| Summary: | A quantificação da precipitação é dificultada pela extrema aleatoriedade do fenômeno na natureza. Os métodos convencionais para mensuração da precipitação atuam no sentido de espacializar a precipitação mensurada pontualmente em postos pluviométricos para toda a área de interesse e, desta forma, uma rede com elevado número de postos bem distribuídos em toda a área de interesse é necessária para um resultado satisfatório. No entanto, é notória a escassez de postos pluviométricos e a má distribuição espacial dos poucos existentes, não somente no Brasil, mas em vastas áreas do globo. Neste contexto, as estimativas da precipitação com técnicas de sensoriamento remoto e geoprocessamento pretendem potencializar a utilização dos postos pluviométricos existentes através de uma espacialização baseada em critérios físicos. Além disto, o sensoriamento remoto é a ferramenta mais capaz para gerar estimativas de precipitação nos oceanos e nas vastas áreas continentais desprovidas de qualquer tipo de informação pluviométrica. Neste trabalho investigou-se o emprego de técnicas de sensoriamento remoto e geoprocessamento para estimativas de precipitação no sul do Brasil. Três algoritmos computadorizados foram testados, sendo utilizadas as imagens dos canais 1, 3 e 4 (visível, vapor d’água e infravermelho) do satélite GOES 8 (Geostacionary Operational Environmental Satellite – 8) fornecidas pelo Centro de Previsão de Tempo e Estudos Climáticos do Instituto Nacional de Pesquisas Espaciais. A área de estudo compreendeu todo o estado do Rio Grande do Sul, onde se utilizaram os dados pluviométricos diários derivados de 142 postos no ano de 1998. Os algoritmos citados buscam identificar as nuvens precipitáveis para construir modelos estatísticos que correlacionem as precipitações diária e decendial observadas em solo com determinadas características físicas das nuvens acumuladas durante o mesmo período de tempo e na mesma posição geográfica de cada pluviômetro considerado. Os critérios de decisão que norteiam os algoritmos foram baseados na temperatura do topo das nuvens (através do infravermelho termal), reflectância no canal visível, características de vizinhança e no plano de temperatura x gradiente de temperatura Os resultados obtidos pelos modelos estatísticos são expressos na forma de mapas de precipitação por intervalo de tempo que podem ser comparados com mapas de precipitação obtidas por meios convencionais. === The quantification of precipitation is made difficult due mainly to the extreme variance of the phenomenom in nature. The usual methods work in the sense of spacializing the precipitation, which is measured punctually in pluviometric stations, for the entire area of interest and, hence, a net containing a big amount of stations well distributed along the whole area of interest is needed to reach a satisfactory result. Nevertheless, the scarcity of pluviometric stations and the bad distribution of the few existents is evident, not only in Brazil, but also in vast regions of the planet. In this context, the precipitation estimations using remote sensing techniques and geoprocessing intend to potencialize the utilization of existent pluviomteric stations through a spacialization based on physics criteria. Moreover, the remote sensing is the more capable tool to generate rainfall estimation for the oceans and the large continental areas that are unprovided of any type of pluviometric informations. At this work, the application of remote sensing and geoprocessing techniques for precipitation estimation at the south of Brazil was investigated. Three computerized algorithms were tested, based on the imagens of channels 1, 3 and 4 (visible, water steam and infrared) of the GOES 8 satellite, provided by Centro de Previsão de Tempo e Estudos Climáticos of the Instituto Nacional de Pesquisas Espaciais. The studyng area is the Rio Grande do Sul state, where the 1998’s daily precipitation data of 142 raingauges were used. The related algorithms try to identify precipitables clouds to build a mathematical model (through the minimum square process) which correlates the daily precipitation observed in ground with fisical features of the clouds acumulated during the same period and in the same geographic position of the raingauge. These algorithms tested decision criteria based on the temperature of the cloud tops (through thermal infrared), albedo in the visible channel, texture in the infrared channel and in the plane temperature versus temperature gradient. The results obtained by mathematical models are expressed as daily precipitation maps which can be compared with isohyetal maps obtained by conventional methods.
|
|---|
