Characteristics and error modeling of GPM satellite rainfall estimates during CHUVA campaign in Brazil

• Main Author: Rômulo Augusto Jucá Oliveira
• Other Authors: Daniel Alejandro Vila
• Language: English
• Published: Instituto Nacional de Pesquisas Espaciais (INPE) 2017
• Online Access: http://urlib.net/sid.inpe.br/mtc-m21b/2017/05.22.17.16

Studies that investigate and evaluate the quality, limitations and uncertainties of satellite rainfall estimates are fundamental to assure the correct and successful use of these products in applications, such as climate studies, hydrological modeling and natural hazard monitoring. Over regions of the globe that lack in situ observations, such studies are only possible through intensive field measurement campaigns, which provide a range of high quality ground measurements, e.g., CHUVA (Cloud processes of tHe main precipitation systems in Brazil: A contribUtion to cloud resolVing modeling and to the GlobAl Precipitation Measurement) and GoAmazon (Observations and Modeling of the Green Ocean Amazon) over the Brazilian Amazon during 2014/2015. This study aims to assess the uncertainty of the Global Precipitation Measurement (GPM) satellite constellation in representing the main characteristics of precipitation over different regions of Brazil. The Integrated Multi-satellitE Retrievals for GPM (IMERG) (level-3) and the Goddard Profiling Algorithm (GPROF) (level-2) algorithms are evaluated against ground-based radar observations, specifically, the S-band weather radar from the Amazon Protection National System (SIPAM) and the X-band dual polarization weather radar (X-band CHUVA radar) as references. The space-based rainfall estimates, based on active microwave (e.g., TRMM-PR and GPM-DPR [at Ku-band] radars) are also used as references. The results for the CHUVA-Vale campaign suggest that GPROF has relatively good agreement (spatial distribution and accumulated rainfall), especially for convective rain cases, due the significant presence of ice scattering. However, the intensity and volume of light/moderate rains is overestimated and performance related to light/heavy rains (underestimated) are intrinsically linked to convectivestratiform rainfall occurrences over the study region. For the study over the Central Amazon Region (CHUVA-GoAmazon), results showed that during the wet season, IMERG, which uses the GPROF2014 rainfall retrieval from the GPM Microwave Imager (GMI) sensor, significantly overestimates the frequency of heavy rainfall volumes at around 00:0004:00 UTC and 15:0018:00 UTC. This overestimation is particularly evident over the Negro, Solimões and Amazon rivers due to the poorlycalibrated algorithm over water surfaces. On the other hand, during the dry season, the IMERG product underestimates mean precipitation in comparison to the S-band SIPAM radar, mainly due to the fact that isolated convective rain cells in the afternoon are not detected by the satellite precipitation algorithm. The study based on verification of GPM level 2 by traditional and object-based analysis shows that volume and occurrence of heavy rainfall are underestimated, a good agreement of GPROF2014 for TMI and GMI versus TRMM PR and GPM DPR (Ku band) rainfall retrievals, respectively, was noted. Such most evident good performances were found through continuous and categorical analyses, especially during the wet season, where the number of objects and larger areas were observed. The larger object area seen by GPROF2014(GMI) compared to DPR (Ku band) was directly linked to the structure of vertical profiles of the precipitanting systems and the presence of bright band was the main source of uncertainty on the estimation of precipitation area and intensity. The results via error modeling, through the Precipitation Uncertainties for Satellite Hydrology (PUSH) framework, demonstrated that the PUSH model was suitable for characterizing the error from the IMERG algorithm when applied to S-band SIPAM radar estimates. PUSH could efficiently predict the error distribution in terms of spatial and intensity distributions. However, an underestimation (overestimation) of light satellite rain rates was observed during the dry (wet) period, mainly over the river. Although the estimated error showed a lower standard deviation than the observed error, they exhibited good correlations to other, especially in capturing the systematic error along the Negro, Solimões and Amazon rivers, especially during the wet season. === Estudos que investigam e avaliam a qualidade, limitações e incertezas das estimativas de precipitação de satélites são fundamentais para assegurar o uso correto e bem-sucedido desses produtos em aplicações, como estudos climáticos, modelagem hidrológica e monitoramento de desastres naturais. Em regiões do globo que não possuem observações in situ, esses estudos apenas são possíveis através de campanhas intensivas de medição de campo, que oferecem uma gama de medições de superfície de alta qualidade, por exemplo, CHUVA (Cloudprocesses of tHe main precipitation systems in Brazil: A contribUtion to cloud re-solVing modeling and to the GlobAl Precipitation Measurement) e GoAmazon (Observations and Modeling of the Green Ocean Amazon) sobre a Amazônia Brasileira durante 2014/2015. Este estudo tem como objetivo avaliar as incertezas provenientes da constelação de satélites do Global Precipitation Measurement (GPM) em representar as principais características da precipitação em diferentes regiões do Brasil. Os algoritmos Integrated Multi-satellitE Retrievals for GPM (IMERG) (level-3) e Goddard Profiling Algorithm (GPROF) (level-2) são avaliados em contraste as observações de radares meteorológicos, especificamente, do Sistema Nacional de Proteção da Amazônia (SIPAM) e o radar meteorológico banda X de dupla polarização (X-band CHUVA radar) como referência. As estimativas de precipitação, baseadas em radares de microondas ativos (por exemplo, radares TRMM-PR e GPM-DPR [na banda Ku]) também são utilizadas como referência. Os resultados da campanha CHUVA-Vale sugerem que o GPROF possui uma boa concordância (distribuição espacial e precipitação acumulada), especialmente para casos de chuva convectiva, devido à presença significativa de espalhamento por gelo. No entanto, a intensidade e volume de chuvas leves/moderadas é superestimada e um desempenho (subestimado) relacionado às chuvas fracas/intensas diretamente ligado às ocorrências de chuvas convectivasestratiformes na região do estudo. Para o estudo da região da Amazônia Central (CHUVA-GoAmazon), os resultados mostraram que, durante a estação chuvosa, o IMERG, que utiliza as estimativas de precipitação do GPROF2014 a partir do sensor GPM Microwave Imager (GMI), superestima significativamente a freqüência de chuvas intensas em torno de 00:00-04:00 UTC e 15:00-18:00 UTC. Essa superestimativa é particularmente evidente nos rios Negro, Solimões e Amazonas devido ao algoritmo apresentasse erroneamente calibrado sobre as superfícies de água. Por outro lado, durante a estação seca, o produto IMERG subestima a precipitação média em comparação com o radar banda-s do SIPAM, principalmente devido ao fato de que células convectivas isoladas à tarde não são detectadas por tal algoritmo. O estudo baseado na verificação das estimativas do GPM Level 2 por abordagens tradicional e baseada em objeto mostra que, embora a subestimiativa do volume e ocorrência de chuvas intensas, foi observada uma boa concordância do GPROF2014 (TMI e GMI) versus TRMM PR e GPM DPR (Ku band), Respectivamente. Tais evidentes melhores desempenhos foram encontrados através de análises contínua e categórica, especialmente durante a estação chuvosa, onde o maior número e maiores áreas de objetos foram observados. As maiores áreas, observadas pelo GPROF2014 (GMI) comparada ao DPR (banda Ku) esteve diretamente ligada à estrutura de perfis verticais dos sistemas de precipitantes e a presença de banda brilhante foi a principal fonte de incerteza na estimativa da área e intensidade de precipitação. Os resultados referentes à modelagem do erro, através da ferramenta Precipitation Uncertainties for Satellite Hydrology (PUSH), as análises demonstraram que o modelo PUSH foi adequado para caracterizar o erro do algoritmo IMERG quando aplicado às estimativas de radar banda S do SIPAM. O modelo PUSH pôde prever eficientemente a distribuição de erro em termos espaciais e de intensidade. No entanto, observou-se uma subestimativa (superestimativa) das taxas de chuva fracas do satélite durante o período seco (chuvoso), especialmente ao longo do rio. Embora o erro estimado tenha apresentado menor desvio padrão do que o erro observado, eles apresentaram boas correlações entre si, especialmente na captura do erro sistemático ao longo dos rios Negro, Solimões e Amazonas, especialmente durante a estação chuvosa.