Escolar Documentos
Profissional Documentos
Cultura Documentos
RESUMO
A existência de dados de monitorização meteorológica é um fator crucial para uma completa e
adequada avaliação das disponibilidades de água de uma região. São, no entanto, frequentes as
situações de deficiência ou inexistência de dados devido à vastidão de certos países, à falta de
recursos dedicados à monitorização ou à ocorrência de guerras e conflitos. O uso de estimativas
baseadas em deteção remota ou em modelação meteorológica, devidamente calibradas, pode
constituir uma solução para este tipo de problemas, colmatando as lacunas de dados provenientes das
redes de observação in situ. A integração de fontes convencionais e não convencionais de dados (e.g.
informação de satélite e de modelos meteorológicos) e a utilização de modelos hidrológicos robustos
permite diminuir a incerteza associada à quantificação das disponibilidades de água em zonas com
escassez de dados.
O artigo apresenta os resultados preliminares de uma investigação em curso, tendo Angola
como caso de estudo. O artigo avalia a qualidade das estimativas de precipitação fornecidas pela
Tropical Rainfall Measuring Mission (TRMM) e pelo Global Precipitation Climatology Project (GPCP).
Discute-se as vantagens, os desafios e as metodologias para uma utilização conjunta de fontes
convencionais e não convencionais de dados na avaliação das disponibilidades de água, apresentando
resultados concretos para o caso de Angola.
As equações de regressão entre a precipitação mensal observada in situ e as estimativas do
TRMM e GPCP apresentaram coeficientes de determinação com um valor médio superior a 60%. As
estimativas do TRMM situam-se entre 84% e 122%, dos valores observados. As estimativas do GPCP
apresentam em alguns casos desvios francamente maiores. Tendo por base os resultados obtidos,
conclui-se que as estimativas do TRMM serão uma boa fonte de informação tendo em consideração a
carência de dados convencionais que existe em Angola.
1
1. INTRODUÇÃO
A monitorização meteorológica, e em particular da precipitação, é um elemento essencial para
uma avaliação adequada das disponibilidades de água de uma região e dos riscos decorrentes de
situações meteorológicas extremas.
Existem, no entanto, muitas situações de monitorização deficiente devido a problemas de
financiamento e de organização. Os países de maior dimensão, com regiões remotas de ocupação
humana, têm dificuldade em manter o número elevado de postos exigidos para uma caracterização
adequada do regime de precipitação. Estas dificuldades aumentam em países em desenvolvimento,
com outras prioridades mais prementes a exigirem a afetação de recursos, ou em regiões com
situações de conflito que impedem a deslocação no terreno. A nível global verifica-se que o esforço de
monitorização tem vindo a decrescer, e com maior expressão em países com fraco desenvolvimento
económico. Aos problemas de monitorização, acrescem por vezes dificuldades de acesso aos dados
existentes nos casos de bacias hidrográficas transfronteiriças ou à prática de algumas organizações de
cobrarem taxas elevadas para o fornecimento de dados.
Tradicionalmente, a monitorização meteorológica é realizada através de estações que medem
diversas variáveis num determinado local. Estas estações exigem uma manutenção in situ regular e um
elevado custo de instalação e operação, que aumenta exponencialmente se o local de observação for
de difícil acesso. A ocorrência de problemas de funcionamento dos equipamentos de monitorização, se
não forem rapidamente corrigidos, limita a possibilidade de obter séries de observação longas e
consistentes. Se a leitura for feita de forma manual podem ainda ocorrer erros humanos na leitura,
conduzindo a incerteza nas conclusões das análises realizadas.
Alternativas à observação in situ são a monitorização por equipamentos de deteção remota,
geralmente instalados em satélites, ou a modelação matemática da meteorologia. Estas técnicas
permitem estimar variáveis meteorológicas em vastas áreas com uma boa resolução espacial e
temporal, o que as torna um complemento adequado à monitorização in situ, sobretudo em regiões
com pouca informação convencional, devido à sua extensão ou difícil acesso.
O trabalho que aqui se apresenta teve por objetivo avaliar a qualidade das estimativas de
precipitação mensal de produtos de monitorização remota e estudar as melhores formas de utilização
conjunta de dados provenientes de fontes convencionais e não convencionais para avaliação das
disponibilidades de água. O caso de estudo é Angola que atravessa um surto de desenvolvimento
expressivo, mas que possui uma rede de monitorização meteorológica deficiente.
Foram analisados dois produtos de acesso livre, nomeadamente os fornecidos pela Tropical
Rainfall Measuring Mission (TRMM) e pelo Global Precipitation Climatology Project (GPCP). Os
produtos do TRMM são resultado da combinação de medições provenientes de equipamentos
instalados em satélite e de um número reduzido de medições efectuadas no terreno realizadas em
radares e algumas estações convencionais, nas imediações dos mesmos. Os dados são apresentados
com uma resolução espacial de 0,25º x 0,25º latitude-longitude. Os produtos GPCP são o resultado da
combinação de dados de satélite e de um número elevado de estações convencionais, sendo
apresentado numa grelha com uma resolução de 2,5º x 2,5º latitude-longitude.
2
com altitudes entre os 1 000 e os 2 000 m. Encontra-se dividida em 18 províncias: Bengo, Benguela,
Bié, Cabinda, Cunene, Huambo, Huíla, Cuando-Cubango, Cuanza Norte, Cuanza Sul, Luanda, Lunda
Norte, Lunda Sul, Malanje, Moxico, Namibe, Uíje e Zaire.
A estação climatológica mais antiga é a de João Capelo, em Luanda, que apresenta valores
anteriores ao ano de 1900. O primeiro grande esforço de criar uma rede udométrica estruturada data
do início da década de 40, quando foram instalados cerca de 83 postos. No final da década de 40 este
número ascendia a 145, em meados da década de 50 contabilizavam-se 271 postos e no final da
década de 60 estavam em operação 371 postos. Em 1974 existiam 464 postos com mais de 5 anos de
registos completos, mas a guerra que sucedeu à independência impossibilitou a manutenção desta
rede e mantiveram-se em funcionamento 16 estações localizadas, essencialmente, nas sedes de
província.
Na década de 2000 estavam ativas apenas14 estações, um número francamente insuficiente
para a vastidão do território angolano (Quadro 1 e Figura 1). Nicholson et al. (2003) destacam Angola,
a par com a República Democrática do Congo (Zaire), como as exceções mais relevantes dos
restantes países do continente africano, entre a latitude 2º a 18º N, que possuem redes udométricas
convencionais consideradas por estes autores como suficientemente representativas.
3
Figura 1 – Estações que se mantiveram em funcionamento a partir de 1974
4
satélites de órbita polar ou oblíqua, posicionados a baixa altitude. O período de amostragem destes
satélites é função do seu período de revolução, ou seja, o tempo que o satélite leva a dar uma volta
completa à Terra. Em termos médios, este é da ordem de 100 min, o que resulta em 14 imagens por
dia do mesmo ponto da superfície terrestre.
As estimativas de precipitação da banda do MW são calculadas com base na Lei de Planck da
radiação, que descreve a quantidade de energia que um corpo irradia dado a sua temperatura. Para
um radiómetro passivo de MW, a análise da quantidade de energia recebida dos continentes, oceanos
e nuvens permite estimar o valor da precipitação uma vez que cada uma das superfícies apresenta
uma resposta diferente em termos de energia de MW emitida. Estas estimativas são mais rigorosas
sobre os oceanos dado o maior contraste de temperatura entre os continentes e a água existente na
atmosfera.
Por serem obtidas a alta altitude, as estimativas da banda do IR em geral subestimam os valores
de precipitação de nuvens baixas ou de nuvens altas e finas que apresentem temperaturas baixas.
Assim, os algoritmos utilizados para as estimativas de precipitação usam, em conjunto, os dados
obtidos na banda do IR e do MW.
5
O radiómetro, VIRS, é um dos principais instrumentos a bordo do TRMM que mede a radiação
emitida pela Terra em cinco bandas do espectro eletromagnético, variando do visível ao IR. Este
instrumento, que serve como indicador indirecto da quantidade de precipitação, serve de padrão de
referência e de comparação com as medições efetuadas noutros satélites como os POES (Polar
Geostationary Operational Environmental Satellites) e os GOES. O VIRS utiliza um espelho giratório
para fazer a varredura de toda a faixa a observar. A sua varredura é feita numa faixa de largura de 833
km, conforme o andamento do instrumento ao longo da sua órbita. Na direção do NADIR o instrumento
detecta nuvens com dimensão de 2,4 km.
O TRMM tem, ainda, a bordo os instrumentos LIS e CERES. O LIS é um pequeno instrumento
altamente sofisticado que detecta e localiza relâmpagos sobre a região tropical do globo. O instrumento
CERES tem por objetivo a medição da energia no topo da atmosfera, bem como estimar os níveis de
energia na atmosfera e à superfície da Terra. Os seus dados são usados para estudar as trocas de
energia entre o Sol; a atmosfera, na superfície da Terra e nas nuvens e; o espaço, uma vez que o clima
da Terra é controlado pelo equilíbrio entre a quantidade de energia solar recebida pela Terra (tanto na
sua superfície, na sua atmosfera e nuvens) e a quantidade de energia emitida pela Terra para o
espaço.
As principais variáveis medidas pelos instrumentos TMI, PR e VIRS são, respectivamente,
temperatura de brilho, potência, e radiação. A partir de combinações entre estas medidas e o seu
cruzamento com produtos de outros satélites (GOES, POES), são obtidas as estimativas referentes à
precipitação, cuja resolução temporal e espacial depende do grau de precisão da estimativa. A Figura 2
apresenta a sequência de procedimentos e os diversos produtos (estimativas) que são possíveis de
obter de acordo com a combinação de instrumentos usada no algoritmo de cálculo.
Para calibrar e melhorar a fiabilidade das estimativas e minimizar as diferenças entre estimativas
por satélite e as medições no solo, existe um programa paralelo de validação em campo (Ground
Validation, GV) constituído por radares meteorológicos e diversas estações (localizadas na área
envolvente do radar) ao longo da faixa inter-tropical. No entanto, nenhuma se localiza em Angola, pelo
que se ressalva que a calibração efetuada com dados de campo para esta zona do globo é feita de
forma bastante global e generalizada, o que poderá conduzir a estimativas locais pouco precisas.
A grande vantagem do produto 3B42 do TRMM é a sua alta resolução temporal (3 horas) e
espacial (0,25° latitude/longitude), na faixa entre 50°S e 50°N. A qualidade dos resultados resulta da
complexidade e o número de dados necessários para gerar o produto. O produto 3B43, usado no
presente estudo, resulta da integração temporal do produto 3B42 num intervalo mensal. O produto
3B43 possui uma resolução espacial de 0,25°x 0,25° (latitude/ longitude).
Vários autores têm realizado estudos de comparação entre os dados de precipitação obtidos a
partir do TRMM e os dados das estações de medição convencionais e consideram que a estimativa de
precipitação do satélite TRMM é bastante precisa quando comparada com os dados de solo (Barret et
al., 1994; Ebert et al., 1996; Smith et al., 1998; Adler et al., 2001; Nicholson et al., 2003; Fisher, 2004;
Huffman et al., 2006; Nóbrega et al., 2008; Leivas et al., 2009; Massagli et al., 2011; Collischonn et al.,
2006). Para a região da Amazónia, Massagli et al. (2011) obtiveram uma regressão entre os valores de
precipitação mensal com um coeficiente de determinação de 0,72. Na bacia do alto Paraguai até
Descalvos, no Brasil, Collischonn et al. (2006) obtiveram valores de correlação entre os valores
mensais da precipitação da ordem de 0,50, variando as estimativas do TRMM entre 78% e 135% dos
valores observados.
6
Figura 2 - Fluxograma de dados para geração dos produtos do projeto TRMM
(Fonte: NASA, TRMM, Senior Review Proposal, Appendix A. March 2007)
Nicholson et al. (2003) desenvolveram um trabalho para 11 países do oeste de África onde
compararam os valores da precipitação observada in situ no período de 1988-98 com as estimativas
dos produtos do TRMM e do GPCP. Verificaram que o conjunto das 12 regressões mensais (uma para
cada mês do ano) apresentava piores resultados que uma única regressão baseada no conjunto
completo dos valores mensais. No que diz respeito ao TRMM, apenas dispunham de um ano de dados
para comparação. Estabeleceram uma regressão com 12 valores para cada um dos locais de que
dispunham de dados in situ e obtiveram uma correlação global de 0,92, mas com erros de sobre e
subestimação entre 20% a 40%.
Massagli et al. (2011) obtiveram para a bacia hidrográfica do rio Ji-Paraná, Rondonia (Brasil) um
coeficiente de determinação mensal de 72 % tendo por base uma equação de regressão baseada no
conjunto completo de dados mensais para o período de 1988-2010, entre as estimativas de
precipitação do TRMM e a precipitação calculada para a bacia tendo por base os dados de precipitação
de 34 estações in situ . No que diz respeito ao TRMM existe uma GV localizada no Brasil, em
Rondonia, o que permite uma melhor calibração do algoritmo 3B43. A área estudada tem 75 000 km2, o
que conduz a uma densidade de postos de 2 205 km2/posto.
Os dados do TRMM disponíveis para o presente estudo dedicado a Angola abrangem o período
entre 1/1/1998 a 1/06/2011. A área do País está compreendida entre a latitude de 6° S e 18° S e a
longitude de 11º E e 24º E, o que corresponde a 2 496 pixels. A Figura 3 mostra as estimativas do
produto 3B43 do TRMM sobre Angola, válido para o mês de Janeiro no ano 2007. A escala de cores
representa a quantidade média da precipitação em cada pixel, de forma que cores mais quentes
correspondem a precipitações mais intensas.
7
Figura 3 - Precipitação estimada pelo TRMM sobre Angola. Janeiro de 2007
(Fonte: http://trmm.gsfc.nasa.gov/data3B43)
8
mais de 40 000 estações convencionais no mundo. Huffman et al. (2006) defenderam que a grelha de
trabalho deveria ser mais fina, mesmo que fosse à custa de maior incerteza.
Embora a base de dados do GPCP seja de extrema utilidade e bastante valiosa para análise da
precipitação mensal global e, para o estudo das variações climáticas, o conjunto de dados apresenta
algumas limitações, em virtude da heterogeneidade dos dados de entrada. De acordo com Nijssen et
al. (2001), apud Adler et al. (2003), as precipitações encontram-se subestimadas em zonas cuja
orografia conduza à existência de precipitações orográficas, isto porque em zonas montanhosas os
dados pontuais das estações udométricas são parcos para representar com exatidão a precipitação da
região e as observações por satélite, tanto na banda de MW e do IR, têm dificuldade para detectar
precipitações orográficas.
Assim, um dos principais objetivos do GPCP é constituir uma base de dados da precipitação
mensal com base no potencial próprio de cada fonte de informação que permita a compreensão mais
completa dos padrões espaciais e temporais de precipitação global. Esta é, provavelmente, a base de
dados mensal e diária mais completa do GTS, envolvendo dados de mais de 64 400 estações
convencionais (com um mínimo de 10 anos de registos completos), de cerca de 185 organizações
meteorológicas e hidrológicas a nível mundial e, dados obtidos de satélites geoestacionários na banda
do MW e IR passivo.
Os diferentes produtos da GPCC são usados no mundo inteiro por diversas instituições como a
WMO, WCRP, Food and Agriculture Organisation (FAO), UN Educational, Scientific and Cultural
Organization (UNESCO) e Group on Earth Observations (GEO), nomeadamente no contexto dos
recursos hídricos e da análise climática.
Para a realização do presente estudo foram extraídas as séries de precipitação mensal, sobre os
pixels de 2,5°x 2,5° (latitude/ longitude) situados entre a latitude de 4° S e 19° S e a longitude de 10º E
e 25º E, os quais abrangem a totalidade da área da República de Angola, num total de 49 pixels. O
período de dados disponibilizado está compreendido entre 1/1/1979 a 30/12/2010. A Figura 5
representa as estimativas de precipitação mensal do mês de Janeiro de 2007 do produto do GPCP.
Figura 5 - Precipitação estimada pelo GPCP sobre Angola. Janeiro de 2007.(valores em mm)
(Fonte: http: disc2.nascom.nasa.gov/Giovanni/tovas/rain.GPCP.shtml)
9
4.2 TROPICALL RAINFALL MEASURING MISSION, TRMM
O período desta análise resultou da intersecção entre o período das estimativas disponibilizadas
pela NASA (Janeiro de 1998 a Junho de 2011) e o período com dados de cada estação descrito no
Quadro 1. Os valores observados em cada estação foram confrontados com as estimativas do TRMM
referente ao nó da grelha (pixel) mais próximo.
No Quadro 3 apresentam-se os resultados da análise da regressão simples com ordenada nula
na origem, tendo por base a totalidade dos valores mensais da precipitação do período comum entre
os dados in situ e as estimativas do TRMM. No mesmo quadro é igualmente apresentado o coeficiente
de determinação (R2) e a variância explicada, isto é o quadrado do coeficiente de correlação (ρ2). Note-
se que o quadrado do coeficiente de correlação corresponde ao coeficiente de determinação (R2) da
regressão simples com ordenada livre na origem, sendo por isso sempre superior ao R2. A Figura 6
apresenta a representação gráfica das regressões obtidas.
10
Figura 6 – Rectas de regressão dos valores da precipitação mensal observada nos postos vs precipitação do
TRMM
No que diz respeito à análise mês a mês (Quadro 4), verifica-se se que o TRMM consegue
apreender a variabilidade sazonal da precipitação na região, embora os valores dos coeficientes de
determinação
ão das regressões mensais sejam, de uma forma geral, piores do que os apresentados no
Quadro 3.. Os coeficientes de determinação são francamente maus nos meses de menor
meno pluviosidade
O que significa que a imposição da ordenada na origem nula reduz significativamente a qualidade do
modelo.
11
Quadro 4 – Resultados da análise da comparação efetuada mês a mês entre Postos e TRMM
Posto Des. Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
R2 (%) 66,0 53,9 87,2 81,3 85,2 -44,4 1,14 14,3 91,2 84,8 67,0 58,7
Cabinda
Declive 0,832 1,025 1,024 1,106 0,856 0,046 0,664 0,142 0,742 0,885 0,906 0,928
R2 (%) 47,4 -15,8 19,6 -42,3 43,8 16,2 -47,1 -25,5 -53,7 39,1 77,1 39,3
Uíge
Declive 1,063 0,823 1,087 0,875 0,771 1,128 0,019 0,314 1,405 0,935 1,010 1,059
R2 (%) 73,6 87,6 94,1 12,1 63,5 - 99,3 -55,4 -76,8 42,5 -34,0 94,4
João Capelo
Declive 1,257 0,769 1,004 0,643 0,221 - 0,039 0,135 0,124 0,684 0,695 0,805
Ndalatando, Vila R2 (%) 21,5 34,1 17,0 -70,3 53,8 -19,5 -77,9 - -3,6 57,0 79,6 8,6
Salazar Declive 1,099 0,697 1,144 0,614 0,742 0,001 1,513 - 1,095 1,373 0,947 0,821
R2 (%) 14,3 -97,4 29,5 -219 24,9 22,1 -11,1 -12,7 -79,9 -57,0 50,4 -103
Malange
Declive 0,839 0,707 1,138 0,668 0,282 2,071 0,000 0,045 0,783 0,791 0,865 0,670
Saurimo, Henrique R2 (%) 1,5 -211 68,3 52,5 71,5 37,0 - -2,4 -37,7 -517 12,9 -708
Carvalho Declive 1,916 1,371 1,297 1,401 0,706 0,668 - 5,379 3,341 1,405 0,999 1,213
R2 (%) 45,8 63,1 72,0 85,8 -16,4 - - -17,0 -33,6 -43,5 80,4 56,2
Porto Amboim
Declive 0,775 0,826 1,009 0,791 0,015 - - 0,010 0,687 0,775 0,783 0,689
R2 (%) -146 27,7 -19,9 69,3 20,6 15,4 - -12,0 -6,2 -109 -76,7 -96,0
Luena
Declive 0,758 0,955 1,501 1,019 0,385 0,027 - 0,093 1,599 1,256 1,032 1,115
R2 (%) -1355 -126 -1243 -197 88,8 100 - 69,0 50,9 -191 55,7 -114
Silva Porto, Kuito Bie
Declive 0,787 0,946 1,688 0,634 2,420 0,436 - 2,034 1,829 1,378 1,040 2,454
Huambo, Nova R2 (%) -133 -76,7 -124 16,5 86,3 - - 35,5 -59,0 -135 -52,6 -20,8
Lisboa Declive 0,714 0,734 1,109 1,703 2,284 - - 0,750 0,657 0,464 1,240 1,163
R2 (%) -36,0 67,8 45,6 80,5 -4,3 - - -8,3 3,3 -41,0 64,2 15,8
Benguela
Declive 0,336 1,019 1,445 1,158 0,268 - - 0,138 0,447 0,202 0,798 0,724
Lubango, Sá R2 (%) -32,2 -10,0 -80,9 35,9 -3,9 - - - 6,9 -181 -57,8 -4,8
Bandeira Declive 1,061 1,274 1,464 1,944 0,185 - - - 1,103 0,437 0,893 1,064
Serpa Pinto, R2 (%) 16,4 61,7 12,9 -6,0 89,1 100 - - 3,5 -37,7 52,3 12,5
Menongue Declive 1,034 1,155 1,309 0,789 21,6 1,049 - - 1,182 1,268 1,168 1,227
R2 (%) 38,9 65,7 79,8 65,6 -5,5 - - -3,4 -13,1 10,3 31,8 80,5
Namibe
Declive 0,554 0,978 1,440 1,496 0,146 - - 0,718 0,024 0,169 0,815 0,916
12
Quadro 5 – Resultados da análise da comparação entre os valores da precipitação mensal - Postos vs GPCP
Para ambos os períodos analisados verifica-se que o GPCP sobrestima de uma forma geral a
precipitação existindo, apenas, três situações, Kuito Bié, Uíge e Saurimo em que a precipitação é
subestimada, com grande expressão para Saurimo.
13
Figura 7 (Cont.) – Rectas de regressão dos valores da precipitação mensal observada nos
postos vs precipitação do GPCP
a) b)
c)
d)
14
As superfícies que se obtém com a informação in situ apresentam deficiências decorrentes i) do
número escasso de postos utilizado, ii) da ausência de informação em algumas zonas como nas
províncias de Lunda-norte, Cuando-Cubango Cunene, localizadas a nordeste e a sul do território de
Angola, iii) falta de informação dos países vizinhos e iv) falta de informação dos quantitativos de
precipitação na zona junto à costa (oceano). Por outro lado, estas deficiências nas superfícies são
ultrapassadas tendo por base os produtos TRMM e GPCP por estes englobarem informação in situ de
países vizinhos e uma maior cobertura espacial por detecção remota e, ainda, neste último caso a
cobertura ao nível dos oceanos.
A comparação entre as superfícies representadas na Figura 8 deverá ter em consideração e,
sempre presente, as metodologias subjacentes à obtenção dos dados, bem como, as bases de dados
que levaram à geração das mesmas. Verifica-se que a gama de valores estimadas por Kriging é mais
reduzida do que as estimadas por IDW. Esta última apresenta uma gama de valores mais semelhante
as superfícies geradas pelos produtos TRMM e GPCP. Tendo, ainda, em consideração as superfícies
geradas verifica-se que as relativas ao TRMM e GPCP apresentam uma tendência de decréscimo da
precipitação de N para S e, essa tendência com base nos valores in situ é de NE para SW.
As conclusões anterior são corroboradas por Ruelland et al (2008) que verificaram para uma
área da África Austral que as superfícies de precipitação obtidas com base no IDW fornecem melhores
resultados que as obtidas por Kriging. De acordo com Chang et al (2008) apud Ruelland et al (2008),
quando a densidade de informação in situ é pobre, os erros das estimativas por IDW são inferiores às
obtidas por Kriging.
5. CONCLUSÃO
Tendo por base o estudo realizado a deteção remota pode constituir uma ferramenta que
complementa a informação obtida in situ. Pelos resultados obtidos pode-se concluir que as estimativas
de precipitação obtidas a partir de instrumentos colocados em satélite, podem-se tornar um dado
bastante útil na caracterização e na modelação hidrológica de regiões com pouca disponibilidade de
dados uma vez que estes produtos conseguem captar de forma satisfatória a variabilidade da
precipitação e, até mesmo, a não ocorrência deste fenómeno.
O valor médio do coeficiente de determinação para a região de Angola, calculado tendo por base
os dados de precipitação in situ vs TRMM, foi de 60,8 %. No que diz respeito ao homólogo, mas para a
comparação in situ vs GPCP foi de 60,4 %. Apesar da ligeira diferença entre os valores dos
coeficientes de determinação, verifica-se que o GPCP sobrestima na maior parte das situações e,
quase sempre, com grandes diferenças.
No que diz respeito às superfícies geradas para as precipitações anuais médias de 2000 a 2003
verifica-se que a gama de valores estimadas por Kriging é mais reduzida do que as estimadas pelo
pelo método IDW. Esta última apresenta uma gama de valores mais semelhante às das superfícies
geradas pelos produtos TRMM e GPCP. Tendo, ainda, em consideração as superfícies geradas
verifica-se que as relativas ao TRMM e GPCP apresentam uma tendência de decréscimo da
precipitação de N para S e, essa tendência com base nos valores in situ é de NE para SW.
Os resultados obtidos, ainda que preliminares, permitem constatar que as estimativas de
precipitação a partir de satélite, em especial com base no produto TRMM, podem-se tornar um dado
bastante útil na caracterização e na modelação hidrológica de regiões com pouca disponibilidade de
dados. No entanto, ter-se-á de ter em consideração que os dados de precipitação obtidos com base na
estimativa 3B43 é feita através de uma algoritmo relativamente complexo, cruzando dados do TRMM
com estimativas de outros satélites e outros produtos. Por outro lado, o projecto TRMM, prolongado já
por duas vezes, está em vias de ser encerrado mas, tendo consideração o sucesso do mesmo e a
necessidade de mais estudos, levaram a NASA a programar um novo projecto, o GPI.
15
6. REFERENCIAS
Adler, R.F. ; Kidd, C.; Petty, G.; Morissey M.; Goodman, H.M.; 2001. Intercomparison of global Precipitation
Products: The third precipitation Intercomparison Project (PIP-3). Bulletin of the American Meteorolog Society. Vol.82,
pp.1377–1396.
Adler, R.F.; Huffman, G.J. ; Chang, A.; Ferraro, R.; Xie, P.; Janowiak, J.; Rudolf, B.; Schneider, U.; Curtis, S.; Bolvin,
D.; Gruber, A.; Susskind, J.; Arkin, P.; Nelkin E.; 2003. The Version 2 Global Precipitation Climatology Project (GPCP)
Monthly Precipitation Analysis (1979-Present). Journal of Hydrometeororology. Vol. 4, pp. 1147-1167.
Barrera, D. F., 2005. Precipitation estimation with the hydro-estimator technique: its validation against raingage
observations. VII Congresso da IAHS, Foz do Iguaçu, 3-9 de abril de 2005..
Barret E. C.; Adler R. F.; Arpe, K.; Bauer, P.; Berg, W.; Chang, A.; Ferraro, R.; Ferriday, J.; Goodman, S.; Hong, Y.;
Janowiak, J.; Kidd, C.; Kniveton, D.; Morissey, M.; Olsen, W.; Petty, G.; Rudolf, B.; Shibata, A.; Smith, E.; Spencer, R.; 1994.
The first WetNet Precipitation Intercomparison Project: Interpretation of results. Remote Sensing Review. n. 11, pp. 303–373
Collischon B.; Allasia, D.; Collischon, W.; Tucci, C.E.M.; 2006. Desempenho do satélite TRMM na estimativa de
precipitação sobre a bacia do Paraguai superior. Revista Brasileira de Cartografia, Vol.59/01, pp.93-99.
Ebert E.E.; Manton, M.J.; Arkin, P.A.; Allam, R.J.; Holpin , G.E.; Gruber, A.; 1996. Results from the GPCP Algorithm.
Intercomparison Programme. Bulletin of the American Meteorology. Society. Vol.77, pp. 2875–2887.
Fisher, B.L.; 2004. Climatological Validation of TRMM TMI and PR monthly rain products over Oklahoma. Journal of
Applied Meteorology, Vol.43, pp.519-535.
Huffman, G. J., Adler, R. F., Bolvin, D. T.,, Nelkin, E. J., Kenneth, P. B., 2006. The TRMM Multisatellite Analysis
(TMPA): Quasi-Global, Multiyear, Combined-Sensor Precipitation Estimates at Fine Scales. Journal of Hydrometeororology.
Vol. 8, pp. 38-55.
Kawanishi T. Kuroiwa, H.; Masahiro, M. Oikawa, K. Kozu, T.; Kumagai, H.; Okamoto, K.; Okuruma, M.; Nakatsuka,
H.; Nisikawa, K., 2000. TRMM Precipitation Radar. Remote Sensing and Applications: Earth, Atmosphere and Oceans.
Vol.25, pp 969-972.
Leivas J.F. ; Ribeiro, G.G.; Souza, M.B.; Filho, J.R.; 2009. Análise comparativa entre os dados de precipitação
estimados via satélite TRMM e dados observados de superfície em Manaus. Simpósio Brasileiro de Sensoriamento Remoto.
Natal, Brasil. pp. 1611-1616.
Massagli, G.O. ; Victoria, D.C. ; Andrade, R.G.; 2011. Comparação entre a precipitação medida em estações
pluviométricas e estimada pelo satélite TRMM. 5º Congresso Interinstitucional de Iniciação Científica, Campinas, Brasil.
Nicholson, S.E.; Some, B.; McCollum, J.; Nelkin, E.; Klotter, D., Berte, Y.; Diallo, B.M.; Gaye, I.; Kpabeba, G.;
Ndiaya, O.; Noukpozounkou, J.N.; Tanu, M.M.; Thiam, A.; Toure, A.A.; Traore, A.K.; 2003. Validation of TRMM and other
rainfall estimates whit a high-density gauges dataset for West Africa. Validation of GPCC rainfall products and Pre-TRMM
Satellite and Blended Products. Journal of Applied Meteorology, Vol.42, pp.1337-1354.
Nóbrega, R.S.; Souza, E.P.; Sousa, F.A.; 2008. Análise da utilização de dados do satélite TRMM em um modelo
hidrológico semidistribuído na bacia do rio Jamari (RO). Revista Brasileira de Geografia Física. Vol. 1, pp. 47-61.
Rudolf, B., Hauschild, H., Rueth, W., Schneider, U., 1994. Terrestrial Precipitation Analysis: Operational Method
and Required Density of Point Measurements. NATO ASI I/26, Global Precipitations and Climate Change (Ed. M. Desbois
and F. Desalmand), Springer Verlag Berlin, pp. 173-186.
Ruelland, D.; Ardoin-Bardin, S.; Billen, G.; Servat, E.; 2008. Sensitivity of a lumped and semi-distributed hydrological
modelto several methods of rain interpolation on a large basin in West Africa. Journal of. Hydrology. Vol. 361, pp. 96–117.
Schneider, U.; Becker, A.; Meyer-Christoff, M.Z.; Rudolf, B.; 2010. Global Precipitation Analysis Products of GPCC.
Global Precipitation Climatology Centre. Deutscher Wetterdients Offenbach. Germany. pp. 1-12.
Smith, E.A; Lamm, J.E.; Adler, R.; Alishouse, J.; Aonashi, K.; Barrett, E.; Bauer, P.; Berg, W.; Chang, A.; Ferraro,
R.; Ferriday, J.; Goodman, S.; Grody, N.; Kidd, C.; Kniveton, D.; Kummerow, C.; Liu, G.; Marzano, F.; Mugnai, A.; Olson,
W.; Petty, G.; Shibata, A.; Spencer, R.; Wentz, F.; Wilheit, T.; Zipser E.; 1998. The Second Precipitation Intercomparison
Project (PIP-2). Journal of the Atmospheric Sciences. Vol. 55, pp. 1481-1482.
WMO, 1985. Review of requirements for area-averaged precipitation data, surface based and space based
estimation techniques, space and time sampling, accuracy and error, data exchange. WCP-100, WMO/TD-Nº 115.
16