Skill Evaluation of Extended Range Forecasts for Northeast Monsoon Rainfall across Smaller Spatial Domains of South Peninsular India

Resumo Técnico: Avaliação de Habilidade de Previsões de Médio Prazo para a Precipitação da Monção de Nordeste em Domínios Espaciais Menores do Sul da Península Indiana

Definição do Problema
A previsão confiável da precipitação da Monção de Nordeste (NEM) em prazos de previsão estendidos é crítica para o planejamento agrícola, gestão de recursos hídricos e redução de riscos de desastres no Sul da Península Indiana. Diferente da Monção de Sudoeste, a precipitação da NEM é espacialmente heterogênea e fortemente concentrada em subdivisões específicas, como Tamil Nadu, Kerala e o litoral de Andhra Pradesh. Embora pesquisas anteriores tenham avançado na compreensão da climatologia da NEM e da previsão sazonal, avaliações diagnósticas sistemáticas de Previsões de Médio Prazo (ERF) em escalas espaciais mais finas permanecem limitadas. As previsões operacionais existentes frequentemente dependem de subdivisões meteorológicas mais amplas, o que pode obscurecer a variabilidade local essencial para a tomada de decisões regionalizadas. Este estudo aborda essa lacuna avaliando o desempenho de ERFs operacionais sobre 11 domínios espaciais menores e mais granulares no Sul da Península Indiana através de temporadas de monções contrastantes.

Metodologia
O estudo avalia o sistema operacional de Previsão de Médio Prazo (ERF) do Departamento Meteorológico da Índia (IMD), que utiliza o modelo acoplado CFSv2 (baseado no NCEP's CFSv2, com componentes oceânicos MOM4 e atmosféricos GFS). O sistema gera previsões semanais com até quatro semanas de antecedência, inicializadas todas as quartas-feiras.

• Área de Estudo e Período: A análise abrange 11 regiões específicas no Sul da Península Indiana (ex: Norte/Sul de Kerala, várias subdivisões de Tamil Nadu, Litoral/Rayalaseema de Andhra Pradesh e Interior de Karnataka) durante as temporadas de NEM de 2015 (precipitação substancialmente acima do normal), 2016 (precipitação severamente deficitária) e 2017 (precipitação abaixo do normal).
• Fontes de Dados: As previsões são verificadas contra os dados de precipitação fundidos IMD-GPM com resolução de 1°, combinando estimativas de pluviômetros e satélite.
• Categorização: Para considerar a alta variabilidade em escalas mais finas, a precipitação é categorizada em três grupos baseados nos desvios semanais da Média de Longo Período (LPA): Acima do Normal (AN, >20%), Normal (NN, -19% a +19%) e Abaixo do Normal (BN, <-20%).
• Métricas de Verificação: O desempenho é avaliado usando escores de verificação categórica derivados de tabelas de contingência 2x2. As métricas incluem Precisão de Previsão, Escore de Viés (BS), Probabilidade de Detecção (POD), Razão de Falso Alarme (FAR), Índice de Sucesso Crítico (CSI) e Escore de Ameaça Equitativa (ETS).

Principais Resultados
A avaliação revela uma clara dependência da habilidade de previsão em relação ao tempo de antecedência (lead time), localização espacial e características interanuais da monção:

• Dependência do Tempo de Antecedência (Lead Time): A habilidade de previsão é mais alta na Semana-1 e degrada-se sistematicamente até a Semana-4. As previsões da Semana-1 demonstram precisão superior a 65–75%, com a categoria Normal (NN) apresentando o melhor desempenho (70–80% de precisão). Na Semana-4, a habilidade declina para aproximadamente 40–50%.
• Desempenho por Categoria:
  • Normal (NN): Demonstra consistentemente a maior precisão e POD em todos os tempos de antecedência e anos, com Escores de Viés próximos à unidade (erro sistemático mínimo).
  • Acima do Normal (AN): Mostra precisão moderada, mas com tendência a uma leve superestimação (Viés > 1), particularmente em prazos mais longos.
  • Abaixo do Normal (BN): Exibe a menor habilidade, particularmente em prazos mais longos, com tendência à subestimação (Viés < 1) e maiores Razões de Falso Alarme.
• Variabilidade Interanual:
  • 2016 (Severamente Deficitária): Demonstrou a maior previsibilidade e consistência espacial entre os três anos, com habilidade útil estendendo-se até a Semana-3.
  • 2017 (Abaixo do Normal): Mostrou desempenho intermediário, melhor que 2015, mas com mais variabilidade que 2016.
  • 2015 (Substancialmente Acima do Normal): Exibiu a menor habilidade e maior incerteza. Esta reduzida previsibilidade é atribuída à dominância da variabilidade de escala sinótica e fortes interações entre distúrbios sinóticos e modos de baixa frequência, que são difíceis de serem capturados pelos modelos em prazos estendidos.
• Variabilidade Espacial: Regiões costeiras geralmente exibiram melhor previsibilidade em comparação com regiões do interior, particularmente em tempos de antecedência mais longos.

Significância e Alegações
O artigo conclui que o sistema operacional de ERF possui habilidade preditiva significativa para a precipitação da NEM sobre pequenos domínios espaciais no Sul da Península Indiana, particularmente até um tempo de antecedência de 2 a 3 semanas. O estudo destaca que, embora a incerteza da previsão aumente com o tempo de antecedência, o sistema permanece capaz de distinguir entre regimes de precipitação (AN, NN, BN) com confiabilidade razoável, especialmente para condições normais.

Os autores afirmam que estas descobertas apoiam a potencial aplicação de ERFs em serviços de consultoria agropecuária operacional e previsão baseada em impactos. Ao fornecer perspectivas semanais confiáveis para subdivisões específicas, o sistema pode auxiliar as partes interessadas na otimização de atividades agrícolas, como o cronograma de irrigação e decisões de plantio, bem como na preparação para riscos de inundação ou seca. O estudo enfatiza que, embora o sistema não seja perfeito, seu nível atual de habilidade oferece uma ferramenta valiosa para a tomada de decisão na região, desde que os usuários considerem a degradação da habilidade além da segunda semana e os desafios específicos de temporadas sinóticas altamente ativas como a de 2015.