Climatologia dos sistemas atuantes no estado de Santa Catarina e performance do modelo numérico WRF para previsão de eventos extremos de precipitação

Abstract

A transformação digital é uma realidade em todas as áreas da atividade humana e tem sido acelerada pela recente pandemia de Covid-19. O uso de Inteligência Artificial, Data Analytics, Realidade Aumentada, robôs, entre outras tecnologias, possibilita a automação de processos em praticamente todos os setores da economia: agricultura, produção e serviços. Entender as variáveis climáticas e seus impactos no meio ambiente sempre foi um desafio para a humanidade, que, desde a antiguidade até os dias atuais, se depara com situações inesperadas que afetam o cotidiano e, muitas vezes, colocam vidas em risco. Atualmente, além de compreender, busca-se prever o clima e seus impactos ambientais, de modo a mitigar riscos e garantir o desenvolvimento sustentável, preservando a natureza (fauna, flora, recursos naturais etc.). O uso de ferramentas computacionais para modelagem numérica dessas variáveis é de extrema importância, respondendo à necessidade de variações cada vez mais rápidas e confiáveis. Este projeto analisa a precisão de uma ferramenta disponível no mercado, que utiliza o modelo WRF, na simulação de eventos extremos de oferta em Santa Catarina. Para isso, foram selecionados 26 eventos de atualizações representativos dos percentuais acima de 99,9% de cada estação do ano, nas 11 mesorregiões de Santa Catarina, que foram analisados para identificar a climatologia dos sistemas que mais influenciam o estado e provocam tais ocorrências. Nesses 26 eventos, foram avaliados ao menos dois eventos dos principais sistemas meteorológicos atuantes no estado: sistemas de mesoescala (mais comuns na região oeste), circulação marítima (mais comum na região litorânea) e frentes frias clássicas. Para esses 26 eventos, o modelo WRF foi executado para avaliar a precisão da previsibilidade dessas ocorrências com 24, 48 e 72 horas de antecedência, resultando em taxas de acerto de 100% de acerto quanto a ocorrência de precipitação e de 24,30%, 34,82% e 36,79% na comparação entre os volumes de precipitação acumulados observados e os resultados simulados pelo WRF. A baixa assertividade nos volumes de precipitação deve-se principalmente a incertezas quanto às condições iniciais e às granularidades espaciais e temporais utilizadas.

Digital transformation is a reality in all areas of human activity and has been accelerated by the recent Covid-19 pandemic. The use of Artificial Intelligence, Data Analytics, Augmented Reality, and robots, among other technologies, enables the automation of processes in practically all segments of the economy: agriculture, manufacturing, and services. Understanding climatic phenomena and their impacts on the environment has always been a challenge for humanity, which, from the past to the present, has faced unforeseen situations that impact daily life and often put lives at risk. Currently, in addition to understanding these phenomena, efforts are being made to predict the climate and its environmental impacts to mitigate risks and ensure the continuity of development while preserving nature (fauna, flora, natural resources, etc). The use of computational tools for numerical modeling that represent these phenomena is of great importance, addressing the need for faster and more reliable forecasts. This project analyzes the accuracy of a tool available on the market that uses the WRF model to predict extreme precipitation events in Santa Catarina. For this, 26 precipitation events representing percentiles above 99.9% for each season of the year were selected across the 11 mesoregions of Santa Catarina. These events were analyzed to identify the climatology of the systems that most influence the state and cause such occurrences. In these 26 events, at least two occurrences of the main meteorological systems operating in the state were evaluated: mesoscale systems (more common in the western region), maritime circulation (more common in the coastal region), and classic cold fronts. For these events, the WRF model was executed to assess the accuracy of the predictability of these occurrences 24, 48, and 72 hours in advance, resulting in predictability rates of 100% in terms of precipitation occurrence and 24.30%, 34.82%, and 36.79% when comparing the observed cumulative precipitation volumes to the WRF outputs. The low levels of precipitation volumes predictability are related to uncertainties in the initial conditions and the spatial and temporal granularity used.