Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
COORDENAÇÃO DE ENGENHARIA FLORESTAL
CÂMPUS DOIS VIZINHOS
LUÍSA CAROLINA SILVA LELIS
AVALIAÇÃO DOS DADOS DE PRECIPITAÇÃO GERADOS PELOS
SATÉLITES GPM E TRMM
TRABALHO DE CONCLUSÃO DE CURSO II
DOIS VIZINHOS
2016
LUÍSA CAROLINA SILVA LELIS
AVALIAÇÃO DOS DADOS DE PRECIPITAÇÃO GERADOS PELOS
SATÉLITES GPM E TRMM
Trabalho de Conclusão de Curso apresentado à disciplina de Trabalho de Conclusão de Curso II, do Curso Superior de Engenharia Florestal da Universidade Tecnológica Federal do Paraná – UTFPR, como requisito parcial para obtenção do título de Engenheira Florestal. Orientador: Prof. Dr. Raoni Wainer Duarte Bosquilia
DOIS VIZINHOS
2016
Ficha catalográfica elaborada por Rosana Oliveira da Silva CRB:
9/1745 Biblioteca da UTFPR-Dois Vizinhos
L541a Lelis, Luísa Carolina Silva. Avaliação dos dados de precipitação gerados pelo
satélite GPM e TRMM – Dois Vizinhos: [s.n], 2016. 57f.:il.
Orientador: Raoni Wainer Duarte Bosquilia Trabalho de Conclusão de Curso (graduação) -
Universidade Tecnológica Federal do Paraná. Curso de
1.Chuvas 2.Satélites meteorológicos 3. Pesquisa meteorológica I. Bosquilia, Raoni Wainer Duarte, orient. II. Universidade Tecnológica Federal do Paraná – Dois Vizinhos. III. Título
CDD: 634 9
Ministério da Educação Universidade Tecnológica Federal do Paraná
Câmpus Dois Vizinhos Curso de Engenharia Florestal
TERMO DE APROVAÇÃO
Título Avaliação Dos Dados De Precipitação Gerados Pelos Satélites GPM e TRMM
por
Luísa Carolina Silva Lelis
Este Trabalho de Conclusão de Curso foi apresentado em 07 de dezembro de 2016 como
requisito parcial para a obtenção do título de Bacharel em Engenharia Florestal. O(a)
candidato(a) foi arguido pela Banca Examinadora composta pelos professores abaixo
assinados. Após deliberação, a Banca Examinadora considerou o trabalho aprovado.
__________________________________ Prof. Dr. Raoni Wainer Duarte Bosquilia
Orientador
___________________________________ Prof. Dr. Jairo Calderari de Oliveira Junior
Membro titular (UTFPR)
___________________________________ Profª. Drª. Maria Madalena Santos da Silva
Membro titular (UTFPR)
___________________________________ Prof. Dr. Maurício Martello Membro titular (UTFPR)
- O Termo de Aprovação assinado encontra-se na Coordenação do Curso -
Aos meus pais Camilo e Elci, e às minhas irmãs Flávia e Isabela,
dedico.
RESUMO
LELIS, Luísa C. S. Avaliação Dos Dados De Precipitação Gerados Pelos Satélites GPM e TRMM. 2016. 57p. Trabalho de Conclusão de Curso II (Graduação em Engenharia Florestal) - Universidade Tecnológica Federal do Paraná. Dois Vizinhos, 2016. O objetivo deste estudo foi verificar o desempenho das informações produzidas pela missão GPM (Global Precipitation Measurement) e TRMM (Tropical Rainfall Measurement Mission) sobre a região leste do estado de São Paulo, tendo como base de comparação estações pluviométricas do DAEE (Departamento de Águas e Energia Elétrica do Estado de São Paulo). A conferência foi através da comparação de informação agregada espacialmente, tanto proveniente do TRMM e GPM quanto dos pluviômetros. A fim de se analisar os erros quantitativos de chuva, foram utilizadas as medidas de desempenho: (1) Diferença Relativa, (2) BIAS e (3) Raiz do Erro Médio Quadrático (REMQ). Obteve-se como resultado que as diferenças relativas situaram-se normalmente na faixa de -20% a 20% para ambas as missões. Na análise de BIAS para ambos os satélites observou-se que 68% das aferições foram superestimadas. A maior concordância foi obtida para a mesorregião de Campinas e a menor para a mesorregião de Araraquara. Para o TRMM constatou-se os menores valores de REMQ na mesorregião de Araraquara e os maiores na mesorregião de Piracicaba. Com o satélite GPM os valores mais próximos da precipitação pluviométrica foram observados na mesorregião de Piracicaba, enquanto os valores mais distantes foram identificados na mesorregião de Araraquara. Todas as análises deste trabalho demonstraram similaridade entre os erros gerados por ambos os satélites. Novos estudos de comparação são necessários a fim de se conhecer as possíveis falhas de cada um destes produtos. Palavras-chave: Precipitação; GPM; TRMM; Chuva estimada por satélite.
ABSTRACT
LELIS, Luísa C. S. Assessment of precipitation data generated by the GPM e TRMM satellite. 2016. 57p. Trabalho de Conclusão de Curso II (Undergraduate degree in Forest Engineering) - Federal Technology University of Parana. DoisVizinhos, 2016.
The aim of this study is to verify the performance of the information produced by the GPM mission (Global Precipitation Measurement) and TRMM (Tropical Rainfall Measurement Mission) over the east region of São Paulo state, having ground gauges as true observations. The comparison was performed between spatially aggregated information from pluviometers and the satellites. In order to assess the quantitative rain errors, the following analyses were realized: (1) Relative Error, (2) BIAS and (3) Root Mean Square Error (RSME). For both missions, it was found that the relative differences were usually in the range of -20% to 20%; according to BIAS analyses, 68% of the satellites measurements were overestimated and the highest estimative agreement was obtained for the mesoregion of Campinas and the lowest for the Araraquara mesoregion. For the TRMM, the lowest RMSE values were found in the Araraquara mesoregion and the highest in the Piracicaba mesoregion. With the GPM satellite the closest values of rainfall were observed in the Piracicaba mesoregion, while the most distant values were identified in the Araraquara mesoregion. All analyzes made in this research demonstrated similarity between the errors generated by both satellites. Further comparative studies are necessary in order to determine possible strengths and weaknesses of each of these products. Palavras-chave: Precipitation; GPM; TRMM; Satellite rainfall estimates.
SUMÁRIO
1 INTRODUÇÃO ......................................................................................................................... 10
2 OBJETIVO ................................................................................................................................ 12
2.1 Objetivo geral.......................................................................................................................... 12
2.2 Objetivos específicos .............................................................................................................. 12
3 REVISÃO BIBLIOGRÁFICA .................................................................................................. 13
3.1 Estimativas de chuva em superfície ........................................................................................ 13
3.2 Estimativa de chuva por satélite ............................................................................................. 14
3.3 The Tropical Rainfall Measurement Mission - TRMM .......................................................... 15
3.4 Global Precipitation Measurement - GPM ............................................................................. 19
4 MATERIAL E MÉTODOS ....................................................................................................... 21
4.1 Caracterização da área de estudo ............................................................................................ 21
4.2 Aquisição dos dados ............................................................................................................... 22
4.2.1 Aquisição dos dados dos satélites ........................................................................................ 22
4.2.2 Aquisição dos dados para comparação ................................................................................ 23
4.3 Processamento dos dados ........................................................................................................ 24
4.4 Comparação de dados ............................................................................................................. 26
4.5 Análises de desempenho ......................................................................................................... 27
4.5.1 Análise integrada no tempo - Diferença relativa ................................................................. 28
4.5.2 Análise integrada no espaço................................................................................................. 28
4.5.2.1 BIAS ................................................................................................................................. 28
5 RESULTADOS E DISCUSSÃO ............................................................................................... 30
5.1 Interpolação dos dados pluviométricos ................................................................................... 30
5.2 Análises de desempenho ......................................................................................................... 31
5.2.1 Análise integrada no tempo ................................................................................................. 31
5.2.2 Análise integrada no espaço................................................................................................. 35
6 CONCLUSÃO ........................................................................................................................... 41
REFERÊNCIAS BIBLIOGRÁFICAS.......................................................................................... 42
APÊNDICE 1 – INTERPOLAÇÃO DA PRECIPITAÇÃO PLUVIOMÉTRICA MARÇO DE
2014 A FEVEREIRO DE 2015 .................................................................................................... 47
APÊNDICE 2 – DIFERENÇA RELATIVA ENTRE A PRECIPITAÇÃO PLUVIOMÉTRICA E
A MEDIDA PELOS SATÉLITES................................................................................................ 53
10
1 INTRODUÇÃO
A precipitação, e consequentemente a disponibilidade hídrica, são os indicadores mais
importantes no que tange a determinação das condições de tempo e clima de uma região. É de
extrema utilidade ter conhecimento sobre a informação quantitativa de chuva e sua distribuição
no tempo, uma vez que estes são fatores fundamentais para a realização de um zoneamento
climático e de aptidão agrícola/florestal de uma determinada área. Além disso, seu conhecimento
é importante para identificar a necessidade de irrigação suplementar de diversas culturas, o
dimensionamento de barragens, redes de água e esgoto, entre outros (MASSAGLI, VICTORIA e
ANDRADE, 2011).
Apesar das necessidades e importância do fenômeno precipitação sobre o meio ambiente
e sobre a vida social, é notório que a precisão da medida de sua variação espaço-temporal no
planeta Terra ainda é um problema de difícil solução, caracterizado por questões metodológicas,
técnicas e geográficas (NASA, 2016).
De acordo com Fensterseifer (2013), a técnica tradicional de medição da chuva é feita
com pluviômetros ou pluviógrafos; contudo, estas possuem deficiências na representação
quantitativa espacial da chuva em áreas mais extensas devido ao fato de serem equipamentos
pontuais que cobrem uma área de cerca de 10-1 m². Desta forma, é necessária uma grande
densidade desses pluviômetros ou pluviógrafos para corretamente representar o comportamento
pluviométrico de uma região, o que, para países em desenvolvimento e com grandes extensões
territoriais, como o Brasil, torna-se inviável pelos custos elevados do monitoramento diário de
pluviômetros ou pluviógrafos.
Em contrapartida, uma grande variedade de produtos de sensoriamento remoto em
estimativa de chuva estão disponíveis em resoluções espaciais e temporais cada vez mais
detalhadas. Desta forma, Santos (2014) afirma que o sensoriamento remoto pode contribuir na
representação da distribuição contínua dos eventos chuvosos.
O satélite TRMM (Tropical Rainfall Measurement Mission) é um exemplo de
instrumento remoto de aferição da chuva, o mesmo foi lançado em 1997 e teve sua operação
finalizada em abril de 2015. Os trabalhos de Hiroshima (1999), Kummerow et al. (2000) e
Flaming (2004) evidenciam a qualidade dos resultados obtidos pela missão.
11
Em função deste sucesso uma outra geração de satélite em precipitação foi projetada, o
satélite GPM (Global Precipitation Measurement) foi lançado em fevereiro de 2014 com a
promessa de dados em precipitação mais refinados tanto no quesito tempo quanto no quesito
espaço, devido aos sensores mais modernos acoplados ao satélite (NASA, 2011). Contudo, ainda
existem poucos estudos que avaliem os dados gerados por esta missão, desta forma este trabalho
analisa a as informações produzidas pela missão GPM e missão antecessora, o TRMM, sobre a
região Leste do estado de São Paulo.
12
2 OBJETIVO
2.1 Objetivo geral
Verificar o desempenho das informações produzidas pela missões GPM e TRMM sobre a
região Leste do estado de São Paulo.
2.2 Objetivos específicos
O presente estudo teve por objetivos específicos:
a) Diagnosticar as diferenças entre as estimativas de chuva pelos satélites e as
medidas em postos pluviométricos;
b) Comparar os erros provenientes de ambos os satélites;
c) Analisar a natureza dos erros dos produtos TRMM-3B43 e GPM-IMERG, sob a
relação espaço-tempo.
13
3 REVISÃO BIBLIOGRÁFICA 3.1 Estimativas de chuva em superfície
As medições de superfície são aquelas realizadas por equipamentos alocadas sobre a
superfície terrestre e que se valem de distintas formas de uso, para a captação das informações da
pluviometria referentes a uma certa área. Entre os equipamentos usados nessas medições
destacam-se os pluviógrafos e pluviômetros, que trazem informações referentes à valores que
representam as mensurações de chuva obtidas de forma direta sobre seus dispositivos de suporte
a leitura pluviométrica (SANTOS, 2014).
Segundo Fensterseifer (2013) estações pluviométricas devem medir com uma frequência
mínima diária além de precipitação diária, observações sobre a neve, profundidade da neve sobre
o solo e, ainda, registrar as condições climáticas. De acordo com o INMET (INSTITUTO
NACIONAL DE METEOROLOGIA), as estações meteorológicas de superfície são divididas em
dois tipos:
1. Estação Meteorológica de Observação de Superfície Automática: é composta de uma
unidade de memória central ("data logger"), ligada a vários sensores dos parâmetros
meteorológicos (pressão atmosférica, temperatura e umidade relativa do ar, precipitação,
radiação solar, direção e velocidade do vento, etc), que integra os valores observados
minuto a minuto e os disponibiliza automaticamente a cada hora.
2. Estação Meteorológica de Observação de Superfície Convencional: é composta de vários
sensores isolados que registram continuamente os parâmetros meteorológicos (pressão
atmosférica, temperatura e umidade relativa do ar, precipitação, radiação solar, direção e
velocidade do vento, etc), que são lidos e anotados por um observador a cada intervalo e
este os envia a um centro coletor por um meio de comunicação qualquer.
De acordo com a WMO (1993), rede mínima de postos hidroclimáticos é uma rede que
irá fornecer o quadro de expansão para atender às necessidades de informação para a gestão do
uso da água.
Via de regra, os erros aumentam com a evolução da intensidade da precipitação. De
forma inversa, os mesmos diminuem com um aumento da densidade da rede pluviométrica,
duração da tempestade, e a área da bacia (PONCE, 1989).
14
3.2 Estimativa de chuva por satélite
A medição da chuva, de modo usual, é feita por meio de pluviômetros e pluviógrafos.
Contudo, sabendo das limitações desses pluviômetros na representação espacial da chuva em
grande escala, estão sendo feitos cada vez mais esforços para estimar a precipitação a partir de
sensores a bordo de satélites espaciais (ARAUJO, 2006).
As estimativas remotas de precipitação através de satélites surgiram nos anos 1980 como
uma alternativa para aferir chuvas, devido a baixa densidade de pluviômetro no planeta Terra.
Porém, as primeiras estimativas de precipitação por satélite não possuíam resolução espaço-
temporal compatíveis com os trabalhos em hidrologia, e, apenas nos últimos anos, tais
estimativas alcançaram níveis de precisão admissíveis (FENSTERSEIFER, 2013).
Tanto as medições feitas em pluviômetros quanto as geradas por satélites, estão expostas
a erros, uma vez que, pluviômetros registram adequadamente o volume precipitado, por outro
lado, possuem baixa representatividade espacial. Os problemas de representatividade espacial
são maiores sob condições de chuvas de origem convectivas e isoladas, pois a precipitação pode
ocorrer em áreas pequenas e com forte intensidade, podendo não ser registrada pelo equipamento
pluviométrico (CALVETTI et al., 2003). Contudo, de acordo com Ebert (2003), a precipitação
aferida por um pluviômetro é uma medida direta e considerada como verdadeira quando se
compara com outras fontes de estimativas.
Para Jensen (2009), diferente das informações medidas pontualmente (como é o caso das
estações meteorológicas), os dados provenientes de sensoriamento remoto podem ser coletados
sistematicamente para grandes extensões de área. Florezano (2002), defende que as informações
de satélite proporcionam uma visão de conjunto e multitemporal, o que estimula o uso destas
para estudos de cunho ambiental.
Em 1997 foi lançado o satélite Tropical Rainfall Measurement Misson (TRMM), este até
o lançamento do Global Precipitation Measurement (GPM) em 2014 era, segundo Barrera
(2005), o satélite mais bem equipado em termos de instrumentos para estimativa de precipitação,
fornecendo dados mais precisos do que técnicas indiretas, baseadas em imagens de outros
satélites.
15
3.3 The Tropical Rainfall Measurement Mission - TRMM O Tropical Rainfall Measurement Mission (TRMM) foi um satélite lançado em 27 de
novembro de 1997, consócio entre a National Aeronautics and Space Administration (NASA),
agência espacial americana, e a Japan Exploration Aerospace Agency (JAXA), agência espacial
japonesa. O mesmo foi lançado com o objetivo de monitorar, verificar e subsidiar os estudos
quanto à influência da precipitação nos trópicos e sobre o clima global (BERG; KUMMEROW;
MORALES, 2002). A missão saiu de órbita em 08 de abril de 2015.
O TRMM possuia órbita polar com uma inclinação de 35° e com altitude de 403 km (a
partir de 2001) com um período de 92,5 minutos (gira ao redor do globo aproximadamente 16
vezes por dia) (NASA, 2007) (Figura 1).
Figura 1 - Recobrimento da órbita do TRMM.
Fonte: NASA (2016).
De acordo com Santos (2014), os sensores a bordo (Figura 2) do TRMM relacionados
com a estimativa da precipitação eram: TRMM imageador de micro-ondas (TMI), radar de
precipitação (PR), o escâner de infravermelho e visível (VIRS), o sensor de energia radiante da
Terra e das nuvens (CERES) e o sensor para imageamento de relâmpagos (LIS).
16
Figura 2 - Sensores a bordo do TRMM e suas localizações. Fonte: NASA e JAXA, 2012 (apud SANTOS, 2014, p. 39).
O TRMM imageador de micro-ondas (TMI) foi um sensor de microondas passivo
planejado para prover informação quantitativa da precipitação em uma largura de varredura de
780 km na superfície. Através da medição da quantidade de energia micro-ondas emitidas pelo
planeta Terra na atmosfera, o TMI era capaz de quantificar o vapor de água, a água precipitável,
e a intensidade da chuva na atmosfera. Foi um instrumento relativamente pequeno que consome
pouca energia. Isto, combinado com a boa largura de varredura, fez do TMI um dos mais
eficientes instrumentos de medição de chuva do satélite (TRMM, 2004).
Já o Radar de precipitação (PR), fabricado pela JAXA, foi o primeiro radar a bordo de um
satélite. As principais informações obtidas eram: a intensidade e distribuição da chuva, a sua
classificação (convectiva ou estratiforme), e a altura pluviométrica. Sua resolução horizontal na
superfície é da ordem de 4 km, com largura de varredura de 220 km. Uma das características
mais importantes do PR era a sua eficiência na determinação de perfis verticais da chuva e neve
acima da superfície, em uma altura média de 20 km (TRMM, 2004).
Por fim, o Escâner de infravermelho e visível (VIRS) era um instrumento primário do
TRMM, uma vez que se trata de um indicador indireto de chuva. Outras medidas que eram
feitas diariamente em outros satélites meteorológicos, eram utilizadas em conjunto com o VIRS.
Ele media a radiação vindo da Terra em cinco regiões espectrais, alcançando do visível até o
infravermelho. São dois os motivos que destacam a inclusão do VIRS no pacote de instrumento
primários: o primeiro, porque era capaz de delimitar a chuva, e o segundo, mais importante, é
que servia como referência para outras medidas feitas utilizando outros satélites meteorológicos
(TRMM, 2004).
17
Os dados destes sensores são utilizados em distintas combinações, estas permitem a
melhor compreensão dos processos atmosféricos ligados a chuva, a partir da possibilidade de
permear a elaboração de melhores algoritmos quanto às estimativas de precipitação (HUFFMAN
e BOLVIN, 2014). Desta forma, segundo Santos (2014), cada aferição gerada pelo TRMM -
através dos algoritmos - busca ajustar os valores captados por cada instrumento (sensor), com o
objetivo de elaborar melhores descrições do parâmetro, conforme a abordagem temporal e as
potencialidades dos sensores envolvidos. Existe uma série de produtos desenvolvidos para cada
um destes ajustes, tais como as séries: 1B0_; 1B1_; 2A1_; 2A2_; 2B3_; 3A1_; 3A2_; 3B3_; e
3B4_.
3.3.1 Os produtos TRMM
A missão TRMM teve como resultado diversos produtos (Quadro 1) ligados a estimativa
da precipitação, estes eram processados pelo TRMM Science Data and Information System
(TSDIS) e são disponibilizados pelo TRMM Goddard Distribuited Active Archive System
(DAAC) (KUMMEROW et al., 1998).
Quadro 1 – Produtos resultantes de cada um dos principais sensores a bordo do satélite TRMM
Sensor Processing Level Product
PR 1B21 Calibrated Received Power
1C21 Radar Reflectivity
2A21 Normalized Radar Surface Cross Section
2A23 PR Qualitative
2A25 Rain Profile
3A25 Monthly Statistics of Rain Parameter
3A26 Monthly Rain Rate using a Statistical Method
TMI 1B11 Brightness Temperature
2A12 Rain Profile
3A11 Monthly Oceanic Rainfall
18
VIRS 1B01 Radiance
COMB 2B31 Rain Profile
3B31 Monthly Rainfall
3B42 TRMM & IR Daily Rainfall
3B43 TRMM & Other Sources Monthly Rainfall Fonte: Fensterseifer (2013) adaptado. Os produtos 3B42 e 3B43 (Figura 3) produzem as estimativas de precipitação sendo
fornecidas com resolução espacial de 0,25° (aproximadamente 25 Km), sobre a banda de latitude
50°N-S, com resolução temporal das mais variadas: de 3 horas até resoluções mensais. Esses
produtos utilizam combinações de diferentes fontes com a finalidade de obter estimativas mais
precisas de chuva.
Figura 3 - Exemplo do produto 3B43 de estimativa de chuva do TRMM.
Fonte: Adaptado de NCAR (2010).
19
3.4 Global Precipitation Measurement - GPM O Global Precipitation Measurement GPM é uma missão projetada especificamente para
unificar e avançar estimativas de precipitação a partir de uma constelação de pesquisa e também
a partir de sensores de microondas. O satélite GPM foi construído com base no TRMM, descrito
nas seções anteriores, o mesmo foi lançado pela NASA, agência espacial americana, e a JAXA,
agência espacial japonesa, em 28 de fevereiro de 2014. O objetivo da missão foi fornecer uma
nova geração de observações remotas de chuva e neve, a fim de melhorar a nossa compreensão
da água da Terra e também o ciclo de energia (HOU et al., 2014).
Segundo Hou et al. (2014), os principais sensores presentes neste satélite são o DPR
(Radar de precipitação de dupla frequência) e o GMI (Imageador de micro-ondas de múltipla
frequência) (Figura 4). Ambos os sensores são extensões dos instrumentos presentes na missão
TRMM, os quais focavam na estimativa de chuvas moderadas a fortes sobre a faixa tropical do
globo. Os sensores do GPM irão estender o faixa de medição atingido pelo TRMM a fim de
incluir precipitação de baixa intensidade (isto é, <0.5 mm/h).
Figura 4 - Localização dos principais sensores presentes no GPM.
Fonte: NASA (2012). Os produtos gerados por esta missão possuem resoluções temporais e espaciais mais
detalhadas quando comparadas ao satélite TRMM (NASA, 2016). O produto IMERG (Figura 5),
por exemplo, trata-se de uma coleção de dados de chuva acumulada em milímetros por mês e
20
resolução espacial de 0,10° (aproximadamente 10Km). Os dados deste produto podem ser
acessados para qualquer região do planeta Terra.
Figura 5 - Exemplo do produto GPM_3IMERGHH de estimativa de chuva do GPM.
Fonte: NASA (2016).
21
4 MATERIAL E MÉTODOS 4.1 Caracterização da área de estudo O presente trabalho foi aplicado na região Leste do estado de São Paulo contemplando
inteiramente as mesorregiões de Piracicaba, Campinas e Araraquara, assim como partes das
mesorregiões de Bauru e Ribeirão Preto (Figura 6).
Figura 6 – Mapa da área de estudo divido por mesorregiões.
Fonte: O autor (2016). O clima da região Leste de São Paulo é definido por Köppen como Cwa – mesotérmico
superficial – clima subtropical de inverno seco (com temperaturas inferiores a 18ºC) e verão
quente (com temperaturas superiores a 22ºC) (EMBRAPA, 2016). As chuvas concentram-se nos
meses de outubro a março, apresentando precipitação média anual de 1250mm e o período seco
de abril a setembro (OLIVEIRA, 2012).
Segundo o levantamento pedológico realizado por Oliveira et al. (1999), os principais
solos encontrados na região são o Latossolo e o Argissolo. A vegetação original da área de
22
estudo é do tipo Floresta Estacional Semidecidual (INSTITUTO FLORESTAL, 2009). Contudo,
esta é praticamente inexistente nos dias de hoje, como pode-se observar na Figura 7.
Figura 7 – Uso e ocupação do solo da área de estudo.
Fonte: O autor (2016).
4.2 Aquisição dos dados 4.2.1 Aquisição dos dados dos satélites A fim de se avaliar a evolução dos dados gerados pelo satélite GPM em relação ao seu
antecessor, o TRMM, foi realizado o download de produtos de precipitação de ambos os
instrumentos durante o mesmo intervalo de tempo: de março de 2014 até fevereiro de 2015.
No que se diz respeito ao TRMM foi realizado o download do produto 3B43 (TRMM
Monthly Rainfall) que se trata de uma coleção de dados de chuva acumulada em milímetros por
mês (mm.mês-1) com resolução espacial de 0,25°.
23
Em relação ao GPM foi realizado o download do produto IMERG. Trata-se de uma
coleção de dados de chuva acumulada em milímetros com resolução temporal mensal e
resolução espacial de 0,10°.
Ambos os produtos podem ser baixados de forma gratuita no portal Mirador, da NASA
(National Aeronautics And Space Administration) e estão resumidamente descritos na tabela
abaixo.
Tabela 1 - Produtos de sensoriamento remoto utilizados neste trabalho
Produto Resolução espacial Cobertura espacial TRMM 3B43 0,25o 50oN - 50oS GPM IMERG 0,10o 90oN - 90oS
Fonte: O autor (2016).
4.2.2 Aquisição dos dados para comparação Tendo em vista que os dados de precipitação colhidos em terra são tidos como
verdadeiros (EBERT, 2003), a comparação dos dados estimados pelos satélites foi realizada em
relação a informações observadas por estações meteorológicas encontradas na região de estudo.
Tais dados foram obtidos por intermédio do portal do Departamento de Águas e Energia Elétrica
do Estado de São Paulo (DAEE).
O download foi realizado para o mesmo período referente aos dados remotos, de março
de 2014 até fevereiro de 2015. Ao todo foram encontradas 372 estações na área de estudo
(Figura 8).
24
Figura 8– Localização das estações meteorológicas na área de estudo.
Fonte: O autor (2016). 4.3 Processamento dos dados A fim de verificar-se os dados dos satélites respeitando uma resolução espacial específica
optou-se por trabalhar na mesma resolução do satélite GPM, ou seja, 0,10° x 0,10°. Desta forma
foi necessário realizar a discretização das informações do satélite TRMM, uma vez que este
possui resolução original de 0,25° x 0,25°, por meio da técnica de downscaling (Figura 9). Esta
técnica consiste na reamostragem dos pixels originais em resoluções mais detalhadas. A mesma
foi aplicada para todos os meses entre março de 2014 e fevereiro de 2015.
25
Figura 9 – Discretização por downscaling.
Fonte: Adaptado de Santos (2014).
As observações realizadas pelos pluviômetros representam a forma pontual de coleta. A
fim de que as informações de ambos os sensores se tornassem comparáveis espacialmente, fez-se
o uso da técnica de interpolação (Figura 10). Desta forma, realocaram-se os valores mensurados
pelas estações a partir dos mesmos níveis de discretização adotados sobre o TRMM.
Figura 10 – Interpolação - Discretização por upscaling.
Fonte: Adaptado de Santos (2014).
26
A interpolação para os postos pluviométricos foi feita pelo método de Ordinary Kriging
(OK) ou Krigagem Ordinária (KO) (Equação 1).
𝑂𝑂𝑂𝑂 = 𝑝𝑝1𝑥𝑥1 + 𝑝𝑝2𝑥𝑥2 + 𝑝𝑝3𝑥𝑥3 + ⋯+ 𝑝𝑝𝑝𝑝𝑥𝑥𝑝𝑝 (1)
Seja um ponto que se deseja estimar, sendo o valor real desconhecido representado por
OK, o valor estimado (OK*) é calculado, utilizando n amostras localizadas segundo coordenadas
conhecidas, com valores x1, x2, x3…xn (conjunto S), de forma linear, onde os pi são os pesos
atributos a cada amostra i (LANDIM, 2006).
Este interpolador foi adotado por ter sido o método o qual obteve os menores erros
calculados em análises espaciais de precipitação pluviométrica no estado de São Paulo realizadas
por Carvalho e Assad (2005) e Carvalho, Assad e Pinto (2012).
4.4 Comparação de dados O estudo da precipitação estimada por satélites possui diversas abordagens distintas na
literatura no que tange a comparação com dados observados por pluviômetros. Cada metodologia
adotada nas pesquisas, segundo Soares, Paz e Piccilli (2016), possui prós e contras em função da
enorme variabilidade espaço-temporal do fenômeno chuva. Ademais, a confrontação
normalmente é realizada entre dados pontuais de medição de chuva em estações meteorológicas,
sujeitos a especificidades e efeitos locais, com estimativas feitas pelo TRMM ou GPM em
termos de valores médios sobre a área do pixel (que é gigante em relação à área de cobertura do
pluviômetro).
Amitai et al. (2012) e Su, Hong e Lettenmaier (2008) adotaram a metodologia de
comparação dos dados baseada na interpolação de dados dos pluviômetros para os centros dos
pontos de grade do TRMM. O contrário foi realizado por Chen et al. (2013) e Uddin et al.
(2008), ou seja, que realizaram a interpolação dos dados da grade do TRMM para os locais dos
pluviômetros. No método adotado por Nicholson et al. (2003) ocorreu a comparação entre
valores de cada ponto de grade do TRMM com o valor médio dos pluviômetros localizados em
cada célula da grade.
27
O presente estudo trabalhou da mesma forma que Ochoa et al. (2014) e Pereira et al.
(2013), que obtiveram resultados através da geração e comparação de informação agregada
espacialmente, tanto proveniente do TRMM e GPM quanto dos pluviômetros, para toda uma
região de maior abrangência espacial, neste caso a região Leste do estado de São Paulo e de
forma mais específicas as mesorregiões de Araraquara, Campinas e Piracicaba.
4.5 Análises de desempenho Para Brier e Allen (1950), cada método de avaliação de desempenho fornece apenas parte
da informação relativa ao erro de um determinado evento, desta forma examinou-se uma série de
avaliações, com o objetivo de se obter um quadro mais completo quanto a estimativa deste
evento.
A fim de se obter uma análise espaço-temporal (Figura 11) para a comparação
pluviômetro-satélite, primeiramente foi realizado o cálculo de diferença relativa para cada pixel
ao longo dos 12 meses de estudos, tendo como resultado uma análise integrada no tempo (item
4.5.1). Em um segundo momento uma análise integrada do espaço (item 4.5.2) foi obtida através
do cálculo de BIAS (item 4.5.2.1) e da Raiz do Erro Médio Quadrático (item 4.5.2.2) para cada
mesorregião que a área de estudo cobre inteiramente, ou seja, mesorregiões de Araraquara,
Campinas e Piracicaba.
Figura 11 – Espacialização da diferença relativa em relação ao tempo e Temporização do Bias e da REMQ.
Fonte: Adaptado de Paz e Collischonn (2011) e Santos (2014).
28
4.5.1 Análise integrada no tempo - Diferença relativa Mais do que analisar a estimativa do satélite a partir das comparações com os dados de
campo, pretendeu-se com este estudo espacializar as diferenças (ou erros) ao longo do tempo.
Desta forma, a partir dos processos de adequação espacial realizados sobre os dados (item 4.3)
foi possível calcular a diferença relativa em cada célula, permitindo a identificação de regiões e
estações na área de estudo onde a similaridade entre as precipitações medidas pelos diferentes
instrumentos (pluviômetro e satélite) seja maior ou menor. A diferença relativa (ou erro relativo)
foi calculada a partir da Equação 2.
𝐸𝐸𝐸𝐸 = 𝑃𝑃−𝑍𝑍
𝑃𝑃∗ 100 (2)
Onde P é a precipitação interpolada a partir dos dados pluviométricos provenientes do
DAEE e Z são os dados provenientes dos satélites. Num primeiro momento o cálculo de
diferença relativa foi executado para dados do satélite TRMM e em um segundo momento os
cálculos foram feitos para os dados do satélite GPM.
4.5.2 Análise integrada no espaço A partir da análise integrada por espaço, ou mesorregião, foi possível observar em séries
temporais o comportamento oscilatório mensal de BIAS e Raiz do erro médio quadrático para
cada uma das mesorregiões presentes neste estudo, ou seja, Araraquara, Campinas e Piracicaba.
4.5.2.1 BIAS
O BIAS, de acordo com Araujo (2006, p. 41), indica como as estimativas de chuva por
satélite (Z) se relacionam com as medições obtidas pelos pluviômetros (P). Valores de BIAS
negativos indicam que, em média, o satélite superestima a chuva obtida pelos pluviômetros, e
para valores positivos, significa que ocorreu uma subestimação (Equação 3).
29
𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 = ∑(𝑃𝑃−𝑍𝑍)𝑛𝑛
(3)
Onde P representa as medições de campo, Z são as estimativas dos satélites e n é número
de pixels presente em casa mesorregião.
Esse cálculo foi realizado para cada mesorregião que a área de estudo ocupa inteiramente,
ou seja, Araraquara, Campinas e Piracicaba. Desta forma, obteve-se como resultado a média das
somas das diferenças para cada uma dessas mesorregiões.
4.5.2.2 Erro Médio Quadrático (REMQ) O erro médio quadrático (REMQ), de acordo com Araujo (2006, p. 42), avalia o erro a
partir do quadrado das diferenças entre os dados de satélite (Z) e pluviômetro (P). O mesmo
possui maior influência sobre erros de maior magnitude, sendo muito útil nos casos em que
grandes erros são indesejáveis (Equação 4).
𝐸𝐸𝐸𝐸𝑅𝑅𝑅𝑅 = �∑ (𝑃𝑃−𝑍𝑍)²𝑛𝑛𝑖𝑖=1
𝑛𝑛 (4)
Onde P representa as medições de campo, Z são as estimativas dos satélites e n é número
de pixels presente em casa mesorregião.
O quadrado dos erros necessariamente produz valores positivos. Acerca disso, as faixas
de valores variam de 0 < REMQ <= ∞, em que REMQ = 0 indica inexistência de erros (medida
perfeita) e valores REMQ > 0 apresentam erros mais elevados, entre o estimado e o observado, à
medida que as diferenças são maiores (SANTOS, 2014).
Esse cálculo foi realizado para cada mesorregião que a área de estudo ocupa inteiramente,
ou seja, Araraquara, Campinas e Piracicaba. Desta forma, obteve-se como resultado a raiz da
média das somas das diferenças elevadas ao quadrado para cada uma dessas mesorregiões.
30
5 RESULTADOS E DISCUSSÃO 5.1 Interpolação dos dados pluviométricos Através da técnica de Krigagem Ordinária (Equação 1) foi possível obter dados
ponderados de precipitação para toda a área de estudo (Figura 12) em função das medições
realizadas pelas 372 estações pluviométricas presentes na região.
Figura 12 – Resultado da interpolação realizada por Krigagem Ordinária.
Fonte: O autor (2016).
A interpolação detalhada de cada mês pode ser encontrada no Apêndice 1 deste trabalho.
31
Durante o intervalo de estudo - março de 2014 a fevereiro de 2015 - observou-se um
acúmulo mensal de chuva variando entre 0 mm.mês-¹ até 300 mm.mês-¹. De acordo com a
interpretação da interpolação nota-se durante os meses de maio a outubro níveis de chuva abaixo
da média histórica para a região, que normalmente estão entre 80 mm e 140 mm (MARENGO et
al., 2015). Contudo, de acordo com a análise realizada pela ANA, Agência Nacional de Águas
(2015), no sudeste do Brasil as chuvas de 2014 foram especialmente anômalas. Levando em
consideração apenas estações com mais de 50 anos de dados, verificou-se que em 25% delas, a
chuva do ano de 2014 ficou entre as 3 menores já registradas. No estado de São Paulo, o número
sobe para 50% da chuva histórica, sendo que em 30% o evento foi o mais seco já registrado.
Segundo Dobrovolski e Rattis (2015), após o período de estiagem de 2014, o nível dos
reservatórios voltou a subir somente em fevereiro de 2015, devido às chuvas acima da média
registradas no mês. Tal evento está também registrado na Figura 12 para o mês de fevereiro, e
este mês, segundo Marengo (2015), historicamente, não ultrapassa um acúmulo de 210mm.
5.2 Análises de desempenho 5.2.1 Análise integrada no tempo 5.2.1.1 Diferença relativa – Satélite TRMM Nesta abordagem de análise, as estimativas remotas de precipitação realizadas pelo
satélite TRMM são comparadas pixel a pixel com os valores interpolados adquiridos a partir de
observações pluviométricas. Utilizou-se para esta comparação a análise de diferença relativa
(Equação 2).
Esta análise foi realizada para os doze meses de estudo – março de 2014 a fevereiro de
2015. Desta forma, foram geradas doze imagens (Figura 13) que representam a distribuição
espacial da diferença relativa (sob discretização de 0,1o x 0,1o) em cada um destes meses. Neste
cenário, foi possível observar uma sazonalidade nos resultados.
32
Figura 13 – Diferença relativa na comparação pluviômetro-satélite TRMM.
Fonte: O autor (2016).
As diferenças relativas nas células situaram-se, em sua maioria, na faixa de -20% (o
satélite superestimou a observação de campo em 20%) e 20% (o satélite subestimou em 20%).
Este valor está de acordo com o trabalho publicado por Collischonn et al. (2006), no qual os
autores encontraram diferenças relativas que variavam entre -35% e 22% na bacia do rio
Paraguai. Em uma análise realizada pelo mesmo autor na bacia do rio São Francisco,
Collischonn (2006) obteve diferenças relativas médias entre -15% e 15% na maioria das células.
Já Araujo (2006) observou uma superestimativa média do satélite variando entre 36% e 56% na
bacia do Iguaçu.
Como pode ser observado na Figura 13, o período de seca - maio a agosto - foi o que
apresentou as maiores áreas com diferenças relativas superando os valores de 40% acima ou
33
abaixo de 0, sendo esse resultado semelhante ao obtido por Soares, Paz e Piccilli (2016). Neste
trabalho, os autores perceberam que em períodos de estiagem a correlação linear entre as
observações de campo em relação às estimativas de satélite decrescem em todos os meses
estudados no estado da Paraíba.
Pereira et al. (2013), trabalhando com comparações mensais de pluviômetros e com o
produto 3B43-TRMM, obtiveram maiores concordâncias entre a chuva acumulada mensal no
período onde a precipitação pluvial foi mais abundante. A Figura 13 evidencia diferenças
relativas melhores para o intervalo entre os meses de novembro/2014 e fevereiro/2015, sendo
esse, justamente, o momento mais chuvoso do ano.
No que se diz respeito ao espaço, foi possível identificar os piores resultados de diferença
relativa na região Sudoeste da área de estudo, ou seja, na mesorregião de Bauru. Uma hipótese
para este resultado é a menor concentração de pluviômetros nesta extensão de território. Desta
forma, a interpolação realizada anteriormente pode ter influenciado negativamente neste
resultado. Esta mesma hipótese foi levantada por Collischonn (2006) para a bacia de Tapajós, a
qual possuía a menor densidade de pluviômetros por pixel dentre as bacias analisadas pelo autor,
resultando na região na qual se obteve os piores resultados na comparação campo-satélite.
5.2.1.2 Diferença relativa – Satélite GPM
Nesta abordagem de análise as estimativas remotas de precipitação realizadas pelo
satélite GPM são comparadas pixel a pixel com os valores interpolados adquiridos a partir de
observações pluviométricas. Utilizou-se para esta comparação a análise de diferença relativa
(Equação 2).
Esta análise foi realizada para os doze meses de estudo – março de 2014 a fevereiro de
2015. Desta forma, foram geradas doze imagens (Figura 14) que representam a distribuição
espacial da diferença relativa em cada um destes meses.
34
Figura 14 – Diferença relativa na comparação pluviômetro-satélite GPM.
Fonte: O autor (2016).
Os resultados de diferença relativa observados para o satélite GPM (Figura 14)
demonstram uma similaridade espacial no que se refere os erros relativos provenientes do satélite
TRMM, ou seja, as diferenças relativas nas células situaram-se, em sua maioria, na faixa de -
20% (o satélite superestimou a observação de campo em 20%) e 20% (o satélite subestimou em
20%).
Outro quesito semelhante entre as duas missões é a sazonalidade nos resultados. Durante
o período de estiagem, o satélite GPM atingiu seus piores resultados na comparação com os
postos pluviométricos em questão. Este mesmo comportamento foi observado para a missão
antecessora, o satélite TRMM.
35
Desta forma, é possível pontuar a existência de padrões similares de estimativa para
ambos os satélites na área de estudo deste trabalho. Ma et al. (2016), comparando os resultados
de estimativas diárias dos satélites TRMM e GPM com observações de estações meteorológicas
convencionais, também evidenciaram uma similaridade entre os resultados obtidos na
comparação das estimativas destas missões.
5.2.2 Análise integrada no espaço A partir da análise integrada por espaço, ou mesorregião, foi possível observar em séries
temporais o comportamento oscilatório mensal de BIAS e Raiz do Erro Médio Quadrático
(REMQ) para cada uma das mesorregiões presentes neste estudo, ou seja, Araraquara, Campinas
e Piracicaba. Os resultados foram apresentados de forma gráfica com o objetivo de facilitar a
percepção visual do leitor, os produtos podem ser observados nos subitens 5.2.2.1 e 5.2.2.2.
5.2.2.1 BIAS
A avaliação de BIAS (Equação 3) foi realizada para as mesorregiões de Araraquara,
Campinas e Piracicaba. Desta forma, obteve-se como resultado (Figura 15) a média das somas
das diferenças para cada uma dessas mesorregiões em cada mês que o estudo abrange, ou seja,
março de 2014 a fevereiro de 2015.
36
Figura 15 – BIAS calculado para cada mesorregião.
Fonte: O autor (2016).
Tendo em vista que os valores negativos de BIAS são aqueles que superestimam as
medições de campo e valores positivos subestimam as mesmas, nota-se uma predominância de
37
momentos em que ambos os satélites superestimaram as medições realizadas a campo (Figura
15). O satélite TRMM, por exemplo, nas três mesorregiões estudadas 23 amostras foram
superestimadas e 13 subestimadas para o tempo de estudo. Já o produto do satélite GPM
superestimou 26 amostras e subestimou 10. Desta forma pode-se afirmar que 68% das aferições
foram superestimadas e 32% foram subestimadas. Mais especificamente calculou-se uma
superestimativa de 75%, 71% e 58% para as mesorregiões de Araraquara, Campinas e Piracicaba
respectivamente.
Observa-se na Figura 15 que a mesorregião de Araraquara foi aquela à qual obteve os
valores mais discrepantes de BIAS, estes variaram entre -50mm.mês-¹ e 10mm.mês-¹. Nesta
região também foi possível constatar, principalmente nos meses de inverno do hemisfério sul,
uma menor similaridade entre as estimativas dos satélites TRMM e GPM, quando comparadas a
média das estimativas realizadas para as demais regiões em estudo.
De acordo com estudo publicado por Liu (2016), as diferenças entre as medições de
ambos os satélites realizadas sobre continentes são muito pequenas quando comparadas a
diferenças encontradas em estudos realizados sobre o oceano, contudo o mesmo autor observou
maiores discrepâncias entre as medições realizadas sobre terra durante o inverno austral para
alguns países, tais como África do Sul, Austrália e Brasil.
A partir da interpretação da Figura 15, é possível notar uma similaridade entre os
resultados de BIAS para ambos os satélites no que se diz respeito à comparação com resultados
de observação de precipitação. De modo geral, para as mesorregiões de Campinas e Piracicaba
existe um BIAS médio com uma diferença máxima de 20mm.mês-¹ entre os satélites, sugerindo
que os dois produtos são semelhantes, devido, segundo Huffman, Bolvin e Nelkin (2015), ao
mesmo ajuste padrão para correção de BIAS aplicado a ambos os satélites em seus respectivos
algoritmos.
A mesorregião de Campinas obteve os valores de BIAS mais próximos a zero durante
todo o ano de estudo. Desta forma, esta área foi a que obteve os melhores resultados das
estimativas para ambos os satélites.
38
5.2.2.2 Raiz do Erro Médio Quadrático (REMQ)
O cálculo de REMQ (Equação 4) foi realizado apenas para as mesorregiões em que a área
de estudo ocupou inteiramente cada mesorregião (Araraquara, Campinas e Piracicaba). Desta
forma, obteve-se como resultado a Raiz do Erro Médio Quadrático para cada uma dessas
mesorregiões em cada mês que o estudo abrange, ou seja, março de 2014 a fevereiro de 2015
(Figura 16).
39
Figura 16 – REMQ calculado para cada mesorregião.
Fonte: O autor (2016).
Avaliando-se o satélite TRMM, constatou-se o menor valor de REMQ na mesorregião de
Araraquara, com variação de 6 a 31 mm.mês-¹, ou seja, ocorreu a menor diferença entre
estimativas do TRMM e medidas pluviométricas segundo tal métrica. A mesorregião de
Campinas apresentou valores de REMQ de 7 a 33 mm.mês-¹ e Piracicaba de 6 a 39 mm.mês-¹.
40
No trabalho de Soares, Paz e Piccili (2016) foi obtido um REMQ variando entre 32 e 92
mm.mês-¹ para o estado da Paraíba, onde os maiores valores foram observados mais ao Leste do
estado e os menores mais a Oeste (sertão). No trabalho de Pereira et al. (2013), realizado no
nordeste brasileiro, foi obtido REMQ que variou de 4 mm no mês de agosto a 24 mm no mês de
março. Tem-se, portanto, que os valores obtidos nesta pesquisa são distintos dos obtidos por
estes autores e tal realidade deve-se ao fato destes trabalhos terem aplicado metodologias de
comparação diferentes e também pela dinâmica pluviométrica dissemelhante entre as regiões de
estudo.
Em relação ao satélite GPM, verificou-se menor valor de REMQ na mesorregião de
Piracicaba, com variação de 4 a 38 mm.mês-¹, ou seja, ocorreu uma menor diferença entre
estimativas do GPM e medidas pluviométricas segundo tal métrica. A mesorregião de Campinas
apresentou valores de REMQ de 6 a 38 mm.mês-¹ e Araraquara 3 a 60 mm.mês-¹.
Mais uma vez foi possível notar uma similaridade entre os erros de ambos os satélites no
que se diz respeito à comparação com resultados de observação de precipitação, sugerindo que
os dois produtos são semelhantes, devido, segundo Huffman, Bolvin e Nelkin (2015), ao mesmo
ajuste padrão para correção de BIAS aplicado a ambos os satélites em seus respectivos
algoritmos.
41
6 CONCLUSÃO A partir dos resultados obtidos por esta pesquisa, obteve-se que as estimativas de chuva
provenientes do TRMM produto 3B43 e GPM produto IMERG reproduziram de modo geral o
padrão espaço-temporal do regime de chuvas da região leste do estado de São Paulo. As
diferenças relativas situaram-se normalmente na faixa de -20% a 20% para ambas as missões
quando comparadas a precipitações pluviométricas. Os maiores erros relativos foram observados
durante os meses de estiagem no ano de 2014 tanto para o produto 3B43 quanto para o produto
IMERG.
Através da análise de BIAS para ambos os satélites observou-se que 68% das aferições
foram superestimadas e 32% foram subestimadas. Nesta métrica, a maior concordância entre
estimativas dos satélites e medições pluviométricas foi obtida para a mesorregião de Campinas,
enquanto a menor concordância foi identificada para a mesorregião de Araraquara.
Avaliando-se o satélite TRMM, constatou-se os menores valores de REMQ na
mesorregião de Araraquara e os maiores na mesorregião de Piracicaba. Já para o satélite GPM,
os valores mais próximos da precipitação pluviométrica foram observados na mesorregião de
Piracicaba, enquanto os valores mais distantes foram identificados na mesorregião de
Araraquara.
Todas as análises deste trabalho demonstraram similaridade entre os erros gerados por
ambos os satélites sugerindo que os dois produtos são semelhantes devido ao mesmo ajuste
padrão para correção de BIAS aplicado a ambos em seus respectivos algoritmos.
Por enquanto, não é possível afirmar que a similaridade entre os erros do satélite irá se
repetir nos próximos anos, uma vez que os dados da missão GPM abrangem apenas o período de
de março 2014 até outubro de 2016. Tal fato sugere a necessidade de novos estudos, os quais
podem abrir novos horizontes no planejamento hidrológico em partes remotas do mundo.
42
REFERÊNCIAS BIBLIOGRÁFICAS AMITAI, E.; UNKRICH, C. L.; GOODRICH, D. C.; HABIB, E.; THILL, B. Assessing satellite-based rainfall estimates in semiarid watersheds using the USDA-ARS Walnut Gulch gauge network and TRMM PR. J. Hydrometeorol., v. 13, n. 5, p. 1579- 1588, 2012. ANA. Boletins de Monitoramento dos Reservatórios do Sistema Hidráulico do Rio Paraíba do Sul, v.10, Brasília, 2015. ARAUJO, A. N. Simulação Hidrológica com o uso de chuva estimada por Satélite. 2006. 130 f. Dissertação (Mestrado em Engenharia de Recursos Hídricos e Ambiental) – Universidade Federal do Paraná, Curitiba, 2006. BARRERA, Daniel. Precipitation estimation with the hydro-estimator technique: its validation against raingage observations. In: Congresso da IAHS, 7, 2005, Foz do Iguaçu. Anais...Foz do Iguaçu: IAHS, 2005. CD-Rom. BERG, W.; KUMMEROW, C.; MORALES, C. Differences between East and West Pacific Rainfall Systems. Journal of Climate, Washington, v. 15, n.24, p. 3659 - 3672, 2002. BRIER, Glenn W.; ALLEN, Roger A. Verification of weather forecasts. Compendium of Meteorology. Boston, p. 841-848, 1951. CALVETTI, Leonardo; BENETI, César; PEREIRA FILHO, Augusto J. Características das estimativas de precipitação por radar, satélite e pluviômetro no Paraná: Uma comparação entre chuva de verão e chuva provocada por frente fria. In: SIMPÓSIO BRASILEIRO DE RECURSOS HÍDRICOS, 11,2003, Curitiba. CARVALHO, José Ruy Porto de; ASSAD, Eduardo Delgado. Análise espacial da precipitação pluviométrica no estado de são paulo: comparação de métodos de interpolação. Eng. Agríc., Jaboticabal, v.25, n.2, p.377-384, 2005. CARVALHO, José Ruy Porto de; ASSAD, Eduardo Delgado; PINTO, Hilton Silveira. Interpoladores geoestatísticos na análise da distribuição espacial da precipitação anual e de sua relação com altitude. Pesq. agropec. bras., Brasília , v. 47, n. 9, p. 1235-1242, 2012. CHEN, Y.; EBERT, E. E.; WALSH, K. E.; DAVIDSON, N. E. Evaluation of TRMM 3B42 precipitation estimates of tropical cyclone rainfall using PACRAIN data. J. Geophys. Res. Atmos., v. 118, n. 5, p. 2184-2196, 2013. COLLISCHONN, Bruno. Estimativas de precipitação por sensoriamento remoto passivo: desempenho do satélite TRMM na bacia do rio Paraguai até Descalvados. In: 1o Simpósio de Geotecnologias do Pantanal, 2006. Anais... Embrapa Informática Agropecuária/INPE, p. 47-56.
43
COLLISCHONN, Bruno. Uso de precipitação estimada pelo satélite TRMM em modelo hidrológico distribuído. 2006. 128 f. Dissertação (Mestrado em Recursos Hídricos e Saneamento Ambiental) – Universidade Federal do Rio Grande do Sul, Porto Alegre, 2006 DOBROVOLSKI, R.; RATTIS, L. “Water Collapse in Brazil: the Danger of Relying on What You Neglect”. Natureza e Conservação, v. 3, ed. 1, 2015. EBERT, Elizabeth E. et al. The WGNE assessment of short-term quantitative precipitation forecasts. Bulletin of the American Meteorological Society, v. 84, n. 4, p. 481-492, 2003. EMBRAPA. EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. Clima. Disponível em: <http://www.cnpf.embrapa.br/pesquisa/efb/clima.htm>. Acesso em: 16 de Maio de 2016. FENSTERSEIFER, Cesar A. Qualidade das estimativas de precipitação derivadas de satélites na Bacia do Alto Jacuí - RS. 2013. 110 f. Dissertação (Mestrado em Engenharia Civil e Ambiental) - Universidade Federal de Santa Maria, Santa Maria, 2013. FLAMING, Gilbert M. Measurement of global precipitation. In: International Geoscience and Remote Sensing Symposium. 9, 2004; Anchorage, AK, EUA. FLOREZANO, Tereza Gallotti. Iniciação em sensoriamento remoto. 3 ed. Oficina de Textos, 2011. 128p. HIROSHIMA, Kazuhiro. Rainfall observation from Tropical Rainfall Measuring Mission (TRMM) satellite. Journal of Visualization. v. 2, n. 1, p. 93-98, 1999. HOU, Arthur et al. The Global Precipitation Measurement Mission. American Meteorological Society, 95, p. 701- 722, 2014. HUFFMAN, George; BOLVIN, David. TRMM and Other Data Precipitation Data Set Documentation, 2014. Disponível em: <ftp://precip.gsfc.nasa.gov/pub/trmmdocs/3B42_3B43_doc.pdf>. Acesso em: 23 de Abril de 2016. HUFFMAN, George; BOLVIN, David; NELKIN, Eric. Day 1 IMERG final run release notes, 2015. Disponível em: < https://pmm.nasa.gov/sites/default/files/document_files/IMERG_FinalRun_Day1_release_notes.pdf >. Acesso em: 14 de Novembro de 2016. IBGE. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Estados. Disponível em: <http://www.ibge.gov.br/estadosat/perfil.php?sigla=sp>. Acesso em: 22 de Abril de 2016. INMET. INSTITUTO NACIONAL DE METEOROLOGIA. Estações Automáticas, 2011. Disponível em: <http://www.inmet.gov.br/portal/index.php?r=estacoes/estacoesAutomaticas>. Acesso em: 22 de Abril de 2016.
44
INMET. INSTITUTO NACIONAL DE METEOROLOGIA. Estações Convencionais, 2011. Disponível em: <http://www.inmet.gov.br/portal/index.php?r=estacoes/estacoesConvencionais>. Acesso em: 22 de Abril de 2016. INSTITUTO FLORESTA. Mapa da cobertura vegetal nativa paulista, 2009. Disponível em: <http://revistapesquisa.fapesp.br/wp-content/uploads/2012/08/mapa.pdf?170b85>. Acesso em: 16 de Maio de 2016. JENSEN, John. Sensoriamento Remoto do ambiente: uma perspectiva em recurso terrestre. Tradução José Carlos Neves Epiphanio et al.. (Coord). São José dos Campos: Parênteses, 2009. 672p. KUMMEROW, Christian et al. The Tropical Rainfall Measuring Mission (TRMM) sensor package. Journal of Atmospheric and Oceanic Technology, 15, 809-817, 1998. KUMMEROW, Christian et al. The Status of the Tropical Rainfall Measuring Mission (TRMM) after Two Years in Orbit. Journal of Applied Meteorology, 39, p. 1965-1982, 2000. LANDIM, Paulo M. Barbosa. Sobre Geoestatística e Mapas. TERRÆ DIDATICA, 2(1):19-33, 2006. LIU, Zhong. Comparison of Integrated Multisatellite Retrievals for GPM (IMERG) and TRMM Multisatellite Precipitation Analysis (TMPA) Monthly Precipitation Products: Initial Results. Journal of Hydrometeorology. v. 17, p. 777-790, 2016. MA, Yingzhao et al. Similarity and Error Intercomparison of the GPM and Its Predecessor-TRMM Multisatellite Precipitation Analysis Using the Best Available Hourly Gauge Network over the Tibetan Plateau. Remote Sensing. 8, 569, p. 1-17, 2016. MARENGO, José A. et al. A seca e a crise hídrica de 2014-2015 em São Paulo. Revista USP, n. 106, p. 31-44, São Paulo, 2015. MASSAGLI, Greogory; VICTORIA, Daniel; ANDRADE, Ricardo. Comparação entre a precipitação medida em estações pluviométricas e estimada pelo satélite TRMM. In: 5º Congresso Interinstitucional de Iniciação Científica - CIIC 2011 - 8, 2011. NASA. NATIONAL AERONAUTICS AND SPACE ADMINISTRATION.GPM Mission Concept, 2011. Disponível em: <http://pmm.nasa.gov/gpm>. Acesso: 09 de Maio de 2016. NASA. NATIONAL AERONAUTICS AND SPACE ADMINISTRATION. How to Access TRMM & GPM Precipitation Data. 2016. Disponível em: <http://pmm.nasa.gov/data-access>. Acesso em: 23 de Abril de 2016.
45
NASA. NATIONAL AERONAUTICS AND SPACE ADMINISTRATION. The Tropical Measurement Mission, 2007. Disponível em: <http://trmm.gsfc.nasa.gov/trmm_rain/Events/TRMMSenRev2007_pub.pdf>. Acesso em: 23 de Abril de 2016. NASA. NATIONAL AERONAUTICS AND SPACE ADMINISTRATION. Why is TRMM valuable. Disponível em: <http://trmm.gsfc.nasa.gov/overview_dir/why-grad.html>. Acesso: 09 de Maio de 2016. NICHOLSON, S. E.; SOME, B.; MCCOLLUM, J.; NELKIN, E.; KLOTTER, D.; BERTE, Y.; DIALLO, B. M.; GAYE, I.; KPABEBA, G.; NDIAYE, O.; NOUKPOZOUNKOU, J. N.; TANU, M. M.; THIAM, A.; TOURE, A. A.; TRAORE, A. K. Validation of TRMM and other rainfall estimates with a highdensity gauge dataset for West Africa. Part II: validation of TRMM rainfall products. J. Appl. Meteorol., v. 42, n. 10, 1355-1368, 2003. OCHOA, A.; PINEDA, L.; CRESPO, P.; WILLEMS, P. Evaluation of TRMM 3B42 precipitation estimates and WRF retrospective precipitation simulation over the Pacific–Andean region of Ecuador and Peru. Hydrol. Earth Syst. Sci., v. 18, n. 8, p. 3179-3193, 2014. OLIVEIRA, João Bertoldo et al. Mapa pedológico do estado de São Paulo, 1999. Disponível em: < http://www.iac.sp.gov.br/solossp/pdf/mapa_pedologico_Solos_Estado_de_Sao_Paulo.pdf >. Acesso em: 16 de Maio de 2016. OLIVEIRA, Julion Storion. Avaliação de modelos de elevação na estimativa de perda de solo em ambiente SIG. 2012, 103 f. Dissertação (Mestrado em Irrigação e Drenagem) – Escola Superior de Agricultura “Luiz de Queiroz”, Piracicaba, 2012. PEREIRA, G.; SILVA, M. E. S.; MORAES, E. C.; CARDOZO, F. S. Avaliação dos dados de precipitação estimados pelo satélite TRMM para o Brasil. RBRH: revista brasileira de recursos hídricos, v. 18, n. 3, p. 139-148, 2013. PONCE, Vitor Miguel. Engineering hydrology, principles and practices, 1989. Disponível em: <http://ponce.sdsu.edu/enghydro/>. Acesso em: 22 de Abril de 2016. SANTOS, Anderson S. Peixoto. Análise de desempenho dos campos de chuva estimados pelo satélite TRMM na Paraíba, para fins de modelagem hidrológica distribuída. 2014. 128 f. Dissertação (Mestrado em Engenharia Urbana e Ambiental) - Universidade Federal da Paraíba, João Pessoa, 2014. SU, F.; HONG, Y.; LETTENMAIER, D. P. Evaluation of TRMM Multisatellite Precipitation Analysis (TMPA) and its utility in hydrologic prediction in the La Plata Basin. J. Hydrometeorol., v. 9, n. 4, p. 622-640, 2008. TRMM. Tropical Rainfall Measurement Mission. Mission Overview, 2004. Disponível em: <http://trmm.gsfc.nasa.gov>. Acesso em: 23 de Abril de 2016.
46
UDDIN, S.; AL-DOUSARI, A.; RAMDAN, A.; AL GHADBAN, A. Site-specific precipitation estimate from TRMM data using bilinear weighted interpolation technique: an example from Kuwait. J. Arid Environ., v. 72, n. 7, p. 1320-1328, 2008. WMO. World Meteorological Organization. TECHNICAL CONFERENCE ON TROPICAL URBAN CLIMATES. 1993, Backa (Bangladesh).
47
APÊNDICE 1 – INTERPOLAÇÃO DA PRECIPITAÇÃO PLUVIOMÉTRICA MARÇO DE 2014 A FEVEREIRO DE 2015
48
49
50
51
52
53
APÊNDICE 2 – DIFERENÇA RELATIVA ENTRE A PRECIPITAÇÃO PLUVIOMÉTRICA E A MEDIDA PELOS SATÉLITES
54
55
56
57
DEZEMBRO 2014
58