Apport des données TRMM 3B42 à l’étude des précipitations au Mato Grosso

Contribution of the TRMM 3B42 data to the study of Mato Grosso precipitations

¹ COSTEL UMR 6554 CNRS – LETG, Université Rennes 2, Place du Recteur H. Le Moal, 35043 RENNES CEDEX, France
² LOCEAN (CNRS-IRD-UPMC-MNHN) / ISPL, Université Paris 7, Case 100, 4 place Jussieu, 75252 Paris Cedex 05, France
³ Universidade do Estado do Rio de Janeiro – UERJ, Departamento de Engenharia de Sistemas e Computação – Pos Graduação em Geomatica
⁴ Embrapa Solos, Rua Jardim Botânico, 1024 – Rio de Janeiro, RJ
⁵ Professeur invité au Centre de Développement Durable de l’Université de Brasília (bolsista da CAPES)

^a damien.arvor@uhb.fr
^b vincent.dubreuil@uhb.fr
^c Josyane.Ronchail@locean-ipsl.upmc.fr
^d maggie.meirelles@gmail.com

Résumé

En région tropicale, où les précipitations sont principalement d’origines convectives et où les réseaux d’observations au sol présentent de nombreuses lacunes, les données satellitaires TRMM (Tropical Rainfall Measuring Mission) représentent une alternative efficace pour l’étude de la variabilité spatiotemporelle des précipitations. Celle-ci est abordée au moyen d’une analyse en composantes principales des données TRMM 3B42 (au pas de temps mensuel) de 1998 à 2006 qui permet de mettre en évidence la variabilité saisonnière et interannuelle des pluies du Mato Grosso (Brésil), situé au sud du bassin amazonien. Les produits TRMM 3B42 sont ensuite validés à partir d’indices statistiques pour permettre de définir une résolution temporelle optimale qui autorise l’analyse de paramètres tels que le début, la fin et la durée de la saison pluvieuse, décisifs pour les cultures réalisées dans cette région, notamment pour celle du soja. Pour calculer ces paramètres, la méthode « Anomalous Accumulation » proposée par Liebmann (2006) est choisie. Le début de la saison des pluies est repérée au mois d’octobre mais gagne plus tardivement le sud-est que le nord-ouest. La date de fin des pluies intervient au mois de mars et progresse par contre vers le nord selon un axe N-S. La durée de la saison des pluies est en conséquence de 4 à 5 mois. Il apparaît que la variabilité de la durée de la saison des pluies est surtout liée aux variations des dates de début des pluies (plus de 2 mois de différence entre 2 années extrêmes sur 8 ans), alors que la fin de la saison des pluies est bien plus régulière. Par ailleurs, le début de la saison des pluies varie de plus de 15 jours en moyenne entre les grandes régions de production de soja, ce qui permet de comprendre les variantes dans leurs calendriers agricoles et donne des premières indications sur la vulnérabilité des producteurs.

Abstract

In tropical regions where convective rainfall is predominant while raingauge networks are deficient, satellite estimates as proposed by the Tropical Rainfall Measuring Mission (TRMM) can represent an efficient alternative way of studying rainfall spatiotemporal variability. A Principal Component Analysis based on monthly data allows mapping the various rainy regimes encountered in the south Amazonian state of Mato Grosso (Brazil). The TRMM 3B42 products are then validated based on statistical indexes. It permits determining an optimal 5-days temporal scale, which is then used to calculate rainy season parameters such as date of onset and end and duration. Those parameters are established based on the “Anomalous Accumulation” method proposed by Liebmann (2006). The date of onset occurs in October and occurs later in the south-east than in the north-west. The date of end is detected in March and progresses according to a N-S orientation. Consequently, the rainy season duration lasts from four to five months. It appears that the duration variability is especially linked to the onset variability (more than 2 months between 2 extreme years in 8 years) while the end of the rainy season is much more regular. Moreover, the onset date displays a 15 days amplitude between the main soybean productions regions. Thus, it explains the various agricultural calendars applied in Mato Grosso and help explaining the farmer’s vulnerability.