Avaliação do Método de Assimilação de Dados En4DVar Implementado no Modelo WRF

Otavio Medeiros Feitosa, Fabrício Pereira Härter, Leonardo Calvetti

Abstract


Métodos Híbridos baseados em previsão por conjuntos e cálculo variacional quadri-dimensional (En4DVAR) representam o estado da arte em métodos de assimilação de dados aplicados às ciências atmosféricas. Esta técnica permite a atualização da matriz de covariância de erros de previsão, sem o cálculo explícito destes erros, conforme a derivação teórica do filtro de Kalman ou suas aplicações operacionais; e também evita o calculo do trabalhoso e custoso modelo adjunto e tangente linear, como no 4DVAR. Neste trabalho, avalia-se o método En4DVAR implementado no Weather Research and Forecasting Model (WRF), quanto a sua precisão nas primeiras 48 horas de previsão na região sul do Brasil no período de 09/04/2018 à 15/05/2018 dias. Utiliza-se como verdade terrestre dados das estações do Instituto Nacional de Meteorologia (INMET). Os resultados obtidos pelas métricas estatísticas Viés e Raiz do Erro Quadrático Médio, mostram que a o WRF-En4DVAR segue as mesmas tendências do WRF, com a particularidade de reduzir significativamente os erros. Entretanto, as variáveis Pressão à Superfície e Temperatura à 2m, apresentam melhor previsibilidade, tanto com como sem assimilação, ao passo que Umidade Relativa e Vento à 10 apresentam menor precisão tanto com o WRF como com o WRF-En4DVAR.


Keywords


Assimilação; En4DVAR; WRF

References


Anderson, J. 2001. An Ensemble Adjustment Filter for Data Assimilation. Monthly Weather Review,129: 2884-2903.

Bishop, C.; Etherton, B. & Majumdar, S. 2001. Adaptive Sampling with the Ensemble Transform Kalman Filter part

I: The Theoretical Aspects. Monthly Weather Review,

: 420-436.

Buehner, M. 2005: Ensemble-derived Stationary and Flow-de-pendent Background Error Covariance: Evolution in

a Quasi-operation NWP Setting. Quarterly Journal

Royal of the Meteorological Society, 131: 1013-1043.

Burgers, G.; Leeuwen, P.J.V. & Evensen, G. 1998. Analysis

Scheme in the Ensemble Kalman Filter. Monthly Weather Review, 126: 1719-1724.

Courtier, P. & Talagrand, O. 1998. Variational Assimilation of

Meteorological Observation with the Adjoint Vorticity

Equation. Part II: Numerical Results. Quarterly Journal Royal of the Meteorological Society, 113: 1329-

Evensen, G. 1994. Sequential Data Assimilation with a Nonlinear Quasi-geostrophic Model using Monte Carlo Methods to Forecast Errors Statistics. Journal of Geophysical Research, 99(5): 143-162.

Huang, X.-Y&Yang, X.1996. Variational Data Assimilation

with Lorenz Model. Hirlam Technical Report, 26,

S-601 76 SMHI Norrköping, Sweden.

Kalnay, E. 2003. Atmospheric Modeling, Data Assimilation

and Predictability. Cambridge. Cambridge University

Press. 369 p.

Li, Z. & Navon, I.M. 2001: Optimality of Variational Data Assimilation and its Relationship with the Kalman Filter

and Smoother. Quarterly Journal Royal of the Meteorological Society, 127: 661-683.

Liu, C.; Xiao, Q. & Wang, B. 2008. An Ensemble-Based Four-Dimensional Variational Data Assimilation Scheme.

Part I:Technical Formulation and Preliminary Test.

Monthly Weather Review, 136: 3363-3373.

Liu, C.; Xiao, Q. & Wang, B. 2009. An Ensemble-Based Four-Dimensional Variational Data Assimilation Scheme.

Part II: Observing System Simulation Experiments

with Advanced Research WRF (ARW), Monthly Weather Review, 137: 1687-1704.

Ott, E.; Hunt, B.; Szunyogh, I.; Zimin, A.; Kostelich, E.; Corrazza, M.; Kalnay, E.; Patil, D.& Yorke, J. 2004. A Local

Ensemble Kalman Filter for Atmospheric Data Assimilation. Tellus, 56A: 415-428.

Parrish, D. & Derber, J. 1992. The National Meteorological

Center’s Spectral Statistical-Interpolation Analysis

System, Monthly Weather Review.,1120: 1747-1763.

Rabier, F. & Courtier, P. 1992. Four-Dimensional Assimilation

in the Presence of Baroclinic Instability, Quarterly

Journal Royal of the Meteorological Society,118: 649-672.




DOI: https://doi.org/10.11137/2020_2_405_414

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Indexers and Bibliographic DatabasesFollow us
SCImago Journal & Country Rank
ISSN
ROAD
Clarivate
Diadorim
DOAJ
DRJI
GeoRef
Google Scholar
Latindex
REDIB
Oasisbr
Twitter
Instagram
Facebook
All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution-NonCommercial 4.0 International Public License (CC BY-NC 4.0).