Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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.
2.1 Descrição
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.
(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).
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.
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
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.
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.
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.
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.
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).
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.
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.
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.
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
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
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
6 – CONCLUSÕES
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: