Brasil

Dados do Trabalhos de Conclusão

UNIVERSIDADE FEDERAL DE SANTA MARIA
METEOROLOGIA (42002010040P0)
ESTIMATIVA DA PROBABILIDADE DE OCORRÊNCIA DA PRECIPITAÇÃO, A PARTIR DE MÉTODOS ESTATÍSTICOS NÃO PARAMÉTRICOS APLICADOS A SIMULAÇÕES NUMÉRICAS DE UM SISTEMA DE PREVISÃO POR CONJUNTO
LISSETTE GUZMAN RODRIGUEZ
DISSERTAÇÃO
15/07/2016

No presente trabalho emprega-se a estimativa de densidade do kernel (KDE), um método não paramétrico para estimar a função densidade de probabilidade de uma variável aleatória, na obtenção de prognósticos probabilísticos de precipitação, a partir de previsões por conjunto do modelo Weather Research and Forecasting (WRF). Os nove membros da previsão por conjunto (EPSm) foram obtidos variando apenas a parametrização convectiva do modelo. Os casos de estudo correspondem a eventos de precipitação intensa na região Sul do Brasil. Na avaliação espacial dos resultados, estimativas de probabilidade obtidas para vários limiares de precipitação para períodos de 24 h, foram comparadas com os valores da precipitação estimada do produto MERGE, o qual combina estimativas de precipitação do Tropical Rainfall Measuring Mission (TRMM) com observações de superfície. O desempenho destas previsões probabilísticas obtidas com KDE não mostrou-se superior ao das previsões determinísticas individuais dos EPSm, nem às dos produtos da precipitação media do conjunto (MPP) e a probabilidade simples (PS). Porém, na avaliação pontual do produto KDE nos lugares com observações das estações da ANA foram obtidos melhores resultados, sendo que em geral as previsões do KDE com >25% e >50% de probabilidades apresentaram melhores valores das medidas de desempenho (PC, H, TS, F, B, PSS, CSS e HSS) que as previsões do EPSm e que o MPP. Esses resultados parecem indicar que uma parte das deficiências do KDE achadas na avaliação espacial podem ser relativas à comparação com o produto MERGE, já que na avaliação pontual contra observações reais o KDE resulta evidentemente superior aos EPSm e o MPP.

KDE;Previsão Probabilística;Precipitação Intensa;EPS
In this paper was used kernel density estimation (KDE), a nonparametric method to estimate the probability density function of a random variable, to obtain probabilistic precipitation forecasts from an ensemble prediction with the Weather Research and Forecasting (WRF) model. The nine members of the prediction system (EPSm) were obtained by varying only the convective parameterization of the model. The cases of study corresponded with heavy precipitation events in southern Brazil. In spatial assessment of the results, probability estimates obtained for 24 h periods for different rainfall thresholds were compared with precipitation estimated by the MERGE product, which combines precipitation estimates from the Tropical Rainfall Measuring Mission (TRMM) with surface observations. The performance of these probabilistic forecasts obtained with KDE did not prove to be better to the individual deterministic forecasts of the EPSm, or than the mean precipitation product (MPP) or the basic probability (PS) of the EPS. However, the local evaluation of the KDE product in places with observations of ANA stations obtained better results, and in general KDE forecasts with >25% and >50% of probability had better values of the skill scores (PC H, TS, F, B, PSS, CSS and HSS) that the EPSm individual forecasts and the MPP. These results seem to indicate that some of the KDE deficiencies found in the spatial assessment can be consequences of the comparison to the MERGE product, since is the local assessment against real observations, KDE results clearly superior to EPSm and MPP.
KDE;probabilistic forecast;heavy rainfall;EPS
1
92
PORTUGUES
UNIVERSIDADE FEDERAL DE SANTA MARIA

Contexto

METEOROLOGIA
ESTUDOS E APLICAÇÕES EM TEMPO E CLIMA
VAG - MODELAGEM E PREVISÃO DO TEMPO EM ESCALA REGINAL NO SUL DO BRASIL

Banca Examinadora

VAGNER ANABOR
Sim
Nome Categoria
MATEUS DA SILVA TEIXEIRA Participante Externo
FRANCIANO SCREMIN PUHALES Docente

Vínculo

Bolsa de Fixação
Empresa Pública ou Estatal
Ensino e Pesquisa
Sim