avaliação da chuva do hidroestimador para modelagem hidrológica ...

AVALIAÇÃO DA CHUVA DO HIDROESTIMADOR PARA MODELAGEMHIDROLÓGICA NA REGIÃO DA BACIA DO RIO GRANDEClaudinéia Brazil Saldanha 1 ; Adriano Rolim da Paz 1 ; Daniel Allasia 1 ; Walter Collischonn 1 &Daniel Barrera 2RESUMO --- Estimativas de precipitação a partir de dados de satélite têm se tornado cada vez maisusuais. As estimativas são úteis, principalmente, para áreas com baixa densidade de postospluviométricos e para sistemas de previsão e alerta contra inundações. Tais estimativas sãoespacialmente distribuídas no espaço (formato de grade) e, conseqüentemente, têm grande potencialde uso para modelagem hidrológica distribuída. Tomando a área da bacia do Rio Grande (MG-SP)para estudo, foram analisadas as estimativas de chuva diárias geradas pelo Hidroestimador,considerando o período contínuo de três anos (2003 a 2005). A performance das estimativas foirelativamente baixa para o propósito de modelagem hidrológica, no que diz respeito à capacidadede detecção da ocorrência diária de chuva e do total precipitado. Variação espacial do desempenhodas estimativas ocorre em virtude da topografia, com piores resultados nas áreas mais elevadas. Aausência de correção por orografia no algoritmo desta versão e o fato da bacia estudada estar situadano limite da área para a qual foi calibrado o algoritmo podem ter contribuído para a baixaperformance. Recomenda-se analisar a aplicabilidade das estimativas do Hidroestimador em áreasde relevo menos acentuado e mais distantes dos limites da área de calibração.ABSTRACT --- Estimative of precipitation from satellite data become usual nowadays. The datasupply useful information, mainly, in areas with low density of raingauges and for flooding warningsystems. Such estimates are spacially distributed and, consequently, have large potential to be usedfor distributed hidrological modeling. Focusing in the area of the Rio Grande basin (MG-SP) for thestudy, the daily estimates of rainfall generated by the Hydro-estimator have been analyzed,considering a continuous period of three years (from 2003 to 2005). The performance of theestimates were relatively low for the purpose of hydrological modeling, specially for the skill ofdetecting the occurrence of daily rainfall and the rainfall amount itself. Spatial variability of theperformance of the estimatives occurred in related to the topography, with worse results in the morehilly areas. The absence of orography correction formulation in this version of the algorithm, andthe fact that the studied basin was situated in the limit of the area for which the algorithm wascalibrated could have largely contributed for the low performance. It is recomended the analysis ofthe applicability of the hydro-estimator in more plain areas and closer to the calibration area.Palavras-chave: hidroestimador, estimativa de chuva, sensoriamento remoto.1 Instituto de Pesquisas Hidráulicas, Universidade Federal do Rio Grande do Sul. Av. Bento Gonçalves, 9500. Campus do Vale, Setor 5, CEP 91501-970. Porto Alegre, RS. e-mail: neiabrazil@yahoo.com.br; adrianorpaz@yahoo.com.br; dallasia@gwpsudamerica.org; collischonn@iph.ufrgs.br2 Universidad de Buenos Aires, Departamento de Ciencias de la Atmósfera y los Océanos, CONICET, Ciudad Universitaria, 1428, Buenos Aires,Argentina. Email: barrera@at.fcen.uba.ar.XVII Simpósio Brasileiro de Recursos Hídricos 1

1 - INTRODUÇÃOO emprego de sistemas sensores remotos para estimativa de variáveis climatológicas tem setornado cada vez mais comum. Estimativas de cobertura e temperatura das nuvens, temperatura dasuperfície, albedo, vapor d’água atmosférico, aerossóis, perfis verticais de temperatura e umidadeatmosféricos, água precipitável e chuva são alguns dos produtos atualmente obtidos viasensoriamento remoto.Dentre os produtos estimados via sensoriamento remoto, alguns deles são monitorados ouestimados tradicionalmente por sistemas pontuais instalados na superfície do terreno, como redes depluviômetros e pluviógrafos. Entretanto, no caso da chuva, a existência de instrumentos demonitoramento na superfície, em quantidade suficiente em termos de abrangência e densidadeespacial adequadas, são consideradas raras. A Organização Meteorológica Mundial recomenda umadensidade específica de postos de monitoramento de chuva por km 2 em função da topografia doterreno e o intervalo de tempo de integração requerido (diário, mensal, anual, etc.). Regiões dedifícil acesso, como áreas de mata fechada ou morros são as menos monitoradas.Além de suprir a falta de informações em regiões com pouco monitoramento, o sensoriamentoremoto permite obter estimativas de chuva em tempo real e de forma espacialmente distribuída, degrande utilidade para sistemas de alerta e controle de cheias e inundações. Sistemas de radar têmsido empregados com essa finalidade, mas com a limitação do alcance da área monitorada. Poroutro lado, o uso de imagens de satélite tem a vantagem da extensa área de abrangência. O tipo deinformação gerada por estimativas a partir de imagens de satélite é de grande potencial de uso paraestudos envolvendo modelagem hidrológica distribuída, por representar a variabilidade espacial daprecipitação.A estimativa de chuva acumulada a partir de imagens periódicas de satélite geoestacionáriogeralmente se dá indiretamente a partir da temperatura de brilho do topo das nuvens. Estatemperatura está relacionada à altura de nuvem e ao seu desenvolvimento vertical e,conseqüentemente, à intensidade de chuva gerada em células convectivas (Scofield, 1987).Destacam-se os produtos derivados a partir dos satélites GOES (Geostationary OperationalEnvironmental Satellite; Vicente et al. 1998; Kuligowski, 2002; Scofield e Kuligowski, 2003;Barrera et al., 2001; Barrera, 2007), METEOSAT (Meteorological Satellite; Tarruela e Jorge,2002). Outras técnicas utilizan dados de sensor pasivo de microondas e radar do satélite TRMM(Tropical Rainfall Measurement Mission; Collischonn, 2006; Collischonn et al., 2005).A técnica denominada Autoestimador (Vicente et al. 1998; Scofield, 2001) foi originalmentedesenvolvida para estimar chuvas de altas intensidades decorrentes de sistemas convectivos demesoescala com topos de nuvens cúmulus altos e frios (menos de –60º C). São utilizadas peloXVII Simpósio Brasileiro de Recursos Hídricos 2

Autoestimador imagens de radiâncias da banda infravermelha do satélite GOES centrada em10,7µm (denominada canal 4), que é transformada mediante a equação inversa de Planck emtemperatura da superfície radiante ou temperatura de brilho. Nesta metodologia, uma funçãoempírica relaciona a temperatura do topo da nuvem com a intensidade de precipitação na sua base,determinada por radar. A técnica foi posteriormente modificada mediante algoritmos que tentamdeterminar a produção de chuva em sistemas de nuvens complexos, com presença de nimbostratuscom nuvens convectivas imersas neles (Scofield e Kuligowski, 2003). Essa versão, que se conheceatualmente como hydro-estimator ou Hidroestimador, foi também desenvolvida e implementada naUniversidad de Buenos Aires (Barrera et al., 2001, 2003; e Barrera, 2007) a partir da informaçãopublicada pelos autores de NOAA/NESDIS (Scofield e Kuligowski, 2003).A versão do Hidroestimador desenvolvida na Universidade de Buenos Aires foi calibrada paraas condições e estrutura da precipitação sobre a porção sul da América do Sul (ao sul de 20º delatitude). Este artigo procura avaliar sua performance em detectar a ocorrência de chuvas na área dabacia do Rio Grande, entre os Estados de Minas Gerais e São Paulo. Avalia-se, também, aconcordância entre a quantidade de chuva estimada e a chuva observada pela rede de pluviômetros.O foco principal da análise é o potencial uso da estimativa de chuva do Hidroestimador paramodelagem hidrológica distribuída.2 – ESTIMATIVA DE CHUVA DO HIDROESTIMADOR2.1 DescriçãoO Hidroestimador é uma adaptação do chamado autoestimador, que foi idealizado paraprevisões de curto prazo com o objetivo de prever inundações provocadas por chuvas fortes,provocadas por cumulonimbus. Porém nos sistemas complexos as torres cumuliformes estãogeralmente imersas em mantos de nimbostratus (embedded convection), os quais também produzemchuva ainda que com intensidade muito menor. O Hidroestimador é uma modificação doAutoestimador feita com o propósito de estimar a chuva mesmo que haja uma componenteestratiforme. Para tal componente, efetua-se uma análise de textura dos topos das nuvens. Para cadapixel estudado se analisa seu entorno em uma janela de 15 x 15 ou 50 x 50 pixels, que correspondeà extensão típica de um mesosistema convectivo. Define-se o índice Z de desenvolvimentoconvectivo relativo ao pixel considerado pela expressão:( ) σz = − Tb , (1)µcentralonde µ e σ são a média e o desvio padrão da temperatura nos pixels da janela considerada, e Tb centralé a temperatura do pixel estudado.XVII Simpósio Brasileiro de Recursos Hídricos 3

Um valor positivo de Z indica que a Tb central é inferior à média da janela e, portanto, conclui-seque o topo da nuvem no pixel central está mais alto do que o entorno. Considera-se que háconvecção no pixel em análise quando Z > 1,5, e que a proporção de nuvens estratiformes no pixelaumenta a medida que Z diminui seu valor, sendo Z = 0 para um pixel com nuvens totalmenteestratiformes. Para Z < 0, considera-se que não ocorre precipitação no pixel.A intensidade da chuva é estimada mediante uma função exponencial derivada de um ajusteempírico entre valores de intensidade de precipitação na base da nuvem (estimado com radares) e atemperatura de brilho do topo das nuvens, as quais são obtidas através da função inversa de Plank.Através dos radares meteorológicos é estimada a intensidade da precipitação que são integradasespacialmente sobre a superfície de cada pixel.A equação original da metodologia foi calibrada a partir de medições que se iniciaram emplanícies centrais e regiões adjacentes ao Golfo do México (Estados Unidos), quando as condiçõesem superfície se caracterizavam por uma alta umidade relativa. Os resultados obtidos ao calcular aintensidade de precipitação em cada intervalo de temperatura de 1°, entre 195 K e 260 K, podem serobservados na Figura 1-a.(a) (b)Figura 1. (a) Relação entre precipitação do radar e temperatura estimada pelo GOES-8 (Fonte:Vicente et al., 1998); (b) Área (em cinza) para a qual foi calibrada a versão do Hidroestimadordesenvolvida na Universidade de Buenos Aires e utilizada neste estudo.A linha pontilhada representa o valor médio da intensidade para cada intervalo de temperaturae a linha cheia é o ajuste regressivo, dado pela relação empírica entre a intensidade de precipitação(R) na base da nuvem estimada pelo radar meteorológico e a temperatura de brilho (T) do topo danuvem (estimada a partir do canal 4 do satélite GOES):111,2R = 1,1183⋅10⋅ exp( −0,036382 ⋅T)(2)XVII Simpósio Brasileiro de Recursos Hídricos 4

sendo R a intensidade de precipitação em mm/h e T a temperatura absoluta em Kelvin.A versão do Hidroestimador utilizada neste trabalho foi desenvolvida na Universidade deBuenos Aires (Barrera et al., 2001; Barrera et al., 2003; Barrera, 2007) a partir da informaçãopublicada pelos autores do NOAA/NESDIS (Scofield e Kuligowski, 2003). A calibração dessaversão do Hidroestimador foi específica para as condições e estrutura da precipitação sobre a partesul da América do Sul, conforme área de abrangência indicada na Figura 1-b. A sua operaçãoiniciou em setembro de 2002 e, desde então, existem estimativas da precipitação a cada vez queuma imagen GOES é gerada (aproximadamente 40 imagens por día).2.2 Avaliações anteriores do HidroestimadorAs avaliações da técnica do Hidroestimador disponíveis na literatura são focadas na estimativade chuvas intensas relativas a eventos específicos, que constitui o propósito da formulação datécnica. Em geral, foram encontrados resultados satisfatórios. Por exemplo, uma análisecomparativa entre os campos de precipitação diária gerados a partir de dados de pluviômetros e oscampos de precipitação do Hidroestimador para a região central da Argentina, referentes à tormentade um dia específico mostraram resultados coerentes entre eles (Barrera, 2005). No referido estudo,comparando a ocorrência ou não ocorrência de chuvas de diferentes intensidades pixel a pixel nasduas imagens, Barrera (2005) obteve uma probabilidade de detecção da ocorrência da chuvasuperior a 92%, com uma taxa de alarme falso da ordem de 12 a 30%. A versão do Hidroestimadorutilizada na pesquisa mencionada foi a mesma versão usada neste trabalho.Estimativas de chuva produzidas por versões do algoritmo Hidroestimador diferentes daversão argentina foram analisadas por Gonzáles (2006), Kuligowski et al. (2006) e Yucel eKuligowski (2004). Gonzáles (2006) analisou a estimativa de chuvas durante um evento intensocom duração de 3 dias ocorrido em Porto Rico. Em tal estudo, a análise comparativa com os dadosde pluviométricos indicou que a performance do Hidroestimador foi satisfatória, comprobabilidades de detecção da ocorrência de chuva superiores a 60% e taxas de alarme falso emtorno de 42%.Ao analisar as estimativas de chuva acumuladas ao longo de um período de 44 dias, Yucel eKuligowski (2004) observaram que o Hidroestimador apresentou a tendência a subestimar o totalprecipitado nas áreas montanhosas e superestimar nas áreas de baixo relevo, relativamente aocampo de chuvas gerado por interpolação dos dados de 50 estações pluviométricas no México.Kuligowski et al. (2006) avaliaram a técnica do Hidroestimador sobre o Hawaii e uma correlaçãobaixa (0,26) foi verificada entre as chuvas estimativas e observadas, tomando três eventos de chuvasintensas (total de 7 dias).XVII Simpósio Brasileiro de Recursos Hídricos 5

3 – METODOLOGIA DE ANÁLISE DOS CAMPOS DE CHUVA3.1 Índices de performanceTratando de forma binária a ocorrência/não ocorrência de um determinado evento, bem comoa estimativa de sua ocorrência ou não ocorrência, pode-se construir uma tabela de contingência daforma ilustrada na Figura 2. As grandezas “a” e “d” são a quantidade de acertos na estimativa deocorrência e de não ocorrência do evento, respectivamente. A quantidade “b” denota o número devezes em que foi estimada a ocorrência do evento, mas ele não aconteceu. Analogamente, o valor“c” é a quantidade de vezes em que a ocorrência do evento foi observada, mas sua ocorrência nãofoi estimada. A partir dos valores da tabela de contingência, diversos índices podem ser deduzidoscom enfoques diferentes quanto à avaliação da performance das estimativas realizadas deocorrência/não ocorrência do evento (Wilkis, 2006; Kuligowski, 2002).Quantidade de vezes em queocorreu o evento e suaocorrência foi estimada.Quantidade de vezes em queocorreu o evento mas suaocorrência não foi estimada.estimadonão simobservadosim nãoabcdQuantidade de vezes em quenão ocorreu o evento massua ocorrência foi estimada.Quantidade de vezes em quenão ocorreu o evento e suaocorrência não foi estimada.Figura 2 – Esquema da tabela de contingência com análise comparativa dos acertos erros nasestimativas da ocorrência (“sim”) e não ocorrência (“não”) de um determinado evento.Uma vantagem clara do uso da tabela de contingência é permitir analisar a performance daestimativa sob diferentes aspectos, conforme o tipo de evento estudado e o tipo de estimativarealizada. Por exemplo, considerando a previsão de chuva em regiões de baixo índice pluviométricoe definindo como evento de análise a ocorrência de dia chuvoso, a previsão da não ocorrência doevento (dia sem chuva) é relativamente bem mais fácil do que a previsão da ocorrência do evento.Nesse caso, assumir um mesmo peso para os acertos do tipo “a” e do tipo “d”, não seria adequadopara uma verificação da performance do preditor. Nesse sentido, alguns índices permitem umenfoque mais restrito, como o percentual de acerto em conseguir detectar a ocorrência do evento, ouseja, dado que o evento foi observado.Neste estudo, foram utilizados os índices de performance denominados proporção correta(PC), probabilidade de detecção (POD), probabilidade de falsa detecção (PFD), taxa de alarme falso(FAR), taxa de tendência (BR) e índice de sucesso crítico (CSI), cujas formulações, significados evariações de valores esperados são apresentados no Quadro 1.XVII Simpósio Brasileiro de Recursos Hídricos 6

3.2 Tipos de eventos para análiseDois tipos de eventos foram considerados, um para verificar a habilidade do Hidroestimadorquanto à distinção da ocorrência ou não de chuva e outro para inferir sobre sua destreza em estimara quantidade de chuva ocorrida. No primeiro caso, tem-se uma análise do tipo chuva/não chuva,onde o evento a ser estimado é a ocorrência de chuva no dia, não importando em qual intensidade.Por conseqüência da formulação dos algoritmos de interpolação e de estimativa da chuva, podemser gerados valores não nulos de chuva, mas muito próximos de zero. Para contornar isso,considera-se um limiar (Pmin), não nulo para diferenciar as classes chuva e não chuva, ou seja: seP≥Pmin, ocorreu o evento; e se P 0;Quanto mais próximo de 1melhor a performance; se > 1indica superestimativa daocorrência do evento; se

ocorrência de chuva. Nesse tipo de análise, o evento é caracterizado pela ocorrência de chuva acimade um determinado patamar (Pmax). Por exemplo, tomando um patamar de 10 mm, o evento é ditoque ocorreu caso a chuva tenha sido superior a 10 mm (P≥Pmax), caso contrário considera-se a nãoocorrência do evento (P

de satélite pode ser fortemente influenciado pela variabilidade espacial da chuva não capturada narede de pluviômetros, em virtude da possível baixa densidade de instrumentos. O referido autoradotou a alternativa de gerar um novo campo de chuva correspondente às estimativas de satélite, apartir da interpolação da chuva estimada nos pixels localizados sobre os pluviômetros. Outrosestudos adotaram outro procedimento, que consiste na comparação das estimativas de chuva dosatélite especificamente nos pixels situados sobre os pluviômetros (González, 2006). Entretanto,como no caso deste estudo o enfoque é analisar a performance da estimativa do campo de chuvacomo alternativa para alimentação de um modelo hidrológico, manteve-se a abordagem padrão,descrita nos parágrafos anteriores.3.5 Comparação entre os campos de chuvaA comparação entre os campos de chuva observada e estimada foi realizada tomando pixel apixel as duas imagens referentes a cada dia. Em um determinado dia, a ocorrência ou não do eventoem um pixel i é verificada pela análise do valor de chuva observada nesse pixel. Analogamente,toma-se a chuva estimada em tal pixel para definir se o evento foi estimado ou não para ocorrernesse pixel. Comparando as duas verificações, tem-se que ocorreu um acerto (tipo “a” ou “d”) ouum erro (tipo “b” ou “c”) para o pixel i na data em questão. Esse procedimento de comparação érepetido para todos os dias com disponibilidade de dados observados e estimados. Para montar atabela de contingência e determinar os índices de performance, duas abordagens são adotadas: (a)integração no espaço e (b) integração no tempo, como descrito a seguir e esquematicamenteilustrado na Figura 3.3.5.1 Análise integrada no espaçoNessa abordagem, para cada dia da série o acerto ou erro verificado em cada pixel é somadoao acerto ou erro dos demais pixels, obtendo-se uma tabela de contingência específica do dia, apartir da qual são derivados os índices de performance correspondentes. Repetindo-se oprocedimento para todos os dias, tem-se uma série temporal de valores de cada índice deperformance, cada valor referente a uma data, a partir da qual pode-se inferir sobre a evolução dosíndices ao longo do tempo ou tomar valores médios.3.5.2 Análise integrada no tempoNa análise denominada integrada no tempo, o número de acertos e erros ao longo do temporeferente especificamente a cada pixel é tomado para construção da tabela de contingência. Ao finalda análise tem-se uma tabela para cada pixel e seus índices de performance derivados. O produtofinal é uma imagem raster para cada índice, onde o valor do índice em cada pixel da imagem refleteo padrão de desempenho do estimador ao longo do tempo nessa área.XVII Simpósio Brasileiro de Recursos Hídricos 9

Comparação entre Po e Peno pixel i → um acerto (“a”ou “d”) ou erro (“b” ou “c”)ANÁLISE INTEGRADA NO ESPAÇOdia 1PoPePara o dia 1,toma-se o total de“a”, “b”, “c” e “d”sobre a imagem.Um valor paracada índicereferente aodia 1.dia 2PoPePara o dia 2,toma-se o total de“a”, “b”, “c” e “d”sobre a imagem.Um valor paracada índicereferente aodia 2.ANÁLISE INTEGRADA NO TEMPOdia j...PoPePara cada pixel i, toma-se ototal de “a”, “b”, “c” e “d” aolongo do tempo.Uma imagem para cadaíndice de performance... ...Para o dia j,toma-se o total de“a”, “b”, “c” e “d”sobre a imagem.Po = precipitação observadaPe = precipitação estimadaTabela deobservadocontingência:sim nãoestimadonão simacbdUm valor paracada índicereferente aodia j.Valor médio aolongo do tempopara cada índiceFigura 3 – Esquema das análises integrada no espaço e integrada no tempo para verificação daperformance das estimativas de chuva.4 – BACIA DO RIO GRANDEO Rio Grande é o principal afluente da parte alta do Rio Paraná e apresenta uma área dedrenagem de 145.000 km 2 , que se estende pelos Estados de Minas Gerais e São Paulo (Figura 4-a).Há um intenso aproveitamento hidroelétrico na bacia do Rio Grande, com uma capacidade instaladade 7722 MW, que corresponde a aproximadamente 11,7% do total nacional (ANEEL, 2005). Aprecipitação anual média sobre a bacia é de cerca de 1400 mm, fortemente concentrada nos mesesde Novembro a Abril.Dados diários de 273 postos pluviométricos distribuídos por toda a bacia do Rio Grande foramutilizados para caracterizar a chuva observada, usada como referência para avaliação dasestimativas produzidas pelo Hidroestimador (Figura 4-b). Os dados são provenientes da base dedados HidroWeb/ANA e do SIGRHSP/DAEE, disponíveis na Internet. Os postos selecionados sãoos mesmos utilizados para obtenção de chuva observada para modelagem hidrológica da Bacia doRio Grande, cujo objetivo foi de previsão de vazões de curto e longo prazo (Paz et al., 2007).XVII Simpósio Brasileiro de Recursos Hídricos 10

A discretização da bacia em células de 0,1º x 0,1º é apresentada na Figura 4-b. Como a área deabrangência do Hidroestimador tem como limite ao Norte o paralelo de 20º S, a parcela da bacia doRio Grande situada ao Norte desse limite é excluída da análise. Na discretização adotada, tem-seum total de 1101 células dentro da área de abrangência do Hidroestimador.Figura 4 – (a) Localização da bacia do Rio Grande; (b) Localização dos 273 postos pluviométricos(pontos azuis) utilizados e discretização da bacia na grade de resolução 0,1º x 0,1º.5 – ANÁLISE DOS RESULTADOS E DISCUSSÃO5.1 Estimativa chuva/não chuvaA consideração de ocorrência de chuva ou não chuva foi caracterizada pela ocorrência de umachuva superior a 1 mm ou não, respectivamente. Tomando a análise integrada no espaço, onde acomparação pixel a pixel entre as imagens para um determinado dia resulta num índice deperformance único, as estimativas de ocorrência ou não ocorrência de chuva pelo Hidroestimadorresultaram uma proporção correta (PC) de acertos de 72% para o período 2003 a 2005, ou seja, em72% dos dias do período houve acerto na indicação de se tratar de um dia chuvoso ou não.Entretanto, desconsiderando os acertos de dias não chuvosos, o acerto das estimativas foi de 15%,como denota o índice CSI. Esse desempenho relativamente baixo fica aparente também nos demaisíndices analisados. Dos dias chuvosos, a ocorrência de 22% (POD) deles foi detectada ou estimada,enquanto 17% (PFD) dos dias não chuvosos foram erradamente estimados como dias chuvosos.Além disso, em cerca de 51% (FAR) dos dias apontados como chuvosos não ocorreu chuva. Oíndice BR ficou um pouco superior a 1, indicando uma leve superestimativa do número deocorrência de eventos estimados, mas nada representa quanto à concordância entre a ocorrência e aestimativa de cada evento.XVII Simpósio Brasileiro de Recursos Hídricos 11

Considerando cada um dos anos isoladamente, não ocorre grande variação nos resultados, masde modo geral no ano de 2003 houve um maior número de acertos total (PC=78%) e de acertos daocorrência de chuva (CSI=20%). Nesse ano, a ocorrência de chuvas foi mais freqüentementeestimada (superestimativa de 2,34 pelo índice BR), o que conduziu por um lado a mais acertos naestimativa de dias chuvosos, mas por outro levou a um maior número de detecções erradas ealarmes falsos. As estimativas durante o ano de 2005 apresentaram comportamento oposto: omissãode ocorrência de dias chuvosos (BR=0,46), resultando em menor índice de acertos de dias chuvosos(CSI=12%), mas reduzindo a taxa de alarme falso e a probabilidade de falsa detecção.Considerando a análise integrada no tempo, onde a performance da estimativa em cada pixel éindividualmente avaliada, tem-se que a probabilidade de detecção variou de 20 a 60% ao longo daregião analisada (Figura 5), enquanto o índice CSI variou de 10 a 50% (Figura 6). Para ambos osíndices, em algumas regiões valores muito superiores ao valor médio integrado no espaço (Tabela1) foram alcançados. Nitidamente, observa-se que o desempenho mais fraco do Hidroestimadorocorreu nas áreas de relevo mais acentuado, próximas às cabeceiras do Rio Grande. Uma possíveljustificativa para isso é que na versão do Hidroestimador analisada não há correção da estimativaem função da orografia. Quanto aos índices que dizem respeito à tendência à falsa detecção ealarme falso, os resultados não apresentaram um padrão de variação espacial, como exemplificadopara o índice FAR (Figura 7).Tabela 1 – Resultados da análise integrada no espaço da estimativa chuva/não chuva doHidroestimador sobre a bacia do Rio Grande.Índice 2003 2004 2005 2003 a 2005PC (proporção correta) 0,78 0,70 0,71 0,72POD (probabilidade de detecção) 0,35 0,20 0,16 0,22PFD (probabilidade de falsa detecção) 0,24 0,16 0,13 0,17FAR (taxa de alarme falso) 0,62 0,48 0,43 0,51BR (taxa de tendência) 2,34 0,94 0,46 1,11CSI (índice de sucesso crítico) 0,20 0,14 0,12 0,15XVII Simpósio Brasileiro de Recursos Hídricos 12

Figura 5 – Probabilidade de detecção (POD) da estimativa de ocorrência de chuva/não chuva peloHidroestimador sobre a bacia do Rio Grande, tomando o período de 2003 a 2005.Figura 6 – Índice de sucesso crítico (CSI) da estimativa de ocorrência de chuva/não chuva peloHidroestimador sobre a bacia do Rio Grande, tomando o período de 2003 a 2005.Figura 7 – Taxa de alarme falso (FAR) da estimativa de ocorrência de chuva/não chuva peloHidroestimador sobre a bacia do Rio Grande, tomando o período de 2003 a 2005.5.2 Estimativa quantitativa de chuvaA verificação do ponto de vista quantitativo da chuva estimada pelo Hidroestimador foirealizada tomando apenas os dias em que ocorreu chuva e sua ocorrência foi estimada, com aressalva de que o valor de 1 mm foi adotado como valor mínimo para caracterizar que se trata deum dia chuvoso. Os resultados da análise integrada no espaço, onde toda a região é analisada porum único valor dos índices para cada dia, são ilustrados na Figura 8. Analisou-se a performance emestimar uma chuva superior a determinado patamar (Pmax). Nos gráficos da referida figura, cadaXVII Simpósio Brasileiro de Recursos Hídricos 13

ponto representa um patamar adotado para análise (2, 5, 10, 15, ..., 95 mm). A interpretação é aseguinte (por exemplo, para Pmax = 15 mm): (i) o evento a ser estimado é a ocorrência de chuvamaior do que 15 mm; (ii) PC = 0,72 indica 72% de acerto em distinguir se ocorreu ou não chuvamaior do que 15 mm; (iii) POD = 0,17 indica que, dos dias em que ocorreu chuva maior do que 15mm, em 17% deles foi estimada uma chuva dessa magnitude. A proporção correta de acertos deocorrência ou não do evento aumenta com o aumento da faixa de chuva considerada, por que aestimativa da não ocorrência dessa chuva torna-se mais fácil e ocorre com muito mais freqüência doque os eventos chuvosos. A mesma justificativa é aplicada para explicar o decréscimo daprobabilidade de falsa detecção. Por outro lado, a taxa de tendência é sempre superior a 1,indicando uma superestimativa do número de ocorrências de chuvas acima de cada patamar,variando de 1 a 5 vezes. Aumentando o patamar da chuva analisada, a probabilidade de detecçãodiminui e a taxa de alarme falso aumenta.1.0Proporção correta (PC)1.0Taxa de alarme falso (FAR)0.50.50.00 20 40 60 80 100Pmax (mm), em P>Pmax0.00 20 40 60 80 100Pmax (mm), em P>Pmax1.0Probabilidade de detecção (POD)1.0Índice de sucesso crítico (CSI)0.50.50.00 20 40 60 80 100Pmax (mm), em P>Pmax0.00 20 40 60 80 100Pmax (mm), em P>Pmax1.0Probabilidade de falsa detecção (PFD)10.0Taxa de tendência (BR)0.55.00.00 20 40 60 80 100Pmax (mm), em P>Pmax0.0BR = 10 20 40 60 80 100Pmax (mm), em P>PmaxFigura 8 – Índices de performance na análise integrada no espaço da estimativa quantitativa dechuva do Hidroestimador: eventos de diferentes magnitudes (P>Pmax).Os resultados da análise integrada no tempo novamente ressaltam a grande variabilidadeespacial dos resultados em termos dos índices de performance obtidos, e que a questão da orografiapode ser uma das causas da baixa performance do Hidroestimador. Por exemplo, a probabilidade dedetecção variou entre 0 e 60% e o índice de sucesso crítico variou de 10 a 50% ao longo da bacia doRio Grande, tomando o patamar de 15 mm (Figuras 9 e 10), tendo ocorrido os valores mais baixosprincipalmente nos pixels próximos ao divisor topográfico da bacia, nas partes de maior elevação.XVII Simpósio Brasileiro de Recursos Hídricos 14

Figura 9 – Probabilidade de detecção (POD) da estimativa de ocorrência/não ocorrência de chuvamaior do que 15 mm pelo Hidroestimador, tomando o período de 2003 a 2005.Figura 10 – Índice de sucesso crítico (CSI) da estimativa de ocorrência/não ocorrência de chuvamaior do que 15 mm pelo Hidroestimador, tomando o período de 2003 a 2005.6 – CONCLUSÕESEste artigo analisou as estimativas de chuva da versão do Hidroestimador produzida pelaUniversidade de Buenos Aires. Tais estimativas têm resolução espacial (0,1º x 0,1º) e temporal(estimativas a cada 30 minutos integradas para valores diários) suficientes para servir como entradapara modelagem hidrológica distribuída. O algoritmo Hidroestimador foi proposto visandoprincipalmente o monitoramento de chuvas intensas em tempo real, enquanto a análise realizadaneste trabalho viso seu uso de forma contínua, como é necessário para a modelagem hidrológica,tendo sido analisados dados referentes a três anos completos.Os resultados das análises tomando a área da bacia do Rio Grande indicaram relativamentebaixa performance do Hidroestimador na detecção da ocorrência de chuvas diárias e na estimativaquantitativa do total diário precipitado, pelo menos no que diz respeito à proposição do uso doscampos de chuva estimados para modelagem hidrológica distribuída.Na comparação com campos de chuva gerados por interpolação dos dados de pluviômetros,observou-se grande variação espacial da performance das estimativas de chuva, as quaisapresentaram nitidamente pior desempenho nas regiões de cabeceira da bacia, onde o terreno éXVII Simpósio Brasileiro de Recursos Hídricos 15

astante elevado. Supõe-se que a ausência de uma correção orográfica no algoritmo doHidroestimador, na versão argentina utilizada, tenha influenciado seu desempenho. Outro ponto adestacar é que a bacia estudada está localizada no limite norte da área para a qual o algoritmo foicalibrado e, provavelmente, resultados melhores sejam constatados mais ao centro dessa área.AGRADECIMENTOSParte desta pesquisa foi financiada pela FINEP/CT-Hidro; ao CNPq pela concessão de bolsade Doutorado aos dois primeiros autores e de Pós-Doutorado ao terceiro autor.BIBLIOGRAFIAANEEL, Agência Nacional de Energia Elétrica (2005). “Atlas de Energia Elétrica do Brasil”, 2ªed., Brasília, Brasil.BARRERA, D.F. (2005). “Análisis comparativo de los mapas de precipitación obtenidos a partirde datos pluviométricos y de estimaciones satelitales”, in Actas do IX Congreso Nacional deMeteorología, Buenos Aires.BARRERA, D.F. (2007). “The generation of synthetic brightness temperature images to improverainfall estimation from GOES satellite”, in Proceedings of Predictions in Ungauged Basins: PUBKick-off, IAHS Publication N o 309, c.13, pp. 113-120. Brasília, Brasil.BARRERA, D.; MARCUZZI, E.; NAUMANN, G. (2001). “Desarrollo del software de un SistemaOperativo de estimación de precipitación a partir de imágenes GOES”, in Actas del IX CongresoLatinoamericano e Ibérico de Meteorología, Buenos Aires, Argentina.BARRERA, D.; Zucarelli, G.; Ceirano, E. (2003). “Una técnica satelital de estimación de lluviacomo herramienta de pronóstico hidrológico: Aplicación a la tormenta del 22 al 25 de abril de2003 sobre Santa Fe y Entre Ríos”, in Anais do XV Simpósio Brasileiro de Recursos Hídricos,Curitiba, Brasil.BARRERA, D.F.; CEIRANO, E.B.; ZUCARELLI, G.V. (2007). “Differences in area-averagedrainfall depth over a mid-size basin from two remote sensing methods of estimating precipitation”,in Proceedings of Predictions in Ungauged Basins: PUB Kick-off, IAHS Publication N o 309, c.14,pp. 121-128. Brasília, Brasil.COLLISCHONN, B. (2006). “Uso da precipitação estimada por satélite em um modelohidrológico distribuído”. Dissertação de Mestrado. IPH-UFRGS, Porto Alegre (RS), 196 p.COLLISCHONN, W.; ALLASIA, D.; SILVA, B.; TUCCI, C. (2007). “The MGB-IPH model for largescale rainfall runoff modeling”. Hydrological Sciences Journal (in press).COLLISCHONN, B.; COLLLISCHONN, W.; SILVA, B.; TUCCI, C., (2005). “Simulaçãohidrológica da bacia do rio São Francisco usando precipitação estimada pelo satélite TRMM:XVII Simpósio Brasileiro de Recursos Hídricos 16

esultados preliminares”, in Anais do XVI Simpósio Brasileiro de Recursos Hídricos, ABRH, JoãoPessoa (PB).COLLISCHONN, W.; TUCCI, C.E.M. (2001). “Simulação hidrológica de grandes bacias”. RevistaBrasileira de Recursos Hídricos 6(1), pp. 95-118.GONZÁLES, B.C. (2006). “Validación del algoritmo hidroestimador en la región de Puerto Rico”,Dissertação de Mestrado, Universidad de Puerto Rico, Porto Rico, 99 p.KULIGOWSKI, R. (2002). “A self-calibrating real-time GOES rainfall algorithm for short-termrainfall estimates”. Journal of Hydrometeorology (3), pp. 112-130.KULIGOWSKI, R.J.; DAVENPORT, J.S.; SCOFIELD, R.A. (2006). “Application of the hydroestimatorrainfall algorithm over Hawaii”, in Proceedings of 14th Conference on SatelliteMeteorology and Oceanography.PAZ, A.R.; COLLISCHONN, W.; TUCCI, C.M.; CLARKE, R.T.; ALLASIA, D. (2007). “Dataassimilation in a large-scale distributed hydrological model for medium range flow forecasts”, inProceedings of Quantification and Reduction of Predictive Uncertainty for Sustainable WaterResources Management, IAHS Publ. 313. IAHS Press, Wallingford, UK (aceito para publicação).SCOFIELD, R.A. (1987). “The NESDIS operational convective precipitation estimationtechnique”. Montly Weather Review 115, pp. 1773-1792.SCOFIELD, R.A. (2001). “Comments on “A quantitative assessment of the NESDIS Auto-Estimador.” ” Weather and Forecasting (16), pp. 277-278.SCOFIELD, R.; KULIGOWSKI, R. (2003). “Status and outlook of operational satellite precipitationalgorithms for extreme events”. Weather and Forecasting (18)6, pp. 1037–1051.TARRUELA, R.; JORGE, J. (2002). “Estimación de la precipitación acumulada em áreas extensasa partir de imágenes IR de Satélite”, in Anales del III Congresso de la Associación Espanõla deClimatologia, Palma de Mallorca, Espanha.VICENTE, G.; SCOFIELD, R.; MENZEL, P. (1998). “The operational GOES infrarred rainfallestimation technique”. Bulletin of the American Meteorological Society 79, pp. 1883-1898.Wilkis, D.S. (2006). “Statistical Methods in the Atmospheric Sciences”, Academic Press, Elsevier, 630p.YUCEL, I.; KULIGOSWKI, R.J. (2004). “Evaluating the performance of satellite rainfallestimates using data from NAME program”, in Proceedings of 29th Annual Climate Diagnostics &Prediction Workshop, NOAA/National Weather Service, Wisconsin, EUA.XVII Simpósio Brasileiro de Recursos Hídricos 17