Aprimoramento da técnica PWV-GNSS-jump como ferramenta de previsão imediata de tempestades usando mineração de dados subjetiva

A formação de sistemas convectivos é fortemente influenciada pela disponibilidade de vapor dágua e pela liberação de calor latente. Observações GNSS (Global Navegation Satelitte system) de receptores em base terrestre permitem a estimativa do vapor dágua precipitável (PWV, acrônimo do inglês "Precipitable Water Vapor") com elevada resolução temporal e qualidade comparável às de radiossondagens. Estudos anteriores identificaram aumentos abruptos do PWV-GNSS, denominados "PWVGNSS jumps", caracterizados por pulsos positivos de vapor dágua em momentos que antecedem eventos de precipitação intensa, e indicaram haver um potencial a ser explorado para aplicações de nowcasting. Entretanto, a relação entre o comportamento do PWV-GNSS e a ocorrência de precipitação é altamente complexa e não linear, sendo fortemente dependente do regime atmosférico e dos processos dinâmicos e termodinâmicos atuantes. Nesse contexto, esta dissertação investiga e aprimora a técnica PWVGNSS Jump como método de detecção antecipada de eventos intensos de precipitação, por meio da mineração de dados subjetiva realizada com a aplicação e análise sistemática de séries temporais em diferentes regiões do Brasil, obtidas nas campanhas de coleta intensiva do projeto CHUVA realizadas em São José dos Campos e Belém, bem como no sitio da campina do projeto ATTO (Amazon Tall Tower Observatory). A metodologia baseia-se na identificação de taxa de variação do PWV em 30 minutos e na associação desses sinais à ocorrência de precipitação em janelas preditivas de até 90 minutos, avaliadas por meio de tabelas de contingência e métricas de verificação. Os resultados indicam maior sensibilidade para eventos de chuva intensa, com valores de probabilidade de detecção (POD) da ordem de 7580% em ambientes convectivos organizados, enquanto a taxa de falsos alarmes (FAR) apresenta variação significativa entre campanhas, refletindo a influência do regime precipitante. A incorporação de informações de nebulosidade a partir de imagens do satélite GOES resultou em uma redução expressiva da taxa de falsos alarmes em todas as campanhas analisadas, com reduções relativas variando entre aproximadamente 16% e 40%, a depender do regime precipitante. A análise multiescala por meio de transformadas wavelet no sítio Campina revelou que a variabilidade do PWV-GNSS na região é dominada por escalas temporais intermediárias, entre aproximadamente 32 e 64 minutos, nas quais são identificadas defasagens negativas da ordem de 18 a 23 minutos em relação à precipitação, fisicamente consistentes com processos de pré-condicionamento atmosférico. A incorporação de informações de nebulosidade obtidas por imagens de satélite permitiu reduzir significativamente a taxa de falsos alarmes, reforçando a importância da convecção profunda na interpretação física dos sinais do PWV. Como prova de conceito adicional, modelos de aprendizado de máquina do tipo MultiLayer Perceptron foram aplicados para investigar em que medida os princípios físicos da técnica PWVGNSS Jump podem ser aprendidos estatisticamente a partir das séries temporais do PWV, em que se evidenciou que a inclusão de informações temporais derivadas da série do PWV aumenta a capacidade de antecipar probabilisticamente a ocorrência de precipitação no horizonte de 30 a 60 minutos, evidenciando a complementaridade entre abordagens físicas e estatísticas no nowcasting de tempestades no Brasil. ABSTRACT: The formation of convective systems is strongly influenced by atmospheric water vapor availability and latent heat release. Ground-based Global Navigation Satellite System (GNSS) receiver observations allow the estimation of precipitable water vapor (PWV) with high temporal resolution and accuracy comparable to radiosonde measurements. Previous studies have identified abrupt increases in GNSS-PWV, referred to as "GNSS-PWV jumps", characterized by positive pulses that precede intense precipitation events, indicating their potential for nowcasting applications. However, the relationship between PWV-GNSS variability and precipitation occurrence is highly complex and nonlinear, being strongly dependent on the prevailing atmospheric regime and on dynamical and thermodynamical processes. In this context, this dissertation investigates and refines the PWVGNSS Jump technique as a method for the early detection of intense precipitation events, exploring the subjective data mining concept through the systematic analysis of observational time series from different regions of Brazil, obtained during intensive collection campaigns of the CHUVA project carried out in São José dos Campos and Belém city, as well as at the campina site of the ATTO project (Amazon Tall Tower Observatory). The methodology is based on the identification of positive PWV derived from the 30-minute rate of change of PWV and on the association of these signals with precipitation occurrence within predictive windows of up to 90 minutes, evaluated using contingency tables and verification metrics. The results indicate higher sensitivity of the technique for intense rainfall events, with probability of detection (POD) values on the order of 7580% in organized convective environments, while the false alarm rate (FAR) exhibits substantial variability among campaigns, reflecting the influence of the precipitation regime. The incorporation of cloud information derived from GOES satellite imagery led to a substantial reduction in false alarms across all analyzed campaigns, with relative reductions ranging from approximately 16% to 40%, depending on the atmospheric regime. Multiscale analysis using wavelet transforms at the Campina site revealed that PWV-GNSS variability is dominated by intermediate temporal scales, between approximately 32 and 64 minutes, at which negative lags on the order of 18 to 23 minutes relative to precipitation were identified, consistent with atmospheric preconditioning processes. As an additional proof of concept, Multi-Layer Perceptron (MLP) machine learning models were applied to investigate the extent to which the physical principles of the PWV-GNSS Jump technique can be statistically learned from PWV time series. The results evidenced that including temporal information derived from the PWV series enhances the ability to probabilistically anticipate precipitation within a 30 to 60-minute horizon, highlighting the complementarity between physical and statistical approaches for storm nowcasting in Brazil.