Com objetivo de desenvolver um algoritmo de estimativa de precipitação por satélite baseado em microondas passivo otimizado para o Brasil, este trabalho foi dividido em duas partes. A primeira parte consistiu em estender o banco de dados de radiação de nuvens usado como informação a priori para o algoritmo Bayesiano Cloud Dynamics and Radiation Database (CDRD), a fim de incluir as simulações representativas dos regimes de precipitação do Brazil. Simulações dos perfis microfísicos, dinâmicos e meteorológicos foram geradas usando o University of Wisconsin Nonhydrostatic Modeling System e as simulações de temperatura de brilho (TB) foram geradas usando o Radiative Transfer Equation Modeling System para os sitemas precipitantes observados durante o projeto CHUVA (campanhas do Vale do Paraíba e Manaus). Os resultados demonstraram que as simulações detectaram as perturbações nos campos de TB (no espaço e no tempo), porém em termos do intervalos de TB, o modelo não reproduziu os menores valores de TB presentes nas observações. O modelo aparentou ter dificuldade em gerar o processo de formação de graupel, gerando pequenas valores de conteúdo de graupel. Esses resultados demonstraram que os modelos precisavam de ajustes para poder descrever as características regionais da TB para ampla gama de sistemas meteorológicos no Brasil. Por estas razões, a segunda parte do trabalho consistiu no desenvolvimento de um algoritmo de redes neurais artificais (denominado Neural Network Implementation of the Brazilian Multilayer Perceptron for Screening and precipitation retrieval (NNIMBUS), tanto para detecção da área precipitante screening como para recuperação da intensidade da precipitação, utilizando um banco de dados observacionais provindos dos sensores GPM Microwave Imager e Dual-frequency Precipitation Radar (GMI/DPR-CMB). A detecção de precipitação (screening) provou ser muito eficaz na detecção de sistemas maiores e sistemas menores ou isolados. Em relação ao conjunto de dados de validação do GMI/DPR-CMB, o algoritmo apresentou bom desempenho, com acurácia de 0,95, POD de 0,80, FAR de 0,39 e viés de 1,34. Quando comparado ao algoritmo Goddard profiling algorithm (GPROF), a detecção de precipitação ainda apresentava bom desempenho, porém com estatísticas ligeiramente menores. Através dos mapas de comparação com o GPROF, foi possível perceber que o NNIMBUS consegue detectar os aglomerados de forma muito semelhante, porém não detecta muito bem as bordas dos sistemas. Esse comportamento pode estar associado aos limiares de precipitação que foram configurados com o conjunto de dados de treinamento (0,2 a 60 mm/h), o que pode estar levando a que regiões mais estratiformes dos sistemas não sejam detectadas. O modelo de recuperação da precipitação também teve um bom desempenho quando comparado com as observações GMI/DPR-CMB, com um MAE de 4,19, desvio padrão de 3,23 e RMSE de 5,59 para o conjunto de dados de validação. Analisando as classes de taxa de chuva, a recuperação tende a subestimar as classes entre 0,2 e 1 mm/h, superestimar as classes entre 1 e 10 mm/h e subestimar as classes acima de 10 mm/h. Essas características podem estar associadass à distribuição do conjunto de dados de entrada, bem como aos critérios aplicados no processo de limpeza de dados.
In order to develop a passive microwave-based satellite precipitation estimation algorithm optimized for Brazil, this work was divided in two parts. The first part consisted in extending the cloud-radiation database used as a priori information for the Cloud Dynamics and Radiation Database (CDRD) Bayesian algorithm in order to include the cloud resolving model simulations representative of brazilian rainfall regimes. Simulations of microphysical, dynamical and meteorological profiles were then generated using the University of Wisconsin - Nonhydrostatic Modeling System and the brightness temperature (TB) simulations were generated using the Radiative Transfer Equation Modeling System for the CHUVA (Amazon and Vale) golden cases and compared with observed TB. The results demonstrated that the simulations detected perturbations in the TB fields (in space and time) however in terms of the range of temperature values, the model did not reproduce the lowest values of TB that were present in the observations. The model also seemed to struggle with the riming process on graupel formation, providing small amounts of graupel content. These results demonstrated that the models needed adjustments to be able to describe the regional features of TB across a wide range of meteorological systems in Brazil. For these reasons, the second part of the work was developed by making use of an observational database from the sensors GPM Microwave Imager and Dualfrequency Precipitation Radar (GMI/DPR-CMB) in order to develop a screening of precipitation and rainfall retrieval algorithm over Brazil, based on artificial neural networks (ANN) and called Neural Network IMplementation of the Brazilian MUltilayer Perceptron for Screening and precipitation retrieval (NNIMBUS). The precipitation screening proved to be very effective in both detecting larger systems and smaller or isolated systems. Regarding the GMI/DPR-CMB validation dataset, the screening performed well, with an accuracy of 0.95, POD of 0.80, FAR of 0.39 and bias of 1.34. When compared to the Goddard profiling algorithm (GPROF) the screening still had good performance, however with slightly smaller scores. It was observed that through the comparison maps with GPROF the NNIMBUS can detect agglomerates very similarly, however it does not detect the borders of the systems very well. This behavior might be associated with the precipitation thresholds that were configured with the training dataset (0.2 a 60 mm/h), which might be leading more stratiform regions of the systems to go undetected. The rainfall retrieval model also performed well when compared to the GMI/DPR-CMB observations, with an MAE of 4.19, standard deviation of 3.23 and RMSE of 5.59 for the validation dataset. Analyzing the rain rate classes, the retrieval tends to underestimate classes between 0.2 and 1 mm/h, overestimate classes between 1 and 10 mm/h and underestimate classes greater than 10 mm/h. These features can be associated with the input dataset distribution, as well as with the criteria applied in data cleaning process.
