Previsão de Longo Prazo

Previsão sazonal, como interpretar.

O boletim de previsão sazonal baseia-se, a partir de Outubro de 2019 e em substituição do sistema de previsão EUROSIP, nas previsões multi-modelo disponibilizadas pelo Copernicus Climate Change Service (C3S). A previsão sazonal do C3S é atualizada mensalmente, ao dia 14, e cobre os 6 meses seguintes dos quais apenas os primeiros 3 são avaliados neste boletim. Os valores médios mensais no ensemble dos vários modelos são calculados no IPMA e elaboradas as cartas correspondentes.

A previsão sazonal do C3S, da mesma forma que a previsão EUROSIP, é uma previsão de ensemble implementada pelo European Centre for Medium-Range Weather Forecasts (ECMWF) que combina as contribuições de vários serviços meteorológicos de referência, no caso do C3S: O ECMWF, o serviço meteorológico inglês (Met Office), o serviço meteorológico francês (Météo-France), o serviço meteorológico alemão (DWD), o Euro-Mediterranean Center on Climate Change (CMCC) e o serviço meteorológico norte-americano (NCEP). Atualmente, a informação apresentada neste boletim não inclui a contribuição do NCEP devido à indisponibilidade dos dados de base.

A criação de um sistema de previsão multi-modelo justifica-se pelos resultados da investigação nesta área que mostraram que combinando os resultados de vários modelos é possível obter uma previsão mais consistente e de maior confiança.

A razão fundamental para os bons resultados da abordagem multi-modelo, em comparação com os resultados obtidos individualmente por vários modelos, prende-se com o facto de todos os modelos possuírem erros com amplitude suficiente para que não exista uma degradação significativa das previsões quando integrados à escala sazonal.

Comparando com a previsão a médio-prazo a amplitude dos sinais previstos é, para as previsões sazonais, muito inferior e o intervalo temporal sobre o qual se acumulam os erros é muito superior. Apesar dos erros existentes em todos os modelos, a sua amplitude e o seu impacto numa dada previsão é diferente de modelo para modelo. Ao se efectuarem médias sobre um determinado número de modelos pode-se assim eliminar uma parte significativa do erro obtendo melhores previsões. Esta solução, apesar de útil, não é no entanto totalmente eficaz uma vez que alguns erros são comuns a vários modelos.

Para mais informação consultar:
https://confluence.ecmwf.int/display/COPSRV/Seasonal+forecasts+and+the+Copernicus+Climate+Change+Service