AVALIAÇÃO DA CHUVA DO HIDROESTIMADOR PARA MODELAGEM

HIDROLÓGICA NA REGIÃO DA BACIA DO RIO GRANDE

Claudinéia Brazil Saldanha1; Adriano Rolim da Paz1; Daniel Allasia1; Walter Collischonn1 &
Daniel Barrera2

RESUMO --- Estimativas de precipitação a partir de dados de satélite têm se tornado cada vez mais
usuais. As estimativas são úteis, principalmente, para áreas com baixa densidade de postos
pluviométricos e para sistemas de previsão e alerta contra inundações. Tais estimativas são
espacialmente distribuídas no espaço (formato de grade) e, conseqüentemente, têm grande potencial
de uso para modelagem hidrológica distribuída. Tomando a área da bacia do Rio Grande (MG-SP)
para estudo, foram analisadas as estimativas de chuva diárias geradas pelo Hidroestimador,
considerando o período contínuo de três anos (2003 a 2005). A performance das estimativas foi
relativamente baixa para o propósito de modelagem hidrológica, no que diz respeito à capacidade
de detecção da ocorrência diária de chuva e do total precipitado. Variação espacial do desempenho
das estimativas ocorre em virtude da topografia, com piores resultados nas áreas mais elevadas. A
ausência de correção por orografia no algoritmo desta versão e o fato da bacia estudada estar situada
no limite da área para a qual foi calibrado o algoritmo podem ter contribuído para a baixa
performance. Recomenda-se analisar a aplicabilidade das estimativas do Hidroestimador em áreas
de relevo menos acentuado e mais distantes dos limites da área de calibração.

ABSTRACT --- Estimative of precipitation from satellite data become usual nowadays. The data
supply useful information, mainly, in areas with low density of raingauges and for flooding warning
systems. Such estimates are spacially distributed and, consequently, have large potential to be used
for distributed hidrological modeling. Focusing in the area of the Rio Grande basin (MG-SP) for the
study, the daily estimates of rainfall generated by the Hydro-estimator have been analyzed,
considering a continuous period of three years (from 2003 to 2005). The performance of the
estimates were relatively low for the purpose of hydrological modeling, specially for the skill of
detecting the occurrence of daily rainfall and the rainfall amount itself. Spatial variability of the
performance of the estimatives occurred in related to the topography, with worse results in the more
hilly areas. The absence of orography correction formulation in this version of the algorithm, and
the fact that the studied basin was situated in the limit of the area for which the algorithm was
calibrated could have largely contributed for the low performance. It is recomended the analysis of
the applicability of the hydro-estimator in more plain areas and closer to the calibration area.

Palavras-chave: hidroestimador, estimativa de chuva, sensoriamento remoto.

1 Instituto de Pesquisas Hidráulicas, Universidade Federal do Rio Grande do Sul. Av. Bento Gonçalves, 9500. Campus do Vale, Setor 5, CEP 91501-
970. Porto Alegre, RS. e-mail: neiabrazil@yahoo.com.br; adrianorpaz@yahoo.com.br; dallasia@gwpsudamerica.org; collischonn@iph.ufrgs.br
2 Universidad de Buenos Aires, Departamento de Ciencias de la Atmósfera y los Océanos, CONICET, Ciudad Universitaria, 1428, Buenos Aires,
Argentina. Email: barrera@at.fcen.uba.ar.

XVII Simpósio Brasileiro de Recursos Hídricos 1

1 - INTRODUÇÃO

O emprego de sistemas sensores remotos para estimativa de variáveis climatológicas tem se

tornado cada vez mais comum. Estimativas de cobertura e temperatura das nuvens, temperatura da
superfície, albedo, vapor d’água atmosférico, aerossóis, perfis verticais de temperatura e umidade
atmosféricos, água precipitável e chuva são alguns dos produtos atualmente obtidos via
sensoriamento remoto.
Dentre os produtos estimados via sensoriamento remoto, alguns deles são monitorados ou
estimados tradicionalmente por sistemas pontuais instalados na superfície do terreno, como redes de
pluviômetros e pluviógrafos. Entretanto, no caso da chuva, a existência de instrumentos de
monitoramento na superfície, em quantidade suficiente em termos de abrangência e densidade
espacial adequadas, são consideradas raras. A Organização Meteorológica Mundial recomenda uma
densidade específica de postos de monitoramento de chuva por km2 em função da topografia do
terreno e o intervalo de tempo de integração requerido (diário, mensal, anual, etc.). Regiões de
difícil acesso, como áreas de mata fechada ou morros são as menos monitoradas.
Além de suprir a falta de informações em regiões com pouco monitoramento, o sensoriamento
remoto permite obter estimativas de chuva em tempo real e de forma espacialmente distribuída, de
grande utilidade para sistemas de alerta e controle de cheias e inundações. Sistemas de radar têm
sido empregados com essa finalidade, mas com a limitação do alcance da área monitorada. Por
outro lado, o uso de imagens de satélite tem a vantagem da extensa área de abrangência. O tipo de
informação gerada por estimativas a partir de imagens de satélite é de grande potencial de uso para
estudos envolvendo modelagem hidrológica distribuída, por representar a variabilidade espacial da
precipitação.
A estimativa de chuva acumulada a partir de imagens periódicas de satélite geoestacionário
geralmente se dá indiretamente a partir da temperatura de brilho do topo das nuvens. Esta
temperatura está relacionada à altura de nuvem e ao seu desenvolvimento vertical e,
conseqüentemente, à intensidade de chuva gerada em células convectivas (Scofield, 1987).
Destacam-se os produtos derivados a partir dos satélites GOES (Geostationary Operational
Environmental Satellite; Vicente et al. 1998; Kuligowski, 2002; Scofield e Kuligowski, 2003;
Barrera et al., 2001; Barrera, 2007), METEOSAT (Meteorological Satellite; Tarruela e Jorge,
2002). Outras técnicas utilizan dados de sensor pasivo de microondas e radar do satélite TRMM
(Tropical Rainfall Measurement Mission; Collischonn, 2006; Collischonn et al., 2005).
A técnica denominada Autoestimador (Vicente et al. 1998; Scofield, 2001) foi originalmente
desenvolvida para estimar chuvas de altas intensidades decorrentes de sistemas convectivos de
mesoescala com topos de nuvens cúmulus altos e frios (menos de –60º C). São utilizadas pelo

XVII Simpósio Brasileiro de Recursos Hídricos 2

Autoestimador imagens de radiâncias da banda infravermelha do satélite GOES centrada em
10,7µm (denominada canal 4), que é transformada mediante a equação inversa de Planck em
temperatura da superfície radiante ou temperatura de brilho. Nesta metodologia, uma função
empírica relaciona a temperatura do topo da nuvem com a intensidade de precipitação na sua base,
determinada por radar. A técnica foi posteriormente modificada mediante algoritmos que tentam
determinar a produção de chuva em sistemas de nuvens complexos, com presença de nimbostratus
com nuvens convectivas imersas neles (Scofield e Kuligowski, 2003). Essa versão, que se conhece
atualmente como hydro-estimator ou Hidroestimador, foi também desenvolvida e implementada na
Universidad de Buenos Aires (Barrera et al., 2001, 2003; e Barrera, 2007) a partir da informação
publicada pelos autores de NOAA/NESDIS (Scofield e Kuligowski, 2003).
A versão do Hidroestimador desenvolvida na Universidade de Buenos Aires foi calibrada para
as condições e estrutura da precipitação sobre a porção sul da América do Sul (ao sul de 20º de
latitude). Este artigo procura avaliar sua performance em detectar a ocorrência de chuvas na área da
bacia do Rio Grande, entre os Estados de Minas Gerais e São Paulo. Avalia-se, também, a
concordância entre a quantidade de chuva estimada e a chuva observada pela rede de pluviômetros.
O foco principal da análise é o potencial uso da estimativa de chuva do Hidroestimador para
modelagem hidrológica distribuída.

2 – ESTIMATIVA DE CHUVA DO HIDROESTIMADOR

2.1 Descrição

O Hidroestimador é uma adaptação do chamado autoestimador, que foi idealizado para

previsões de curto prazo com o objetivo de prever inundações provocadas por chuvas fortes,
provocadas por cumulonimbus. Porém nos sistemas complexos as torres cumuliformes estão
geralmente imersas em mantos de nimbostratus (embedded convection), os quais também produzem
chuva ainda que com intensidade muito menor. O Hidroestimador é uma modificação do
Autoestimador feita com o propósito de estimar a chuva mesmo que haja uma componente
estratiforme. Para tal componente, efetua-se uma análise de textura dos topos das nuvens. Para cada
pixel estudado se analisa seu entorno em uma janela de 15 x 15 ou 50 x 50 pixels, que corresponde
à extensão típica de um mesosistema convectivo. Define-se o índice Z de desenvolvimento
convectivo relativo ao pixel considerado pela expressão:
z = (µ − Tbcentral ) σ , (1)

onde µ e σ são a média e o desvio padrão da temperatura nos pixels da janela considerada, e Tbcentral
é a temperatura do pixel estudado.

XVII Simpósio Brasileiro de Recursos Hídricos 3

 Um valor positivo de Z indica que a Tbcentral é inferior à média da janela e, portanto, conclui-se
que o topo da nuvem no pixel central está mais alto do que o entorno. Considera-se que há
convecção no pixel em análise quando Z > 1,5, e que a proporção de nuvens estratiformes no pixel
aumenta a medida que Z diminui seu valor, sendo Z = 0 para um pixel com nuvens totalmente
estratiformes. Para Z < 0, considera-se que não ocorre precipitação no pixel.
A intensidade da chuva é estimada mediante uma função exponencial derivada de um ajuste
empírico entre valores de intensidade de precipitação na base da nuvem (estimado com radares) e a
temperatura de brilho do topo das nuvens, as quais são obtidas através da função inversa de Plank.
Através dos radares meteorológicos é estimada a intensidade da precipitação que são integradas
espacialmente sobre a superfície de cada pixel.
A equação original da metodologia foi calibrada a partir de medições que se iniciaram em
planícies centrais e regiões adjacentes ao Golfo do México (Estados Unidos), quando as condições
em superfície se caracterizavam por uma alta umidade relativa. Os resultados obtidos ao calcular a
intensidade de precipitação em cada intervalo de temperatura de 1°, entre 195 K e 260 K, podem ser
observados na Figura 1-a.

(a) (b)
Figura 1. (a) Relação entre precipitação do radar e temperatura estimada pelo GOES-8 (Fonte:
Vicente et al., 1998); (b) Área (em cinza) para a qual foi calibrada a versão do Hidroestimador
desenvolvida na Universidade de Buenos Aires e utilizada neste estudo.

A linha pontilhada representa o valor médio da intensidade para cada intervalo de temperatura
e a linha cheia é o ajuste regressivo, dado pela relação empírica entre a intensidade de precipitação
(R) na base da nuvem estimada pelo radar meteorológico e a temperatura de brilho (T) do topo da
nuvem (estimada a partir do canal 4 do satélite GOES):
R = 1,1183 ⋅ 1011 ⋅ exp( −0,036382 ⋅ T 1,2 ) (2)
XVII Simpósio Brasileiro de Recursos Hídricos 4
sendo R a intensidade de precipitação em mm/h e T a temperatura absoluta em Kelvin.
A versão do Hidroestimador utilizada neste trabalho foi desenvolvida na Universidade de
Buenos Aires (Barrera et al., 2001; Barrera et al., 2003; Barrera, 2007) a partir da informação
publicada pelos autores do NOAA/NESDIS (Scofield e Kuligowski, 2003). A calibração dessa
versão do Hidroestimador foi específica para as condições e estrutura da precipitação sobre a parte
sul da América do Sul, conforme área de abrangência indicada na Figura 1-b. A sua operação
iniciou em setembro de 2002 e, desde então, existem estimativas da precipitação a cada vez que
uma imagen GOES é gerada (aproximadamente 40 imagens por día).

2.2 Avaliações anteriores do Hidroestimador

As avaliações da técnica do Hidroestimador disponíveis na literatura são focadas na estimativa

de chuvas intensas relativas a eventos específicos, que constitui o propósito da formulação da
técnica. Em geral, foram encontrados resultados satisfatórios. Por exemplo, uma análise
comparativa entre os campos de precipitação diária gerados a partir de dados de pluviômetros e os
campos de precipitação do Hidroestimador para a região central da Argentina, referentes à tormenta
de um dia específico mostraram resultados coerentes entre eles (Barrera, 2005). No referido estudo,
comparando a ocorrência ou não ocorrência de chuvas de diferentes intensidades pixel a pixel nas
duas imagens, Barrera (2005) obteve uma probabilidade de detecção da ocorrência da chuva
superior a 92%, com uma taxa de alarme falso da ordem de 12 a 30%. A versão do Hidroestimador
utilizada na pesquisa mencionada foi a mesma versão usada neste trabalho.
Estimativas de chuva produzidas por versões do algoritmo Hidroestimador diferentes da
versão argentina foram analisadas por Gonzáles (2006), Kuligowski et al. (2006) e Yucel e
Kuligowski (2004). Gonzáles (2006) analisou a estimativa de chuvas durante um evento intenso
com duração de 3 dias ocorrido em Porto Rico. Em tal estudo, a análise comparativa com os dados
de pluviométricos indicou que a performance do Hidroestimador foi satisfatória, com
probabilidades de detecção da ocorrência de chuva superiores a 60% e taxas de alarme falso em
torno de 42%.
Ao analisar as estimativas de chuva acumuladas ao longo de um período de 44 dias, Yucel e
Kuligowski (2004) observaram que o Hidroestimador apresentou a tendência a subestimar o total
precipitado nas áreas montanhosas e superestimar nas áreas de baixo relevo, relativamente ao
campo de chuvas gerado por interpolação dos dados de 50 estações pluviométricas no México.
Kuligowski et al. (2006) avaliaram a técnica do Hidroestimador sobre o Hawaii e uma correlação
baixa (0,26) foi verificada entre as chuvas estimativas e observadas, tomando três eventos de chuvas
intensas (total de 7 dias).

XVII Simpósio Brasileiro de Recursos Hídricos 5

3 – METODOLOGIA DE ANÁLISE DOS CAMPOS DE CHUVA

3.1 Índices de performance

Tratando de forma binária a ocorrência/não ocorrência de um determinado evento, bem como

a estimativa de sua ocorrência ou não ocorrência, pode-se construir uma tabela de contingência da
forma ilustrada na Figura 2. As grandezas “a” e “d” são a quantidade de acertos na estimativa de
ocorrência e de não ocorrência do evento, respectivamente. A quantidade “b” denota o número de
vezes em que foi estimada a ocorrência do evento, mas ele não aconteceu. Analogamente, o valor
“c” é a quantidade de vezes em que a ocorrência do evento foi observada, mas sua ocorrência não
foi estimada. A partir dos valores da tabela de contingência, diversos índices podem ser deduzidos
com enfoques diferentes quanto à avaliação da performance das estimativas realizadas de
ocorrência/não ocorrência do evento (Wilkis, 2006; Kuligowski, 2002).
Quantidade de vezes em que observado
ocorreu o evento e sua sim não Quantidade de vezes em que
ocorrência foi estimada.
não ocorreu o evento mas
a b
estimado

sua ocorrência foi estimada.

não sim

c d
Quantidade de vezes em que Quantidade de vezes em que
ocorreu o evento mas sua não ocorreu o evento e sua
ocorrência não foi estimada. ocorrência não foi estimada.

Figura 2 – Esquema da tabela de contingência com análise comparativa dos acertos erros nas
estimativas da ocorrência (“sim”) e não ocorrência (“não”) de um determinado evento.

Uma vantagem clara do uso da tabela de contingência é permitir analisar a performance da

estimativa sob diferentes aspectos, conforme o tipo de evento estudado e o tipo de estimativa
realizada. Por exemplo, considerando a previsão de chuva em regiões de baixo índice pluviométrico
e definindo como evento de análise a ocorrência de dia chuvoso, a previsão da não ocorrência do
evento (dia sem chuva) é relativamente bem mais fácil do que a previsão da ocorrência do evento.
Nesse caso, assumir um mesmo peso para os acertos do tipo “a” e do tipo “d”, não seria adequado
para uma verificação da performance do preditor. Nesse sentido, alguns índices permitem um
enfoque mais restrito, como o percentual de acerto em conseguir detectar a ocorrência do evento, ou
seja, dado que o evento foi observado.
Neste estudo, foram utilizados os índices de performance denominados proporção correta
(PC), probabilidade de detecção (POD), probabilidade de falsa detecção (PFD), taxa de alarme falso
(FAR), taxa de tendência (BR) e índice de sucesso crítico (CSI), cujas formulações, significados e
variações de valores esperados são apresentados no Quadro 1.

XVII Simpósio Brasileiro de Recursos Hídricos 6

3.2 Tipos de eventos para análise

Dois tipos de eventos foram considerados, um para verificar a habilidade do Hidroestimador

quanto à distinção da ocorrência ou não de chuva e outro para inferir sobre sua destreza em estimar
a quantidade de chuva ocorrida. No primeiro caso, tem-se uma análise do tipo chuva/não chuva,
onde o evento a ser estimado é a ocorrência de chuva no dia, não importando em qual intensidade.
Por conseqüência da formulação dos algoritmos de interpolação e de estimativa da chuva, podem
ser gerados valores não nulos de chuva, mas muito próximos de zero. Para contornar isso,
considera-se um limiar (Pmin), não nulo para diferenciar as classes chuva e não chuva, ou seja: se
P≥Pmin, ocorreu o evento; e se P<Pmin, não ocorreu o evento. Neste estudo foi tomado o valor de
Pmin = 1,0 mm, por ser tal valor adotado como ponto de corte no procedimento de geração dos
arquivos de saída na versão do Hidroestimador utilizada.

Quadro 1 – Relação dos índices de performance derivados da tabela de contingência utilizados neste
estudo.
Índice Formulação Significado Valor
PC a+d Percentual de acertos geral, Varia de 0 a 1; quanto maior
(proporção PC = n , sem distinção entre acertos da o valor, melhor a
correta) onde ocorrência ou não ocorrência performance.
n = a+b+c+d do evento.
POD a Dado que o evento ocorreu, Varia de 0 a 1; quanto maior
(probab. de POD = percentual de acertos em o valor, melhor a
a+c
detecção) estimar sua ocorrência. performance.
PFD b Dado que o evento não ocorreu, Varia de 0 a 1; quanto menor
(probab. de PFD = b + d percentual de vezes em que foi o valor, melhor a
falsa estimada sua ocorrência. performance.
detecção)
FAR b Dentre as vezes que foi Varia de 0 a 1; quanto menor
(taxa de FAR = estimada a ocorrência do o valor, melhor a
a+b
alarme evento, percentual em que o performance.
falso) evento não ocorreu.
BR a+b Relação entre o número de Assume qualquer valor > 0;
(taxa de BR = estimativas de ocorrência do Quanto mais próximo de 1
b+c
tendência) evento e o número de eventos melhor a performance; se > 1
ocorridos. indica superestimativa da
ocorrência do evento; se <1
indica subestimativa.
CSI a Percentual de acertos nas Varia de 0 a 1; quanto maior
(índice de CSI = estimativas, descontando as o valor, melhor a
a+b+c
sucesso vezes em que a não ocorrência performance.
crítico) do evento foi corretamente
prevista.

A segunda abordagem foi aplicada exclusivamente aos dias em que o evento ocorreu e foi
estimada sua ocorrência, ou seja, apenas para quando o Hidroestimador acertadamente indicou a

XVII Simpósio Brasileiro de Recursos Hídricos 7

ocorrência de chuva. Nesse tipo de análise, o evento é caracterizado pela ocorrência de chuva acima
de um determinado patamar (Pmax). Por exemplo, tomando um patamar de 10 mm, o evento é dito
que ocorreu caso a chuva tenha sido superior a 10 mm (P≥Pmax), caso contrário considera-se a não
ocorrência do evento (P<Pmax). Variando-se o valor do patamar (de 5 em 5 mm, por exemplo),
obtém-se uma indicação da habilidade em estimar quantitativamente a chuva, dado que já aconteceu
o acerto em estimar a ocorrência da chuva.
A motivação das duas abordagens vem da forma como o Hidroestimador funciona. A análise
chuva/não chuva diz respeito à parte do algoritmo que decide a ocorrência ou não de chuva. Já a
segunda análise tem a intenção de avaliar exclusivamente o procedimento de estimar
quantitativamente a chuva.

3.3 Dados disponíveis do Hidroestimador

Para este estudo, os dados disponíveis do Hidroestimador são estimativas diárias de chuva
referentes aos anos de 2003 a 2005, para uma grade de 0,1º x 0,1º (aproximadamente 10 x 10 km).
O total de dias sem falhas nos anos de 2003, 2004 e 2005 é de 277 (76%), 338 (92%) e 336 (92%),
respectivamente.

3.4 Geração de campos de chuva

A análise relativa entre os dados de chuva observados em pluviômetros e as estimativas

geradas pelo Hidroestimador constitui a comparação entre uma informação medida pontualmente
em vários lugares distribuídos aleatoriamente no espaço (pluviômetros) e outra informação
produzida de forma distribuída regularmente no espaço, que é a grade de pontos do Hidroestimador.
Neste estudo, foram comparados entre si os campos de chuva diários observados em
pluviômetros e estimados pelo Hidroestimador. O objetivo da verificação da performance do campo
de chuvas estimado é que, na análise do total precipitado sobre uma determinada área, a
simplificação de tomar um valor de chuva médio para áreas extensas (como da ordem da bacia em
estudo) pode obscurecer os resultados da análise, uma vez que erros podem se contrabalançar.
O campo de chuva observado foi gerado pela interpolação dos dados dos pluviômetros para
uma grade de mesma resolução espacial (0,1º x 0,1º) do Hidroestimador. O esquema normalmente
adotado para interpolação e preparação dos dados de chuva para entrada no modelo hidrológico
distribuído MGB-IPH foi utilizado (Collischonn et al., 2007; Collischonn e Tucci, 2001). Em tal
esquema, a chuva em cada ponto da grade é interpolada pelo método do inverso do quadrado da
distância tomando os postos de chuva situados em um raio de até cinco vezes a distância entre o
ponto e o posto mais próximo com dado sem falha naquele instante de tempo.
Barrera (2005) ressalta que o procedimento de gerar um campo de chuva a partir de medições
pontuais em pluviômetros para comparação com um campo de chuvas estimado a partir de imagens

XVII Simpósio Brasileiro de Recursos Hídricos 8

de satélite pode ser fortemente influenciado pela variabilidade espacial da chuva não capturada na
rede de pluviômetros, em virtude da possível baixa densidade de instrumentos. O referido autor
adotou a alternativa de gerar um novo campo de chuva correspondente às estimativas de satélite, a
partir da interpolação da chuva estimada nos pixels localizados sobre os pluviômetros. Outros
estudos adotaram outro procedimento, que consiste na comparação das estimativas de chuva do
satélite especificamente nos pixels situados sobre os pluviômetros (González, 2006). Entretanto,
como no caso deste estudo o enfoque é analisar a performance da estimativa do campo de chuva
como alternativa para alimentação de um modelo hidrológico, manteve-se a abordagem padrão,
descrita nos parágrafos anteriores.

3.5 Comparação entre os campos de chuva

A comparação entre os campos de chuva observada e estimada foi realizada tomando pixel a
pixel as duas imagens referentes a cada dia. Em um determinado dia, a ocorrência ou não do evento
em um pixel i é verificada pela análise do valor de chuva observada nesse pixel. Analogamente,
toma-se a chuva estimada em tal pixel para definir se o evento foi estimado ou não para ocorrer
nesse pixel. Comparando as duas verificações, tem-se que ocorreu um acerto (tipo “a” ou “d”) ou
um erro (tipo “b” ou “c”) para o pixel i na data em questão. Esse procedimento de comparação é
repetido para todos os dias com disponibilidade de dados observados e estimados. Para montar a
tabela de contingência e determinar os índices de performance, duas abordagens são adotadas: (a)
integração no espaço e (b) integração no tempo, como descrito a seguir e esquematicamente
ilustrado na Figura 3.

3.5.1 Análise integrada no espaço

Nessa abordagem, para cada dia da série o acerto ou erro verificado em cada pixel é somado
ao acerto ou erro dos demais pixels, obtendo-se uma tabela de contingência específica do dia, a
partir da qual são derivados os índices de performance correspondentes. Repetindo-se o
procedimento para todos os dias, tem-se uma série temporal de valores de cada índice de
performance, cada valor referente a uma data, a partir da qual pode-se inferir sobre a evolução dos
índices ao longo do tempo ou tomar valores médios.

3.5.2 Análise integrada no tempo

Na análise denominada integrada no tempo, o número de acertos e erros ao longo do tempo

referente especificamente a cada pixel é tomado para construção da tabela de contingência. Ao final
da análise tem-se uma tabela para cada pixel e seus índices de performance derivados. O produto
final é uma imagem raster para cada índice, onde o valor do índice em cada pixel da imagem reflete
o padrão de desempenho do estimador ao longo do tempo nessa área.

XVII Simpósio Brasileiro de Recursos Hídricos 9

 Comparação entre Po e Pe
no pixel i → um acerto (“a”
ou “d”) ou erro (“b” ou “c”)
ANÁLISE INTEGRADA NO ESPAÇO

Po Para o dia 1, Um valor para

Pe toma-se o total de cada índice
dia 1 “a”, “b”, “c” e “d” referente ao
sobre a imagem. dia 1.

Po Para o dia 2, Um valor para

Pe toma-se o total de cada índice
dia 2 “a”, “b”, “c” e “d” referente ao
sobre a imagem. dia 2.

... ... ...

Po Um valor para
Para o dia j,
Pe toma-se o total de cada índice
dia j referente ao
“a”, “b”, “c” e “d”
ANÁLISE INTEGRADA NO TEMPO

sobre a imagem. dia j.

Valor médio ao
Para cada pixel i, toma-se o longo do tempo
total de “a”, “b”, “c” e “d” ao para cada índice
longo do tempo.
Po = precipitação observada
Pe = precipitação estimada
Uma imagem para cada
Tabela de observado
índice de performance
contingência: sim não
estimado
não sim

a b

c d

Figura 3 – Esquema das análises integrada no espaço e integrada no tempo para verificação da
performance das estimativas de chuva.

4 – BACIA DO RIO GRANDE

O Rio Grande é o principal afluente da parte alta do Rio Paraná e apresenta uma área de
drenagem de 145.000 km2, que se estende pelos Estados de Minas Gerais e São Paulo (Figura 4-a).
Há um intenso aproveitamento hidroelétrico na bacia do Rio Grande, com uma capacidade instalada
de 7722 MW, que corresponde a aproximadamente 11,7% do total nacional (ANEEL, 2005). A
precipitação anual média sobre a bacia é de cerca de 1400 mm, fortemente concentrada nos meses
de Novembro a Abril.
Dados diários de 273 postos pluviométricos distribuídos por toda a bacia do Rio Grande foram
utilizados para caracterizar a chuva observada, usada como referência para avaliação das
estimativas produzidas pelo Hidroestimador (Figura 4-b). Os dados são provenientes da base de
dados HidroWeb/ANA e do SIGRHSP/DAEE, disponíveis na Internet. Os postos selecionados são
os mesmos utilizados para obtenção de chuva observada para modelagem hidrológica da Bacia do
Rio Grande, cujo objetivo foi de previsão de vazões de curto e longo prazo (Paz et al., 2007).

XVII Simpósio Brasileiro de Recursos Hídricos 10

 A discretização da bacia em células de 0,1º x 0,1º é apresentada na Figura 4-b. Como a área de
abrangência do Hidroestimador tem como limite ao Norte o paralelo de 20º S, a parcela da bacia do
Rio Grande situada ao Norte desse limite é excluída da análise. Na discretização adotada, tem-se
um total de 1101 células dentro da área de abrangência do Hidroestimador.

Figura 4 – (a) Localização da bacia do Rio Grande; (b) Localização dos 273 postos pluviométricos
(pontos azuis) utilizados e discretização da bacia na grade de resolução 0,1º x 0,1º.

5 – ANÁLISE DOS RESULTADOS E DISCUSSÃO

5.1 Estimativa chuva/não chuva

A consideração de ocorrência de chuva ou não chuva foi caracterizada pela ocorrência de uma
chuva superior a 1 mm ou não, respectivamente. Tomando a análise integrada no espaço, onde a
comparação pixel a pixel entre as imagens para um determinado dia resulta num índice de
performance único, as estimativas de ocorrência ou não ocorrência de chuva pelo Hidroestimador
resultaram uma proporção correta (PC) de acertos de 72% para o período 2003 a 2005, ou seja, em
72% dos dias do período houve acerto na indicação de se tratar de um dia chuvoso ou não.
Entretanto, desconsiderando os acertos de dias não chuvosos, o acerto das estimativas foi de 15%,
como denota o índice CSI. Esse desempenho relativamente baixo fica aparente também nos demais
índices analisados. Dos dias chuvosos, a ocorrência de 22% (POD) deles foi detectada ou estimada,
enquanto 17% (PFD) dos dias não chuvosos foram erradamente estimados como dias chuvosos.
Além disso, em cerca de 51% (FAR) dos dias apontados como chuvosos não ocorreu chuva. O
índice BR ficou um pouco superior a 1, indicando uma leve superestimativa do número de
ocorrência de eventos estimados, mas nada representa quanto à concordância entre a ocorrência e a
estimativa de cada evento.

XVII Simpósio Brasileiro de Recursos Hídricos 11

 Considerando cada um dos anos isoladamente, não ocorre grande variação nos resultados, mas
de modo geral no ano de 2003 houve um maior número de acertos total (PC=78%) e de acertos da
ocorrência de chuva (CSI=20%). Nesse ano, a ocorrência de chuvas foi mais freqüentemente
estimada (superestimativa de 2,34 pelo índice BR), o que conduziu por um lado a mais acertos na
estimativa de dias chuvosos, mas por outro levou a um maior número de detecções erradas e
alarmes falsos. As estimativas durante o ano de 2005 apresentaram comportamento oposto: omissão
de ocorrência de dias chuvosos (BR=0,46), resultando em menor índice de acertos de dias chuvosos
(CSI=12%), mas reduzindo a taxa de alarme falso e a probabilidade de falsa detecção.

Considerando a análise integrada no tempo, onde a performance da estimativa em cada pixel é

individualmente avaliada, tem-se que a probabilidade de detecção variou de 20 a 60% ao longo da
região analisada (Figura 5), enquanto o índice CSI variou de 10 a 50% (Figura 6). Para ambos os
índices, em algumas regiões valores muito superiores ao valor médio integrado no espaço (Tabela
1) foram alcançados. Nitidamente, observa-se que o desempenho mais fraco do Hidroestimador
ocorreu nas áreas de relevo mais acentuado, próximas às cabeceiras do Rio Grande. Uma possível
justificativa para isso é que na versão do Hidroestimador analisada não há correção da estimativa
em função da orografia. Quanto aos índices que dizem respeito à tendência à falsa detecção e
alarme falso, os resultados não apresentaram um padrão de variação espacial, como exemplificado
para o índice FAR (Figura 7).

Tabela 1 – Resultados da análise integrada no espaço da estimativa chuva/não chuva do

Hidroestimador sobre a bacia do Rio Grande.
Índice 2003 2004 2005 2003 a 2005
PC (proporção correta) 0,78 0,70 0,71 0,72
POD (probabilidade de detecção) 0,35 0,20 0,16 0,22
PFD (probabilidade de falsa detecção) 0,24 0,16 0,13 0,17
FAR (taxa de alarme falso) 0,62 0,48 0,43 0,51
BR (taxa de tendência) 2,34 0,94 0,46 1,11
CSI (índice de sucesso crítico) 0,20 0,14 0,12 0,15

XVII Simpósio Brasileiro de Recursos Hídricos 12

 Figura 5 – Probabilidade de detecção (POD) da estimativa de ocorrência de chuva/não chuva pelo
Hidroestimador sobre a bacia do Rio Grande, tomando o período de 2003 a 2005.

Figura 6 – Índice de sucesso crítico (CSI) da estimativa de ocorrência de chuva/não chuva pelo
Hidroestimador sobre a bacia do Rio Grande, tomando o período de 2003 a 2005.

Figura 7 – Taxa de alarme falso (FAR) da estimativa de ocorrência de chuva/não chuva pelo
Hidroestimador sobre a bacia do Rio Grande, tomando o período de 2003 a 2005.

5.2 Estimativa quantitativa de chuva

A verificação do ponto de vista quantitativo da chuva estimada pelo Hidroestimador foi

realizada tomando apenas os dias em que ocorreu chuva e sua ocorrência foi estimada, com a
ressalva de que o valor de 1 mm foi adotado como valor mínimo para caracterizar que se trata de
um dia chuvoso. Os resultados da análise integrada no espaço, onde toda a região é analisada por
um único valor dos índices para cada dia, são ilustrados na Figura 8. Analisou-se a performance em
estimar uma chuva superior a determinado patamar (Pmax). Nos gráficos da referida figura, cada

XVII Simpósio Brasileiro de Recursos Hídricos 13

ponto representa um patamar adotado para análise (2, 5, 10, 15, ..., 95 mm). A interpretação é a
seguinte (por exemplo, para Pmax = 15 mm): (i) o evento a ser estimado é a ocorrência de chuva
maior do que 15 mm; (ii) PC = 0,72 indica 72% de acerto em distinguir se ocorreu ou não chuva
maior do que 15 mm; (iii) POD = 0,17 indica que, dos dias em que ocorreu chuva maior do que 15
mm, em 17% deles foi estimada uma chuva dessa magnitude. A proporção correta de acertos de
ocorrência ou não do evento aumenta com o aumento da faixa de chuva considerada, por que a
estimativa da não ocorrência dessa chuva torna-se mais fácil e ocorre com muito mais freqüência do
que os eventos chuvosos. A mesma justificativa é aplicada para explicar o decréscimo da
probabilidade de falsa detecção. Por outro lado, a taxa de tendência é sempre superior a 1,
indicando uma superestimativa do número de ocorrências de chuvas acima de cada patamar,
variando de 1 a 5 vezes. Aumentando o patamar da chuva analisada, a probabilidade de detecção
diminui e a taxa de alarme falso aumenta.
Proporção correta (PC) Taxa de alarme falso (FAR)
1.0 1.0

0.5 0.5

0.0 0.0
0 20 40 60 80 100 0 20 40 60 80 100
Pmax (mm), em P>Pmax Pmax (mm), em P>Pmax

Probabilidade de detecção (POD) Índice de sucesso crítico (CSI)

1.0 1.0

0.5 0.5

0.0 0.0
0 20 40 60 80 100 0 20 40 60 80 100
Pmax (mm), em P>Pmax Pmax (mm), em P>Pmax

Probabilidade de falsa detecção (PFD) Taxa de tendência (BR)

1.0 10.0

0.5 5.0

BR = 1
0.0 0.0
0 20 40 60 80 100 0 20 40 60 80 100
Pmax (mm), em P>Pmax Pmax (mm), em P>Pmax

Figura 8 – Índices de performance na análise integrada no espaço da estimativa quantitativa de

chuva do Hidroestimador: eventos de diferentes magnitudes (P>Pmax).

Os resultados da análise integrada no tempo novamente ressaltam a grande variabilidade

espacial dos resultados em termos dos índices de performance obtidos, e que a questão da orografia
pode ser uma das causas da baixa performance do Hidroestimador. Por exemplo, a probabilidade de
detecção variou entre 0 e 60% e o índice de sucesso crítico variou de 10 a 50% ao longo da bacia do
Rio Grande, tomando o patamar de 15 mm (Figuras 9 e 10), tendo ocorrido os valores mais baixos
principalmente nos pixels próximos ao divisor topográfico da bacia, nas partes de maior elevação.

XVII Simpósio Brasileiro de Recursos Hídricos 14

 Figura 9 – Probabilidade de detecção (POD) da estimativa de ocorrência/não ocorrência de chuva
maior do que 15 mm pelo Hidroestimador, tomando o período de 2003 a 2005.

Figura 10 – Índice de sucesso crítico (CSI) da estimativa de ocorrência/não ocorrência de chuva

maior do que 15 mm pelo Hidroestimador, tomando o período de 2003 a 2005.

6 – CONCLUSÕES

Este artigo analisou as estimativas de chuva da versão do Hidroestimador produzida pela

Universidade de Buenos Aires. Tais estimativas têm resolução espacial (0,1º x 0,1º) e temporal
(estimativas a cada 30 minutos integradas para valores diários) suficientes para servir como entrada
para modelagem hidrológica distribuída. O algoritmo Hidroestimador foi proposto visando
principalmente o monitoramento de chuvas intensas em tempo real, enquanto a análise realizada
neste trabalho viso seu uso de forma contínua, como é necessário para a modelagem hidrológica,
tendo sido analisados dados referentes a três anos completos.
Os resultados das análises tomando a área da bacia do Rio Grande indicaram relativamente
baixa performance do Hidroestimador na detecção da ocorrência de chuvas diárias e na estimativa
quantitativa do total diário precipitado, pelo menos no que diz respeito à proposição do uso dos
campos de chuva estimados para modelagem hidrológica distribuída.
Na comparação com campos de chuva gerados por interpolação dos dados de pluviômetros,
observou-se grande variação espacial da performance das estimativas de chuva, as quais
apresentaram nitidamente pior desempenho nas regiões de cabeceira da bacia, onde o terreno é

XVII Simpósio Brasileiro de Recursos Hídricos 15

bastante elevado. Supõe-se que a ausência de uma correção orográfica no algoritmo do
Hidroestimador, na versão argentina utilizada, tenha influenciado seu desempenho. Outro ponto a
destacar é que a bacia estudada está localizada no limite norte da área para a qual o algoritmo foi
calibrado e, provavelmente, resultados melhores sejam constatados mais ao centro dessa área.

AGRADECIMENTOS

Parte desta pesquisa foi financiada pela FINEP/CT-Hidro; ao CNPq pela concessão de bolsa
de Doutorado aos dois primeiros autores e de Pós-Doutorado ao terceiro autor.

BIBLIOGRAFIA
ANEEL, Agência Nacional de Energia Elétrica (2005). “Atlas de Energia Elétrica do Brasil”, 2ª
ed., Brasília, Brasil.
BARRERA, D.F. (2005). “Análisis comparativo de los mapas de precipitación obtenidos a partir
de datos pluviométricos y de estimaciones satelitales”, in Actas do IX Congreso Nacional de
Meteorología, Buenos Aires.
BARRERA, D.F. (2007). “The generation of synthetic brightness temperature images to improve
rainfall estimation from GOES satellite”, in Proceedings of Predictions in Ungauged Basins: PUB
Kick-off, IAHS Publication No309, c.13, pp. 113-120. Brasília, Brasil.
BARRERA, D.; MARCUZZI, E.; NAUMANN, G. (2001). “Desarrollo del software de un Sistema
Operativo de estimación de precipitación a partir de imágenes GOES”, in Actas del IX Congreso
Latinoamericano e Ibérico de Meteorología, Buenos Aires, Argentina.
BARRERA, D.; Zucarelli, G.; Ceirano, E. (2003). “Una técnica satelital de estimación de lluvia
como herramienta de pronóstico hidrológico: Aplicación a la tormenta del 22 al 25 de abril de
2003 sobre Santa Fe y Entre Ríos”, in Anais do XV Simpósio Brasileiro de Recursos Hídricos,
Curitiba, Brasil.
BARRERA, D.F.; CEIRANO, E.B.; ZUCARELLI, G.V. (2007). “Differences in area-averaged
rainfall depth over a mid-size basin from two remote sensing methods of estimating precipitation”,
in Proceedings of Predictions in Ungauged Basins: PUB Kick-off, IAHS Publication No309, c.14,
pp. 121-128. Brasília, Brasil.
COLLISCHONN, B. (2006). “Uso da precipitação estimada por satélite em um modelo
hidrológico distribuído”. Dissertação de Mestrado. IPH-UFRGS, Porto Alegre (RS), 196 p.
COLLISCHONN, W.; ALLASIA, D.; SILVA, B.; TUCCI, C. (2007). “The MGB-IPH model for large
scale rainfall runoff modeling”. Hydrological Sciences Journal (in press).
COLLISCHONN, B.; COLLLISCHONN, W.; SILVA, B.; TUCCI, C., (2005). “Simulação
hidrológica da bacia do rio São Francisco usando precipitação estimada pelo satélite TRMM:

XVII Simpósio Brasileiro de Recursos Hídricos 16

resultados preliminares”, in Anais do XVI Simpósio Brasileiro de Recursos Hídricos, ABRH, João
Pessoa (PB).
COLLISCHONN, W.; TUCCI, C.E.M. (2001). “Simulação hidrológica de grandes bacias”. Revista
Brasileira de Recursos Hídricos 6(1), pp. 95-118.
GONZÁLES, B.C. (2006). “Validación del algoritmo hidroestimador en la región de Puerto Rico”,
Dissertação de Mestrado, Universidad de Puerto Rico, Porto Rico, 99 p.
KULIGOWSKI, R. (2002). “A self-calibrating real-time GOES rainfall algorithm for short-term
rainfall estimates”. Journal of Hydrometeorology (3), pp. 112-130.
KULIGOWSKI, R.J.; DAVENPORT, J.S.; SCOFIELD, R.A. (2006). “Application of the hydro-
estimator rainfall algorithm over Hawaii”, in Proceedings of 14th Conference on Satellite
Meteorology and Oceanography.
PAZ, A.R.; COLLISCHONN, W.; TUCCI, C.M.; CLARKE, R.T.; ALLASIA, D. (2007). “Data
assimilation in a large-scale distributed hydrological model for medium range flow forecasts”, in
Proceedings of Quantification and Reduction of Predictive Uncertainty for Sustainable Water
Resources Management, IAHS Publ. 313. IAHS Press, Wallingford, UK (aceito para publicação).
SCOFIELD, R.A. (1987). “The NESDIS operational convective precipitation estimation
technique”. Montly Weather Review 115, pp. 1773-1792.
SCOFIELD, R.A. (2001). “Comments on “A quantitative assessment of the NESDIS Auto-
Estimador.” ” Weather and Forecasting (16), pp. 277-278.
SCOFIELD, R.; KULIGOWSKI, R. (2003). “Status and outlook of operational satellite precipitation
algorithms for extreme events”. Weather and Forecasting (18)6, pp. 1037–1051.
TARRUELA, R.; JORGE, J. (2002). “Estimación de la precipitación acumulada em áreas extensas
a partir de imágenes IR de Satélite”, in Anales del III Congresso de la Associación Espanõla de
Climatologia, Palma de Mallorca, Espanha.
VICENTE, G.; SCOFIELD, R.; MENZEL, P. (1998). “The operational GOES infrarred rainfall
estimation technique”. Bulletin of the American Meteorological Society 79, pp. 1883-1898.
Wilkis, D.S. (2006). “Statistical Methods in the Atmospheric Sciences”, Academic Press, Elsevier, 630
p.
YUCEL, I.; KULIGOSWKI, R.J. (2004). “Evaluating the performance of satellite rainfall
estimates using data from NAME program”, in Proceedings of 29th Annual Climate Diagnostics &
Prediction Workshop, NOAA/National Weather Service, Wisconsin, EUA.

XVII Simpósio Brasileiro de Recursos Hídricos 17