Heat island simulations in Londrina city, Brazil

This work aims to study the urban heat island on North region of Parana state, Brazil and the influence of land use and urban settlements on the intensity and frequency of occurrence of these events. Through atmospheric modeling whith WRF/Chem model two simulations were made with different land and use files, one with the original land use another obtained from a composition of MODIS-Landsat imagery. The simulations showed good skills compared to observed data. Urban areas presented higher temperatures. Landsat land use has represented better urban heat islands (UHI), the gradient between urban and rural areas was well demonstrated and the correlation coefficient was above 0.92. The model underestimated the maximum values and overestimated the minimum compared with observed data in both simulations.

Air quality simulations for Londrina region, Brazil

The objective of this work were apply and provide a preliminary evaluation of the Weather Research and Forecasting model coupled with Chemistry (WRF-Chem) performance, for Londrina region. We performed comparison with measurements obtained in meteorological stations. The model was configured to run with three domains with 27,9 and 3 km of grid resolution, using the ndown program and also was realized a simulation with the model configured to run with a single domain using a land use file based in a classified image for region of MODIS sensor. The emission files to supply the chemistry run were generated based in the work of Martins et al., 2012. RADM2 chemical mechanism and MADE/SORGAM modal aerosol models were used in the simulations. The results demonstrated that model was able to represent coherently the formation and dispersion of the pollution in Metropolitan Region of Londrina and also the importance of using the appropriate land use file for the region.

Análise do erro de previsão de vazões mensais com diferentes horizontes de previsão

Este trabalho aborda o problema de previsão para séries de vazões médias mensais, no qual denomina-se de horizonte de previsão (h), o intervalo de tempo que separa a última observação usada no ajuste do modelo de previsão e o valor futuro a ser previsto. A análise do erro de previsão é feita em função deste horizonte de previsão. Estas séries possuem um comportamento periódico na média, na variância e na função de autocorrelação. Portanto, considera-se a abordagem amplamente usada para a modelagem destas séries que consiste inicialmente em remover a periodicidade na média e na variância das séries de vazões e em seguida calcular uma série padronizada para a qual são ajustados modelos estocásticos. Neste estudo considera-se para a série padronizada os modelos autorregressivos periódicos PAR (p m). As ordens p m dos modelos ajustados para cada mês são determinadas usando os seguintes critérios: a análise clássica da função de autocorrelação parcial periódica (FACPPe); usando-se o Bayesian Information Criterion (BIC) proposto em (MecLeod, 1994); e com a análise da FACPPe proposta em (Stedinger, 2001). Os erros de previsão são calculados, na escala original da série de vazão, em função dos parâmetros dos modelos ajustados e avaliados para horizontes de previsão h variando de 1 a 12 meses. Estes erros são comparados com as estimativas das variâncias das vazões para o mês que está sendo previsto. Como resultado tem-se uma avaliação da capacidade de previsão, em meses, dos modelos ajustados para cada mês.