A UTILIZAÇÃO DE INFORMAÇÃO DE SATÉLITE PARA COLMATAR A

ESCASSEZ DE DADOS METEOROLÓGICOS NA AVALIAÇÃO DAS

DISPONIBILIDADES DE ÁGUA.
O CASO DE ANGOLA

Sandra Maria POMBO

Universidade Lusófona, Campo Grande, 376, 1749 - 024 Lisboa, Portugal.
Aluna de doutoramento do Instituto Superior Técnico, Membro Associado Colaborador do CEHIDRO
e-mail:sandra.pombo@netcabo.pt

Rodrigo Proença de OLIVEIRA

CEHIDRO, Departamento de Engenharia Civil, Arquitectura e Georecursos, Instituto Superior Técnico (IST).
Avª Rovisco Pais, 1049-001 Lisboa, Portugal
e-mail: rpo@civil.ist.utl.pt

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.

Palavras chave: Angola, Precipitação, Deteção remota, TRMM, GPCP.

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. A REDE METEOROLÓGICA DE ANGOLA

A República de Angola é o quinto maior país do continente africano, com uma área de cerca de
1 246 700 km2. Tem fronteira a norte e nordeste com a República Democrática do Congo, a leste com a
Zâmbia e a sul com a Namíbia, num total de 4 837 km de fronteiras terrestres e de cerca de 1 650 km
de fronteira marítima. Abrange ainda o enclave de Cabinda, situado a Norte, entre a República do
Congo e a República Democrática do Congo. O ponto de maior altitude, Monte Môco, localiza-se no
Huambo onde se atinge os 2 620 m. Cerca de 60% do território localiza-se numa zona de planaltos

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.

Quadro 1 – Registos de precipitação das estações em operação

1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
Nome da Estação
Luanda (João Capelo)
Namibe (Moçamedes, Gomes de Sousa)
Luena (Vila Luso)
Cabinda
Huambo (Nova Lisboa)
Lubango (Sá da Bandeira)
Malange
Kuito Bié (Silva Porto)
Dundo
Menongue (Serpa Pinto)
Porto Amboim
Benguela
Ndalatando (Vila Salazar)
Uíge
Saurimo (Henrique de Carvalho)
Cela-Waco Kungo

Sem registos 1 a 4 meses 5 a 8 meses 9 a 11 meses Ano completo

Na investigação em curso realizou-se um esforço muito significativo para a recolha de dados

meteorológicos dispersos por várias instituições pertencentes ao governo Angolano (Instituto Nacional
de Meteorologia e Geofísica, INAMET; Direção Nacional da Água, DNA; Laboratório de Engenharia de
Angola, LEA) e ao governo Português (Instituto da Água, Instituto Nacional de Meteorologia e Geofísica
e Instituto Infante Dom Luiz). No Quadro 2 apresenta-se o número de estações udométricas em função
da dimensão dos seus registos e na Figura 1. localizam-se as principais cidades e as estações que se
mantiveram em funcionamento a partir de 1974.

Quadro 2 – Número de estações udométricas em função da dimensão dos seus registos

Número de anos hidrológicos completos Número de estações
Mais de 40 11
40 - 30 26
30 - 20 107
20 - 10 201
10 - 5 119

3
 Figura 1 – Estações que se mantiveram em funcionamento a partir de 1974

3. PRODUTOS DE DETECÇAO REMOTA

3.1 MONITORIZAÇÃO DA PRECIPITAÇÃO

Desde
esde o final do século passado que a deteção remota a partir de instrumentos
umentos instalados em
satélites possibilita a estimativa das várias componentes do ciclo hidrológico,, nomeadamente a a
precipitação, a evapotranspiração real e a humidade do solo. A grandeza usualmente medida por
instrumentos de observação remota é a radiação eletromagnética que é refletida e/ou emitida pelos
objetos.
As estimativas de precipitação baseiam-se, se, essencialmente, nas medições de dois tipos de
sensores, que trabalham na banda do micro-ondas (MW, microwave) e na banda do infravermelho (IR,
infrared). Na banda do IR a energia radiante pode ser convertida em temperatura, conhecida como
temperatura de brilho,, por meio da lei de Stefan-Boltzmann
Stefan e que por sua vez está relacionada com a
intensidade de chuva (Barrera, 2005).
2005) Ao invés, na banda do MW a relação entre a radiação do MW é
directa com a precipitação.
As estimativas de precipitação tendo por base o IR são obtidas,
obtid em geral, a partir de satélites de
órbita geossíncronas que estão posicionados a grande altitude, numaa posição imóvel em relação à
Terra. Estes satélites fornecem o mapeamento de grandes áreas de superfície terrestre e apresentam
uma muito boa resolução temporal que é função da resposta do sensor mas é, por regra,
regra da ordem de
várias observações por hora.
No caso do IR a intensidade da radiação em diferentes bandas espectrais é usada para
determinar o brilho ou a temperatura da fonte de radiação. No caso de o céu estar limpo, a temperatura
irá corresponder
esponder à da superfície da terra,
erra, e se houver nuvens, a temperatura tende a ser a do topo das
nuvens. A observação de temperaturas
mperaturas mais frias significa intensidades de precipitação maiores nas
faixas de menor comprimento de onda, e as temperaturas mais quentesquentes produzirão maior intensidade
nas faixas de maior comprimento de onda. Como as nuvens frias ocorrem em altitudes mais elevadas
as temperaturas medidas são úteis como indicadores de alturas de nuvens, e as nuvens mais altas
podem ser associadas à presença nça de chuva.
As estimativas obtidas através de MW apresentam maior precisão nas estimativas instantâneas
da precipitação mas, devido à sua fraca resolução temporal, não representam tão corretamente a
variabilidade temporal da precipitação, podendo perder acontecimentos pluviométricos de curta
duração. As estimativas de precipitação tendo por base a banda do MW são obtidas a partir de

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.

3.2 TROPICALL RAINFALL MEASURING MISSION, TRMM

O TRMM (Tropicall Rainfall Measuring Mission) é um projeto desenvolvido em parceria entre a
Agência Aeroespacial Norte-americana (NASA) e a Agência Japonesa de Exploração Aeroespacial
(JAXA). O satélite foi lançado em 27 de Novembro de 1997 para servir uma missão experimental,
especialmente dedicada à medição da precipitação tropical e sub-tropical e verificação da sua
influência no clima global, mas rapidamente se transformou numa referência para o estudo da
precipitação.
Por ser o satélite mais bem equipado com instrumentos para estimativa de precipitação, o
satélite TRMM fornece estimativas mais precisas do que as técnicas indiretas, baseadas em imagens
de outros satélites, sendo inclusive usado para validação dessas outras técnicas (Barrera, 2005). O
satélite tem uma órbita oblíqua bastante baixa, inicialmente de 350 km e, a partir de 2001, de 402,5 km.
O período de revolução é de cerca de 91 minutos (3h), o que conduz a cerca de 16 órbitas por dia à
volta da Terra, permitindo boa resolução espacial e razoável resolução temporal.
Os instrumentos a bordo do TRMM são o sensor de MW (TMI), o radar de precipitação (PR), o
radiómetro no visível e no IR (VIRS), o sensor de energia radiante da superfície terrestre e das nuvens
(CERES) e o sensor para imagem de relâmpagos (LIS).
O TMI é um radiómetro de MW passivo, projetado para fornecer informações quantitativas de
precipitação sobre uma grande área, varrendo com um ângulo NADIR de 49°, o que resulta em um
ângulo de incidência na superfície terrestre de 52,8°. Mede as quantidades mínimas de energia de MW
emitida pela Terra e pela sua atmosfera sendo capaz de quantificar a quantidade de vapor de água, a
quantidade de água nas nuvens, e a intensidade de precipitação. O TMI é uma evolução do antigo
radiómetro SSM/I que se encontra operacional desde 1987. O TMI mede a intensidade da radiação em
cinco frequências diferentes (10,7, 19,4, 21,3, 37 e 85,5 GHz) e devido à baixa altitude a que o satélite
órbita o TMI apresenta elevada resolução espacial.
O instrumento PR é o primeiro e o único radar meteorológico no espaço (um radiómetro ativo na
banda MW). Este radar, concebido para produzir mapas tridimensionais de estruturas precipitantes é
capaz de detectar taxas de precipitação muito baixas, da ordem de menos de 0,7mm/h (Kawanishi et
al., 2000). Este instrumento tem uma resolução horizontal, no solo, de cerca de 5 km e uma largura de
faixa de 247 km. Uma das suas características mais importantes é sua capacidade de fornecer perfis
verticais da chuva e da neve da superfície até uma altura de cerca de 20 km conseguindo, ainda,
separar os ecos de chuva.

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)

3.3 GLOBAL PRECIPITATION CLIMATOLOGY PROJECT, GPCP

O Global Precipitation Climatology Centre (GPCC) foi criado em 1986, a pedido da World
Meteorological Organization (WMO) com o objectivo de quantificar a distribuição da precipitação em
todo o mundo (Schneider et al., 2010). Este centro, operado pela Deutscher Wetterdienst (DWD,
Serviço Meteorológico Nacional da Alemanha), criou o Global Precipitation Climatology Project (GPCP)
(Figura 4) sendo da sua responsabilidade, os conjuntos de dados designados por versão 1 e versão 2.

Figura 4 – Global Precipitation Climatology Project

(Fonte: http://www.gewex.org/gpcp.html)
A versão 1 engloba os dados desde 1986 até ao presente e apresenta uma resolução espacial
de 2,5º x 2,5º de latitude/longitude. Resulta da combinação das estimativas de precipitação dos
sensores de MW e IR de satélites de órbita polar e geoestacionária e de dados e observações de
superfície. O método de combinação dos dados utiliza os dados de maior precisão dos satélites de
baixa órbita na banda do MW para calibrar as observações obtidas na banda do IR.
A versão 2 engloba os dados da versão 1 e a extensão dos dados de precipitação para o período
de 1979 até 1986, tendo por base os registos de cerca de 6 500 - 7 000 estações convencionais
existente na base de dados da NOAA, as informações disponíveis na banda do IR e relatórios
climáticos do mundo inteiro, principalmente sinópticos e compilados mensalmente a partir da Global
Telecommunication System (GTS).
De acordo com a WMO (1985) e Rudolf et al. (1994) para o cálculo da precipitação média
mensal com uma resolução espacial de 2,5° x 2,5° de latitude/longitude, com um erro amostral não
superior a 10% são necessárias, entre 8 e 16 estações, por pixel, pelo que o GPCP utilizou dados de

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)

4. ANÁLISE COMPARATIVA DAS ESTIMATIVAS PRODUTOS DE DETECÇÃO VS

POSTOS

4.1 PERIODOS DE ANÁLISE

Na avaliação da qualidade das estimativas de precipitação dos produtos TRMM e GPCP para
Angola utilizaram-se os postos udométricos constantes no Quadro 1. A análise efetuada baseou-se nos
valores mensais de precipitação dos períodos comuns às estimativas de cada produto e às
observações in situ. Foi também avaliada a superfície da precipitação anual média do período 2000 a
2003, comum aos dois produtos e às observações in-situ.

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.

Quadro 3 – Resultados da análise da comparação entre os valores da precipitação mensal

Postos vs TRMM
Estação Número valores ρ2 (%) R2 (%) Declive
Luanda (João Capelo) 103 70,2 70,1 0,78
Namibe (Moçamedes, Gomes de Sousa) 144 73,3 72,9 1,15
Luena (Vila Luso) 144 57,5 53,5 1,01
Cabinda 110 86,7 86,5 0,96
Huambo (Nova Lisboa) 123 41,9 31,0 0,86
Lubango (Sá da Bandeira) 144 39,9 35,3 1,16
Malange 123 56,7 53,7 0,79
Kuito Bié (Silva Porto) 42 48,9 36,2 1,06
Dundo Sem período comum
Menongue (Serpa Pinto) 82 72,8 71,6 1,15
Porto Amboim 138 76,9 76,8 0,82
Benguela 144 56,4 56,4 1,09
Ndalatando (Vila Salazar) 112 69,4 67,8 0,85
Uíge 110 75,3 74,5 0,97
Saurimo (Henrique de Carvalho) 42 68,4 64,5 1,34
Cela-Waco Kungo Sem período comum
Média - 63,9 60,8 -

De acordo com os valores apresentados verifica-se os coeficientes de determinação variam

entre 86,5 % (Cabinda) e 31,0% (Huambo) a que corresponde um valor médio para a área de Angola
de 60,8%, o que representa uma boa correlação entre os dados estimados e os dados in situ. De
acordo com o Quadro 3 verifica-se que o TRMM sobrestima a precipitação em 50 % dos postos
analisados, ou seja, em Luanda, Cabinda, Huambo, Malange, Porto Amboim, Ndalatando e Uíge, num
máximo de 22% e subestima nos restantes, com uma variação máxima de 34% (Saurimo).
Tendo por base o último esquema constante na Figura 6 verifica-se que o TRMM sobrestima a
precipitação na zona noroeste do território de Angola.

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

4.1 GLOBAL PRECIPITATION CLIMATOLOGY PROJECT, GPCP

Os dados disponíveis para esta análise são os referentes ao período comum entre a
disponibilidade do produto do GPCP nos servidores públicos da National Oceanic & Atmospheric
Administration (NOAA) (Janeiro de 1979 a Dezembro de 2010) e o período de funcionamento de cada
estação, apresentado no Quadro 1.
A resolução grosseira do produto GPCP desaconselha a comparação direta dos valores
observados in situ com os valores associados ao nó da grelha GPCP mais próximo.
Consequentemente, os valores observados in situ foram confrontados com estimativas da precipitação
nesse local, calculadas pelo método IDW. A precipitação do produto GPCP no local da estação foi
estimada pela uma média ponderada dos valores dos nós da grelha GPCP mais próximos, sendo o
peso de cada um desses valores proporcional ao inverso da distância do nó em causa à estação
udométrica.
No Quadro 5 apresentam-se o número de valores mensais utilizados para aferir a relação entre
as precipitações in situ e as obtidas do produto GPCP, para os dois períodos referidos no ponto 3.3. No
mesmo quadro é igualmente apresentado o coeficiente de determinação (R2) e a variância explicada,
isto é o quadrado do coeficiente de correlação (ρ2). A representação gráfica destas regressões é
apresentada na Figura 7.

12
 Quadro 5 – Resultados da análise da comparação entre os valores da precipitação mensal - Postos vs GPCP

Período – 1979 a 2010 Período – 1988 a 2010

Estação
Nº val ρ2 (%) R2 (%) Declive Nº val ρ2 (%) R2 (%) Declive
Luanda (João Capelo) 331 46,5 43,7 0,37 103 49,4 47,3 0,35
Namibe (Moçamedes, Gomes de Sousa) 372 34,6 33,3 0,10 144 40,1 38,5 0,10
Luena (Vila Luso) 282 81,0 80,9 0,88 144 75,3 75,4 0,84
Cabinda 338 54,8 53,9 0,69 110 66,3 65,4 0,82
Huambo (Nova Lisboa) 229 66,3 66,2 0,86 123 73,4 73,3 0,74
Lubango (Sá da Bandeira) 362 70,7 70,7 0,86 144 68,7 68,7 0,69
Malange 295 65,0 65,0 0,71 123 53,1 62,5 0,69
Kuito Bié (Silva Porto) 138 74,5 74,3 1,14 42 64,6 64,6 1,04
Dundo 187 78,0 77,9 0,99 Sem período comum
Menongue (Serpa Pinto) 157 67,1 67,1 0,88 82 69,6 69,6 0,89
Porto Amboim 349 41,7 39,7 0,51 138 45,6 44,3 0,52
Benguela 372 35,8 34,1 0,27 144 32,9 31,8 0,29
Ndalatando (Vila Salazar) 252 71,1 70,6 0,99 112 74,1 73,8 0,95
Uíge 182 74,1 74,2 1,16 110 67,2 67,0 1,11
Saurimo (Henrique de Carvalho) 42 65,8 64,0 2,15 42 65,8 64,0 2,15
Cela-Waco Kungo 62 66,3 66,1 0,75 Sem período comum
Média - 62,1 61,4 - - 60,4 60,4 -
Média – todos, sem Cela e Dundo - 60,6 59,8 - - - - -

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.

Figura 7 – Rectas de regressão dos valores da precipitação mensal observada nos

postos vs precipitação do GPCP

13
 Figura 7 (Cont.) – Rectas de regressão dos valores da precipitação mensal observada nos
postos vs precipitação do GPCP

4.2 MAPAS DE PRECIPITAÇÃO ANUAL

A análise foi efetuada para o período compreendido entre Janeiro de 2000 e Dezembro de 2003,
período comum das medições de precipitação in situ (Quadro 1) e das estimativas do TRMM e do
GPCP. Na Figura 8 apresentam-se as superfícies de precipitação anual média dos produtos TRMM e
GPCP e, ainda, os obtidos a partir das observações in situ geradas através do método IDW e de
Kriging.

a) b)

c)
d)

Figura 8 – Superfícies de precipitação anual média. a) estimativa do TRMM, b) estimativa do GPCP

c) in situ – IDW, d) in situ – Kriging

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