Special disaggregation of simulated precipitation by atmospheric models in northeastern Brazil.

Submitted by Deyse Queiroz (deysequeirozz@hotmail.com) on 2019-02-20T09:31:49Z No. of bitstreams: 1 ALESSANDRA MARIA RAMOS - DISSERTAÇÃO PPGECA 2000..pdf: 3673770 bytes, checksum: af97f9640df8fd816377a984513d6ebc (MD5)Made available in DSpace on 2019-02-20T09:31:49Z (GMT). No. of bitstreams: 1 ALESSANDRA MARIA RAMOS - DISSERTAÇÃO PPGECA 2000..pdf: 3673770 bytes, checksum: af97f9640df8fd816377a984513d6ebc (MD5) Previous issue date: 2000-12A importância de previsões de longo prazo de precipitação para o gerenciamento dos recursos hídricos de uma região, e a comprovação da boa previsibilidade de um modelo de circulação global (MCG) para uma região do Nordeste do Brasil, motivaram o desenvolvimento desta dissertação. Para o aproveitamento dessas previsões em recursos hídricos, o problema da diferença de escalas do modelo atmosférico e das bacias hidrográficas, espacial e temporal, vem sendo solucionado através da utilização de técnicas de desagregação espacial. Esta dissertação se propôs a, numa bacia hidrográfica do semiárido nordestino, melhorar a desagregação espacial de precipitação sazonal e mensal, utilizando-se para isto, o método das Redes Neurais Artificiais (RNAs). Constatou-se que a desagregação da precipitação sazonal na bacia do Rio Piancó apresentou melhoria, em comparação a um estudo anterior, e que, tanto no nível sazonal quanto no mensal, obteve-se altas correlações entre os dados observados e os valores obtidos na modelagem, indicando que o método utilizado é uma técnica adequada de desagregação.This dissertation was motivated by the importance of long-range precipitation forecasting for regional water resources management, and by recent research that showed good precipitation predictability by an Atmospheric General Circulation Model for a region in north-eastern Brazil. For applying these forecasts in water resources, the problem of difference of scales, spatial and temporal, between the atmospheric model and the drainage basins has been dealt with the so-called downscaling techniques. This work aimed to improve downscaling of seasonal and monthly precipitation, for a drainage basin in the semiarid north-eastern Brazil, using an Artificial Neural Network (ANN) technique. The seasonal downscaling was improved in comparison with a previous study for the same basin and, both in seasonal and monthly time scales, high correlations between modelled and observed data were obtained, thus indicating that the ANN technique is adequate for downscaling