Avaliação do Modelo OLAMv.3.3 na Simulação da Precipitação sobre o Nordeste Setentrional Brasileiro

Authors

  • Maria Leidinice da Silva Universidade Federal do Rio Grande do Norte
  • Kellen Carla Lima Universidade Federal do Rio Grande do Norte
  • Cristiano Prestrelo de Oliveira Universidade Federal do Rio Grande do Norte
  • Augusto Cesar Barros Barbosa Universidade Estadual do Ceará
  • Antônio Carlos Santana dos Santos Universidade Estadual do Ceará

DOI:

https://doi.org/10.11137/2020_3_475_487

Keywords:

Simulação global, Desempenho, Esquemas de radiação

Abstract

O modelo global de previsão numérica de tempo e clima, Ocean Land Atmosphere Model, atualmente é considerado como o novo estado-da-arte em modelagem numérica devido a sua capacidade de representar fenômenos de escalas global e regional simultaneamente. Deste modo, a pesquisa tem como objetivo avaliar o desempenho deste modelo em relação ao melhor esquema de radiação (Chen ou Harrington) para representar a precipitação na área Setentrional do Nordeste do Brasil. Assim, o modelo foi configurado com uma grade global e outra grade mais refinada e centrada na América do Sul. A condição atmosférica inicial ocorreu para o dia 01 de janeiro de 1982 às 06 UTC, proveniente das Reanálises II do National Center for Environmental Prediction. O modelo foi integrado até 31 de dezembro de 2012 às 18 UTC. Para as condições de contorno inferior foram utilizados dados de Temperatura da Superfície do Mar obtidos da segunda versão do Optimum Interpolation Sea Surface Temperature. Os resultados das simulações, para os dois diferentes tipos de parametrizações de radiação, foram comparados com os dados de precipitação do Climate
Research Unit Time-Series Version 3.22 para o período de 1982 a 2012. Os resultados das simulações mostraram que o modelo, para as duas parametrizações, conseguiu acompanhar a climatologia da precipitação ao longo do ciclo anual, mas subestimando as médias observadas. No trimestre junho-julho-agosto, o experimento com parametrização Harrington obteve melhor correlação (0,855). Por outro lado, para o trimestre março-abril-maio, o experimento com parametrização Chen apresentou maior correlação (0,842). Quanto aos erros de vieses, ambos os experimentos subestimaram a precipitação nos trimestres março-abrilmaio e junho-julho-agosto, em maior grau o experimento Chen, o qual superestimou os trimestres setembro-outubro-novembro e dezembro-janeiro-fevereiro. De acordo com o índice de eficiência, nenhum dos experimentos obteve boa precisão em comparação ao dado observacional. Em geral, os experimentos representaram os aspectos de grande escala, porém para obter melhorias significativas na estimativa de precipitação, faz-se necessário adotar grades de maior resolução espacial.

Author Biographies

Maria Leidinice da Silva, Universidade Federal do Rio Grande do Norte

Programa de Pós-graduação em Ciências Climáticas

Kellen Carla Lima, Universidade Federal do Rio Grande do Norte

Programa de Pós-graduação em Ciências Climáticas

Cristiano Prestrelo de Oliveira, Universidade Federal do Rio Grande do Norte

Programa de Pós-graduação em Ciências Climáticas

Augusto Cesar Barros Barbosa, Universidade Estadual do Ceará

Curso de Mestrado Acadêmico em Ciências Físicas Aplicadas

Antônio Carlos Santana dos Santos, Universidade Estadual do Ceará

Curso de Mestrado Acadêmico em Ciências Físicas Aplicadas

References

Alves, J.M.B.; Barbosa A.C.B.; Silva, E.M.; Junior, F.C.V.; Silva, M.L.; Santos, A.C.S.; Lira, M.A.T. & Sombra, S.S. 2018. Oscilações Intrassazonais Convectivas entre as regiões Indico-Pacífico e o Nordeste do Brasil: Algumas Características Observacionais e de Modelagem. Revista Brasileira de Meteorologia, 33(1): 193-206.

Ambrizzi, T.; Reboita, M.S.; Llopart, M.P. & Rocha, R.P. 2019. The state of the art and fundamental aspects of regional climate modeling in South America. Annals of the New York Academy of Sciences. Hoboken: Wiley, 1436: 98-120.

Avissar, R. & Pielke, R.A. 1989. Parameterization of heterogeneous land surfaces for atmospheric numerical-models and its impact on regional meteorology. Monthly Weather Review, 117(10): 2113-2136.

Barbosa, A.C.B. 2012. Oscilações Intrassazonais no INDI-PAC e na Zona de Convergência do Atlântico Sul: Estudo observacional e numérico. Doutorado em Meteorologia, IAG, USP, São Paulo.

Chen, C. & Cotton, W.R. 1983. A one-dimensional simulation of the stratocumulus-capped mixed layer. Boundary-layer Meteorology, 25: 289-321.

Chen, C. & Cotton, W.R. 1987. The physics of the marine stratocumulus-capped mixed layer. Journal of the Atmospheric Sciences, 44(20): 2951-2977.

Cohen, J.C.P.; Silva Dias, M.A.F. & Nobre, C. 1995. Environmental conditions associated with amazonian squall lines: A case study. Monthly Weather Review, 123: 3163-3174.

Costa, M.S.; Lima, K.C.; Andrade, M.M. & Gonçalves, W.A. 2019. Sistemas Convectivos de Mesoescala Associados a Eventos Extremos de Precipitação Sobre o Semiárido do Nordeste do Brasil. Anuário do Instituto de Geociências, 42: 317-328.

Cotton, W.R.; Pielke, R.A.S.R.; Walko, R.L.; Liston, G.E.; Tremback, C.J.; Jiang, H.; Mcanelly, R.L.; Harrington, J.Y.; Nicholls, M.E.; Carrio, G.G. & Mcfadden, L.P. 2003. RAMS: Current Status and future directions. Meteorology Atmospheric Physics, 82: 5-29.

Ferreira, A.G. & Mello, N.G.S. 2005. Principais sistemas atmosféricos atuantes sobre a Região Nordeste do Brasil e a influência dos Oceanos Pacífico e Atlântico no clima da região. Revista Brasileira de Climatologia, 1(1): 15-28.

Harrington, J.Y. & Olsson, P.Q. 2001. A method for the parameterization of cloud optical properites in bulk and bin microphysical models. Implications for arctic cloudy boundary layers. Atmospheric Research, 57(1): 51-80.

Harris, I.; Jones, P.D.; Osborn, T.J. & Lister, D.H. 2014.Updated high-resolution grids of monthly climatic observations - the CRU TS3.10 Dataset. International Journal of Climatology, 34(3): 623-642.

Kousky, V.E. & Gan, M.A. 1981. Upper tropospheric cyclonic vortices in the tropical South Atlantic. Tellus, 36(6): 538-551.

Madden, A.R. & Julian, P.R. 1994. Observations of the 40-50-day tropical oscillation - A review. Monthly Weather Review. 22: 814-837.

Mellor, G.L. & Yamada, T. 1982. Development of a turbulence closure-model for geophysical fluid problems. Reviews of Geophysics, 20(4): 851-875.

Meyers, M.P.; Walko, R.L.; Harrington, J.Y. & Cotton, W.R. 1997. New RAMS cloud microphysics parameterization 2. The two-moment scheme. Atmosphere Research, 45: 3-39.

Nash, J.E. & Sutcliffe, J.V. 1970. River flow forecasting through conceptual models part I - A discussion of principles. Journal of Hydrology. 3: 282-290.

New, M.; Lister, D.; Hulme, M. & Makin, I. 2001. A high-resolution data set of surface climate over global land areas. Climate Research, 21: 1-25.

Oliveira, P.T.; Silva, C.S. & Lima, K.C. 2017. Climatology and trend analysis of extreme precipitation in subregions of Northeast Brazil. Theoretical and Applied Climatology, 130(2): 77–90.

Palharini, R.S.A. & Vila, D.A. 2017. Climatological Behavior of Precipitating Clouds in the Northeast Region of Brazil. Advances in Meteorology, 2017: 1-12.

Pielke, R.A.; Cotton, W.R.; Walko, R.L.; Tremback, C.J.; Lyons, W.A.; Grasso, L.D.; Nicholls, M.E.; Moran, M.D.; Wesley, D.A.; Lee, T.J. & Copeland, J.H. 1992. A comprehensive meteorological modeling system-RAM. Meteorology and Atmospheric Physics, 49: 69-91.

Ramos Da Silva, R.; Dias, P.L.S.; Moreira, D.S. & Souza, E.B. 2009. Modelo Olam (Ocean-Land-Atmosphere-Model): Descrição, Aplicações, e Perspectivas. Revista Brasileira de Meteorologia, 24(2): 144-157.

Ramos Da Silva, R.; Gandú, A.W.; Cohen, J.C.; Kuhn, P. & Mota, M.A. 2014. Weather forecasting for Eastern Amazon with OLAM model. Revista Brasileira de Meteorologia, 29: 11-22.

Reboita, M.S.; Gan, M.A.; Rocha, R.P. & Ambrizzi, T. 2010. Regimes de precipitação na América do Sul: uma revisão bibliográfica. Revista Brasileira de Meteorologia, 25(2): 185- 204.

Reboita, M.S. & Santos, I.Z. 2014. Influência de alguns padrões de teleconexão na precipitação no norte e nordeste do Brasil. Revista Brasileira de Climatologia, 15: 28-48.

Sales, D.C.; Costa, A.A.; Silva, E.M.; Vasconcelos Júnior, F.C.; Guimarães, S.O.; Araújo Junior, L.M.; Pereira, J.M.R.; Cavalcante, A.M.B.; Medeiros, S.S. & Marin, A.M.P. 2015. Projeções de mudanças na precipitação e temperatura no Nordeste Brasileiro utilizando a técnica de downscaling dinâmico. Revista Brasileira de Meteorologia, 30(4): 435-456.

Silveira, C.S.; Souza Filho, F.A.; Costa, A.A. & Cabral, S.L. 2013. Avaliação de desempenho dos modelos do CMIP5 quanto à representação dos padrões de variação da precipitação no século XX sobre a região Nordeste Do Brasil, Amazônia e Bacia do Prata e análise das projeções para o cenário RCP8.5. Revista Brasileira de Meteorologia, 28(3): 317-330.

Timmermann, A.; An, S-I.; Kug, J-S.; Jin, F-F.; Cai, W.; Capotondi, A.; Cobb, K.; Lengaigne, M.; McPhaden, M.J.; Stuecker, M.F.; Stein, K.; Wittenberg, A.T.; Yun, K-S.; Bayr, T.; Chen, H-C.; Chikamoto, Y.; Dewitte, B.; Dommenget, D.; Grothe, P.; Guilyardi, E.; Ham, Y-G.; Hayashi, M.; Ineson, S.; Kang, D.; Kim, S.; Kim, W.; Lee, J-Y.; Li, T.; Luo, J-J.; McGregor, S.; Planton, Y.; Power, S.; Rashid, H.; Ren, H-L.; Santoso, A.; Takahashi, K.; Todd, A.; Wang, G.; Wang, G.; Xie, R.; Yang, W-H.; Yeh, S-W.; Yoon, J.; Zeller, E. & Zhang, X. 2018. El Niño-Southern Oscillation complexity. Nature, 559: 535-545.

Uvo, C.R.B. & Nobre, C.A. 1989. A ZCIT e a precipitação no norte do Nordeste do Brasil. Parte I: A posição da ZCIT No Atlântico Equatorial. Climanálise, 4(7): 34-34.

Uvo, C.R.B.; Repelli, C.A.; Zebiak, S.E. & Kushnir, Y. 1998. The relationships between tropical Pacific and Atlantic SST and northeast Brazil monthly precipitation. Journal Climate, 11: 551-562.

Tremback, C. J. 1990. Numerical simulation of a mesoscale convective complex: Model development and numerical results. Ph.D. Dissertation, USA, 217p.

Walko, R.L.; Cotton, W.R.; Meyers, M.P. & Harrington, J.Y. 1995. New RAMS cloud microphysics parameterization 1. The single-moment scheme. Atmospheric Research, 38: 29-62.

Walko, R. L. & Avissar, R. 2006. Predicting hurricane landfall location and timing with the Ocean-Land-Atmosphere Model (OLAM). Geophysical Research Abstracts, 8: 4344.

Downloads

Published

2020-09-30

Issue

Section

Article