STRONG LAPSE CONDITION (LOOPING)
WEAK LAPSE CONDITION (CONING)
INVERSION CONDITION (FANNING)
Examples of Atmospheric Stability (attribution)
Na previsão do tempo, os modelos de previsão são usados para prever os estados futuros da atmosfera, com base em como o sistema climático evolui com o tempo a partir de um estado inicial.
Embora os modelos de previsão sejam bastante complexos (e exijam fortes capacidades científicas e de engenharia), a ciência de analisar esses modelos de previsão e de verificar a sua precisão , comparando observações empíricas reais com valores previstos, é bastante simples.
Para o domínio da Qualidade do Ar, tal como para a previsão meteorológica, é possível definir modelos utilizados para prever o conjunto futuro de poluição atmosférica. Na verdade, existem muitos desses modelos , geralmente chamados de Modelagem de Dispersão Atmosférica . E assim como a previsão do tempo, o mesmo conceito de análise de precisão pode ser aplicado às previsões da poluição atmosférica.
Este artigo é o primeiro de uma série sobre previsão da qualidade do ar.
--
A previsão da poluição atmosférica PM 2,5 já está disponível no projecto do Índice Mundial de Qualidade do Ar para a Ásia , Europa e também para todo o mundo .
Mas os dados utilizados para alimentar os modelos de previsão baseiam-se maioritariamente em observações de satélite (ver este artigo ) e não em leituras de estações terrestres.
A utilização de dados de satélite tem a vantagem de poder cobrir qualquer parte do globo, incluindo os oceanos, desde que não haja nuvens. Mas, por outro lado, os dados de satélite também são inerentemente menos precisos e só estão disponíveis duas vezes por dia, em comparação com 24 vezes (a cada hora) para observações terrestres. Considerando a dinâmica da poluição atmosférica na Ásia, ter apenas duas leituras por dia pode introduzir um erro de previsão verdadeiro e significativo na previsão, seguindo a classificação de Rosanne Cole [2] :
Um erro de previsão observado pode conter erros de dados de dois tipos: (1) erros de medição nos dados usados para construir a previsão e (2) erro de medição no valor realizado. Erros de dados do primeiro tipo serão um componente do verdadeiro erro de previsão
Os erros do tipo 2 estão relacionados ao modelo de dispersão utilizado para a previsão. Uma vez que são utilizados modelos diferentes para os diferentes países e continentes (este é actualmente o caso do projecto do Índice Mundial de Qualidade do Ar), a análise da precisão precisa de ser feita para cada um dos modelos. Portanto, para começar, este artigo focará no modelo utilizado para o continente asiático . Num post posterior, estenderemos a análise para mais continentes.
--
Voltando à questão inicial sobre a precisão da previsão, um último item a ser considerado na análise é a antecedência da previsão em computador. Quanto menor o avanço, mais preciso será o modelo. Portanto, apenas para começar, os gráficos de análise a seguir são baseados na previsão do "dia +1" (por exemplo, previsão para o dia seguinte ou, se for terça-feira, a previsão é para quarta-feira).
Existem várias maneiras de representar a precisão, sendo a mais óbvia um simples número que representa a porcentagem da previsão que corresponde à observação real. Mas porque acreditamos que a visualização gráfica é muito mais poderosa do que os números, preferimos apresentar a correspondência de previsão/observação sobreposta para várias cidades da Ásia. Os quadrados de cima são as observações empíricas e os de baixo são os valores previstos.
Ao verificar todos os gráficos abaixo, podemos notar resultados bastante decepcionantes para Guangzhou, Chengdu e Coreia do Sul... na medida em que o modelo em uso para a Ásia poderia quase ser desqualificado para uso público. Isso é algo que escreveremos no segundo post desta série sobre Previsão da Qualidade do Ar.
--
--
Alguns links interessantes para os interessados em ler sobre a precisão das previsões:
