Disponível online em www.sciencedirect.

com

Avanços na Pesquisa Espacial 48 (2011) 49-55

www.elsevier.com/locate/asr

Melhor estimativa de chuvas sobre a região indiana usando técnica de

infravermelho por satélite
Anoop Kumar Mishra, ⇑,R.M. Gairola b,A.K. Varma b,
Vijay K. Agarwal
um
Instituto de Pesquisa para a Humanidade e a Natureza,Kyoto, Japão
b
Divisão de Ciências Oceânicas, Meteorology e Oceanografia Group, Centro de AplicaçõesEspaciais – ISRO, Ahmedabad 380 015, Índia

Recebeu em 17 de Junho de 2009; recebido em formulário revisado em 20 de janeiro de 2011; aceito em 23 de fevereiro de 2011
Disponível online em 1 de março de 2011

abstrair

A técnica goes precipitation Index (GPI) (Arkin, 1979) para estimativa de chuvas está em operação há três décadas. No entanto,suas
aplicações estão limitadas às escalas temporais e espaciais maiores. O presente estudo foca no aumento da técnica de GPI,
incorporando um fator de umidade para a correção ambiental desenvolvido por Vicente et al. (1998). Consiste em duas etapas; na
primeira etapa, a técnica do GPI é aplicada aos dados kalpana-IR para estimativa de chuvas sobre a região terrestre e oceânica de Dian
e na segunda etapa é aplicado um fator de correção da umidade ambiental às chuvas baseadas em GPI para estimar as chuvas finais.
Validação detalhada com medidores de chuva e comparação com chuvas tropicais Medindo Mission(TRMM) são realizadas e é
constatado que a técnica atual é capaz de estimar as chuvas com melhor precisão do que a técnica de GPI sobre domínios temporais
e espaciais mais elevados para muitas aplicações operacionais e arouas regiões indianas usando dados de satélite geoestacionários
indianos. Outra comparação com o Radar Meteorológico Doppler mostra que a técnica atual é capaz de recuperar as chuvas com
precisão razoavelmente boa.
COSPAR 2011. Publicado por Elsevier Ltd. Todos os direitos reservados.

Palavras-chave: Sensoriamento remoto; Micro-ondas; Infravermelho; Precipitação; Medidor de chuva

1. Introdução e fundo O desenvolvimento de técnicas de sensoriamento remoto por

A precipitação é um dos parâmetros atmosféricos mais
variáveis no espaço e no tempo que tem um impacto direto
na vida humana. Enquanto a chuva traz água doce que
suporta a vida na Terra, eventos extremos de chuva podem
causar destruição e miséria devido a enchentes. A Clima (CMORPH; Joyce et al., 2004), TRMM - produtos
distribuição desigual de medidores de chuva e radares
meteorológicos, bem como a falta de medições suficientes
de chuvas sobre os oceanos limitou significativamente o
uso dessas medidas para muitos estudos de processo. Nos
países em desenvolvimento, onde a precipitação é
criticamente importante para a vida cotidiana, uma técnica
de estimativa de chuvas operacionalmente viável é
indispensável.
satélite proporciona uma oportunidade única para uma
melhor observação da precipitação para regiões onde as
medições porrodada g são limitadas.
Existem uma série de técnicas para estimativa de chuvas,
por exemplo, técnica de MORPHing do Centro de Previsão do
mesclados (Huffman et al., 2007), Estimativa de Precipitação
de Informações Remotamente Sensed usando Rede Neural
Artificial (PERSIANN) (Hsu et al., 1997) para citar alguns.
A Scofield (1987) desenvolveu a técnicade precipitação
convectiva operacional do Serviço Nacional de Dados e
Informações de Satélites Ambientais (NESDIS). Kuligowski
(2002) desenvolveu uma técnica de algoritmo de chuva
conhecida como
50 A.K. Mishra et al./adiantamentos no espaço investigação 48 (2011) 49–55

Auto-Calibrar A recuperação de precipitação

⇑ Autor Correspondente. Endereço: Instituto de Pesquisa para a temporais mais curtas com base na calibração da temperatura
Humanidade e a Natureza,457-4 Kamigamo-Motoyama, Kita-ku, de brilho infravermelho (IR-TB's) com imager de micro-ondas
de sensor especial (SSM/I) de micro-ondas . Para chuvas em
Kyoto603-8047, Japão. Tel.: +81 75 707 2207; fax: +81 75 707 2506.
Endereços de e-mail: umoopmishra_1@yahoo.co.in,
anoop@chikyu.ac.jp (A.K. Mishra).
Publicado por Elsevier Ltd. Todos os direitos reservados.doi:10.1016/j.asr.2011.02.016
conhecida técnica de chuva baseada em IR é a técnica GOES
Precipitation Index (GPI) (Arkin, 1979). Este algoritmo é
usado para estimar chuvas em grandes escalas espaciais e
temporais para várias aplicações, incluindo estudos
climáticos. No entanto, sempre que o GPI é aplicado a
domínios espaciais e temporais menores, a técnica é apenas
um bom indicador qualitativo das ocorrências pluviométricas.
Estudos anteriores mostraram que as chuvas são
superestimadas em condições secas e subestimadas em
condições úmidas probably porque as gotas de chuva em queda
evaporam até certo ponto antes de chegar à superfície em
condições secas e tendem a crescer em tamanho em
condições úmidas (Vicenteet al., 1998). Assim, o teor de vapor
de água abaixo das nuvens na atmosfera influencia a
recuperação da chuva a partir de medições de IR com base na
temperaturamáxima das nuvens. A fim de aumentar a (c) Banda WV: 5.7-7.1 l lm
utilidade da técnica de GPI de escalas climáticas maiores para
escalas mais curtas para monitoramento diário dotempo,
temos tentado minimizar esses erros na estimativa de chuvas
sujeitos à presença/ausênciade vapor de água na atmosfera
subjacente. Assim, nosso novo algoritmo se concentra em
melhorar a estimativa de precipitação usando a técnica de GPI
com a incorporação de um fator de correção de umidade
ambiental through a disponibilidade de vapor de água. O
algoritmo melhorado foi então demonstrado aplicando-o ao
monitoramento operacional das chuvas usando uma resolução
espacial e temporal relativamente maior sobre uma vasta
área do subcontinente indiano e oceanos adjacentes. Nós o
nomeamos de GPI Modificado (MGPI) para brevidade. A
diferença entre nossa abordagem e a abordagem adotada
por Vicente et al. (1998) é que aplicamos o fator de
correção ambiental às estimativas de pluviométrica
diretamente, enquanto Vicente et al. (1998) aplicaram este
fator de umidade às chuvas derivadas da regressão entre a
temperatura do brilho e as chuvas do RADAR após a
utilização de certos testes para a filtragem de pixels não
chuvosos. As estimativas de chuva do MGPI são então
validadas em observações ground e com produtos
independentes de chuva de outros satélites para demonstrar
sua utilidade em aplicações operacionais em tempo real dentro
da latência desejada dos dados aos usuários finais. 2. Dados
utilizados
multivariada(SCaMPR)para escalas espaciais e
larga escala, eu estima um dos melhores
0273-1177/$36. 00 2011 COSPAR.
2.1. Dados de Kalpana
Kalpana é um satélite geoestacionário de meteoro dedicado
lançado pela Polar Satellite Launch Vehicle (PSLV) e em
operação desde 24 de setembro de 2002. Este satélite
geoestacionário carrega a bordo um Radiometro de alta
resolução (VHRR) juntamente com outros instrumentos. Este
sensor operates em três bandas de comprimento de onda, ou
seja, Visible (VIS), Thermal (TIR) e Watervapor (WV). Nas
bandas WV e TIR, a resolução espacial é de 8 km, enquanto
que na banda VIS é de 2 km. As faixas espectrais dessas
bandas são:
(a) Banda TIR: 10.5-12.5 lm
(b) Banda VIS: 0.55-0.75 lm
Para o presente estudo foram utilizados os dados Kalpana-
IR durante dois anos consecutivos de 2006 e 2007. Um
detalhe do satélite Kalpana é dado por Kaila et al. (2002).
2.2. Dados TRMM-3B42
A TRMM é uma missão conjunta de satélites entre os
EUAe oJapão para monitorar a precipitação tropical e
subtropical e estimar o aquecimento latente associado da
atmosfera. Foi lançado no final de novembro de 1997 em
uma órbita circular a aproximadamente 350 kmde
altitude(agora elevado a 420 km) e a 35 inclinação do
plano equatorial.
O TRMM-3B42 é um produto de chuva fundido
derivado usando dados de IR geoestacionários e as
observações das constelações internacionais dos satélites de
micro-ondas. Comparamos as chuvas derivadas pela nossa
nova técnica mgpi com produtos pluviométricos TRMM-
3B42 que cobrem o mesmo período das observações de
Kalpana. Os produtos TRMM3B42 também fornecem uma
boa verificação de consistência qualitativa dos padrões de
chuva. Além disso, o MGPI foi validado contra medidores
de chuva.
 A.K. Mishra et al./adiantamentos no espaço investigação 48 (2011) 49–55
2.3. Dados do medidor de chuva automático da Estação
Meteorológica (AWS)
AWS é um sistema muito compacto,modular, robusto
e de baixo preço, alojado em um pacote portátil,autônomo.
Entre muitos outros sensores, possui um medidor de chuva
de balde de tombamento com um interruptor de ímã e cana
com capacidade ilimitada de medição de chuva com
precisão superior a 1 mm. A AWS transmite seus dados
meteorológicos por hora em rajadas de duração de 68 ms
(a uma taxa de dados de 4,8 kbps). Atualmente, existem
cerca de 300 AWS implantados operacionalmente em toda
a Índia (Vashistha et al., TECO-2000). A Plataforma de
Coleta de Dados do INSAT é utilizada na aquisiçãode
dados for. Para a validação do presente algoritmo são
utilizadosos dados do medidor de chuva AWS durante o
período de monção sudoeste de 2007 . As medições de
pontos por AWS são médias dentro de 11 grades
semelhantes às observações mgpi . Devido à alta capacidade
espacial varide precipitação (Varma e Liu, 2006; Mishra
et al., 2010), com poucas observações em cada grade, os
valores médios podem muitas vezes ter grande incerteza.
Esta é a limitação do uso dos dados do medidor de chuva
para a validação sobre 11 caixa de grade. A destribução
da AWS é mostrada em Fig. 1.
2.4. Dados do Doppler Weather Radar (DWR)
Doppler Weather Radar (DWR) é um radar de banda S
desenvolvido pela Índia em Sriharikota a 13 60 0N e 80
230E localização. É capaz de monitorar nuvens, sistemade
precipitação e ventos sobre grandes áreas a mais de 400
km do local do radar. O DWR tem a capacidade de rastrear
continuamente e prever sistemas climáticos em rápida
evolução, como tempestades, ciclones e nuvens
(http://www.imd.gov.in/section/dwr/dynamic/
3. metodologia
chuvas utilizando a técnicaregular de GPI, e depois (2)
incorporar o fator de correção da umidade ambiental nas
estimativas de chuva derivadas na primeira etapa.
51
Fig. 1. Rede de medidor de chuva ISRO AWS e localização DWR . Os
pontos abertos representam os locais do medidor de chuva AWS,
enquanto a elipse azul mostra a localização da localização do DWR .
(Para interpretação das referências à cor nesta legenda de figura , o
leitor é referred para a versão web deste
artigo.)
radarfaq.pdf ). Já foram tomados cuidados suficientes para
a altura problem, aplicando as correções de intervalo . O
fator de reflexividade do RADAR-z do DWR é tomado
como produto base para o presente estudo. Os valores de
chuva dwr foram derivados usando uma relação Z–R
desenvolvida durante a campanha usando dados de
disdrometer no local. As chuvas medidas utilizando DWR
dependem de uma relação exponencial empírica entre o
fator de reflexividade do radar , z, e o rainrate, R, através
da expressão z = aRb, onde as constantes 'a' e 'b' variam
sobre diferentes regiões, bem como reg imes de chuva. No
presente estudo, utilizamos um "tropical" Z–R, apesar das
"várias regiões e regimes". Os valores dwr estão disponíveis
no raio de varredura de 614 km com resolução de
varredura de 300 m e um alcance de exibição de 614 km.
No presente estudo, utilizamos apenas dados wifinos 80
ou 100 km. O tamanho da grade de exibição é de 2 2 km e
a largura de pulso é de 2 ls. Uma única varredura de DWR
cobre um total de 360 na direção azimuth em cada elevação
. Para este estudo foi selecionada uma elevação de 0,5
durante os meses pós-monção para os anos de 2007 e
2008. Esses dados dwr são então usados para produzir as
chuvas superficiais para as comparações com a técnica
MGPI . A localização do radar é mostrada por elipse azul
em Fig. 1.
2.5. Dados do modelo
Foram utilizadas previsões do modelo do Sistema
Nacional de Previsão Ambiental -Sistema global de Previsão
(NCEP-GFS), disponível em 11 grades. Para o presente
estudo são utilizados dados de previsão de 6 horas que
consistem em coluna atmosférica relativa humidity e água
precipitada. O tempo de previsão de 6 horas foi escolhido
por dois motivos principais: (1) a previsão se deteriora
gradualmente por períodos de previsão mais longos e (2)
é um tempo de retorno suficiente para incorporar a previsão
à estimativa de precipitação emtempo real para fins
operacionais na área de estudo.
A técnica mgpi consiste em duas etapas : (1) estimar as
52 A.K. Mishra et al./adiantamentos no espaço investigação 48 (2011) 49–55
Para o presente estudo são utilizadas imagens de IR de
Kalpana a cada hora sinóptica. Um pixel Kalpana IR tem
dimensões de 8 8 km no ponto sub-satélite, o que significa
que há dezenas de pixels que se enquadram em 11 caixases.
A contagem digital representando o valor da tonalidade cinza
(0-1023) de cada pixel em uma determinada imagem é
convertida para a TB correspondente usando uma tabela de
aparência fornecida com cada imagemDE RI . Pixels que estão
fora da área de análise escolhida são ignorados enquanto
those dentro dele são atribuídos a uma caixa 11 apropriada.
A cobertura fracionária da nuvem dentro de uma caixa de
grade é a razão dos pixels mais frios do que uma temperatura
de limiar especificada (235 K) para o número total de pixels.
Finalmente, para produzir as estimativas de precipitação é
utilizada a seguinte equação de regressão:
R 1/4 3FDt 1Você
onde R é chuva de estimativas de GPI e 3 em mm/h; F é a
cobertura fracionária da temperatura máxima da nuvem <235
K para a desejada regiãode latitude/longitude de 1,00 ; e Dt é
o tempo de integração. Arkin (1979) usou imagens de 3 horas
para produzir precipitação de 3 hourly para cada imagem.
Como apontado por Scofield (1987),a técnica do GPI
superestima a chuva em uma atmosfera seca e subestima em
uma atmosfera úmida. Scofield (1987) propôs o uso de um
fator de correção da umidade ambiental definido como
produto de água precipitada (PW) integrado da superfície a
500 mb com umidade relativa (RH) ( valores médios entre a
superfície até o nívelde 500 mb ) PWRH, PWRH é definido
como
PWRH 1/4 PW RH 2Você
O PW e o RH são obtidos a partir de modelos ou da ysis
reanal. Adotamos a mesma abordagem utilizando dados do
NCEP-GFS. A água precipitada é expressa em polegadas,
enquanto a umidade relativa está em porcentagem. Os valores
do fator PWRH estão entre 0 e 2 e dificilmente ultrapassam
esse limite e o ambiente é considerado seco se o PWRH
estiver significativamente abaixo de 1,0 e bastante úmido se
o PWRH for maior que 1,0 (Vicente etal., 1998). Após a
multiplicação, o valor obtido (PWRH) é em geral entre 0 e
2 ( apenas pouquíssimos casos são com PWRH > 2). Além
de algumas pomadas p(ouseja, PWRH >= 2) o ambiente está
saturado o suficiente para fazer qualquer mudança adicional.
A precipitação final é estimada multiplicando as chuvas
derivadas da técnica de GPI (Eq. (1) com o fator PWRH
(Eq. (2)) ou seja.
Chuva final 1/4 PWRH R 3Você
Esta equação é válida para todas as estações, bem como para
tipos de terrenos superficiais. Uma vez que a técnica gpi é
válida apenas para chuvas convectivas (Arkin,1979), Eq. (3)
é válido apenas para as chuvas convectivas.
4. Resultados e discussões
A técnica atual foi para as regiões terrestres e oceânicas
indianas durante as monções do sudoeste, pré-monção e
estações pós-monção de 2006 e 2007. O desempenho do
algoritmo é examinado em comparação com o TRMM-3B42
e validação com medidores de chuva. Diversos estudos de caso
empreendidos; no entanto, apenas um dos resultados será
discutido no presente artigo para a brevidade.
O estudo de caso aqui apresentado foi realizado em 9 de
junho de 2007, quando havia três sistemas convectivos
intensos presentes em torno de 25N 90E, 25N 115E e 5S
95E. Fig. 2a mostra as chuvas diárias do IGP para a região do
estudo, o que mostra claramente a chuva associada a esses
sistemas. Pelo número, é evidente que as quantidades de
chuva associadas a esses sistemas do IGP estão na faixa
de 50 a 70 mm, 60-80 mm e 40-70 mm, respectivamente, que
parecem ser subestimações quando comparadas com as
observações correspondentes de TRMM-3B42 (Fig. 2b) que
indicam que as quantidades máximas de chuva associadas
a esses sistemas estão na faixa de 100-120 mm, 90-110 mm e
80–
100, respectivamente.
Como é evidente na Fig. 2a e b, o GPI subestima a
quantidadede chuva, mas superestima a cobertura espacial.
Fig. 2c mostra as chuvas resultantes após a aplicação do fator
PWRH mencionado acima. É evidente que as chuvas
associadasa todos os sistemas mencionados foram agora
aumentadas para 100-120 mm, 80-110 mm e 80-100 mm,
respectivamente, que estão muito próximas das observações
TRMM-3B42. Um olhar cuidadoso para fig. 2b e c
indica que a aplicação do PWRH não só melhorou a chuva
como também removeu a falsa chuva que não foi suportada
pela quantidade de umidade ambiental presente na
atmosfera,por exemplo, na zona chinesa de 30-40N/90-100E.
Alémdisso, a Fig. 2 observa-se que a técnica do GPI estimou
a quantidade de rainfall de até 20-40 mm sobre as regiões do
Himalaia (30-35N/90– 95E), sugerindo um viés frio. O termo
de correção pwrh em MGPI removeu claramente esse viés
regional e é bem corroborado com o produto TRMM-3B42 .
Além desses sistemas intensos, há mais um sistema em torno
de 15N 80E com quantidade de chuva observada na faixa de
10 a 30 mm da técnica de GPI (Fig. 2 a). A observação TRMM-
3B42 do mesmo sistema dá a quantidade de chuva na
faixa de 40 a 120 mm, sendo o máximo de 120 mm(Fig. 2b).
O MGPI aumenta as quantidades de chuva em até 50 mm
para este sistema (Fig. 2c). É claro a partir da análise acima
que a aplicação do fator umidade
 A.K. Mishra et al./adiantamentos
no espaço investigação 48 (2011) 49–55 53

Fig. 2. Chuvas (acumuladas diárias) de (a) GPI, (b) TRMM-3B42 e (c) MGPI
em 9 de junho de 2007 em mm/dia.
leva a uma melhora significativa na técnica de GPI. Nós, técnica de GPI usada anteriormente por Gairola et al. (2007)
de fato, aplicamos este método modificado a muitos outros para implementação operacional.
casos e achamos possível propor-o como um substituto à Os desempenhos do GPI e da presente técnica também
são analisados quantitativamente em relação aos valores
54 A.K. Mishra et al./adiantamentos no espaço investigação 48 (2011) 49–55
pluviométricos do TRMM-3B42 . Muitos casos foram
considerados para comparação durante o período de monção
SW-NE de 2006 e 2007, que em média em 11 (3 horas)
caixas resultaram em 65.453 (entre 1 e 22 de julho de 2006, 7
a 28 de agosto de 2006, 3 a 18 de setembro de 2006, 1 a 17 de
dezembro de 2006, de 2 a 26 de março de 2007, 3 a30 de junho
de 2007, 16 a 26 de julho de 2007) pontos de grade sobre a
área de estudo, ouseja, 20S-40N/50E-120E. Esses pontos são
traçados em Fig. 3a e b mostrando comparações de chuvas
entre as técnicas de MGPI e GPI regulares e os dados
TRMM-3B42, respectivamente .
O coeficiente deorrelação c entre o GPI e o TRMM-3B42
é de 0,62 e o erro quadrado médio da raiz é de 2,35 mm
enquanto o viés é de 2.352 mm. O coeficiente de correlação
entre a técnica atual e o TRMM-3B42 é de 0,73 e o erro
quadrado médio raiz 1,38 mm enquanto o viés é de 0,1684
mm. Com base nessas estatísticas, acreditamos que a MGPI
apresenta desempenho superior em relação ao GPI. É claro
a partir da Fig. 3b que os altos valores pluviométricos (na
faixa de 8-18 mm/3 h) da MGPI estavam em bom acordo
com o TRMM-3B42, mas não correspondem bem aos
baixos valores pluviométricos (<8 mm). Isso pode ser devido
ao fato de que os dados TRMM-3B42 são menos precisos na
representação de baixos valores pluviométricos (Huffman et
al., 2007). A partir das discussões acima, fica claro que a
aplicação do fator de correção ambiental dere melhora as
estimativas de chuva do GPI e que faz da MGPI utilizando
observações geoestacionárias de KALpana uma
ferramenta operacional muito valiosa para agora- fundição em
uma área importante do globo onde a agricultura e a
economia ainda estão em grande parte dependent na chuva
de monções .
Alémdisso, realizamos uma validação de nossos
resultados utilizando uma base de dados de 1245 pontos de
dados entre 15 e 21 de maio de 2007, 1 a 7 de julho de 2007,
13 a 16 de setembro de 2007 e 21 a 17 de novembro de 2007
de medidores de chuva da AWS após a média dos valores de
chuva dentro de 11 caixas. Fig. 4a e b mostra a comparação
estatística entre os valores de chuva derivados do GPI e do
MGPI com observações de medidor de chuva,
respectivamente. Fig. 1 mostra a comparação estatística das
três técnicas. O coeficiente de correlação entre o GPI
technique e o medidor de chuva é de 0,4620 e o erro
quadrado médio da raiz é de 25,76 mm enquanto o viés é de
5.332 mm. O coeficiente de correlação entre a técnica MGPI
e o medidor de chuva é de 0,6022 e o erro quadrado médio
da raiz é de 23,84 mm enquanto o viés é de 0,13904 mm.
É claro que a técnica mgpi é capaz de recuperar as chuvas
com muito mais precisão do que a técnica do GPI,
removendo vieses indesejados e aumentando a precipitação
quantitativa para níveis mais realistas. Os resultados
mostram melhorias significativas nas estatísticas de erros e
suas representações qualitativas e quantitativas nos estudos
de caso acima mencionados.
Para confirmar a utilidade do método MGPI baseado
em Kalpana, comparamos os dados TRMM-3B42 com um
conjunto semelhante de dados do medidor de chuva AWS (Fig.
5 ). As estatísticas de erro (Tabela 1) mostram que o
coeficiente de correlação é quase semelhante ao observado
em MGPI versus AWS (Fig.3b), mas o viés em 3B42 é maior
em comparação com o MGPI.
Porfim, comparamos as chuvas da técnica mgpi com
as chuvas do DWR. Fig. 6 mostra a comparação estatística
entre chuvas de observação radar e chuvas da técnica
MGPI . Um total de 542 pontos de dados durante 13-17 de
setembro 2007, 19-25 novembro 2007, 1-7 março 2008, e
14-18 maio 2008 foram considerados após a média deles em
11 caixas de grade. A Tabela 2 mostra a comparação
estatística dessas duas observações. O coeficiente de
correlação entre as chuvas da observação do RADAR e as
chuvas do MGPI
 A.K. Mishra et al./adiantamentos no espaço investigação 48 (2011) 49–55 55

Fig. 3. Dispersar o enredo entre as chuvas (3 horas) de (a) GPI vs TRMM-3B42, e (b) MGPI vs TRMM-3B42 em mm/3 h.

Fig. 4. Dispersar o gráfico entre as chuvas (acumuladas diárias) de (a) medidor de chuva GPI vs AWS, e (b) medidor de chuva MGPI vs
AWS em mm/dia.
56 A.K. Mishra et al./adiantamentos no espaço investigação 48 (2011) 49–55

Fig. 5. Dispersar o enredo entre as chuvas (acumuladas diárias) de TRMM-

3B42 e as chuvas do medidor de chuva AWS em mm/dia.

Tabela 1
Comparação estatística das chuvas (acumuladas diárias) do GPI,
TRMM3B42 e MGPI com a do medidor de chuva AWS .
Fig. 6. Dispersar o enredo entre as chuvas (3 horas) da técnica atual e as
chuvas do DWR (unidade de chuva é em mm/3 h).

Tabela 2
Comparação estatística de chuvas (3 horas) de MGPI com chuvas
O DWR.

No. de pontos de dados 542

Coeficientes de correlação 0,69
Erro quadrado médio raiz (mm) 3.15
Viés (mm) 1,41

técnica Coeficiente de Erro quadrado médio raiz viés eaberturas. No entanto, houve também certos casos em que
correlação (mm) (mm) a técnica do MGP superestimou as chuvas. A validação
Gpi 0.4620 25.76 5.3320 utilizando medidores de chuva indica que a técnica do GPI
MGPI 0.6022 23.84 0.1390 mostra um viés maior e erro quadrado médio raiz, bem como
TRMM- 0.6743 23.76 4.04 correlação mais pobre, enquanto o MGPI technique apresenta
3B42 melhorias significativas tanto quantitativamente quanto
a técnica é de 0,69, o erro quadrado médio da raiz é de 3,15 qualitativamente. Assim, concluímos que a técnica MGPI
mm/3 h, enquanto o viés é de 1,41 mm/3 h. Os resultados acaba apresentada proporciona melhor adequação para
acima mostram que a técnica mgpi é capaz de recuperar aplicações operacionais, como agora-fundição e para
chuvas com muito boa precisão. validação de resultados do modelo NWP using Dados indianos
O tempo de volta do MGPI usando dados Kalpana-IR é INSAT/Kalpana em tempo real, conforme pretendido nos
adequado o suficiente para suas operações em tempo real . objetivos desta investigação.

5. Observações finais
Este artigo descreve uma modificação na técnica
tradicional de chuvas do GPI e sua aplicação mais ampla nas
regiões terrestres e oceânicas indianas usando dados
geoestacionários indianos de Kalpana. Esta técnica modified
implementa um fator de correção de umidade ambiental à
técnica de GPI . Comparações com os produtos de chuva
TRMM-3B42 e validação contra dados do medidor de chuva
também são apresentadas. A comparação do MGPI e da
técnica de GPI com o TRMM-3B42 mostra que antes da
aplicação do fator de correção ambiental os altos valores
pluviométricos não eram bem captados (técnica de GPI).
No entanto, após a aplicação desse fator, os altos valores
pluviométricos são resolvidos com mais precisão em uma
escala oral menor de temperatura (3 horas) que é altamente
desejável em aplicações agora-fundição A validação desses
resultados com os medidores de chuva AWS mostram que a
técnica mgpi mostra uma melhora significativa na técnica de
GPI para recuperação alta, bem como baixas chuvas
Agradecimentos
Agradecemos ao Centro de Aplicações Espaciais do
Diretor, por incentivos. Os dados TRMM obtidos da NASA
– Goddard Earth Sciences Data and Information Services
Centre Distributed Active Archive Centre (GES DISC
DAAC) são reconhecidos com gratidão . Agradecemos
também aos revisores anônimos por seus comentários
úteis e críticos, que melhoraram substancialmente nosso
manuscrito.
Referências
Huffman, G.J., Adler, R.F., Bolvin, D.T., Gu, G., Nelkin, E.J., Bowman, K.P.,
Hong, Y., Stocker, E.F., Wolf, D.B. A análise de precipitação multisatélite
TRMM (TMPA): quaseglobal multianual, estimativas combinadas
de precipitação desensóre em escalas finas . J. Hidro. O Meteorol. 8, 38-
55, 2007.
Hsu, K., Gao, X., Sorooshian,S., Gupta, H.V. Estimativa de precipitação a
partir de informações remotamente sentidas usando Redes Neurais
Artificiais. J. Appl. O Meteorol. 36, 1176-1190, 1997.
 A.K. Mishra et al./adiantamentos no espaço investigação 48 (2011) 49–55 57

Kaila, V.K., Kiran Kumar, A.S., Sundarmurthy,T.K., Ramkrishnan,S.,

Prasad,M.V.S., Desai,P.S., Jayaraman,V., Manikiam,B. METSAT – uma
missão única para o clima e o clima. Curr. Sci. 83 (9), 1081-1088, 2002.
Mishra, Anoop, Gairola, R.M., Varma, A.K., Agarwal, V.K. Sensoriamento
remoto de precipitação over terras indígenas e regiões oceânicas por
uso sinérgico de sensores multi-satélite . J. Geofísica. Res. 115,
doi:10.1029/2009JD012157, 2010.
Arkin, P.A. A relação entre a cobertura fracionada de altas nuvens e
acumulações pluviométricas durante o GATE sobre a matriz deescala
B. Mon. Weather Rev. 107, 1382-1387, 1979.
Scofield, R.A. A técnica de precipitação convectiva operacional nesdis.
Mon. Weather Rev. 115, 1773-1792, 1987.
Gairola, R.M., Mishra, Anoop, Varma, A.K. Estimativa de chuvas a partir
de dados de IR kalpana usando abordagem GPI e validações iniciais
usando dados AWS, SAC/MOG/OSD/INSAT/SR-1/200, 2007.
Kuligowski, R.J. Um algoritmo de chuva GOES auto-calibrado em tempo
real para estimativasde chuva de curto prazo. J. Hidro. O Meteorol. 3,
112-130, 2002.
Joyce, R.J., Janowiak,J.E., Arkin,P.A., Xie,P. CMORPH: um método que
produz estimativas globais de precipitação a partir de micro-ondas
passivas e dados infravermelhos em alta resolução espacial e temporal.
J. Hidro. O Meteorol. 5, 487-503, 2004.
Varma, Atul K., Liu, Guosheng Variabilidade horizontal de taxa de chuva
observada por satélite . Mon. Weather Rev. 134, 2722-2733, 2006.
Vashistha, R.D., Srivastava, S.K. Estação meteorológica automática para
coleta de dados eorológicos para áreas urbanas, conferência técnica da
OMM sobre instrumentos e métodos de observação (TECO-2000), 2000.
Vicente, G.A., Scofield, R.A., Menzel,W.P. A técnica operacional de estimativa
de chuvas infravermelhas GOES . touro. Am. Meteorol. Soc. 79,1883-1898,
1998.