Previsão de tempo e clima sazonal por ensemble Chou Sin Chan · Sistema de Previsão de Tempo por...

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

[email protected]

12-3186-8424

1

mailto:[email protected]

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


• 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 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


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


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


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


+ 300 mm em 12h

22/0

2 18

Z

23/0

2 0

6Z

22/0

2 18

Z

23/0

2 0

6Z


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

33


HORIZONTE 10 DIAS

34

HORIZONTE 7 DIAS

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

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

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

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

PREVISÃO SAZONAL DJF 2015

CPTEC AGCM Eta RCM

Eta RCM DJF SKILL

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

55

1-10 11-20 21-30

31-40 41-50

PREVISÕES SUBSAZONAIS

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

[email protected]

Previsão de tempo e clima sazonal por ensemble Chou Sin Chan · Sistema de Previsão de Tempo por...

Documents

Transcript of Previsão de tempo e clima sazonal por ensemble Chou Sin Chan · Sistema de Previsão de Tempo por...