Sensoriamento Remoto
A ausência de redes locais de precipitação observada dificulta o desenvolvimento de curvas IDF (Lanciotti et al. 2022). Em casos como esse, a busca por fontes alternativas de dados para construção dessas curvas se torna necessária, busca essa que motivou a evolução de produto derivados de sensoriamento remoto (SSPs) com alta resolução temporal e espacial com cobertura quase global (Islam, Yu, e Cartwright 2022). Diferentes tipos de séries climáticas remotas e combinadas são usadas para estimar IDFs, incluindo produtos como TRMM (Tropical Rainfall Measuring Mission), GPM (Global Precipitation Measurement), GSMaP (Global Satellite Mapping of Precipitation), PERSIANN (Precipitation Estimation from Remotely Sensed Information Using Artifitial Neural Networks) e CHIRPS (Climate Hazards Group InfraRed Precipitation with Station Data). Esses SSPs possuem grande importância para regiões onde a rede de estações é de baixa resolução temporal e densidade espacial (Islam, Yu, e Cartwright 2022; Wright, Mantilla, e Peters-Lidard 2017).
Apesar de se apresentarem como uma alternativa promissora no contexto acima, esses produtos possuem incertezas e erros associados decorrentes da topografia, erros na observação em razão vento, evaporação e também em decorrência da diferença entre a escala da resolução espacial do SSP e das observações locais, o que torna difícil aplicações completamente operacionais (Islam, Yu, e Cartwright 2022; Lanciotti et al. 2022; Dehaghani et al. 2023; Baig et al. 2023).
O objetivo deste capítulo é introduzir alguns dos principais produtos de sensoriamento remoto de precipitação disponíveis e utilizados na atualidade. Uma das definições da técnica diz respeito à sua forma de obtenção: remota. Isso significa que não há contato entre o sensor e o objeto de interesse. Para precipitação, diferentes abordagens podem ser utilizadas e diferentes formas de processamento que compõem bases de dados variadas em alta resolução temporal de pluviosidade oriundas de reanálises integradas, sensores de satélites e combinações com dados terrestres (Papa e Koutroulis 2025). Serão apresentados a seguir métodos de obtenção e a aplicação de diferentes produtos de sensoriamento remoto na construção de curvas IDF.
Radar
Radares meteorológicos são capazes de calcular precipitação média em uma área relativamente grande, ao contrário de medidores pontuais (Lanciotti et al. 2022), emitindo ondas eletromagnéticas que retroespalham ao interagir com hidrometeoros de chuva e retornam ao sensor. Dessa informação que retorna são extraídas informações sobre localização, intensidade, movimento da precipitação e a detecção de tempestades individuais (Marra e Morin 2015), normalmente com uma resolução espacial de 1 km × 1 km e resolução temporal subdiária e diária (Sivasubramaniam, Sharma, e Alfredsen 2019).
O estudo de Overeem, Buishand, e Holleman (2009) é amplamente reconhecido como um dos pioneiros na estimativa de curvas IDF com sensoriamento remoto na Holanda utilizando radares meteorológicos. O trabalho utilizou registros ao longo de 11 anos e durações variadas (15 min a 24 h), possibilitando identificar a existência de uma concordância razoável entre os parâmetros da distribuição Generalizada de Valores Extremos obtidos de pluviômetros e de estimativas de radar. Para durações mais longas (p.ex. 24 h), porém, os autores constataram que o comprimento da série temporal com os radares foi relativamente curto para o ajuste da GEV.
Peleg et al. (2018) realizaram um estudo para qualificar a variabilidade do subpixel de radar meteorológico utilizando o modelo STREAP (Spact-Time Realizations of A real Precipitation), buscando reduzir a escala da precipitação de radar registrada em um determinado pixel. A análise se deu utilizando dados de um único pixel (1,4° × 1 km) de um radar de banda C com dados de 1990-2013 em uma área com alta de densidade de pluviômetros. Curvas IDF foram construídas utilizando a GEV e os autores relatam que estimativas de radar subestimam as precipitações extremas em grande parte dos subpixels e que em períodos de retorno mais longos com durações curtas a variabilidade é maior. Além disso, a incerteza no cálculo da variabilidade do subpixel aumenta quando se leva em consideração a variabilidade climática natural.
Alguns produtos disponíveis utilizam empregam tanto dados de observação local em conjunto de estimativas de radar, combinando tanto maior precisão como uma maior cobertura espacial. O trabalho de Haruna, Blanchet, e Favre (2024) utilizam produtos o CombiPrecip (CPC), disponível na Suíça, o qual combina dados observados com um conjunto de cinco radares Doppler de banda C. As estimativas do SSP foram utilizadas para derivar curvas IDAF (que combina também área) a partir do ajuste da distribuição Generalizada de Pareto Estendida. Incertezas foram calculadas com método bootstrap e estimativas para diferentes períodos de retorno foram semelhantes ao comparar pixel-ponto CombiPrecip com observações locais. Os autores chamam a atenção, porém, para a curta duração das séries do CPC.
Apesar de bons resultados quando combinado com observações locais, há também complicações operacionais, como análises em uma escala maior, em razão do alcance limitado e alto custo (Yu et al. 2022). Satélites, porém, fornecem um monitoramento em uma boa resolução espacial e temporal, em diferentes pontos geográficos e em altas altitudes (Tang et al. 2021).
Satélite
Diferentes missões foram lançadas específicas para precipitação. TRMM (mencionado anteriormente) foi um projeto multissatélite lançado em 1997 com o intuito de apromirar a qualidade ddas estimativas de precipitação para aplicação em pesquisas em meteorologia e hirologia (Junior et al. 2021). Foi importante para previsão e análise de precipitação, utilizando sensores que possibilitavam a avaliação de nuvens, chuva, fluxo de calor, raios e outros aspectos relevantes para o ciclo da água combinando dados obtidos por três sensores: Radar de Precipitação, Gerador de Imagens de Micro-ondas e Sensor Visível e Infravermelho (Liu et al. 2012). Uma vantagem dos produtos TRMM são os fornecimentos de frequência, duração e intensidade nas regiões tropicais, sendo avaliados na Índia (Shukla et al. 2019) e avaliados para construção de IDFs (Noor et al. 2021; De Zoysa et al. 2023; Zoysa et al. 2024).
A missão GPM é considerada a sucessora do TRMM, desenvolvida também para precipitação e lançada em 2014 (Arshad et al. 2021). O GPM emprega o algoritmo IMERG – Integrated Multi-satellite Retrievals for GPM – projetado para intercalar, mesclar e interpolar todas as estimativas de micro-ondas e infravermelho da rede de satélites GPM com observações e outros auxiliadores (Huffman et al. 2020; Aksu et al. 2023). Seus produtos são usados em trabalhos como os de Islam, Yu, e Cartwright (2022) e Venkatesh, Maheswaran, e Devacharan (2022) para derivar curvas IDF, combinando os produtos com observações locais.
Outros produtos também estão disponíveis que são de interesse para análise de extremos de precipitação utilizando sensoriamento remoto. O CHIRPS consiste em um banco de dados disponível desde 1981 até a atualidade, mas com diferentes passos de tempo e resoluções espaciais (Musie, Sen, e Srivastava 2019). Sua construção envolve múltiplos conjuntos de dados que incluem o campo de precipitação da segunda versão do Modelo Atmosférico do Sistema de Previsão Climática da NOAA (CFSv2), dados do TRMM-3B42V7, informações de climatologia mensal de precipitação (CHPclim) e dados de estações pluviométricas (Duan et al. 2016), entregues em resoluções espaciais de 0,05° e 0,25°. Alsumaiti et al. (2023) utilizam dados do CHIRPS para atualizar curvas IDF de alta resolução temporal nos Emirados Árabes Unidos. Mais recentemente, ainda, Attar et al. (2025) usando estimativas do CHIRPS para derivar curvas IDF e construir hietográficos de chuva para 24 bacias hidrográficas no sudeste asiático.
O GSMaP é um produto de precipitação multissatélite desenvolvido a partir da combinação de observações de micro-ondas e infravermelho, o que lhe confere alta resolução temporal e espacial (Kubota et al. 2007). O GSMaP fornece três versões dos seus produtos, nas quais são: produtos de quase tempo real (GSMaP_N), produtos padrão (GSMaP_M) e produtos padrão calibrados por medidores (GSMaP_G). Nos seus produtos padrões as estimativas de precipitação são geradas em três etapas: 1) recuperar as taxas de precipitação a partir de dados de micro-ondas passivos (PMW); 2) propagar os pixels de chuva utilizando vetores de movimento atmosférico em processos de interpolação para frente e para trás; e 3) refinar os dados com base na temperatura de brilho infravermelho (IR) e nas taxas de precipitação da superfície (Zhou et al. 2020). GSMaP foi usado por Sun et al. (2019), integrado com um pulsos retangulares de Bartlett-Lewis, para desagregar observações diárias locais e derivar curvas IDF mais confiáveis, enquanto Noor et al. 2022 usam o SSP para construir curvas IDF para locais sem medição local sob cenários de mudança climática, aplicando a metodologia para a Malásia Peninsular.
O PERSIANN foi desenvolvido nas últimas décadas pelo Centro de Hidrometeorologia e Sensoriamento Remoto (CHRS), da Universidade da Califórnia, Irvine, colaborando com a NASA, NOAA e o programa da UNESCO para a Rede Global de Informação sobre Água e Desenvolvimento para Terras Áridas (Baig et al. 2023). A estimativa da precipitação é realizada a partir de informações de sensores remotos utilizando redes neurais artificiais (Abu El Ella, Abbas, e Mohamed 2024). Atualmente, a família PERSIANN inclui cinco produtos diferentes, sendo eles o PERSIANN, PERSIANN-Cloud Classification System, PERSIANN-Climate Data Record, PERSIANN-CCS-CDR e PERSIANN-Dynamic Infrared Rain Rate. Vale ressaltar que, os produtos da família PERSIANN possuem diferentes algoritmos e resoluções espaço-temporais, podendo variar de 0.04º x 0.04º a 0.25º x 0.25º em um período de 1 a 3 horas (Huang, Liu, e Hsu 2021). Baig et al. (2023) avaliaram o desempenho do PERSIANN, PERSIANN-CCS, PERSIANN-CDR e PDIR-Now na construção de curvas IDF, considerando os dados diários de precipitação, com o intuito de compreender as semelhanças, intercomparação e variações entre esses produtos.
Em meio à variedade de produtos, algoritmos diferentes, formas diferentes de combinar dados observacionais, um número de trabalhos se dedica a avaliar a performance desses SSPs comparativamente para construção de curvas IDF. Mtibaa (2024) comparou IDFs construídas de conjunto de dados de precipitação dados observados, radares meteorológicos (R/A) e observações de satélite (IMERG_G, GsMAP_G e CMORPH_G), onde utilizou-se a abordagem de pixel a ponto para avaliar as estatísticas derivadas dos dados de sensoriamento remoto (ou seja, parâmetros GEV e IDFs). Foi observado que o conjunto de dados de R/A obtiveram melhor desempenho para extremos de chuva de uma hora, especialmente nas regiões frias com verões quentes, entretanto, o IMERG_G apresentou desempenho mais alto para precipitações extremas de longas durações, superando os outros SSPs. Abu El Ella, Abbas, e Mohamed (2024) realizaram a comparação dos produtos PERSIANN (PERSIANN, PERSIANN-CCS, PERSIANN-CDR e PDIR-Now) com conjuntos de dados NASA-POWER em comparação com o máximo anual disponível de precipitação de observação diária, tendo como critério a comparação de análise de características de precipitação, análise de frequência e desenvolvimento de curvas IDF. Com base nos resultados, o PERSIANN-CDR apresentou ser o mais apropriado seguindo os critérios de comparação das medidas de erro RMSE, Bias, CC e R2. Mianabadi (2023), utilizou os produtos MSWEP, CHIRPS, PERSIANN-CDR e PERSIANN-CCS-CDR, com o intuito de avaliar o desempenho de cada sensor no desenvolvimento de curvas IDF para precipitação diária. A avaliação contou com 14 estações meteorológicas sob diferentes condições climáticas. Diante as métricas de avaliação (EM, RMSE, PCC e RE), o CHIRPS apresentou melhor desempenho do que os outros produtos para todos os períodos de retorno, já o PERSIANN-CSS-CDR teve o pior desempenho comparado aos produtos. Vale ressaltar que, a avaliação da qualidade dos SSPs pode ser influenciada de acordo com a distribuição e quantidade de pluviômetros (Mtibaa 2024)