Resumo O Gridpoint Statistical Interpolation (GSI) é o sistema de assimilação de dados utilizado no Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) do Instituto Nacional de Pesquisas Espaciais (INPE) desde 2013 e atualmente integra, de maneira acoplada ao Brazilian Global Atmospheric Model (BAM), o Sistema de Modelagem Global (SMG). Por meio da abordagem variacional aplicada ao SMG, esse sistema permite assimilar de forma direta dados de radiância, os quais são atualmente o sistema de observação que apresenta o maior impacto positivo para a melhoria da qualidade das Previsão Numérica de Tempo (PNT) em escala sinótica. Com intuito de detalhar as particularidades necessárias para a assimilação desses dados e evidenciar sua importância para a qualidade dos produtos obtidos ao utilizar o SMG, o presente estudo destaca os principais pontos do tratamento dos dados de radiância dentro do GSI e apresenta resultados de um experimento usando dados do sensor AMSU-A a bordo de diversos satélites para descrever o comportamento espacial e temporal dos dados assimilados, em termos quantitativos e qualitativos. Usando os dados de radiância como referência, em uma comparação da previsão de curto prazo do modelo com as análises, observa-se que essas últimas apresentam uma diminuição dos erros indicando a eficiência do processo de assimilação de radiância, com impacto positivo na assimilação de outras bases de dados, como os da Rádio Ocultação GNSS aqui avaliados. Esse impacto deve contribuir para a melhoria da qualidade dos produtos de PNT gerados pelo CPTEC, o que deverá ser avaliado na continuidade dessa pesquisa.

Abstract The Gridpoint Statistical Interpolation (GSI) is the data assimilation system used in the Center for Weather Forecasting and Climate Studies (CPTEC) of the National Institute for Space Research (INPE) since 2013 and is currently part of the Brazilian Global Atmospheric Model (BAM), the GLobal Modeling System (SMG). Through the variational approach applied to the SMG, this system allows for the direct assimilation of radiance data, which currently represents the greatest impact for obtaining a better Numerical Weather Forecast (NWP) quality on a large scale. In order to detail the particularities necessary for the assimilation of these data and call attention to its importance for the quality of the products obtained using the SMG, this study highlights the main points of the treatment of radiance data within the GSI and presents results of an experiment using AMSU-A sensor data on board several satellites to describe the spatial and temporal behavior of the assimilated data, in quantitative and qualitative terms. Using the radiance data as a reference, in a comparison of a short-term forecast of the model with the analyses, it is observed that the latter shows a decrease in error indicating the efficiency of the radiance assimilation process, with a positive impact on the assimilation of other databases, such as the GNSS Concealment Radio evaluated here. This impact should contribute to improving the quality of the PNT products generated by CPTEC, which should be evaluated in the continuation of this research.

Resumo A matriz de covariâncias dos erros de previsão representa uma importante componente de um sistema de assimilação de dados. Pode-se mostrar matematicamente que os incrementos de análise são diretamente proporcionais à matriz de covariâncias. Considerando-se este resultado, é correto afirmar que a habilidade de um sistema de assimilação de dados está diretamente relacionada às características da matriz de covariâncias, sejam elas representadas por comprimentos de escala horizontais e verticais e amplitudes (desvios-padrão e variâncias). Se o sistema de assimilação de dados utiliza as observações para corrigir as previsões do modelo, ponderando-se os erros das observações e previsões, então o uso de uma matriz de covariâncias não ajustada pode impactar de forma significativa o processo de assimilação de dados. No CPTEC, tem-se investido esforços para o ajuste da matriz de covariâncias utilizada na assimilação de dados. Neste trabalho é feita, portanto, uma discussão conceitual da matriz de covariâncias, expressando a sua importância e a forma como é aplicada em um sistema operacional. Além disso, é apresentada uma caracterização quantitativa e qualitativa dessa matriz para o modelo de circulação geral da atmosfera do CPTEC, e quais são as características resultantes dos incrementos de análise produzidos no sistema GSI utilizado pelo centro.

Abstract The background error covariance matrix represents a key component of a data assimilation system. It can be shown mathematically that the analysis increments are directly proportional to the covariance matrix. As a result it is correct to state that the performance of a data assimilation system is related to the characteristics of the covariance matrix, in terms of: horizontal and vertical length scales, standard deviations and variances. Considering the information that the data assimilation system uses the observations to correct the model forecasts weighting the model and observations errors, thus the use of an unadjusted covariance matrix can impact the resulting analysis at a great level. At CPTEC efforts has been made in order to adjust the covariance matrix for its application at the operations. In this work it is presented a conceptual overview on the subject, enlightening the importance of the background error covariance matrix and how it is treated in an operational data assimilation system. Furthermore, it is also made a quantitative and qualitative characterization of the background error covariance matrix calculated using the CPTEC global forecast model and the differences in the resulting analysis increments.

Estudos sobre a sensibilidade dos modelos de previsão numérica de tempo a erros nas condições iniciais têm evidenciado a contribuição da assimilação de dados na melhoria do desempenho dos mesmos em descrever o estado futuro da atmosfera. Entre outras fontes de dados, a assimilação de perfis atmosféricos obtidos por rádio ocultação Global Navigation Satellite System (GNSS) tem-se destacado como uma ferramenta adicional na redução das deficiências do sistema de coleta de dados meteorológicos. Com o intuito de explorar os benefícios dessa fonte adicional de dados na previsão numérica de tempo gerada pelo modelo de circulação geral atmosférico do CPTEC/INPE, foram realizados experimentos assimilando perfis atmosféricos de altura geopotencial e umidade obtidos por rádio ocultação GNSS, utilizando dados da constelação Constellation Observing System for Meteorology Ionosphere & Climate (COSMIC), para os meses de janeiro e julho de 2009. Os resultados mostraram que o impacto é significativamente positivo durante o verão em todas as variáveis de estado, com ganhos expressivos na extensão das previsões válidas (coeficiente de correlação de anomalia acima de 60%), os quais foram em alguns casos superiores a 48 horas. Esse impacto foi ainda maior sobre a América do Sul com resultados positivos mesmo durante o inverno.

Studies about the sensibility of numerical weather prediction (NWP) model to uncertainty in the initial conditions have revealed the actual contribution of the data assimilation on the description of future atmosphere state. Among other data sources, the atmospheric profiles obtained by radio occultation Global Navigation Satellite System (GNSS) have become an additional tool in the reduction of the meteorological data base deficiencies. In order to explore the benefits of that additional data source in the NWP generated by the CPTEC/INPE general circulation model, some experiments were carried out by assimilating geopotencial height and humidity atmospheric profiles obtained by Constellation Observing System for Meteorology Ionosphere & Climate (COSMIC) constellation data. The period of these experiments were the months of January and July of 2009. The results show that this data assimilation exhibits a significant positive impact during the summer on all the state variables. Results also show a positive improvement during the summer for all state variables, with expressive improvements in the valid forecasts time range (anomaly correlation above 60%), which were in some cases greater than 48 hours. This impact was still greater over South America with positive results even during the winter.