previsão de tempo e clima sazonal por ensemble chou sin chan · sistema de previsão de tempo por...
TRANSCRIPT
Previsão de tempo e clima sazonal
por ensemble
Ministério da Ciência e Tecnologia
Instituto Nacional de Pesquisas Espaciais Centro de Previsão de Tempo e Estudos Climáticos
Chou Sin Chan
12-3186-8424
1
HHHzH FpV
Dt
DV
12
VDt
D.
QDt
Dp
Dt
DTcv
RTp
gz
p
10
'QDt
Dq
1. Vento horizontal
2. hidrostática
3. Continuidade
4. Termodinâmica
5. Gás Ideal
6. Vapor d’água
2
MODELO ATMOSFÉRICO Sistema de equações diferenciais parciais não-lineares
zw
yv
xu
tDt
D
yxH ,
z
w
y
v
x
uV
onde
Eq. Navier Stokes: Conservação de momentum, conservação de energia, conservação de massa
O espaço é dividido em CAIXAS definidas por grades horizontais e níveis verticais. Em cada caixa a atmosfera é homogênea e é suficiente conhecer o valor em 1 ponto da caixa.
GRADE DO MODELO
3 Temperatura, vento, umidade, pressão, chuva, etc.
4
PROCESSOS FÍSICOS
NUVENS+CHUVA
RADIAÇÃO ATMOSFÉRICA
BIOSFERA-SOLO-ATMOSFERA
TURBULÊNCIA ATMOSFÉRICA
HHHzH FpV
Dt
DV
12
VDt
D.
QDt
Dp
Dt
DTcv
RTp
gz
p
10
'QDt
Dq
1. Vento horizontal
2. hidrostática
3. Continuidade
4. Termodinâmica
5. Gás Ideal
6. Vapor d’água
5
MODELO ATMOSFÉRICO Sistema de equações diferenciais parciais não-lineares
zw
yv
xu
tDt
D
yxH ,
z
w
y
v
x
uV
onde
Eq. Navier Stokes: Conservação de momentum, conservação de energia, conservação de massa
Processos físicos inseridos
via parametrização
6
Hierarquia dos Modelos Numéricos Atmosféricos
Globais: Acompanhamento dos padrões de escala sinótica para todo o globo.
Regionais: Aplicação semelhante aos modelos globais, mas com resolução mais alta sobre uma área limitada de maior interesse.
Mesoescala: Acrescenta detalhes aos padrões de escala sinótica previstos no modelo regional.
Interação entre os modelos
Global Regional Mesoescala ci ci
cc ci cc
Global CPTEC
100km
Eta
15km
Meso-Eta
5km
CPTEC OPERATIONAL NUMERICAL MODELS
1. GLOBAL ATMOSPHERIC : CPTEC AGCM
2. GLOBAL COUPLED OCEAN-ATMOSPHERE: CPTEC AGCM+MOM4
3. REGIONAL and HIGH RESOLUTION MODEL: Eta Model
4. AIR QUALITY: CATT-BRAMS
5. OCEAN WAVE MODEL
7
CCST NUMERICAL MODELS
1. BESM: BRAZILIAN EARTH SYSTEM MODEL: CPTEC AGCM+MOM4 + INLAND + MOZART
2. RESM: REGIONAL and HIGH RESOLUTION MODEL: Eta Model + INLAND + CHEM
Models run in: - different horizontal resolutions - ensemble mode,
- different forecast ranges.
CPTEC GLOBAL MODEL operational Suite
1. T213 L45 2X DAY 15 DAYS
3. T299 L64 1X DAY 15 DAYS
2. T126 L28 ENSEMBLE 15 INTEGRATIONS
1xDAY 15 DAYS
Weather and
extended weather forecast
8
Coupled Ocean-Atmosphere (MOM4) 4. T062L28 1x DAY 30 DAYS
T062L28 1x MONTH 6 months, 90-member ens
Coupled Ocean-Atmosphere T062L28 1x MONTH 6 months, ~10-member ens
Seasonal climate forecast
Initial conditions currently taken from NCEP analyses
9
INPE ETA MODEL OPERATIONAL SUITE Resolution Application Frequency Range No. members Domain
40 km Seasonal forecasts 1X/month 4.5 months 5+3 South America
40 km SUB-Seasonal
forecasts
1X/day 60 days 1 South America
40 km Ensemble
Forecasts
1X/day 11 days 5+3 South America
15 km Weather forecasts 2X/day 11 days 1 South America
10 km Weather forecasts 1X/day 3 days 1 Northeast Brazil
5 km
NH
Weather forecasts 2X/day 3 days 5 Southeast Brazil
1 km NH Weather forecasts 1x/day 3 days 1 Part of Southeast Brazil
20 km Climate Change
Studies
Upon request
RCP4.5 HadGEM
10-100 years At least 1 South America
5 km
NH
Climate Change
Studies
Upon request 10-100 years At least 1 Southeast Brazil
20 km Climate Change
Studies
Paleo climate
studies
10-100 years At least 1 Brazil
Refers: Mesinger et al 2012
Chou et al 2012; Pesquero et al 2009; Chou et al 2005
10
CRAY XE6 •Nodes: 1280, 24 cores each node •Total processing cores: 30720 • Effective Velocity: 258 TFlop/s. •Primary storage: 866TB • HSM storage: 3.84PB •HSM tape: 6PB
11
Como são produzidas as Previsões Numéricas de Tempo?
Etapas:
1. Coleta das observações: superfície, altitude, satélite, aeronaves
2. Controle de qualidade das observações
3. Geração da condição inicial: OBS + PREV (to-12h) > Análise
4. Integração do modelo numérico (Modelo Global, Modelo Regional Eta
5. Pós-processamento (geração dos produtos)
12
Etapas para produzir Previsão Numérica de Tempo
Observações “Estimativa” (Previsões: to-12h)
Pré-Processamento controle de qualidade
Análise (assimilação das observações)
Modelo Numérico Cond. contorno
Pós processamento
Domínio Público Banco de dados
Meteorologistas Aplicações específicas
Diversos usuários
13
Precipitação mm/dia +
Pressão atmosférica
Temperatura do ar (oC) +
Vento a 10m (m/s)
Cobertura de nuvens
PRODUTOS DE PREVISÃO NUMÉRICA DE TEMPO: exemplos
14
Precipitação
Temperatura do ar
Umidade Relativa
Vento a 10 metros
Pressão atmosférica
Nebulosidade
Previsão 1h/1h várias cidades, ex. Ribeirão Preto
PRODUTOS DE PREVISÃO NUMÉRICA DE TEMPO: exemplos
• Densidade de dados
• Método de assimilação de dados
• O modelo numérico
• A interação entre usuário e desenvolvedores do modelo
• Topografia, percentagem de oceanos e continentes; hemisfério HN ou HS
• Regimes meteorológicos (verão e inverno)
Dificuldades nos trópicos
• Sensibilidade a estabilidade estática
• Predomina a representação dos processos físicos como turbulência, convecção, radiação, processos de superfície, etc. Mais incertezas.
15
Fatores que afetam a qualidade das previsões
O Caos
• Definição de sistemas caóticos: sistemas determinísticos que possuem uma pequena quantidade de aleatoriedade e que são altamente dependentes de modificações interiores nas condições iniciais.
• A dependência às condições iniciais gera uma impossibilidade de se obterem previsões perfeitas, ou mesmo medianas num futuro suficientemente longo.
16
Previsão Numérica por conjunto > previsão probabilística
• O limite da previsibilidade dos modelos de PNT é de aproximadamente 2
semanas nas latitudes médias e 1 semana nos trópicos devido a característica caótica da atmosfera.
• O que podemos fazer para minimizar o problema da dependência às
condições iniciais?
A ideia básica é incluir a incerteza do estado inicial da atmosfera na previsão final, tomando um conjunto de estados ligeiramente diferentes da análise inicial e gerando uma saída do modelo para cada um dos estados desse conjunto. A partir daí a previsão final poderá ser obtida utilizando métodos estatísticos, como a média das várias previsões obtidas.
17
Métodos: 1- Diferentes perturbações nas condições iniciais;
2 - Diferentes perturbações em parâmetros do modelo;
3 - Multi-model ensemble;
4 - Diferentes condições de contorno lateral (RCMs) • O conjunto de integrações fornece um conjunto de cenários possíveis da previsão. • A média do conjunto de simulações tende a ser melhor que uma previsão
individual.
C - previsão controle
C
T
T - estado real da atmosfera
M
M - ensemble médio
P+
P-
P- - pert. negativa
P+ - pert. positiva
P+
P-
M
C
T
Ensemble de BOA qualidade
Ensemble de BAIXA qualidade
PREVISÃO POR CONJUNTO
18
Análise Inicial
(sem perturbação)
Análise Perturbada 2
Análise Perturbada 3
Análise Perturbada 1
Análise Perturbada N
Previsões:
24,48,...,168 horas
Membro 2
Previsões:
24,48,...,168 horas
Membro 3
Previsões:
24,48,...,168 horas
Membro 1
Previsões:
24,48,...,168 horas
Membro N
Previsões:
24,48,...,168 horas Previsão de Controle
Sistema de Previsão de Tempo por Conjunto do CPTEC/INPE
Conjunto de Previsões
Plumas de Probabilidade
Previsão de
Probabilidades
Perturbação
da Análise Inicial
baseada em
Funções Ortogonais
Empíricas
Produtos
19
20
PRODUTOS de Previsão de Tempo por Conjunto (‘ensemble’)
15 membros gerados a partir de perturbação na condição inicial
Modelo Eta 40km
Eta 5km BMJ/Ferrier
Condição Inicial e de contorno lateral para rodar o modelo Eta
Previsão 72h
Operacional no CPTEC: Modelo Eta: resolução 5 km / 50 níveis
2 vezes ao dia (00 e 12 UTC) Prazo de integração 72 horas
5 membros
Previsão por Conjunto Modelo Eta 5km 50 níveis
Modelo Eta 40km
Eta 5km BMJ/Zhao
Previsão 72h
Modelo Global GFS
Eta 5km BMJ/Ferrier
Previsão 72h
Modelo Global GFS
Eta 5km KF/Ferrier
Previsão 72h
Modelo Global GFS
Eta 5km KFfm/Ferrier
Previsão 72h
Versão do modelo Eta Parametrizações Convectiva/Microfísica
Prazo de Previsão
Modelagem Regional Modelo Eta
Eta 5km B_F_F BMJ/Ferrier/CPTEC B_F_G BMJ/Ferrie/ GFS B_Z_Z BMJ/ZHAO/CPTEC K_F_G KF/Ferrier/ GFS Kfm_F_G KFfm/Ferrier/GFS
Produtos da Previsão por Conjunto utilizando o modelo Eta
Modelagem Regional Modelo Eta
Eta 5km M1 – B_F_F BMJ/Ferrier/CPTEC M2 – B_F_G BMJ/Ferrie/ GFS M3 - B_Z_Z BMJ/ZHAO/CPTEC M4 - K_F_G KF/Ferrier/ GFS M5 – Kfm_F_G KFfm/Ferrier/GFS
Modelagem Regional Modelo Eta
Produtos da Previsão por Conjunto utilizando o modelo Eta
Eta 5km M1 – B_F_F BMJ/Ferrier/CPTEC M2 – B_F_G BMJ/Ferrie/ GFS M3 - B_Z_Z BMJ/ZHAO/CPTEC M4 - K_F_G KF/Ferrier/ GFS M5 – Kfm_F_G KFfm/Ferrier/GFS
Modelagem Regional Modelo Eta
Produtos da Previsão por Conjunto utilizando o modelo Eta
Caso de Precipitação Intensa sobre a Serra do Mar Região da Baixada Santista
+ 300 mm em 12h
Modelagem Regional Modelo Eta
Eta 5km M1 BMJ/Ferrier/CPTEC M2 BMJ/Ferrie/ GFS M3 BMJ/ZHAO/CPTEC M4 KF/Ferrier/ GFS M5 KFfm/Ferrier/GFS
Modelagem Regional Modelo Eta Precipitação Acumulada em 24 horas
60-80 mm 80-100 mm 60-80 mm
80-100 mm 80-100 mm 100-125 mm
Linhas em verde: KF Linhas em azul: BMJ Linha vermelha: Ensemble Médio
Modelagem Regional Modelo Eta
Campos de precipitação média do período fevereiro-maio de 2013 (mm/dia)
Observado (interpolado) B_F_F B_F_G
B_Z_Z K_F_G Kfm_F_G
O campo observado mostra máximos de precipitação na região serrana do RJ e no sul de MG, alcançando 10 mm/dia. Devido à baixa quantidade de dados e ao método Kriging, o campo “espalha” a precipitação resultando em pouca variabilidade espacial (desconsiderar o oceano). As previsões do modelo Eta mostram significativa diferença com o observado e entre os membros. As previsões com o esquema de convecção Betts-Miller (B_*) apresentam valores mais próximos do observado, especialmente a versão com a condição de contorno do GFS (B_F_G). De modo geral, o modelo representa a variabilidade local, com máximos sobre as regiões serranas e mínimos nos vales.
Serie temporal de precipitação média da região sobre a bacia do Paraiba do Sul Unidades em (mm/hora)
A configuração B_F_G mostra o menor BIAS e RMS da série temporal sobre o recorte, como também sugere ter uma melhor distribuição espacial (slide anterior).
B_F_F B_F_G B_Z_Z K_F_G Kfm_F_G
BIAS 0,12 0,09 0,12 0,10 0,16
RMS 0,53 0,45 0,53 0,55 0,60
Período Seco Período Chuvoso
Ciclo diário de precipitação média da região sobre a bacia do Paraíba do Sul para um período chuvoso tendo as unidades em (mm/hora)
Percebe-se que durante um período chuvoso, o comportamento dos membros do modelo diferem com os dados observados e o Cmorph. Os esquemas de convecção Kfm_F_G e K_F_G antecipam a precipitação com relação aos esquemas B_F_F, B_F_G e B_Z_Z. Também nota-se nesse caso, que em boa parte do ciclo diário os esquemas de Kain-Fritsch subestima a precipitação com relação aos esquemas de Betts-Miller.
Eta Ensemble Forecast Products
Probability forecasts
Precip > 1mm Precip > 10mm Precip > 50mm
OBSERVATIONS
ENSEMBLE FCSTS
32
Definição meteorológica PREVISÃO DE TEMPO Prazo de poucas horas até cerca de 15 dias, data de ocorrência do fenômeno PREVISÃO CLIMÁTICA Prazo de meses, estação do ano, características estatísticas
35
PREVISÕES CLIMÁTICAS
Se não há previsibilidade além de poucos dias, como usar as previõsoes para prazos mais longos, para prazos climáticos?
Desempenho das previsões determinísticas (previsão de posição e horário do evento meteorológico) é da ordem de poucos dias. Por outro lado, em previsões de longo prazo (meses, anos), espera-se que a previsão forneça as propriedades estatísticas do período em questão (por exemplo a variabilidade da chuva, anomalia de temperatura, etc)
36
Previsibilidade Climática Sazonal
• Apesar da atmosfera se comportar como um sistema caótico, o que limita sua previsibilidade, em determinadas regiões e situações sua previsibilidade climática sazonal pode ser bastante elevada.
• De acordo com Trenberth (1985) a expectativa da existência de previsibilidade climática em escalas de tempo sazonal fundamenta-se na identificação de algum sinal que se destaque do ruído de fundo provocado pelas instabilidades internas atmosféricas, tais como os eventos sinóticos diários.
• Tal sinal pode surgir dos modos de variação lenta da atmosfera, por exemplo oscilação de 30-60 dias de Madden e Julian (1972), ou das condições de contorno, que evoluem numa escala de tempo mais lenta do que as condições do tempo, podendo portanto comunicar significativa previsibilidade à evolução do estado atmosférico.
Previsibilidade Climática Sazonal
• As condições de contorno envolvidas incluem a temperatura da superfície do mar (TSM), temperatura e cobertura do gelo, temperatura e albedo da superfície terrestre, umidade do solo e cobertura de neve (Shukla, 1984).
• As condições de contorno não são igualmente importantes em todas as regiões do globo. Dentre elas, a TSM é a mais comumente utilizada nos trópicos devido a sua forte conexão com a circulação sazonal média.
Fig A & D; B & E use:
same ICs and different SSTs ->
Different atmospheric patterns
Predictability in the Midst of Chaos: A Scientific Basis for Climate Forecasting (Shukla et al, 1998)
“Therefore, it should be possible to predict the large-scale tropical circulation and rainfall for as long as the ocean temperature can be predicted.”
IC1 SST1
IC1 SST2
IC2 SST1
IC2 SST2
Controle da Temperatura da Superfície do Mar sobre o clima da região tropical
OBS OBS
39
Predictability of the second kind
Resultados para América do Sul
Autor Modelo, Membros e período
Resultados
Sampaio, 2001
CPTEC T62L28 -25 membros 1996-1999 (DJF-MAM-JJA-SON) TSM pers e prev -7 membros dez95 a mai/99 Integração contínua TSM obs
- Melhor performance do modelo: NEB - No NE e S a previsibilidade aumenta em anos de ENOS, o que não
ocorre no SE do Brasil. - Região Sudeste: De 5 verões, em 2 mais da metade dos membros
acerta o sinal da anomalia da precipitação. - Na integração contínua, mesmo utilizando TSM observada modelo não
consegue simular o regime pluviométrico no SE e sul do NEB
NORDESTE SUDESTE SUL
PREVISÃO Porcentagem Porcentagem Porcentagem
DJF 95/96 100 40 48
MAM 96 36 92 68
JJA 96 4 64 64
SON 96 72 36 24
DJF 96/97 52 72 32
MAM97 0 76 60
JJA 97 100 4 40
SON97 100 68 92
DJF 97/98 100 56 64
MAM 98 88 84 96
MAM 98 prev 100 52 84
JJA 98 100 32 84
SON 98 64 40 72
DJF 98/99 4 20 52
DJF 98/99 prev 68 12 68
MAM99 84 12 56
MAM 99 prev 96 36 36
Tabela - Porcentagem de membros do conjunto com o sinal da anomalia de precipitação prevista corretamente para cada trimestre do ano entre dezembro de 1995 e maio de 1999, para as três regiões de estudo e com o modelo forçado com TSM persistida e prevista (prev) (Fonte: Sampaio, 2001).
Resultados para América do Sul
Autor Modelo, Membros e período
Resultados
Dereczynski, 2004
CPTEC T62L28 9 membros dez-mai 1996-1999 TSM obs e pers de fev
-No Sul do NE do Brasil, diferente do que ocorre no Norte do NE, utilizar TSM obs não melhora a performance do modelo (em relação a TSM prev e pers), o que indica que os sistemas que provocam precipitação na região (sistemas transientes) não são majoritariamente governados pela TSM. -No sul do NE, a variab. dos membros é muito elevada e a previsão da prec. é altamente dependente da frequência e das características dos sistemas transientes, sendo estes os principais limites da previsibilidade na região. - Com a integração longa do MCGA CPTEC foi observado baixos valores de RSR (0,92) no SNE, enquanto no NNE a media é 4,14.
N
j
js PPN 1
22 1
M
i
N
j
jjiR PPNM 1 1
2
,
2
.
1
Sinal: Variab. Interanual
Ruído: Variab. Inter-membros
Resultados para América do Sul
Autor Modelo, Membros e período
Resultados
Misra et al., 2003
MCGA COLA T42L18 e Mod. Espectral Regional (RSM-80km)
- Alta resol. do RSM não mudou o ruído em relação ao MCGA, exceto sobre oceanos e parte da Bacia do Rio Amazonas. -“A prec. de verão sobre a AS tropical e subtropical é altamente imprevisível.”
Resultados para América do Sul
Autor Modelo, Membros e período
Resultados
Stern e Miyakoda (1995)
MCGA T42L18 GFDL da NOAA 9 membros 5,5 meses 1996-1999
- o espalhamento dos membros dentro de um mesmo conjunto
pode ser uma boa estimativa do desvio padrão da distribuição
de probabilidade de estados de previsão.
- Então, a média do conjunto deve ter relativamente boa
performance quando o espalhamento do conjunto é pequeno.
Contrariamente, um grande espalhamento do conjunto pode
indicar que a média da previsão por conjunto não é confiável.
Ruído = média em todo o período da variância intra-membros (ruído) Sinal = variância interanual da média de cada conjunto (sinal)
al
ruídoR
sin Valores pequenos de R – alta reprodutibilidade
Reprodutibilidade da precipitação em DJF. O intervalo do
contorno é 0,1. As áreas com reprodutibilidade menor que 0,8
são indicadas com pontilhados pequenos e aquelas onde a
reprodutibilidade é menor do que 0,7 são indicadas com
pontilhados maiores (Fonte: Adaptado de Stern e Miyakoda,
1995).
DJF
1. O limite da previsibilidade dos modelos de PNT é de 2 semanas, depois disso os modelos perdem previsibilidade devido a natureza caótica da atmosfera.
2. Na previsão de tempo sazonal o objetivo não é prever quando ocorrerá a passagem de um sistema transiente, mas sim prever as propriedades estatísticas de algum estado climático futuro, como um mês ou uma estação.
3. A expectativa de que haja previsibilidade climática na escala sazonal é de que as condições de contorno, que evoluem numa escala de tempo mais lenta do que os sistemas transientes, possam conferir significante previsibilidade à evolução do estado médio da atmosfera.
4. Previsões climáticas sazonais de qualidade: Enorme desafio, principalmente fora das regiões tropicais
Scientific Challenge: SACZ low predictability
DJF MAM
Mar
eng
o e
t al
. (2
00
2)
CPTEC AGCM, 50 years, 10 Member Ensemble, Kuo, T062L28, Obs SST
AVALIAÇÃO DA PREVISIBILIDADE
dispersão entre os membros
Baixa Previsibilidade
Pouca dispersão entre os membros
Alta previsibilidade
46
CPTEC seasonal prediction operational runs
• AGCM 1.7 – KUO, RAS, GRELL, DERF – FCST SSTA, PERSISTED SSTA – 15 Members each: 120 total – 4-month forecasts
• CGCM 1.0 – T062L28, RAS CPTEC AGCM – ¼ degree deep tropics, L20 MOM3 OGCM – 10 Members per month – 7-month forecasts
• Eta – 40 km grid L38 – LBC AGCM T062L28, Kuo – 5 members, iC – 4-month forecasts
(Chou et al, Nonlinear Processes in Geophysics, 2005)
Instituto Nacional de Pesquisas Espaciais
47
• Condições iniciais NCEP T062L28 para os dias 13, 14, 15, 16, 17 /06/2008, as 1200 UTC para cada mês. Cada hincast tem 5 membros.
• Condições de contorno lateral Modelo Eta 40km de resolução horizontal e 20 níveis na vertical, 6/6h
• Condição de contorno inferior: Anomalia de TSM persistida, atualizada diariamente durante a integração,
Umidade do solo climatológica,
Albedo sazonal.
• Prazo de Integração: 4,5 meses
• Resolução do Modelo: 15km/38nívies
• Período: de 2001 até 2010 (10 anos). Total 120 membros para a
climatologia de cada mês
Climatologia do Modelo Eta Sazonal (Eta Model Seasonal Hindcasts)
UFMT 2013 48
T+1mo: Eta 40km +AGCM T+1mo: Eta 40km + OAGCM GPCP Dec/2007
T+2mo: Eta 40km +AGCM T+2mo: Eta 40km + OAGCM GPCP Jan/2008
PRECIPITATION (mm/month) – SEASONAL FORECASTS
T+3mo: Eta 40km +AGCM
PRECIPITAÇÃO (MM/MÊS)
T+3mo: Eta 40km + OAGCM GPCP Feb/2008
T+4mo: Eta 40km +AGCM T+4mo: Eta 40km + OAGCM GPCP Mar/2008
* Modelo Eta/INPE * Previsões climáticas sazonais, antecedência de 4.5 meses, 40 km
Previsão para Jan-Fev-Mar 2014
Anomalia de chuva prevista para JFM/2014
chuva prevista no trimestre JFM/2014
Climatologia do modelo para o trimester JFM
51
53
PREVISAO ANOMALIA DE PRECIPITAÇÃO JFM 2015
NMME (NCEP Multi Model Ensemble (8 modelos climáticos globais)
* Modelo Eta/INPE * Previsões sub-sazonais, 40-km, antecedência de 60 dias, atualização 1x/dia,
aninhado ao Modelo Acoplado oceano-atmosfera CPTEC. Apoio planejamento de recursos hídricos, etc.
1-10 11-20 21-30
Média de 4 membros
11-21/Feb2014 21/Feb-3/Mar2014 3-13/Mar2014 13-23/Mar2014
Previsão do fim do período seco do verão de 2014 Antecedência 45 dias
31-40
54
BMJ-Zhao-OGCM
BMJ-Zhao-AGCM
Média de 10 anos, 5 membros da previsão para JANEIRO, a partir de perturbação de condição inicial
* Modelo Eta/INPE * Previsões sazonais (4,5 meses) com nova versão de modelo Eta climático, 40 km
Construção de previsões sazonais retrospectivas de 10 anos (2001-2010) Previsão por ensemble: 9 membros
BMJ-FERR-AGCM KF-FERRIER-AGCM KF-FERRIER-OAGCM
Média de 10 anos da previsão para JANEIRO, a partir de perturbação de física e de condição de contorno inferior e lateral
OBS
56
Necessidades:
• Avaliação das previsões subsazonais e sazonais; • Identificação dos períodos de maior previsibilidade subsazonal e
sazonal; • Aumento do número de membros, melhorar a previsão de
probabilidades; • Adequar os produtos às necessidades dos usuários;
• Aprimoramento do modelo (1.produção de chuva, 2.radiação,
3.descrição da superfície, 4.acoplamento com modelo oceânico • Aumento resolução especial (horizontal e vertical)
57
Work in progress/planned: 1. Increase horizontal and vertical resolutions in larger domains;
2. Increase the number of members in short-range ensemble forecasts and in seasonal forecasts. Inclusion of physics perturbation;
3. Implement subseasonal forecasts and evaluate predictability;
4. New Radiation scheme (RRTM) with more gases and aerossols
5. Coupling with ocean model MOM4;
6. Coupling with hydrological model of small catchment;
7. Coupling with atmospheric chemistry transport model;
8. Coupling with dynamical vegetation scheme;
9. Develop coffee crop model and couple to the land surface scheme;
10.Test gravity wave drag;
11.Tests with BMJ scheme and its variations (precip eficiency, CAPE dependence)
12.Tests with Kain-Fritsch scheme and its variations (F fct, CMF)
13.Tests with 3 microphysics schemes: Zhao scheme, Ferrier scheme and Ristic scheme.
14.Evaluation of forecasts with initialized soil moisture
15.Introduce refinement to Eta PBL turbulence parameterizations by adding prognostic equations for potential turbulence energy, and total turbulence energy
16.Global version of Eta Model (GEF)
58
OBRIGADA!
Instituto Nacional de Pesquisas Espaciais Centro de Previsão de Tempo e Estudos Climáticos
Rod Pres Dutra km 39, Cachoeira Paulista, SP 12630-000
Porto Alegre Maio 2015
59
12-3186-8424