o sistema está funcionando adequadamente e que será possível avaliar a performance do WRF assim que haver uma amostra significativa de integrações do mesmo.
  • 6. 5- Referências Bibliográficas Wilks, D.S. Statistical Methods in the Atmospheric Sciences. San Diego: Elsevier, 2006. 627 p. Ehrendorfer, M.; Murphy A.H. Comparative Evaluation of Weather Forecasting Systems: Sufficiency, Quality and Accuracy. Monthly Weather Review, v. 116, p. 1757-1770, 1992. HÄRTER, F.P.; Barros, F.J.G.; Braga, T.T.; Santos, R.R. ; Bonatti, G.R.; MOL, J.M.D.; Quixaba Filho, F.; Alves, F.; Guedes, J. M. F. Um Sistema Previsor Baseado no WRF em Fase de Testes no INMET. Boletim da Sociedade Brasileira de Meteorologia, v. 32, p. 35-41, 2008. Krzysztofowicz, R.; Long, D. Forecast Sufficiency Characteristic: Construction and application. International Journal Forecasting, v. 7, p. 39-45, 1991. Murphy, A.H. What is a Good Forecast? An essay on the Nature of Goodness in Weather Forecasting. Weather Forecasting, v. 8, p. 281-293,1993.