The southeastern coast of Brazil is frequently affected by meteorological disturbances such as cold fronts, which are sometimes associated with intense extratropical cyclones. These disturbances cause oscillations on the sea surface, generating low-frequency motions. The relationship of these meteorologically driven forces in low frequency to the storm-surge event is investigated in this work. A method to predict coastal sea level variations related to meteorological events that use a neural network model (NNM) is presented here. Pressure and wind values from NCEP–NCAR reanalysis data and tide gauge time series from the Cananéia reference station in São Paulo State, Brazil, were used to analyze the relationship between these variables and to use them as input to the model. Meteorological influences in the sea level fluctuations can be verified by filtering the astronomical tide frequencies for periods lower than tidal cycles (periods higher than 24 h). Thus, a low-pass filter was applied in the tide gauge and meteorological time series for periods lower than tides to identify more readily the interactions between coastal sea level response and atmospheric-driven forces. Statistical analyses on time and frequency domain were used. Maxima correlations and coherence between the low-frequency sea level and meteorological series could be defined using the time lag of the NNM input variables. The model was tested for 6-, 12-, 18-, and 24-hourly forecasts, and the results were compared with filtered sea level values. The results show that this model is able to capture the effects of atmospheric and oceanic interactions. It can be considered to be an efficient model for predicting the nontidal residuals and can effectively complement the standard constant harmonic analysis model. A case study of a storm that impacted coastal areas of southeastern Brazil in March 1998 was analyzed and indicates that the neural network model can be effectively utilized in the Cananéia region.

A variabilidade do nível do mar observado e a maré meteorológica na Baía de Paranaguá-PR foram analisadas, neste trabalho, com os dados maregráficos utilizados na Parte 1 e os dados meteorológicos de reanálise do "National Centers for Environmental Prediction" (NCEP) e do "National Center Atmospheric Research" (NCAR) pontos de grade no oceano, próximos ao local de estudo, referentes ao mesmo período. As componentes de alta freqüência contidas nos dados de reanálise foram retiradas com o filtro passa-baixa de Thompson, descrito na Parte 1, adaptado para intervalos de 6 horas. Analisou-se as influências das variáveis meteorológicas mais remotas, nas sobre-elevações e abaixamentos do nível do mar observado, utilizando dados de reanálise de pressão e vento. Conforme descrito na Parte 1, as séries foram analisadas, estatisticamente, no domínio do tempo e da freqüência. A série maregráfica filtrada de Cananéia (SP), utilizada para verificar a existência de correlação com a série de Paranaguá, confirmou os estudos de Mesquita (1997) para o litoral Sudeste. Essa correlação foi verificada devido à proximidade da estação de Cananéia ao ponto de grade relativo à pressão. A Rede Neural Artificial (RNA) desenvolvida na Parte 1 foi, então, utilizada com os dados de reanálise, mantendo-se a mesma arquitetura de rede com as máximas correlações entre as variáveis de entrada e saída, ajustando-se os parâmetros de taxa de aprendizado e momento para alcançar o melhor desempenho. Os resultados obtidos com ambas as fontes de dados foram comparados e a eficiência da rede foi semelhante à Parte 1 para as simulações de 6h e 12 h. Para as simulações de 18h e 24h, os resultados foram inferiores como os encontrados para a estação de superfície, sugerindo também, o desenvolvimento de outras arquiteturas de rede, visando melhorar as previsões para períodos maiores. Os resultados obtidos com os dados de reanálise sugerem a sua utilização na falta de estações meteorológicas convencionais próximas a estações maregráficas.

The atmosphere has often been considered "chaotic" when in fact the "chaos" is a manifestation of the models that simulate it, which do not include all the physical mechanisms that exist within it. A weather prediction cannot be perfectly verified after a few days of integration due to the inherent nonlinearity of the equations of the hydrodynamic models. The innovative ideas of Lorenz led to the use of the ensemble forecast, with clear improvements in the quality of the numerical weather prediction. The present study addresses the statement that "even with perfect models and perfect observations, the 'chaotic' nature of the atmosphere would impose a finite limit of about two weeks to the predictability of the weather" as the atmosphere is not necessarily "chaotic", but the models used in the simulation of atmospheric processes are. We conclude, therefore, that potential exists for developments to increase the horizon of numerical weather prediction, starting with better models and observations. Keywords: atmospheric modeling; chaos; numerical weather prediction ResumoA atmosfera tem sido muitas vezes considerada "caótica" quando de fato o "caos" é uma manifestação dos modelos que a simulam, os quais não incluem todos os mecanismos físicos nela existentes. Uma previsão do tempo não se verifica perfeitamente depois de alguns dias de integração devido a não linearidade inerente às equações dos modelos da hidrodinâmica. As ideias inovadoras de Lorenz conduziram ao uso da previsão por conjunto, com melhorias flagrantes na qualidade das previsões. O presente estudo se contrapõe à afirmação de que "mesmo com modelos e observações perfeitas, a natureza 'caótica' da atmosfera imporia um limite finito de cerca de duas semanas para a previsibilidade do tempo", uma vez que a atmosfera não é necessariamente "caótica", mas sim os modelos usados na simulação de seus processos. Conclui-se, portanto, que há espaço para o desenvolvimento no sentido de aumentar os horizontes da previsão numérica do tempo, a partir de melhores modelos e melhores observações. Palavras-chave: modelagem atmosférica; caos; previsão numérica do tempo A n u á r i o d o I n s t i t u t o d e G e o c i ê n c i a s -U F R J

No abstract