Sobre a fonte das previsões meteorológicas e como as interpretar.

Os indicadores climáticos disponibilizados na plataforma de previsão e vigilância agroclimática tem por base dados de Centro Europeu de Previsão do Tempo a Curto e Médio Prazo (ECMWF).

Este conjunto de indicadores foram gerados a partir de conjuntos de dados de características distintas, nomeadamente resolução espacial e temporal que varia consoante o tipo de previsão:

O que são e como funcionam as previsões?

O produto de previsão desenvolvido pelo ECMWF pretende reproduzir, através de um modelo numérico, a evolução mais provável e com maior fiabilidade possível as condições atmosféricas para os dias seguintes. Este modelo numérico, denominado por IntegratedForecastingSystem (IFS), consiste na geração de 51 previsões, diferentes,recorrendo ao mesmo modelo, esta técnica denomina-seensemble. Cada um dos 51 membros do ensemble é gerado tendo em conta diferentes condições iniciais da atmosfera de modo a melhor representar a dinâmica e os processos físicos que nela ocorrem.

Dada a natureza caótica da atmosfera da Terra e a imperfeição dos modelos (que nem sempre representam bem a física da atmosfera), existe sempre incerteza associada às previsões meteorológicas

Os dados relativos aos indicadores agroclimáticos que são disponibilizados nesta plataforma, têm associado informação probabilística, baseada no resultado do ensemble,cujo objetivo é ajudar na interpretação da informação da previsão disponibilizada, permitindo ao utilizador identificar a qualidade da previsão, isto é, na prática quanto menor for a dispersão dos valores do ensemble, menor a sua incerteza e maior a fiabilidade da previsão

Previsão a médio prazo (15 dias)

Indicadores obtidos do conjunto de dados do ECMWF:

Indicadores obtidos do conjunto de dados do ECMWFcom processamento adicional:

SMI= (Sw-PEP)/(CC-PEP)

Com SM (soilmoisture) a representar o conteúdo de água disponível no solo em toda a camada de 100cm, PEP o ponto de emurchecimento permanente e CC a capacidade de campo, ambas constantes, dependentes apenas do tipo de solo. O parâmetro Sw é calculado por integração vertical do conteúdo em água em 3 subcamadas de solo (Swvl1, Swvl2, Swvl3), cada uma com diferentes espessuras: 7, 21 e 72cm:

Sw=Swvl1*0,07 + Swvl2*0,21 + Swvl3*0,72

O cálculo do índice de stress animal foi efetuado recorrendo a uma fórmula testada por Davis et al. (2003) e já bastante utilizada em diversos estudos, como o de Mader et al. (2006) e Polskyet al. (2017). A fórmula para calcular o termal heatindex (THI) é a seguinte:

THI = 0,8T + RH (T-14.4) + 46.4

Onde T representa a temperatura do ar os 2metros (ºC) e RH a humidade relativa do ar (valor entre 0 e 1).

Para determinar este parâmetro, recorremos ao trabalho de Hargreaves &Samani (1982) que nos diz que a evapotranspiração de referência (ET0) pode ser dada por:

ET0 = 0,0023 * Ra * Td * T+17,8)

Onde representa a radiação incidente (Wm-2) num determinado dia do ano (juliano) ; é a diferença entre a média da temperatura máxima e a média da temperatura mínima do ar a 2m (ºC) e é a temperatura média do ar a 2m (ºC)

O cálculo de é dado por:

Ra = d*Wsen(lat)*sen(D) * cos (lat) * cos (D)* sen (W)

Onde corresponde à declinação do sol (em radianos) num determinado dia, o ângulo do por do sol (em radianos) e lat, a latitude do local, tambémem radianos.

Previsão sazonal (6 meses)

Na previsão sazonal, recorremos a 2 variáveis mensais onde aplicamos uma conversão de unidades direta, no entanto é aplicada uma correção de viés através de um parâmetro, calculado com base nas previsões sazonais e na climatologia da reanálise ERA5 (1993-2016) (Dutra et al., 2013; Cavaleiro R., 2023).

A única variável calculada posteriormente é o índice normalizado de precipitação (SPI):

É um parâmetro calculado apenas com base nas observações e previsões de precipitação (corrigidas com o parâmetro ). Assim, qualquer previsão de SPI-k é calculada através da precipitação acumulada de k meses (conjunto de observações e previsões).

Referências:

Cavaleiro, R. (2023). Seasonal Forecasts over Southwestern Angola. MSc Thesis. Faculdade de Ciências da Universidade de Lisboa. Lisboa.

Davis RE, Knappenberger PC, Michaels PJ, Novicoff WM. 2003. Changing heat-related mortality in the United States. Environmental Health Perspectives 111(14): 1712–1718.

Dutra, E., di Giuseppe, F., Wetterhall, F., &Pappenberger, F. (2013). Seasonal forecasts of

droughts in African basins using the Standardized Precipitation Index. Hydrology and

Earth System Sciences, 17(6).

Hargreaves, G. H., & Samani, Z. A. (1982). Estimating potential evapotranspiration. Journal of the irrigation and Drainage Division, 108(3), 225-230.

Hunt, E. D., Hubbard, K. G., Wilhite, D. A., Arkebauer, T. J., & Dutcher, A. L. (2009). The development and evaluation of a soil moisture index. International Journal of Climatology: A Journal of the Royal Meteorological Society, 29(5), 747-759.

Esta plataforma foi criada e é mantida com o apoio financeiro da União Europeia.

O seu conteúdo é da exclusiva responsabilidade do Camões, Instituto da Cooperação e da Língua, I.P. e não reflete necessariamente a posição da União Europeia.

Termos e condições