Determinação das previsões de temperaturas mínimas e máximas a partir do histórico das previsões de tempo por conjunto do CPTEC

Abstract

A técnica de previsão de tempo por conjunto representa uma tentativa de aumentar a previsibilidade dos modelos dinâmicos da atmosfera. Uma forma simples de produzir previsões de tempo por conjunto é adicionar pequenas perturbações às condições iniciais do modelo, e integrá-lo partindo de cada condição inicial perturbada para produzir um conjunto de previsões. O objetivo do presente estudo é apresentar uma metodologia desenvolvida para determinar as temperaturas mínimas e máximas à superfície, a partir de informações do histórico do ponto de grade das previsões por conjunto do Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) sobre o Brasil. Os resultados indicaram que o modelo de circulação geral da atmosfera do CPTEC apresenta temperaturas mínimas (máximas) sistematicamente mais altas (baixas) dos que as observadas. Um método de correção estatística, baseado no viés médio das 15 previsões mais recentes do modelo, foi aplicado para corrigir as previsões do conjunto. Tais correções aumentam o desempenho das previsões, como é indicado pelos índices estatísticos rms, bias e coeficiente de correlação de anomalia.The ensemble weather forecast approach represents an attempt to extend the predictability of the dynamic atmospheric models. A simple away to produce ensemble weather prediction is to run the weather model starting from a set of slightly perturbed initial conditions. The objective of the present study is to present a methodology to determine the minimum and maximum surface temperatures using the grid history of the ensemble forecasts over Brazil available at the Center for Weather Forecasting and Climate Studies (CPTEC). The results indicated that forecasts of minimum (maximum) temperatures from the CPTEC general circulation model exhibit systematically higher (lower) temperatures than observed. A statistical correction based on the bias of the fifteenth earlier forecasts was used to improve the ensemble predictions. Such corrections enhance the performance of the forecasts as measured by statistical indexes as rms, bias and anomaly correlation coefficient.