Mayara Christine (2025)

Dissertao_MayaraLins_finall.pdf
Documento PDF (3.2MB)

UNIVERSIDADE FEDERAL DE ALAGOAS
CAMPUS A. C. SIMÕES
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS – ICAT
PROGRAMA DE PÓS-GRADUAÇÃO EM METEOROLOGIA

MAYARA CHRISTINE CORREIA LINS

AVALIAÇÃO DA SENSIBILIDADE DO MODELO MPAS NA SIMULAÇÃO DE
EVENTOS EXTREMOS DE PRECIPITAÇÃO NO NORDESTE DO BRASIL

Maceió
2025

MAYARA CHRISTINE CORREIA LINS

AVALIAÇÃO DA SENSIBILIDADE DO MODELO MPAS NA SIMULAÇÃO DE
EVENTOS EXTREMOS DE PRECIPITAÇÃO NO NORDESTE DO BRASIL

Trabalho de Dissertação apresentado ao
Programa de Pós-graduação em Meteorologia
da Universidade Federal de Alagoas, como
requisito parcial à obtenção do título de Mestre
em Meteorologia.
Orientadora: Prof.ª Dra. Maria Cristina Lemos
da Silva.
Coorientador: Prof. Dr. Dirceu Luís Herdies.

Maceió
2025

Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecária: Girlaine da Silva Santos – CRB-4 – 1127
L759a Lins, Mayara Christine Correia.
Avaliação da sensibilidade do modelo mpas na simulação de eventos
extremos de precipitação no nordeste do Brasil / Mayara Christine Correia Lins.
– 2025.
55 f. : il.
Orientadora: Maria Cristina Lemos da Silva.
Coorientador: Dirceu Luís Herdies.
Dissertação (Mestrado em Meteorologia.) – Universidade Federal de
Alagoas, Instituto de Ciências Atmosféricas. Maceió, 2025.
Bibliografia: f. 51 - 55.
1. Eventos climáticos extremos. 2. Distúrbios Ondulatórios de Leste. 3.
Variáveis climáticas. 4. Precipitação (Meteorologia). I. Título.
CDU: 551.577.3

UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
COORDENAÇÃO DE PÓS-GRADUAÇÃO EM METEOROLOGIA

CERTIFICADO DE APRESENTAÇÃO
N.º de ordem: MET-UFAL-MS-212.
““AVALIAÇÃO DA SENSIBILIDADE DO MODELO MPAS NA SIMULAÇÃO DE
EVENTOS EXTREMOS DE PRECIPITAÇÃO NO NORDESTE DO BRASIL.”
MAYARA CHRISTINE CORREIA LINS

Dissertação submetida ao colegiado do Curso de
Pós-Graduação em Meteorologia da Universidade
Federal de Alagoas - UFAL, como parte dos
requisitos necessários à obtenção do grau de
Mestre em Meteorologia.
Aprovado pela Banca Examinadora composta por:

________________________________________________

Profa. Dra. Maria Cristina Lemos da Silva
(Orientadora)
________________________________________________

Prof. Dr. Dirceu Luís Herdies – INPE
(Coorientador)
_________________________________________________

Prof. Dr. Matheus José Arruda Lyra
Membro Externo ao Programa – Pós-doc PPGMET
_________________________________________
Prof. Dr. Helber Barros Gomes
Membro Interno ao Programa – PPGMET
_________________________________________________

Prof. Dr. Mário Francisco Leal de Quadro – IFSC
(Membro Externo)
AGOSTO/2025

AGRADECIMENTOS
A todas as pessoas que, direta ou indiretamente, contribuíram para minha caminhada e para
este trabalho, meu mais sincero agradecimento.
A Deus, pela força nos momentos mais desafiadores desta caminhada acadêmica.
Aos meus pais, Martha Lucia e Carlos Lins, por serem meu alicerce.
À minha família, em especial ao meu irmão e à minha sobrinha, pelo carinho e apoio ao longo
de todo o percurso.
À minha orientadora, Profa. Dra. Cristina Lemos, pela parceria desde a graduação.
Ao meu coorientador, Dr. Dirceu Herdies, pela ajuda e paciência.
Ao meu amigo Dr. Matheus Lyra, pela presença constante e colaboração ao longo de toda a
pesquisa.
À banca examinadora, pela disponibilidade e pelas valiosas contribuições e sugestões que
enriqueceram este trabalho e aprimoraram a qualidade da pesquisa.
Aos amigos e colegas de curso e de laboratório, pelos momentos, aprendizado e convivência,
que tornaram esta jornada mais leve e enriquecedora.
Aos meus amigos de longa data, que seguem ao meu lado e me conhecem tão bem.
Aos professores e servidores do ICAT, pelo conhecimento transmitido e pelo compromisso
com a excelência acadêmica, que contribuíram de forma decisiva para minha formação.
Este trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de
Nível Superior – Brasil (CAPES) – Código de Financiamento 001.

“Dalva poderia tantas coisas se pudesse. Mas só
pôde o que fez. Quem vê de fora faz arranjos
melhores, mas é dentro, bem no lugar que a
gente não vê, que o não dar conta ocupa tudo.”
― Carla Madeira, Tudo é Rio (2014).

RESUMO
Eventos extremos de precipitação representam um dos maiores desafios para a previsão
meteorológica em regiões tropicais, como o Nordeste do Brasil (NEB), especialmente devido à
complexidade dos processos convectivos e à influência de diversos sistemas sinóticos e de
mesoescala. Neste contexto, o presente estudo avaliou a sensibilidade do modelo atmosférico
Model for Prediction Across Scales (MPAS) na simulação de três eventos de precipitação
extrema (EPE) associados aos Distúrbios Ondulatórios de Leste (DOLs), ocorridos nos dias
27/05/2017 (EPE1), 28/05/2022 (EPE2) e 07/05/2024 (EPE3), afetando os estados de Alagoas
e Pernambuco. As simulações foram realizadas com duas versões do modelo (v7.3 e v8.2.2),
utilizando grade de resolução variável (60–3 km), centrada nas regiões afetadas. Foram testadas
duas parametrizações de microfísica de nuvens: WSM6 (single-moment) e Thompson (doublemoment), ambas aplicadas com o conjunto de parametrizações convection-permitting. Os
resultados das simulações foram comparados aos dados do produto MERGE/CPTEC, à
reanálise ERA5 e às previsões do modelo operacional Global Forecast System (GFS). A
avaliação quantitativa foi conduzida por meio de métricas estatísticas como viés (BIAS), raiz
do erro quadrático médio (RMSE) e coeficiente de correlação (CC), além da análise da
distribuição espacial da precipitação e da estrutura dos sistemas convectivos com base em
imagens do satélite GOES-16. Os resultados indicaram que o modelo MPAS, especialmente na
versão 8.2.2 com o esquema Thompson, apresentou desempenho superior na simulação dos
eventos, com melhor representação dos núcleos de precipitação intensa e menores valores de
BIAS e RMSE. Em particular, o evento de 2024 apresentou os melhores resultados, com CC
de 0,75 e BIAS negativo, indicando subestimação moderada. Já o GFS apresentou tendência de
superestimar o EPE2 e EPE3 e subestimar o EPE1, com maiores erros sistemáticos. O ERA5,
por sua vez, subestimou consistentemente os máximos de precipitação, o que pode afetar
negativamente a qualidade das simulações iniciais do MPAS. O estudo demonstra o potencial
do MPAS para aplicações em regiões tropicais, especialmente na simulação de eventos
extremos relacionados aos DOLs, e ressalta a importância de uma escolha criteriosa das
parametrizações físicas para representar adequadamente os processos microfísicos associados
à convecção profunda.
Palavras-chave: Extremos de chuva. MPAS. Resolução variável. DOLs.

ABSTRACT

Extreme precipitation events represent one of the greatest challenges for weather forecasting in
tropical regions, such as the Northeast of Brazil (NEB), especially due to the complexity of
convective processes and the influence of various synoptic and mesoscale systems. In this
context, the present study assessed the sensitivity of the Model for Prediction Across Scales
(MPAS) atmospheric model in simulating three extreme precipitation events (EPEs) associated
with Easterly Wave Disturbances (EWDs), which occurred on May 27, 2017, May 28, 2022,
and May 7, 2024, affecting the states of Alagoas and Pernambuco. Simulations were performed
with two versions of the model (v7.3 and v8.2.2), using a variable-resolution mesh (60–3 km)
centered over the affected regions. Two cloud microphysics parameterizations were tested:
WSM6 (single-moment) and Thompson (double-moment), both applied with the convectionpermitting physics suite. The simulation results were compared against MERGE/CPTEC
product data, ERA5 reanalysis, and forecasts from the operational Global Forecast System
(GFS) model. Quantitative evaluation was carried out using statistical metrics such as bias
(BIAS), root mean square error (RMSE), and correlation coefficient (CC), in addition to
analyzing the spatial distribution of precipitation and the structure of convective systems based
on GOES-16 satellite imagery. The results indicated that the MPAS model, particularly version
8.2.2 with the Thompson scheme, showed superior performance in simulating the events, with
better representation of intense precipitation cores and lower BIAS and RMSE values. In
particular, the 2024 event yielded the best results, with a CC of 0.75 and a negative BIAS,
indicating moderate underestimation. Conversely, the GFS tended to overestimate EPE2 and
EPE3 and underestimate EPE1, with larger systematic errors. ERA5, in turn, consistently
underestimated the precipitation maxima, which may negatively impact the quality of MPAS
initial simulations. This study demonstrates the potential of MPAS for applications in tropical
regions, especially in simulating extreme events related to EWDs, and highlights the importance
of carefully selecting physical parameterizations to adequately represent the microphysical
processes associated with deep convection.
Keywords: Extreme rainfall. MPAS. Variable-resolution. EWD.

LISTA DE FIGURAS
Figura 1 – Localização da Região Nordeste do Brasil com destaque dos estados de Alagoas e
Pernambuco (a) e América do Sul (b). ..................................................................................... 17
Figura 2 - Grade Variável do modelo (60-3km). ..................................................................... 21
Figura 3 - Imagens do satélite GOES-16 no canal do infravermelho (banda 13) do sistema de
27 de maio de 2017 sobre o Nordeste do Brasil nos horários sinóticos de 00, 06, 12 e 18 UTC.
.................................................................................................................................................. 27
Figura 4 – Precipitação acumulada das estações meteorológicas para o EPE do dia 27/05/2017
em Alagoas. .............................................................................................................................. 28
Figura 5 - Linha de corrente (m/s) e divergência (sombreada, 104/s) em 850 hPa 26 de maio de
2017 às 18 (a) e 26 de maio de 2017 às 00 (b), 06 (c), 12 UTC (d) com os dados da reanálise
ERA5. ....................................................................................................................................... 29
Figura 6 - Diagrama de Hovmöller de ômega (Pa/s; 500 hPa) entre 25 e 27 de maio a 9°S de
latitude. ..................................................................................................................................... 29
Figura 7 – Precipitação acumulada (mm/dia) em 27 de maio de 2017. Comparação entre a
precipitação observada pelo MERGE/CPTEC (a) e ERA5 (b), GFS_25km (c),
MPASv7.3_WSM6
(d),
MPASv7.3_THMP
(e),
MPASv8.2.2_WSM6
(f)
e
MPASv8.2.2_THMP (g). ......................................................................................................... 31
Figura 8 – BIAS da precipitação do EPE1 entre o MERGE/CPTEC e as simulações do
GFS_25km (a), MPASv7.3 WSM6 (b), MPASv7.3 THMP (c), MPASv8.2.2 WSM6 (d) e
MPASv8.2.2 THMP(e). ............................................................................................................ 32
Figura 9 – Funções de densidade de probabilidade (PDFs) do acumulado de 3 h da precipitação
para o EPE1. ............................................................................................................................. 33
Figura 10 - Imagens do satélite GOES-16 no canal do infravermelho (banda 13) do sistema de
28 de maio de 2022 sobre o Nordeste do Brasil nos horários sinóticos de 00, 06, 12 e 18 UTC.
.................................................................................................................................................. 34
Figura 11 – Precipitação acumulada das estações meteorológicas para o EPE do dia 28/05/2022
em Pernambuco. ....................................................................................................................... 35
Figura 12 - Linha de corrente (m/s) e divergência (sombreada, 104/s) em 850 hPa 27 de maio
de 2022 às 18 (a) e 28 de maio de 2022 às 00 (b), 06 (c), 12 UTC (d) com os dados da reanálise
ERA5. ....................................................................................................................................... 36
Figura 13 - Diagrama de Hovmöller de ômega (Pa/s; 500 hPa) entre 23 e 28 de maio a 8°S de
latitude. ..................................................................................................................................... 36
Figura 14 – Precipitação acumulada (mm/dia) em 28 de maio de 2022. Comparação entre a
precipitação observada pelo MERGE/CPTEC (a) e ERA5 (b), GFS_25km (c),
MPASv7.3_WSM6
(d),
MPASv7.3_THMP
(e),
MPASv8.2.2_WSM6
(f)
e
MPASv8.2.2_THMP (g). ......................................................................................................... 38
Figura 15 – Imagens do satélite GOES-16 no canal do infravermelho (banda 13) do sistema de
07 de maio de 2024 sobre o Nordeste do Brasil nos horários sinóticos de 00, 06, 12 e 18 UTC.
.................................................................................................................................................. 39
Figura 16 – Precipitação acumulada das estações meteorológicas para o EPE do dia 07/05/2024
em Alagoas. .............................................................................................................................. 40

Figura 17 - Linha de corrente (m/s) e divergência (sombreada, 104/s) em 850 hPa 06 de maio
de 2024 às 18 (a) e 07 de maio de 2024 às 00 (b), 06 (c), 12 UTC (d) com os dados da reanálise
ERA5. ....................................................................................................................................... 41
Figura 18 - Diagrama de Hovmöller de ômega (Pa/s; 500 hPa) entre 05 e 08 de maio a 10°S de
latitude. ..................................................................................................................................... 41
Figura 19 – Precipitação acumulada (mm/dia) em 07 de maio de 2024. Comparação entre a
precipitação observada pelo MERGE/CPTEC (a) e ERA5 (b), GFS_25km (c),
MPASv7.3_WSM6
(d),
MPASv7.3_THMP
(e),
MPASv8.2.2_WSM6
(f)
e
MPASv8.2.2_THMP (g). ......................................................................................................... 43
Figura 20 – BIAS da precipitação do EPE3 entre o MERGE/CPTEC e as simulações do
GFS_25km (a), MPASv7.3 WSM6 (b), MPASv7.3_THMP (c), MPASv8.2.2 WSM6 (d) e
MPASv8.2.2_THMP (e). .......................................................................................................... 45
Figura 21 – Funções de densidade de probabilidade (PDFs) do acumulado de 3 h da
precipitação para o EPE3.......................................................................................................... 46

LISTA DE TABELAS

Tabela 1 – Localização dos casos de eventos extremos de precipitação. ................................ 20
Tabela 2 – Parametrizações físicas do convection-permitting usadas no MPAS. ................... 22
Tabela 3 – Métricas estatísticas de precipitação acumulada (mm/dia) para cada evento. ....... 48

LISTA DE ABREVIATURAS E SIGLAS

BIAS

Erro Médio

Coeficiente de Correlação

CEMADEN Centro Nacional de Monitoramento e Alertas de Desastres Naturais
CPTEC

Centro de Previsão de Tempo e Estudos Climáticos

DOLs

Distúrbios Ondulatórios de Leste

DSA

Divisão de Satélites e Sistemas Ambientais

ECMWF

European Center for Medium-Range Weather Forecasts

EPE

Evento de Precipitação Extrema

ERA5

European ReAnalysis v5

GOES

Geostationary Operational Environmental Satellite

GPM

Global Precipitation Measurement

IMERG

Integrated Multi-satellite Retrievals for GPM

INPE

Instituto Nacional de Pesquisas Espaciais

IPCC

Intergovernmental Panel on Climate Change

MCGA

Modelos de Circulação Geral da Atmosfera

MPAS

Model for Prediction Across Scales

NEB

Nordeste do Brasil

RMSE

Raiz do Erro Quadrático Médio

SEMARH-AL Secretaria de Estado do Meio Ambiente e dos Recursos Hídricos de Alagoas
TRMM

Tropical Rainfall Measuring Mission

WMO

World Meteorological Organization

WRF

Weather Research and Forecasting

WSMMPs

WRF-Single-Moment Microphysics Schemes

SUMÁRIO

1 INTRODUÇÃO ................................................................................................................... 9
1.1 OBJETIVOS ................................................................................................................... 12
Objetivo Geral .................................................................................................................... 12
Objetivos Específicos .......................................................................................................... 12
2 REVISÃO BIBLIOGRÁFICA ............................................................................................ 12
2.1 Distúrbios Ondulatórios de Leste ..................................................................................... 12
2.2 Model for Prediction Across Scales-Atmosphere (MPAS-A) .............................................. 15
3 DADOS E METODOLOGIA ............................................................................................. 16
3.1 Área de estudo ............................................................................................................. 16
3.2 Dados .......................................................................................................................... 17
3.2.1 Imagens de satélite ...................................................................................................... 17
3.2.2 Estações Meteorológicas .............................................................................................. 18
3.2.3 Produto MERGE ......................................................................................................... 18
3.2.4 Produto ERA5............................................................................................................. 19
3.2.5 Modelo GFS .............................................................................................................. 19
3.3 Metodologia................................................................................................................. 20
3.3.1 Casos de EPE ............................................................................................................. 20
3.3.2 Simulações numéricas ................................................................................................. 20
3.3.2.1 Parametrização de microfísica das nuvens ................................................................... 22
3.3.3 Validação estatística .................................................................................................... 24
4 RESULTADOS .................................................................................................................. 26
4.1 EPE1 ........................................................................................................................... 26
4.2 EPE2 ........................................................................................................................... 33
4.3 EPE3 ........................................................................................................................... 38
4.4 Validação dos EPE ........................................................................................................ 47
5 CONSIDERAÇÕES FINAIS .............................................................................................. 49
REFERÊNCIAS ................................................................................................................... 51

1 INTRODUÇÃO
Eventos extremos estão se tornando mais intensos, duradouros e frequentes. A
variabilidade e a mudança climática, em escalas globais e regionais, impactam profundamente
atividades humanas e sistemas socioeconômicos. Compreender essas variações é essencial para
a tomada de decisões em setores como agricultura, recursos hídricos, energia, saúde e
planejamento urbano. Alterações no sistema climático, como: temperatura do mar, cobertura de
nuvens, composição atmosférica e uso da terra, podem desencadear processos de feedbacks que
amplificam (positivos) ou moderam (negativos) eventos extremos (Raymond et al., 2020).
Os eventos extremos de precipitação são regidos por processos físicos diferentes
daqueles que influenciam as médias de longo prazo. Enquanto as mudanças na precipitação
média estão mais relacionadas à circulação atmosférica, os extremos dependem das condições
termodinâmicas e específicas de determinados dias (O'gorman; Schneider, 2009). Segundo o
relatório do Intergovernmental Panel on Climate Change (IPCC, 2021), esses eventos resultam
da combinação de vários fatores, como transporte intenso de umidade, temperaturas elevadas e
instabilidade atmosférica, que raramente ocorrem simultaneamente. No contexto das mudanças
climáticas, o IPCC destaca que a relação de Clausius-Clapeyron explica que, para cada aumento
de 1ºC na temperatura do ar, a capacidade da atmosfera de reter umidade pode crescer cerca de
7%, o que potencializa a ocorrência de chuvas mais intensas.
De acordo com as diretrizes da World Meteorological Organization (WMO, 2023), um
evento extremo de precipitação é definido como uma chuva intensa e fora do comum, que
ocorre em algumas horas ou dias consecutivos e ultrapassa as médias esperadas para a região e
o período considerado. A WMO não estabelece um valor específico universal para caracterizar
esse tipo de evento, pois ele depende das características climatológicas locais. No entanto, no
contexto do litoral do Nordeste do Brasil (NEB), valores de precipitação diária iguais ou
superiores a 50 mm já podem ser considerados extremos, a depender da localidade. Em áreas
como Recife, por exemplo, chuvas acima de 55,3 mm/dia são classificadas como "Muito
Fortes" e estão associadas a impactos significativos, enquanto em outras regiões do litoral
nordestino, eventos com precipitação diária superior a 100 mm também são reconhecidos como
extremos (Souza; De Azevedo; De Araújo, 2012). Esses eventos são objeto de atenção em
pesquisas científicas devido ao seu potencial de causar danos severos à infraestrutura e à
população.

Estudos ao redor do mundo têm se dedicado à análise desses fenômenos, destacando
seus impactos e tendências em diferentes regiões (Kunkel et al., 2013; Fischer; Knutti, 2016;
Zhao et al., 2019; Olmo et al., 2020). No contexto brasileiro, pesquisas realizadas por De Sousa
et al., (2016), Marengo et al., (2023) e Lyra et al., (2024) exploram a dinâmica e variabilidade
desses eventos, reforçando a importância de compreendê-los para aprimorar a previsão e
mitigação de seus impactos.
A ocorrência de precipitações intensas no NEB está relacionada diretamente à atuação
de diversos sistemas meteorológicos, os quais influenciam significativamente a distribuição
espacial e temporal das chuvas, impactando os padrões climáticos regionais, na escala sinótica,
destacam-se a Zona de Convergência Intertropical (ZCIT; Schneider et al, 2014; Utida et al.,
2019), faixa de instabilidade atmosférica próxima ao Equador que, entre fevereiro e maio,
desloca-se em direção ao sul provocando chuvas abundantes na região. O Sistema de Monção
da América do Sul (SMAS; Gan et al., 2004; Grimm et al., 2009; Reboita et al., 2022), por sua
vez, atua modulando a posição da ZCIT e influenciando diretamente a circulação dos ventos
alísios, fatores que regulam o início e a intensidade da estação chuvosa no NEB.
Ainda na escala sinótica, destacam-se sistemas originados em latitudes médias, como as
Frentes Frias (Kousky, 1979; Fedorova et al., 2016; Lyra et al., 2019), que atingem
principalmente o estado da Bahia, desencadeando eventos expressivos de precipitação. Outro
sistema relevante são os Vórtices Ciclônicos de Altos Níveis (VCAN; Kousky; Gan, 1981; Dos
Reis et al., 2021; Lyra; Arraut, 2025), consistem em sistemas sinóticos de circulação ciclônica
que se desenvolvem na alta troposfera que, especialmente no verão, geram chuvas intensas no
interior e nas áreas costeiras do Nordeste.
Entre esses sistemas de escala sinótica, destacam-se especialmente os Distúrbios
Ondulatórios de Leste (DOLs), devido ao seu papel crucial na ocorrência de chuvas intensas e
persistentes na faixa litorânea do Nordeste brasileiro. Esses distúrbios formam-se sobre o
Oceano Atlântico tropical e deslocam-se de leste para oeste, ocorrendo principalmente entre
maio e agosto. Sua atuação frequente e intensa constitui um fator determinante nos eventos
extremos de precipitação na região, impactando diretamente a população e atividades
econômicas locais (Gomes et al., 2019).
Além disso, na mesoescala, são importantes as Linhas de Instabilidade (Oliveira;
Oyama, 2020), formações lineares de nuvens convectivas que ocorrem predominantemente
durante o verão austral, resultando em precipitações rápidas e intensas, particularmente no
semiárido nordestino. Além disso, os Complexos Convectivos de Mesoescala (Lyra et al., 2022;
Fedorova e Levit, 2023), caracterizados por grandes aglomerados convectivos com

significativo desenvolvimento vertical e horizontal, provocam chuvas intensas acompanhadas
de trovoadas e rajadas de vento, com precipitações concentradas em períodos curtos. Outro
sistema de destaque é a Zona de Convergência do Atlântico Sul (ZCAS; Herdies et al., 2002;
Quadro et al., 2012; Pezzi et al., 2022), caracterizada por uma faixa quase estacionária de
nebulosidade profunda orientada no sentido noroeste-sudeste, que se estende da Amazônia até
o Atlântico Sul. A ZCAS está associada à persistência de precipitação contínua por vários dias,
desempenhando papel fundamental no regime pluviométrico do Brasil Central e Sudeste, mas
podendo também influenciar o Nordeste em determinados eventos de grande escala.
Uma ferramenta fundamental para a pesquisa de precipitações intensas são os Modelos
de Circulação Geral da Atmosfera (MCGA). Eles são capazes de representar as características
observadas da circulação atmosférica e seus principais processos físicos e dinâmicos. Os
MCGAs têm evoluído continuamente para melhorar a representação da atmosfera. Diversos
centros de pesquisa dedicam-se ao desenvolvimento e aperfeiçoamento desses modelos. O
Model for Prediction Across Scales (MPAS) apresenta grande inovação que este modelo
oferece é a utilização da malha Tessellation Spherical Centroidal Voronoi, que permite
diferentes resoluções espaciais em uma mesma grade (Skamarock et al., 2012).
Embora tenha progressos significativos na modelagem numérica da atmosfera, ainda
existem desafios para medir a quantidade de chuva e identificar com exatidão as áreas onde as
nuvens de chuva se formam. A literatura sobre eventos extremos de precipitação simulados pelo
MPAS enfatiza a abordagem inovadora do modelo e suas consequências para o entendimento
de dinâmicas atmosféricas complexas, Heinzeller, Duda e Kunstmann (2016) destacaram que
o MPAS é uma inovação significativa na simulação de sistemas terrestres. Os autores
evidenciam que o MPAS consegue replicar de forma precisa o comportamento da Monção da
África Ocidental e suas chuvas associadas.
Lyra et al. (2024) analisaram dois eventos extremos de precipitação no Leste do NEB
associados aos DOLs por meio de simulações com o modelo MPAS utilizando configurações
do conjunto de parametrizações de mesoescala. Os resultados indicaram que o MPAS foi capaz
de representar de forma satisfatória a precipitação observada em ambos os eventos. A partir
dessa pesquisa, destaca-se a necessidade de aprofundar os estudos sobre a sensibilidade do
modelo MPAS, especialmente quanto à simulação de precipitações extremas com diferentes
resoluções espaciais e parametrizações. Esse tipo de investigação é essencial para identificar a
configuração mais adequada ao NEB para diversos casos.
De forma geral, a compreensão destes eventos não só é importante para o entendimento
do fenômeno como corroboram com futuras análises sobre frequência e intensidade de futuros

eventos. Desta forma, a investigação proposta neste estudo proverá informações de como o
modelo MPAS simula eventos extremos de precipitação para a região do leste NEB em três
eventos distintos, que por sua vez trará subsídios para projetos de mitigação de possíveis
eventos de chuvas, trazendo assim benefícios para a população.
1.1 OBJETIVOS
Objetivo Geral
O objetivo geral deste trabalho é avaliar a capacidade do modelo MPAS, utilizando os
esquemas de microfísica de nuvens WSM6 e Thompson, para simular três eventos extremos de
precipitação associados a Distúrbios Ondulatórios de Leste (DOLs) no setor leste da região
NEB, buscando identificar avanços e limitações no desempenho do modelo frente a esse tipo
de fenômeno extremo.

Objetivos Específicos
•

Analisar como a configuração do modelo com grade variável, operando com o conjunto
de parametrizações físicas convection-permitting, influencia a simulação dos processos
atmosféricos relacionados aos DOLs, verificando se a alta resolução contribui para uma
melhor representação das estruturas convectivas e da distribuição das precipitações
intensas;

•

Investigar os impactos da utilização dos diferentes esquemas de microfísica de nuvens,
WSM e Thompson, nas simulações realizadas, identificando como cada parametrização
afeta a intensidade, a localização e os padrões espaciais das chuvas simuladas;

•

Validar as simulações do modelo MPAS por meio da aplicação de índices estatísticos,
como viés, erro quadrático médio (RMSE) e coeficiente de correlação, comparando as
variáveis meteorológicas simuladas com dados observacionais a fim de avaliar a
precisão espacial e temporal na representação das chuvas extremas.

2 REVISÃO BIBLIOGRÁFICA
2.1 Distúrbios Ondulatórios de Leste

Diversos sistemas atmosféricos atuam na caracterização do clima do NEB, resultando
em características climáticas distintas entre suas sub-regiões, como a área costeira e as regiões

semiáridas. De acordo com Oliveira et al. (2017), na costa leste do NEB a influência da Zona
de Convergência Intertropical (ZCIT) e os Distúrbios Ondulatórios de Leste (DOLs) são
particularmente importantes, contribuindo para a maior umidade e pluviosidade dessa região.
Além desses sistemas, os autores citam a Zona de Convergência do Atlântico Sul (ZCAS) que
embora a seja mais frequente no Sudeste, ela também pode afetar o litoral do Nordeste,
contribuindo para a ocorrência de chuvas intensas. A precipitação anual varia
significativamente entre as sub-regiões, sendo inferior a 500 mm nas áreas semiáridas e superior
a 1500 mm no litoral e no noroeste do NEB.
Em particular, a região tropical é caracterizada por intensas e constantes correntes de ar
conhecidas como ventos alísios, que sopram predominantemente no sentido nordeste-sudoeste
no Hemisfério Norte e sudeste-noroeste no Hemisfério Sul. A camada inferior desses ventos
contém ar úmido, com temperatura regulada pelas trocas de calor entre o oceano e a atmosfera.
Essa camada é rasa e apresenta principalmente Cumulus rasos, que raramente geram
precipitação. Acima dela, encontra-se a camada de inversão dos alísios, onde a temperatura
aumenta com a altitude, atuando como barreira para o movimento ascendente do ar e
dificultando a formação de chuvas. Assim, a precipitação nas regiões sob influência dos alísios
é rara, exceto quando essa camada de inversão é deslocada ou rompida (Gomes et al., 2015).
No entanto, o surgimento de distúrbios atmosféricos pode alterar o padrão típico dos
ventos alísios, desencadeando condições opostas às descritas anteriormente. Como já destacado
na literatura, os DOLs são um dos sistemas meteorológicos que atuam na costa leste do NEB.
Os DOLs transportam umidade e promovem precipitação em áreas que, sob a influência normal
dos alísios, permaneceriam secas. Segundo Berry et al. (1945), os DOLs se propagam por toda
a baixa troposfera tropical, com variações de tamanho e intensidade que dependem tanto da
época do ano quanto da localização geográfica, Riehl (1954) foi o primeiro a descrever e
desenvolver um modelo detalhado das Ondas de Leste de forma tridimensional. De acordo com
o autor, estas ondas são oscilações nos campos de pressão e vento, que se encontram em fase
na superfície e ocorrem em toda a região tropical e varia de região para região. Na maioria dos
casos, o DOL é encontrado em baixos e médios níveis da troposfera (aproximadamente entre
850 e 700 hPa), associado à nebulosidade convectiva e move de leste a oeste sobre os oceanos
tropicais, atingindo a costa leste NEB.
No estudo de Coutinho e Fisch (2007), os autores identificam quatro regiões distintas
associadas aos DOLs. A região de crista é marcada por tempo estável, alta visibilidade e
escoamento divergente na superfície, com subsidência predominante. A nebulosidade é baixa e
é composta por nuvens Cumulus rasos, típicas de tempo sem precipitação. Próxima ao eixo do

cavado, há uma área de transição, onde se observam nuvens Cumulus em desenvolvimento,
além de Cirrus e Altocumulus. Nessa região, a visibilidade permanece constante, mas já há
formação de precipitação esparsa. Uma região no eixo do cavado que apresenta maior
instabilidade, com chuvas frequentes e a presença de nuvens Cumulus congestus, Cirrus e
Altocumulus. Por fim, uma região a leste do cavado com escoamento convergente e fortes
movimentos ascendente do ar com a ocorrência de precipitação de morada a forte em
decorrência de nuvens Cumulonimbus.
Gomes et al. (2015) realizaram um estudo observacional dos padrões de circulação gerados a partir do deslocamento dos DOLs na costa leste do NEB e seu impacto para os totais de
precipitação sobre a região durante as estações chuvosas de 2006 e 2007. Os resultados
mostraram que os DOLs apresentam um sinal forte em baixos níveis, o deslocamento esteve
associado com anomalias positivas (negativas) de umidade relativa e precipitação (radiação de
onda longa). O método automático de rastreamento capturou 71% dos DOLs em todo o período,
indicando ser um método promissor para detecção dos DOLs. Em um estudo posterior, Gomes
et al. (2019) geraram uma climatologia para os DOLs, a partir de uma análise observacional de
21 anos. Os autores mostraram que 97% dos DOLs que atingem a região do NEB, 64% são
convectivos enquanto os outros 36% não são convectivos. Além disso, 14% dessas ondas
atingem a região da Amazônia. Os autores ainda comprovaram a predominância de ocorrência
de DOL’s para a estação de abril, maio, junho, julho e agosto.
Lyra et al. (2025) apresentaram uma análise aprofundada dos padrões atmosféricos de
escala sinótica associados a eventos de precipitação extrema (EPEs) no Nordeste do Brasil
(NEB), investigando quatro eventos significativos que ocorreram entre 2017 e 2023. Em
particular, o Evento de Precipitação Extrema 1 (EPE1) ocorreu no estado de Alagoas entre 27
e 28 de maio de 2017, impactando severamente áreas metropolitanas, como Maceió, onde foram
registrados 173 mm/dia de chuva, o que correspondeu a aproximadamente 25% da média anual
da cidade. Os autores mostraram que os padrões sinóticos primários responsáveis pelo EPE1
foram uma perturbação de escala sinótica associada a uma frente fria sobre o sul do Brasil e a
propagação de DOLs. Marengo et al. (2023) apresentaram uma análise detalhada das
inundações e deslizamentos que atingiram Recife após chuvas extremas. Os autores
demonstraram que as precipitações intensas coincidiram com a atuação simultânea de DOLs e
de uma frente fria. O pico pluviométrico ocorreu em 28 de maio com acumulados ultrapassando
os 200 mm/dia.

2.2 Model for Prediction Across Scales-Atmosphere (MPAS-A)
O Model for Prediction Across Scales-Atmosphere (MPAS-A) tem se destacado como
uma alternativa promissora para investigar precipitações extremas no NEB. O MPAS-A tratase de um modelo atmosférico global, não hidrostático e de malha não estruturada com resolução
variável, o que permite aplicar refinos de quilômetros sobre a região de interesse sem a
necessidade de condições de contorno laterais, preservando a coerência entre a circulação de
grande escala e a convecção organizada em escala local. Essa arquitetura possibilita
configurações que combinam as vantagens de modelos globais e regionais (Gürer et al., 2024).
Em decorrência dessa flexibilidade, o MPAS tem sido aplicado a uma gama de problemas
atmosféricos, incluindo monções africanas (Heinzeller; Duda; Kunstmann, 2016), qualidade do
ar (Gilliam et al., 2021), assimilação de dados (Liu et al., 2022) e ondas de leste africanas
(Núñez Ocasio; Rios-Berrios, 2023), entre outros, reforçando seu potencial para estudos de
eventos extremos no leste do NEB.
Para avaliar as capacidades do MPAS em representar casos de convecção na Europa,
Kramer et al. (2020) conduziram simulações utilizando configurações de resolução variável,
comparando-o ao modelo WRF e a dados observacionais. Os resultados indicaram que ambos
os modelos reproduziram adequadamente os padrões observados. No entanto, o MPAS, mesmo
em configurações de malha de resolução variável, alcançou uma precisão comparável à do
WRF. Além disso, as configurações de grades variáveis do MPAS demonstraram eficácia
semelhante à de grades globais de alta resolução, posicionando-se como uma alternativa
promissora para previsões de curto prazo.
Heinzeller, Duda e Kunstmann (2016) realizaram uma avaliação aprofundada das
capacidades técnicas do modelo MPAS em sua versão v3.1, onde incluiu a utilização de malhas
Voronoi não estruturadas e a discretização em grade C, que visam superar as limitações dos
modelos globais convencionais que operam em grades regulares. Foi realizada uma comparação
entre simulações do MPAS e observações, assim como uma simulação de referência do modelo
Weather Research and Forecasting (WRF). Os testes de escalabilidade extrema realizados com
uma malha global de 3 km, que contém mais de 65 milhões de células de grade horizontal,
revelam uma eficiência paralela superior a 70%. Isso evidencia não apenas o potencial do
MPAS para modelagem climática em alta resolução, mas também sua capacidade de se adaptar
a desafios computacionais significativos.
Estudos como de Zhao et al. (2019), Xu et al. (2021) e Liu et al. (2024) avaliaram casos
extremos de precipitação na China. No estudo de Liu et al. (2024), o modelo MPAS foi

simulado com grades uniformes e variáveis, além de resoluções diferentes para o evento de
precipitação extrema que ocorreu no dia 20 de julho de 2021 que teve total pluviométricos de
201,9mm. Os autores constataram que a simulação global MPAS com resolução variável de
60–3 km, acoplada ao conjunto de convection-permitting, apresentou um desempenho superior
em comparação com as demais simulações.
Outros estudos, como o de Xu et al. (2021), avaliam as diferenças entre grades
uniformes e variáveis no modelo MPAS. Nesse trabalho, os autores utilizaram o MPAS-A para
simular a variabilidade diurna da precipitação de 15 de junho a 15 de julho em 2015 no leste da
China, comparando uma resolução uniforme de 60 km (U6km) com uma variável de 60-4 km
(V4km), os dois experimentos foram validados e comparados com os dados de reanalise
(ERA5) e observados. Os resultados mostraram que ambas as simulações captaram a
distribuição geral da precipitação, mas o V4km apresentou um desempenho superior na
reprodução da intensidade e frequência das chuvas. Em contraste, o U60km subestimou a
intensidade e superestimou a frequência. O estudo reforça que a grade variável (V4km) é mais
eficaz para representar processos de convecção, evidenciando a relevância de resoluções mais
altas para melhorar a previsão de eventos extremos na China, apesar dos desafios em modelar
fenômenos como tufões e as dinâmicas da camada limite.
Apesar do avanço no uso do modelo MPAS em pesquisas, ainda são escassos os estudos
realizados no Brasil, especialmente aqueles focados em eventos extremos de precipitação. Um
dos trabalhos mais recentes e relevantes sobre essa temática é o de Lyra et al. (2024). Nesse
estudo, os autores investigaram as condições sinóticas de dois eventos extremos de chuva em
Alagoas, ocorridos em 01/07/2022 e 07/07/2023. Através das análises sinóticas, identificaram
que ambos os eventos estavam associados os DOLs. Além disso, os eventos foram
simulados no modelo MPAS (v7.3), O modelo que teve como condição inicial e de contorno a
reanálise ERA5 do ECMWF conseguiu simular a precipitação espacial e a intensidade dos dois
eventos. Os resultados das simulações mostraram que foi capaz de reproduzir de forma
satisfatória tanto a distribuição espacial quanto a intensidade da precipitação.
3 DADOS E METODOLOGIA
3.1 Área de estudo
A área de estudo está situada no Nordeste do Brasil (NEB), a segunda maior região do
país, com foco nos estados de Alagoas e Pernambuco (Figura 2), ambos localizados costa leste
do NEB. Em Pernambuco, a capital Recife (8,05°S; 34,88°W) concentra cerca de 9,7 milhões

de habitantes. O litoral do estado está inserido na Zona da Mata Pernambucana, com clima
tropical úmido, temperaturas elevadas ao longo do ano e maior volume de chuvas entre o outono
e o inverno. No interior, o Agreste funciona como zona de transição para o Sertão, que apresenta
clima semiárido, alta variabilidade de chuvas e longos períodos de seca. Em Alagoas, a capital
Maceió (9,66°S; 35,74°W) tem cerca de 3,4 milhões de habitantes. Possui um padrão climático
semelhante com litoral quente e úmido, seguido pelo Agreste e depois o Sertão semiárido
(IBGE, 2022; Alvares et al., 2013).
Figura 1 – Localização da Região Nordeste do Brasil com destaque dos estados de Alagoas e
Pernambuco (a) e América do Sul (b).

Fonte: Elaborado pela autora (2024).

3.2 Dados
3.2.1 Imagens de satélite
Para investigar os padrões de nebulosidade associados a eventos extremos de
precipitação, foram utilizadas imagens do satélite Geostationary Operational Environmental
Satellite (GOES-16), especificamente no canal 13 de infravermelho (10,3 μm), em intervalos
horários de 1 em 1 hora. Essas imagens estão disponíveis no banco de dados da Divisão de
Satélites e Sistemas Ambientais (DSA) do Centro de Previsão de Tempo e Estudos Climáticos
(CPTEC/INPE).

dados

estão

disponíveis

em:

https://satelite.cptec.inpe.br/acervo/goes16.formulario.logic.
O GOES-16 é um satélite geoestacionário, ou seja, sua órbita permite que ele permaneça
sobre o mesmo ponto do Equador, na longitude de 75,2°W. Em condições normais, ele
transmite imagens do continente sul-americano a cada 10 minutos. O satélite conta com 16

bandas radiométricas, incluindo duas no espectro visível, quatro no infravermelho próximo e
dez no infravermelho (Schmit et al., 2017).
Os dados do canal 13 são capturados por sensores que medem a radiação de ondas
longas emitidas por nuvens, superfícies continentais e oceânicas, A temperatura de brilho do
canal é calculada com base na Lei de Planck, que converte a emissividade das nuvens em
temperatura. Quanto menor a temperatura de brilho, mais profundas são as nuvens, o que indica
potencial para tempestades severas (NOAA, 2018).

3.2.2 Estações Meteorológicas
Foram utilizados dados de precipitação observacional provenientes de diferentes
instituições, de acordo com a localização dos eventos extremos de precipitação (EPE)
analisados. Para os EPE ocorridos no estado de Alagoas, usaram-se dados de estações
pluviométricas disponibilizados pela Secretaria de Estado do Meio Ambiente e dos Recursos
Hídricos de Alagoas (SEMARH-AL). Para o evento registrado no estado de Pernambuco,
utilizaram-se dados de estações fornecidos pelo Centro Nacional de Monitoramento e Alertas
de Desastres Naturais (CEMADEN). O primeiro evento contou com um total de 86 estações
pluviométricas, o segundo com 188 estações e o terceiro com 172 estações. Esses pontos de
observação foram utilizados para representar a distribuição espacial da precipitação e servir
como referência visual da precipitação.

3.2.3 Produto MERGE
Para as validações subsequentes do modelo, foram utilizados dados diários de
precipitação do produto MERGE, desenvolvido pelo CPTEC/INPE (disponíveis em:
ftp.cptec.inpe,br). O MERGE integra as observações de precipitação obtidas em estações
pluviométricas terrestres com estimativas por satélite (Rozante et al., 2010). Os dados possuem
uma resolução espacial de 0.1° x 0.1° em latitude e longitude. Desde a conclusão do Tropical
Rainfall Measuring Mission (TRMM) em 2015, o MERGE passou a ser gerado com base nos
dados do Global Precipitation Measurement (GPM), utilizando o produto Integrated Multisatellite Retrievals for GPM (IMERG) (Huffman, 2015).
Devido à escassez de estações meteorológicas em diversas regiões do Brasil,
especialmente NEB, os produtos que fazem a integração de dados de estações pluviométricas
com estimativas por satélite apresentam-se como uma alternativa para a análise de eventos

extremos de precipitação. Os satélites garantem uma série temporal contínua e consistente, além
de cobrir todo o território nacional. A técnica utilizada no MERGE tem como principal objetivo
reduzir incertezas e vieses nas estimativas de precipitação, sobretudo em áreas com baixa
densidade de estações observacionais. Assim, o MERGE serve como uma das ferramentas para
avaliar a precipitação na região do NEB (Rozante et al., 2020).
As análises dos modelos foram conduzidas com o produto MERGE/CPTEC. Essa
escolha se justifica pela maior densidade de pontos de dados do MERGE/CPTEC, o que é
crucial, uma vez que as estações pluviométricas são muito espaçadas, especialmente no EPE de
2017. Além disso, o MERGE/CPTEC, por integrar dados de estações e satélites, é uma opção
mais robusta para o evento de 2022. Embora a maior parte das estações do CEMADEN esteja
concentrada no litoral de Pernambuco, a utilização do MERGE/CPTEC permitirá uma
avaliação mais completa do campo espacial de precipitação, sendo fundamental para analisar a
destreza do modelo.

3.2.4 Produto ERA5
Foram utilizados dados da 5° geração da European ReAnalysis (ERA5) (HERSBACH
et al., 2020) fornecidos pelo European Centre for Medium-Range Weather Forecasts
(ECMWF). O ERA5 é a última geração de reanálise atmosférica do ECMWF e conta com
resolução horizontal de 31km (0.25° de latitude e longitude), além de uma resolução vertical
de 137 níveis de pressão e a frequência temporária de 1h (disponível em:
https://cds.climate.copernicus.eu/datasets/). Foram obtidos dados das variáveis de precipitação,
ômega, vento zonal e vento meridional para identificar o padrão de deslocamento associado aos
DOLs.

3.2.5 Modelo GFS
As simulações do modelo Global Forecast System (GFS) do National Centers for
Environmental Prediction (NCEP) foram utilizadas como referência operacional para fins

comparativos. O GFS é amplamente utilizado em centros de previsão do tempo ao redor do
mundo, devido à sua capacidade de fornecer previsões globais com boa cobertura temporal e
espacial. Para garantir consistência nas comparações, as rodadas do GFS utilizadas
corresponderam à mesma data e horário de inicialização das simulações com o MPAS. Assim,
foi possível comparar diretamente os campos de precipitação simulados pelos dois modelos,
sob condições iniciais equivalentes, reduzindo o impacto de fatores externos à física e dinâmica
dos modelos sobre os resultados.

3.3 Metodologia
3.3.1 Casos de EPE
A Tabela 2 exemplifica a localização e a data dos eventos que serão avaliados neste
estudo. O Evento de Precipitação Extrema (EPE1) ocorreu nos dias 27 e 28 de maio de 2017
(Figura 2a), que causou fortes chuvas no estado de Alagoas, onde foram registrados 173 mm/dia
(de acordo com estações pluviométricas) na cidade de Maceió, o que correspondeu a
aproximadamente 25% da média anual. Os impactos causados pelos eventos foram diversos,
como enchentes, desabrigados e até mortes. Em uma reportagem do G1 ALAGOAS (2017), foi
mostrado que as chuvas causaram quatro mortes e foi decretado estado de calamidade na cidade
de Maceió. O G1 PERNAMBUCO (2024) destacou como os impactos das chuvas em Recife
ainda deixam sinais, Mesmo após dois anos da tragédia das chuvas em Pernambuco, que deixou
133 mortos e mais de 120 mil pessoas afetadas pelo desastre, mais de duas mil pessoas ainda
não voltaram para suas casas. No caso mais recente, de 2024, o G1 ALAGOAS (2024) informou
que as chuvas do dia 7 de maio provocaram alagamentos e queda de árvores em Maceió, além
de destacar que choveu 45% do esperado para todo o mês de maio.
Tabela 1 – Localização dos casos de eventos extremos de precipitação.
Eventos Extremos de Precipitação
EPE1
EPE2
EPE3

Localização
Alagoas
Pernambuco
Alagoas

Data do evento
27/05/2017
28/05/2022
07/05/2024

Fonte: Elaborado pela autora (2025).

3.3.2 Simulações numéricas
O modelo MPAS-A foi utilizado para simular três eventos extremos de precipitação. O
MPAS é um modelo numérico não hidrostático, baseado nas equações primitivas, que se

destaca por empregar uma grade esférica com resolução variável, composta por malhas
hexagonais (Skamarock et al., 2012). Diferentemente dos modelos regionais tradicionais, o
MPAS é um modelo global, o que permite evitar os efeitos de descontinuidade gerados por
condições de contorno laterais impostas, uma das principais fontes de erro em simulações de
mesoescala. Além disso, sua estrutura permite o acoplamento direto entre processos de escala
sinótica e de mesoescala, promovendo um feedback mais realista entre os sistemas locais e a
circulação de grande escala.
As simulações foram conduzidas para duas versões do modelo: a versão 7.3 e a versão
8.2.2, ambas com uma grade de resolução variável, permitindo uma alta resolução e uma
simulação dos eventos sobre os estados em que ocorreram. Uma grade variável de 60-3 km
(Figura 2) foi configurada com refinamento centrado nas cidades de Maceió (9,50°S; 35,80°W)
e Recife (8,05°S; 34,88°W). Para as simulações dos eventos, todos os experimentos do MPAS
foram inicializados às 12:00 UTC do dia anterior ao dia que antecedeu o evento para permitir
um tempo de spin-up adequado (Skamarock et al., 2014). As simulações foram inicializadas
usando os dados de reanálise ERA5 com resolução horizontal de 0.25° às 12:00 UTC. Além
disso, foi utilizado o conjunto de parametrizações de convection-permitting (CP) modificando
o esquema de parametrização de microfísica de nuvem.
Figura 2 - Grade Variável do modelo (60-3km).

O conjunto de parametrizações CP permite resolver tanto os movimentos hidrostáticos
quanto os não hidrostáticos. No modelo MPAS foi testado grades que variam desde algumas
centenas de quilômetros até 3 km. É a configuração recomendada para qualquer aplicação do
MPAS que utilize grades capazes de resolver processos convectivos explicitamente com
espaçamento de grade menores que 10 km. Assim, permitindo ser utilizado de forma eficiente

tanto em alta resolução uniforme quanto em simulação com resolução variável, abrangendo
escalas onde os efeitos hidrostáticos e não hidrostáticos coexistem (NCAR, 2023).
No MPAS, o conjunto CP (Tabela 1) reúne os principais esquemas necessários para
simular convecção em malhas de alta resolução. Nesse conjunto, o esquema de microfísica de
nuvens padrão é o Thompson (Thompson et al., 2008; Thompson; Eidhammer, 2014), mas o
esquema WSM6 (Hong; Lim, 2006) também foi testado com as demais parametrizações do
conjunto de CP. Para a convecção de cúmulos é usado o esquema de Grell–Freitas (Grell &
Freitas, 2014), superfície terrestre com Noah na v7.3 (Chen; Dudhia, 2001) e Noah-MP na
v8.2.2 (Niu et al., 2011), camada limite planetária e camada superficial com MYNN (Nakanishi;
Niino, 2006), radiação de onda longa/curta com o esquema RRTMG (Rapid Radiative Transfer
Model for General Circulation Models; Iacono et al., 2008; Price et al., 2014) e arrasto de ondas
gravitacionais por orografia com YSU (Hong et al., 2006).
Entre as versões v7.3 e v8.2.2 do MPAS, a mudança mais relevante para as simulações
foi a inclusão do esquema de superfície terrestre Noah-MP. Essa atualização amplia a
representação dos processos de superfície ao acoplar múltiplas opções de vegetação, neve e
hidrologia, impactando diretamente o balanço de energia e água e, por consequência, fluxos
turbulentos, temperatura e umidade a 2 m, evolução da umidade do solo e o acoplamento terraatmosfera que influencia precipitação e convecção (Li et al., 2022).
Tabela 2 – Parametrizações físicas do convection-permitting usadas no MPAS.
Parametrizações
Microfísica de nuvens
Convecção de cumulus
Superfície terrestre
Camada Limite Planetária / Camada superficial
Radiação de OL / OC
Fração de nuvem para radiação
Arrasto de ondas gravitacionais por orografia

Esquemas
MPASv8.2.2
MPASv7.3
Thompson /
Thompson /
WSM6
WSM6
Grell-Freitas
Grell-Freitas
Noah-MP
Noah
MYNN
MYNN
RRTMG
RRTMG
Xu-Randall
Xu-Randall
YSU
YSU

Fonte: Adaptado de UCAR (2024).

3.3.2.1 Parametrização de microfísica das nuvens
Atualmente, o MPAS oferece 3 opções de parametrização da microfísica de nuvens,
abrangendo diferentes níveis de complexidade. Essas opções incluem: esquemas de nuvens
quentes (Kessler), single-moment (WSM6) e de double-moment, como o Thompson, que podem

ser utilizados com ou sem a inclusão de aerossóis. Dentre as parametrizações de microfísica
disponibilizadas pelo modelo MPAS, neste estudo serão usadas WSM6 e a Thompson:
Esquema WSM6
Hong, Dudhia e Chen (2004) destacaram a importância de uma nova abordagem para a
aplicação da microfísica de nuvens em modelos numéricos. Essa abordagem visava incorporar
uma representação mais realista dos processos de concentração, acreção e nucleação de gelo,
além de incluir a sedimentação de partículas de gelo e novas parametrizações que
considerassem diferentes fases do gelo. Essas melhorias foram implementadas no modelo WRF
por meio dos esquemas de momento simples (single-moment), que utilizam o método bulk.
Esses esquemas ficaram conhecidos como WRF-Single-Moment Microphysics Schemes
(WSMMPs).
O esquema WRF Single-Moment 6-Class (WSM6) é uma versão aprimorada das
parametrizações anteriores, introduzindo a inclusão do graupel e seus processos associados
(Hong e Lim, 2006). Uma das inovações do WSM6 é o método atualizado para representar a
velocidade de queda das partículas de gelo na fase mista, incluindo o graupel e seus processos
de agregação, Como um esquema de momento único (single-moment), ele incorpora equações
prognósticas para a razão de mistura de massa dos hidrometeoros.
O WSM6 resulta da combinação dos esquemas WSM3 e WSM5, adicionando a
sedimentação do gelo da nuvem. A inclusão desses processos promoveu melhorias
significativas, especialmente em três aspectos: (1) o aumento na quantidade de nuvens altas;
(2) uma representação mais precisa da precipitação na superfície; e (3) uma simulação mais fiel
da temperatura em larga escala, por meio de uma descrição aprimorada do gelo nas nuvens e
do albedo da superfície (Hong e Lim, 2006). Devido à sua complexidade e à inclusão de
processos relacionados a gelo, neve e graupel, o WSM6 é considerado adequado para
simulações em alta resolução, sendo amplamente utilizado em estudos meteorológicos e
climáticos.
Uma das principais vantagens dos esquemas single-moment é que a distribuição do
tamanho dos hidrometeoros é proporcional à sua massa, simplificando a modelagem dos
processos microfísicos. Esses esquemas representam com precisão os processos envolvendo o
gelo como uma função da temperatura, bem como a concentração de núcleos de gelo e cristais
de gelo, em função da quantidade de gelo presente. Em relação à concentração numérica de
gotas de chuva, o WSM6 apresenta uma distribuição relativamente uniforme ao longo da

direção vertical. As variações na concentração de gotas são pouco expressivas, mantendo um
parâmetro de interceptação constante para a chuva, o que contribui para a coerência dos
resultados nas simulações atmosféricas.
Esquema Thompson
A parametrização de Thompson (Thompson et al., 2008) é um esquema de doublemoment que calcula tanto a razão de mistura (concentração de massa) quanto a concentração
numérica de hidrometeoros em nuvens e precipitação, como gotículas de nuvens, cristais de
gelo, gotas de chuva e neve. Este esquema incorpora diversas melhorias nos processos físicos
e na sua codificação, resultando em maior precisão na representação dos fenômenos
atmosféricos.
Uma das principais distinções da parametrização de Thompson em relação a outros
esquemas é a maneira como a distribuição do tamanho da neve é tratada. Essa distribuição
depende tanto da quantidade de água gelada quanto da temperatura, sendo representada por uma
soma de distribuições exponencial e gama.
Além disso, a neve é modelada como não esférica, com densidade variável inversamente
proporcional ao diâmetro das partículas, ao contrário de outras parametrizações que assumem
neve esférica com densidade constante. Além disso, são utilizadas tabelas de consulta para
processos como fusão de gotas de água e conversão de gelo em neve torna a parametrização de
Thompson mais eficiente computacionalmente e permite uma maior precisão na modelagem
desses fenômenos.

3.3.3 Validação estatística
A avaliação dos resultados das simulações do modelo MPAS e reanálise foi conduzida
por meio de índices de destreza determinísticos, com o objetivo de verificar o grau de
correspondência entre os valores simulados pelo modelo e os dados observacionais, além de
compará-los com reanálises. A utilização desses índices possibilita uma análise objetiva do
desempenho do modelo, identificando potenciais erros sistemáticos e ajustando os parâmetros,
se necessário, para melhorar as previsões. Serão usados: Viés, raiz do erro quadrático médio
(RMSE) e do coeficiente de correlação (CC) entre as variáveis (Wilks, 2011).
1) Erro Médio (BIAS)

O Erro Médio é o erro sistemático ou tendencioso entre o modelo e o observado,
O cálculo espacial do BIAS forneceu mapas com as diferenças entre os valores de
precipitação média das simulações do modelo MPAS (Xs) e o observado
MERGE/CPTEC (Xo), onde i representa o índice do ponto de grade e n o número total
de pontos avaliados (Eq, 1). Valores de BIAS positivos indicam que a previsão do
modelo foi maior que do observado e o oposto acontece com resultados negativos
(Wilks, 2011).

𝐵𝐼𝐴𝑆 =

∑𝑛
𝑖=1(𝑥𝑆𝑖 −𝑥𝑂𝑖 )
𝑛

(1)

2) Coeficiente de Correlação (CC)
O coeficiente de correlação espacial mede o grau de relação entre as variáveis
do modelo e observada, seu cálculo é feito a parte correlação em cada ponto de grade
para todos os tempos das duas variáveis (Eq, 2), O CC varia entre -1 e 1, sendo uma
correlação direta quando positivo e inversa quando negativo (Wilks, 2011).

𝑟=

∑𝑛
𝑖=1(𝑥𝑆𝑖 −𝑥̅ 𝑆 )(𝑥𝑂𝑖 −𝑥̅ 𝑂 )
𝑛−1
2
2
√(∑𝑛
𝑖=1(𝑥𝑆𝑖 −𝑥̅ 𝑆 ) ) ∑𝑡=1 (𝑥𝑂𝑖 −𝑥̅ 𝑂 )

(2)

Onde 𝑥̅ é a média na área, calculado como:

𝑥̅ =

∑𝑛
𝑖=1 𝑥𝑖
𝑛

(3)

3) Raiz do Erro Quadrático Médio (RMSE)
O RMSE é usado para a verificação da acurácia de um determinado parâmetro,
ou seja, neste trabalho verificou o grau de exatidão dos modelos. Onde que zero é a
indicação de uma “simulação perfeita”, sendo assim, valores próximos ao zero é uma
indicação de menor erro. Para o cálculo do RMSE, primeiro calculou-se o RMSE para
cada tempo de análise e, em seguida, realizou-se uma média em todo o período de
análise (Wilks, 2011).

O RMSE foi calculado através da equação 4:
∑𝑛 (𝑥 −𝑥𝑜 )

𝑅𝑀𝑆𝐸 = √ 𝑖=1 𝑛𝑠

(4)

Para complementar os índices determinísticos, utilizou-se funções de densidade de
probabilidade (PDFs) para caracterizar a distribuição dos acumulados de precipitação no
período analisado e o comportamento da cauda direita associado aos eventos EPE. As PDFs
foram estimadas a partir dos acumulados a cada 3 h das simulações do MPAS, do GFS e do
produto MERGE/CPTEC, por meio de histogramas normalizados (frequência dividida pelo
total de amostras e pela largura de classe om classes mais finas em baixos acumulados e classes
em escala logarítmica para valores elevados, de modo a capturar adequadamente os extremos
(Martinez-Villalobos; Neelin, 2021). Foi usado o limiar de 0,5 mm na contagem para diminuir
a representação de chuva com valor zero. A comparação das PDFs permite identificar
deslocamentos de massa (viés), diferenças de dispersão e tendências de super/subestimação de
eventos raros.
4 RESULTADOS
Os casos a seguir já foram caracterizados em detalhe na literatura. Para o episódio de 27
a 28 de maio de 2017 em Alagoas, Lyra et al. (2025) descreveram os padrões sinóticos
dominantes, com a presença de uma perturbação de escala sinótica associada a uma frente fria
sobre o Sul do Brasil e a DOLs. Para o evento de 28 de maio de 2022 em Recife, Marengo et
al. (2023) mostraram que as precipitações intensas coincidiram com a atuação simultânea de
DOLs e de uma frente fria. Para evitar redundâncias, este trabalho se concentra na sensibilidade
do MPAS e na comparação entre os esquemas microfísicos. No entanto, imagens de satélite,
precipitação das estações meteorológicas e campos de linhas de corrente, divergência e ômega
foram usadas para mostrar os sistemas.
4.1 EPE1
As figuras 3 apresentam a evolução sinótica dos três eventos meteorológicos sobre a
Região Nordeste do Brasil (NEB), a partir de imagens do satélite GOES-16 no canal
infravermelho 13 (10,3 µm). Na figura 3, é possível observar o desenvolvimento de um sistema
sobre a porção leste do NEB. Às 00 UTC, observam-se núcleos convectivos isolados e de
pequena escala. Ao longo da madrugada, o sistema aumenta, atingindo sua máxima intensidade

às 12 UTC, evidenciando um aglomerado convectivo bem formado sobre os estados de Sergipe
e Alagoas, com temperaturas de topo de nuvem atingindo aproximadamente -70 °C. Às 18
UTC, o sistema inicia seu ciclo de dissipação, deslocando-se para o Oceano Atlântico.
Figura 3 - Imagens do satélite GOES-16 no canal do infravermelho (banda 13) do sistema de
27 de maio de 2017 sobre o Nordeste do Brasil nos horários sinóticos de 00, 06, 12 e 18 UTC.

Fonte: CPTEC/INPE, adaptado pela autora (2025).

A Figura 4 apresenta a interpolação da precipitação acumulada do dia 27/05/2017 em
Alagoas, utilizando 86 estações meteorológicas da SEMARH-AL. A partir da análise da figura,
observa-se que as chuvas mais intensas, com acumulados superiores a 120 mm/dia, ocorreram
nas regiões litorâneas e em partes do Agreste do estado. A capital, Maceió, registrou

acumulados acima de 130 mm/dia, enquanto a região do Sertão alagoano apresentou os menores
volumes, com a maioria dos pontos abaixo de 50 mm/dia. Esses dados indicam que o evento
extremo ocorreu predominantemente na porção litorânea do estado.
Figura 4 – Precipitação acumulada das estações meteorológicas para o EPE do dia 27/05/2017
em Alagoas.

Fonte: Elaborado pela autora (2025).

A Figura 5, mostra os campos de linha de corrente e divergência em 850 hPa para o
EPE1. O cavado aparece a leste do NEB com eixo orientado de nordeste para sudoeste,
inicialmente entre 7 e 10°S e de 36 a 39°W, com confluência dos alísios de nordeste para a
faixa costeira de Alagoas e Pernambuco (Figura 5a). Nas horas seguintes o eixo mantém-se
entre 8 e 11°S e de 36 a 38°W (Figura 5b), aproximando-se da costa e reforçando uma banda
de convergência paralela ao litoral próximo de 9,5°S e 35,5°W. As 6 UTC, observa-se uma
movimentação para oeste com eixo entre 8 e 10°S e de 35 a 37°W e máximos de convergência
sobre Maceió, em torno de 9 a 9,8°S e 34,8 a 35,8°W (Figura 5c). As 12 UTC, o eixo muda de
35 para 36°W entre 8 e 10°S, com o núcleo convergente ancorado na costa leste de Alagoas,
próximo de 9,5°S e 35,6°W, formando um ambiente favorável a ascensão e organização
convectiva (Figura 5d). O conjunto do eixo, curvatura ciclônica dos alísios, avanço do cavado
para entre 35 e 36°W e banda de convergência costeira persistente nas figuras, constitui
evidência da atuação de um DOL em baixos níveis.

Figura 5 - Linha de corrente (m/s) e divergência (sombreada, 104/s) em 850 hPa 26 de maio de
2017 às 18 (a) e 27 de maio de 2017 às 00 (b), 06 (c), 12 UTC (d) com os dados da reanálise
ERA5.

Fonte: Elaborado pela autora (2025).

Na figura 6 mostra o Hovmöller da 1ômega em 500 hPa ao longo de 9°S, evidenciando
a propagação de leste para oeste desde o Atlântico (entre 40 e 38°W) até a costa de Alagoas
(entre 36 e 35,5°W). Os núcleos de ascensão apresentam valores negativos de ômega entre −80
a −100 Pa/s no pico junto à costa (27/05), com valores oceânicos anteriores ao evento na faixa
−50 a −70 Pa/s. Esses valores de ômega negativos indicam convecção mais profunda, e a
inclinação tempo–longitude confirma a passagem de um DOL em coerência com o período de
chuva mais intensa observado no EPE1.
Figura 6 - Diagrama de Hovmöller de ômega (Pa/s; 500 hPa) entre 25 e 27 de maio a 9°S de
latitude.

Fonte: Elaborado pela autora (2025).

A Figura 7 apresenta os campos de precipitação acumulada diária no dia 27 de maio de
2017. O dado observado pelo MERGE/CPTEC (Figura 7a) mostra um núcleo bem definido de
chuva intensa sobre a costa leste de Alagoas, especialmente na região de Maceió, com
acumulados variando entre 90 e 150 mm/dia. A reanálise ERA5 (Figura 7b), utilizada como
base para as condições iniciais e de contorno do MPAS, não representa adequadamente a
intensidade do evento, com valores máximos inferiores a 60 mm/dia e ausência de um núcleo
bem definido sobre Alagoas. A distribuição espacial da chuva também aparece dispersa, com
pouca correspondência com o MERGE/CPTEC.
O modelo GFS_25km (Figura 7c) apresenta valores abaixo de 60 mm/dia em todo o
domínio, apesar de mostrar chuvas na região que ocorreu o evento os valores são bem inferiores
ao do MERGE/CPTEC. A simulação com MPASv7.3 com o WSM6 (Figura 7d) apresenta uma
superestimação da extensão do sistema, com valores acima de 150 mm/dia. Já a simulação com
Thompson (Figura 7e) mostra acumulados entre 100 e 130 mm/dia, com melhor coerência em
relação à faixa litorânea, embora a simulação com WSM capture o núcleo mais intensidade
observada sobre Maceió.
Com o MPASv8.2.2, observa-se melhora na distribuição da chuva. O WSM6 (Figura
7f) ainda apresenta altos valores de precipitação, no entanto menos no sul de Alagoas
comparado a versão anterior. Por outro lado, a simulação com Thompson (Figura 7g) demonstra
padrão espacial mais próximo do observado, com acumulados entre 90 e 120 mm/dia sobre a
área de interesse, embora ainda subestime o núcleo mais intenso da capital alagoana.

Figura 7 – Precipitação acumulada (mm/dia) em 27 de maio de 2017. Comparação entre a
precipitação observada pelo MERGE/CPTEC (a) e ERA5 (b), GFS_25km (c),
MPASv7.3_WSM6

(d),

MPASv7.3_THMP

(e),

MPASv8.2.2_WSM6

(f)

MPASv8.2.2_THMP (g).

Fonte: Elaborado pela autora (2025).

Na Figura 8a, o modelo GFS_25km apresenta predominantemente valores negativos de
BIAS, evidenciando uma subestimação da precipitação em relação ao MERGE/CPTEC. As
subestimações mais intensas ocorrem no interior de Alagoas e na Zona da Mata, com valores
abaixo de -30 mm/dia, o que aponta uma limitação relevante na representação da intensidade
do evento. Pequenas regiões próximas ao litoral norte exibem BIAS positivo, indicando
superestimações pontuais. Além disso, na região de Maceió, onde se concentrou o evento
extremo, ocorrem as maiores subestimações, com valores inferiores a -80 mm/dia.
A simulação com o MPASv7.3 utilizando o esquema WSM6 (Figura 8b) apresenta uma
leve redução da subestimação, especialmente em áreas do litoral centro-norte, embora o sertão
alagoano ainda apresente viés negativo relevante. O esquema Thompson (Figura 8c) melhora
consideravelmente o desempenho, com ampla área de BIAS próximo de zero, sobretudo no

leste do domínio. No entanto, a simulação ainda subestima significativamente a precipitação
em Maceió, justamente na região mais afetada pelo evento.
Nas simulações com o MPASv8.2.2, os resultados são ainda mais promissores. A
simulação com WSM6 (Figura 8d) apresenta viés mais suave no litoral e subestimações
reduzidas na capital, com valores próximos de zero. A configuração com Thompson (Figura
8e) exibe o menor BIAS entre todas as simulações, com padrão espacial mais homogêneo e
ausência de valores extremos em grande parte do estado. Ainda assim, na área mais próxima
do núcleo do evento (região metropolitana de Maceió), ocorre uma subestimação entre -20 e 60 mm/dia.
Figura 8 – BIAS da precipitação do EPE1 entre o MERGE/CPTEC e as simulações do
GFS_25km (a), MPASv7.3 WSM6 (b), MPASv7.3 THMP (c), MPASv8.2.2 WSM6 (d) e
MPASv8.2.2 THMP(e).

Fonte: Elaborado pela autora (2025).

O EPE1 (Figura 9) é caracterizado por um predomínio de eventos de baixa intensidade.
A curva observacional (MERGE) apresenta distribuição com pico bem definido nas faixas de
1 a 6 mm, e rápida queda da frequência para acumulados superiores. A simulação
MPASv8.2.2_THMP apresentou subestimação da frequência de chuvas fracas (1 a 2.5 mm),
mas superestimou eventos com acumulados de 5-10 mm. A simulação MPASv8.2.2_WSM6,
por outro lado, apresentou uma concentração maior na faixa de 10–20 mm e maior total de
eventos intensos.
A versão anterior, MPASv7.3_THMP, também apresentou comportamento semelhante,
com leve deslocamento da distribuição para intensidades mais baixas. Já o modelo GFS,
utilizado como referência operacional, apresentou desempenho intermediário, pois reproduziu
adequadamente a frequência dos eventos leves e moderados, mas falhou na simulação de
acumulados acima de 15 mm. No geral, no EPE1, todos os modelos subestimaram os
acumulados mais elevados, embora o MPASv8.2.2_THMP tenha sido o mais próximo da
distribuição observada.

Figura 9 – Funções de densidade de probabilidade (PDFs) do acumulado de 3 h da precipitação
para o EPE1.

Fonte: Elaborado pela autora (2025).

4.2 EPE2
No EPE2 (Figura 10), desde as 00 UTC, o sistema já se apresenta bem desenvolvido e
com um núcleo intenso sobre a costa de Pernambuco e Alagoas. Sua característica mais
proeminente é a vasta área com temperaturas de brilho extremamente baixas, inferiores a -80
°C, indicativo de uma convecção muito profunda e severa. Às 06 UTC, o sistema se expande e

mantém sua intensidade, com o núcleo frio persistindo sobre a região costeira de Pernambuco.
O sistema permanece intenso e de grande escala às 12 UTC, ainda que o núcleo mais frio
comece a diminuir de tamanho. Às 18 UTC, o sistema mostra sinais de enfraquecimento, com
o aquecimento dos topos de nuvem e um deslocamento para leste, sobre o oceano.
Figura 10 - Imagens do satélite GOES-16 no canal do infravermelho (banda 13) do sistema de
28 de maio de 2022 sobre o Nordeste do Brasil nos horários sinóticos de 00, 06, 12 e 18 UTC.

Fonte: CPTEC/INPE, adaptado pela autora (2025).

A Figura 11 mostra a interpolação da precipitação acumulada no estado de Pernambuco
para o dia 28/05/2022, com base em dados de 188 estações meteorológicas do CEMADEN. As
maiores concentrações de chuva, com acumulados acima de 120 mm/dia, estão localizadas na

porção leste do estado, especialmente na região metropolitana do Recife. A precipitação
diminui gradativamente em direção ao oeste do estado, o que sugere um fenômeno com maior
intensidade em uma área mais localizada.
Figura 11 – Precipitação acumulada das estações meteorológicas para o EPE do dia 28/05/2022
em Pernambuco.

Fonte: Elaborado pela autora (2025).

Na Figura 12, observa-se os campos de linha de corrente e divergência em 850 hPa para
o EPE2. O cavado está bem definido no Atlântico tropical sudoeste, com eixo de nordeste para
sudoeste entre 7 e 10°S e de 34 a 37°W, já induzindo convergência sobre a faixa costeira de
Pernambuco e Alagoas, por volta de 8 a 9,5°S e 34,5 a 35,5°W (Figura 12a). À meia-noite, o
eixo encosta na costa entre 8 e 10°S e de 33,5 a 35,5°W, concentrando máximos de
convergência sobre a RMR e a Zona da Mata, em torno de 8,1 a 8,5°S e 34,9 a 35,3°W (Figura
12b). Às 6 UTC, observa-se avanço para oeste do eixo, que alcança 33 a 35°W entre 8 e 10°S,
mantendo núcleos convergentes costeiros próximos de 8 a 9°S e 34,7 a 35,1°W (Figura 10c).
Às 12 UTC, persiste um cavado raso com eixo entre 33 e 35°W e 8 a 10°S e banda convergente
ativa a 8 a 9,5°S e 34,5 a 35,0°W, coerente com os picos de precipitação (Figura 12d). Os
campos novamente mostram a atuação de DOLs.

Figura 12 - Linha de corrente (m/s) e divergência (sombreada, 104/s) em 850 hPa 27 de maio
de 2022 às 18 (a) e 28 de maio de 2022 às 00 (b), 06 (c), 12 UTC (d) com os dados da reanálise
ERA5.

Fonte: Elaborado pela autora (2025).

Na figura 12 mostra o Hovmöller da ω em 500 hPa em 8°S, com perturbações que no
Atlântico (aproximadamente entre 39-33°W) e chegam próximo à costa (aproximadamente
35°W) em 28/05 no litoral Pernambuco. Os núcleos de ascensão atingem valores de ômega
entre -80 a -100 Pa/s no período de máxima organização. A intensificação de valores negativos
de ômega com a aproximação da costa reforça a atuação de DOLs sustentando convecção
organizada no caso de 2022.
Figura 13 - Diagrama de Hovmöller de ômega (Pa/s; 500 hPa) entre 23 e 28 de maio a
8°S de latitude.

Fonte: Elaborado pela autora (2025).

A Figura 14 apresenta a distribuição espacial da precipitação acumulada no dia 28 de
maio de 2022. Observa-se no campo dos dados do MERGE/CPTEC (Figura 14a), o evento
extremo foi caracterizado por acumulados superiores a 150 mm/dia, especialmente

concentrados na faixa leste do estado, abrangendo a Região Metropolitana do Recife (RMR), a
Zona da Mata Pernambucana e parte do Agreste próximo ao litoral. A reanálise ERA5 (Figura
14b), subestima a intensidade da precipitação, apresentando valores máximos entre 80 e 100
mm/dia e falha na representação da concentração do núcleo mostrando um padrão de
precipitação mais espalhado e suavizado.
A simulação do GFS_25km (Figura 14c) apresenta uma superestimação da precipitação,
com valores que ultrapassam 150 mm/dia no leste de Pernambuco, cobrindo uma área maior do
que a do MERGE/CPTEC. O modelo reproduz razoavelmente bem a localização do núcleo,
mas exagera na intensidade e na extensão da área chuvosa, gerando um campo que é mais amplo
e mais intenso do que o representado pelo MERGE/CPTEC. O núcleo que, na observação,
aparece restrito à faixa litorânea, é expandido pelo GFS em direção ao interior.
A simulações com MPASv7.3 os dois esquemas de parametrização apresentaram um
núcleo de precipitação mais intenso no Sul da Zona da Mata Pernambucana e Agreste,
evidenciando um núcleo fechado que atinge o norte de Alagoas. O esquema WSM6 (Figura
14d) apresenta uma variação maior da precipitação, embora não atinja os valores máximos do
MERGE/CPTEC na RMR. A simulação com Thompson (Figura 14e) mostra uma faixa de
chuva menos na costa da RMR com acumulados de 40 a 100 mm/dia, subestimando levemente
a intensidade.
A versão MPASv8.2.2 do modelo apresenta diferenças maiores entre as
parametrizações. O esquema WSM6 (Figura 15f) apresenta maiores acumulados na área como
um do se comparado com os outros, com acumulados entre 70 e 140 mm/dia. Já a simulação
com Thompson (Figura 15g) demonstra um desempenho inferior, com acumulados inferiores a
40 mm/dia na maior parte da faixa litorânea.

Figura 14 – Precipitação acumulada (mm/dia) em 28 de maio de 2022. Comparação entre a
precipitação observada pelo MERGE/CPTEC (a) e ERA5 (b), GFS_25km (c),
MPASv7.3_WSM6

(d),

MPASv7.3_THMP

(e),

MPASv8.2.2_WSM6

(f)

MPASv8.2.2_THMP (g).

Fonte: Elaborado pela autora (2025).

4.3 EPE3
Na figura 15, o sistema já se apresenta em formação sobre os estados de Sergipe e
Alagoas às 00 UTC, exibindo um núcleo inicial com temperaturas de brilho (TB) extremamente
baixas, inferiores a -80 °C. O momento de maior desenvolvimento ocorre seis horas depois, às
06 UTC, quando o sistema demonstra uma maior intensificação em um núcleo com
temperaturas de topo de nuvem extremamente frias sobre a região de Alagoas. A partir deste
pico, o sistema entra em fase de enfraquecimento. Às 12 UTC, a imagem mostra o início da
dissipação do sistema com mudança do núcleo intenso e as temperaturas do topo das nuvens
entre -60 °C e -70 °C. Apesar do enfraquecimento, o sistema ainda cobre uma área extensa
sobre Alagoas e o oceano adjacente. Finalmente, às 18:10 UTC, o sistema encontra-se em plena
fase de dissipação, com apenas nuvens remanescentes e sem a presença de um núcleo frio
organizado.

Figura 15 – Imagens do satélite GOES-16 no canal do infravermelho (banda 13) do sistema de
07 de maio de 2024 sobre o Nordeste do Brasil nos horários sinóticos de 00, 06, 12 e 18 UTC.

Fonte: CPTEC/INPE, adaptado pela autora (2025).

Na Figura 16 exibe a interpolação da precipitação acumulada em Alagoas para o dia
07/05/2024, a partir de 172 estações meteorológicas da SEMARH-AL. A partir da análise da
figura, observa-se que a maior concentração de chuvas, com valores superiores a 100 mm/dia,
está localizada na região sul do estado, abrangendo as sub-regiões do Litoral e do Agreste. Em
cidades como Cururipe os acumulados ultrapassam 150 mm/dia. As chuvas diminuem em
direção ao norte do estado, com acumulados abaixo de 50 mm/dia.

Figura 16 – Precipitação acumulada das estações meteorológicas para o EPE do dia 07/05/2024
em Alagoas.

Fonte: Elaborado pela autora (2025).

A Figura 17, mostra os campos de linha de corrente e divergência em 850 hPa para o
EPE3. O cavado amadurece a leste da costa com eixo inicialmente entre 6 e 10°S e de 36 a
39°W e convergência a aproximadamente 200 a 300 km do litoral, próxima de 9 a 10°S e 36 a
37°W (Figura 17a). À meia-noite, o eixo avança para 35 a 37°W entre 8 e 10°S, com máximo
convergente já junto ao litoral de Alagoas, em torno de 9,3 a 9,8°S e 35,4 a 35,9°W (Figura
17b). Às 6 UTC, o eixo praticamente cruza a linha de costa em 35 a 36°W e 8,5 a 10°S,
mantendo convergência costeira persistente por volta de 9,5°S e 35,6°W (Figura 17c). Às 12
UTC, inicia-se atenuação e leve deslocamento do cavado para oeste ou noroeste, com eixo em
34,5 a 35,5°W e 8 a 10°S e sinal convergente ainda na faixa Alagoas e Pernambuco, próximo
de 9 a 9,8°S e 34,8 a 35,4°W, porém mais difuso (Figura 17d). Assim como no EPE2, a
progressão leste–oeste do cavado, a curvatura ciclônica e a maximização da convergência
costeira quando o eixo se aproxima de 35 e 36°W constituem evidência clara da presença e
atuação de um DOL em baixos níveis.

Figura 17 - Linha de corrente (m/s) e divergência (sombreada, 104/s) em 850 hPa 06 de maio
de 2024 às 18 (a) e 07 de maio de 2024 às 00 (b), 06 (c), 12 UTC (d) com os dados da reanálise
ERA5.

Fonte: Elaborado pela autora (2025).

Para o EPE3, a figura 18 mostra o Hovmöller do ômega em 500 hPa em 10°S, é possível
observar que o evento tem uma propagação diferente dos outros eventos, mas ainda se nota a
propagação de leste para oeste, que se intensificam em entre 37-36°W ao alcançar a costa, com
pico em 07/05. Os valores de ômega na costa de Alagoas ficam entre −80 a −100 Pa/s. Após o
pico, observa-se enfraquecimento e esgarçamento do sinal a partir de 08/05, compatível com a
passagem do eixo da perturbação. A assinatura dinâmica é similar aos demais casos em que
tem-se uma gênese oceânica, propagação de leste para oeste e o máximo junto à costa.
Figura 18 - Diagrama de Hovmöller de ômega (Pa/s; 500 hPa) entre 05 e 08 de maio a 10°S
de latitude.

Fonte: Elaborado pela autora (2025).

A Figura 19 apresenta a distribuição espacial da precipitação acumulada do dia 7 de
maio de 2024. O MERGE/CPTEC (Figura 19a) apresenta um evento foi caracterizado por
acumulados extremos ao longo da faixa litorânea sul e centro do estado, com valores superiores
a 150 mm/dia, alcançando até 130 mm/dia nas proximidades de Maceió. A distribuição espacial
da chuva indica um núcleo concentrado e bem definido sobre o litoral, evidenciando um
episódio de convecção intensa.
A reanálise ERA5 (Figura 19b) subestima a intensidade da precipitação e não reproduz
o núcleo observado. Os maiores acumulados não ultrapassam 90 mm/dia. O campo simulado
pelo ERA5 não evidencia o evento extremo registrado e desloca o núcleo para o interior. Na
Figura do GFS_25km (Figura 19c) observa-se que o modelo simula um acumulado de
precipitação bem definido sobre o litoral e parte do Agreste de Alagoas, com valores máximos
acima de 150 mm/dia, superestimando a intensidade da precipitação em algumas regiões, mas
reproduz a localização do núcleo chuvoso.
As simulações com o MPASv7.3 mostram uma divisão no volume de precipitação, que
começa mais intenso na costa e vai diminuindo ao entrar mais no interior do estado, similar ao
GFS, mas com volumes de precipitação menores. O WSM6 (Figura 19d) apresenta acumulados
de 140 mm/dia, com máxima bem localizada sobre o litoral sul, reproduzindo parcialmente o
núcleo observado. No entanto, a área de maior precipitação aparece mais extensa do que no
MERGE/CPTEC, mesmo não sendo mais intensa. O esquema Thompson (Figura 19e),
apresenta uma mancha de precipitação mais restrita no entorno da região do evento, com
máximos entre 110 mm/dia, representando a precipitação, mas subestimando sua intensidade.
Na versão do modelo MPASv8.2.2 apresenta uma maior divergência entre as duas
parametrizações. A simulação com WSM6 (Figura 19f) apresenta valores próximos a 150
mm/dia sobre o litoral norte, mas com precipitações entre 90 mm/dia no entorno do evento. Já
o Thompson (Figura 19g) mostra distribuição com volumes menores em toda a extensão do
estado, no entanto há um núcleo na mesma localização do MERGE/CPTEC, embora não atinja
os valores máximos registrados.

Figura 19 – Precipitação acumulada (mm/dia) em 07 de maio de 2024. Comparação entre a
precipitação observada pelo MERGE/CPTEC (a) e ERA5 (b), GFS_25km (c),
MPASv7.3_WSM6

(d),

MPASv7.3_THMP

(e),

MPASv8.2.2_WSM6

(f)

MPASv8.2.2_THMP (g).

Fonte: Elaborado pela autora (2025).

Essa diferença entre o modelo e o observado contrasta com os resultados de Lyra et al.
(2024), que obtiveram simulações mais satisfatórias para outros eventos extremos de
precipitação na mesma região dos casos 1 e 3, utilizando o MPAS. A dificuldade em simular a
intensidade e localização do evento pode estar mais ligada à escolha do conjunto geral de
parametrizações do que à microfísica. A performance inferior do conjunto de convectionpermitting levanta a hipótese de que o conjunto de Mesoescale seja mais adequada para a
previsão de eventos extremos na costa leste do NEB. Bem como, a dinâmica dos sistemas
meteorológicos de cada caso pode ter apresentado desafios para o modelo que não estavam
presentes nos eventos analisados por Lyra et al, (2024).

O terceiro caso, mostrado na Figura 20, corresponde a um evento de maior intensidade
associado à convecção profunda. O GFS_25km (Figura 20a) volta a apresentar subestimação
predominante, especialmente no norte do litoral e no interior de Alagoas, com apenas uma
pequena área no litoral sul, coincidente com parte do evento, com valores próximos de zero.
Apesar disso, a subestimação atinge no máximo -20 mm/dia, o que representa um desempenho
relativamente melhor do que nas regiões superestimadas, que ultrapassaram 80 mm/dia.
Na simulação com o MPASv7.3 e WSM6 (Figura 20b), há uma redução os valores do
BIAS, embora apresente áreas de superestimação significativa na faixa centro-leste. No litoral
centro-sul, o modelo volta a subestimar fortemente, com valores inferiores a -80 mm/dia. O
esquema Thompson (Figura 20c) exibe padrão similar ao WSM6, com diferenças pontuais na
subregião do sertão Alagoano, onde o WSM6 superestima e o Thompson tende a subestimar.
Porém, destaca-se a região próxima à capital, onde o viés se aproxima de zero.
As simulações com o MPASv8.2.2 mantêm o padrão geral de desempenho. Com WSM6
(Figura 20d), observa-se pouca diferença em relação à versão anterior. Já com Thompson
(Figura 20e), há uma melhora perceptível na distribuição do BIAS, principalmente na área
anteriormente superestimada, que agora apresenta valores entre 0 e 20 mm/dia. Ainda assim,
todas as simulações do MPAS, mesmo na versão mais recente, subestimam a precipitação na
região centro-sul do estado, local associada ao núcleo do evento.
No geral, o GFS_25km apresentou desempenho inferior nos três casos analisados, com
subestimação nos EPE 1 e 3, e superestimação acentuada no EPE2, falhando em representar
adequadamente os núcleos de precipitação intensa. Enquanto o MPASv7.3, especialmente com
o esquema Thompson, mostrou avanços em relação ao GFS, com redução do BIAS e maior
fidelidade à distribuição observada, mas ainda com limitações evidentes na região do evento
principal, como em Maceió e Recife.
A atualização para o MPASv8.2.2 contribuiu para melhorar significativamente a
distribuição espacial do BIAS, com destaque para o uso do esquema Thompson, que
proporcionou maior homogeneidade, redução de extremos e melhor representação dos eventos.
Mesmo nas melhores simulações, ainda ocorrem subestimações persistentes nas regiões
centrais e costeiras do domínio, especialmente nos locais onde se concentraram os eventos
extremos, evidenciando que há espaço para ajustes nos parâmetros físicos ou na resolução
espacial.

Figura 20 – BIAS da precipitação do EPE3 entre o MERGE/CPTEC e as simulações do
GFS_25km (a), MPASv7.3 WSM6 (b), MPASv7.3_THMP (c), MPASv8.2.2 WSM6 (d) e
MPASv8.2.2_THMP (e).

Fonte: Elaborado pela autora (2025).

O EPE3 (Figura 21) caracteriza-se pela ocorrência de eventos extremos de precipitação,
com acumulados superiores a 30 mm em 3 horas. A curva do MERGE/CPTEC apresenta uma
distribuição com cauda longa, evidenciando a ocorrência desses eventos de alta magnitude.
Nenhum dos modelos foi capaz de reproduzir de forma satisfatória essa característica.
A simulação MPASv8.2.2_THMP, embora tenha mantido alguma coerência com os
bins intermediários (10-20 mm), falhou em simular adequadamente os extremos, com queda
abrupta da frequência após 25 mm. As simulações MPASv7.3_THMP e MPASv8.2.2_WSM6

foram ainda mais diferentes, com concentração da densidade em acumulados inferiores a 10
mm e ausência de eventos mais extremos, como já foi observado nas distribuições espaciais da
precipitação. O modelo GFS, por sua vez, apresentou desempenho inferior, limitando sua
distribuição a acumulados fracos e moderados.
Esse comportamento comum entre os modelos evidencia uma dificuldade sistemática
em representar a física associada a convecção profunda e precipitação extrema. A resolução dos
modelos e a escolha do esquema microfísico impactam diretamente esses resultados, sendo o
esquema THPM aquele que mais se aproximou da observação, embora ainda com limitações
relevantes.
Figura 21 – Funções de densidade de probabilidade (PDFs) do acumulado de 3 h da
precipitação para o EPE3.

Fonte: Elaborado pela autora (2025).

Os resultados do PDF indicam que a simulação MPASv8.2.2 com o esquema de
microfísica das nuvens Thompson apresentou o melhor desempenho relativo entre as
simulações, especialmente na representação de eventos moderados a intensos. A combinação
MPASv8.2_WSM6 mostrou-se limitada, com viés consistente em favor de chuvas fracas. O
modelo GFS, apesar de sua relevância operacional, apresentou desempenho inferior nos três
casos, especialmente na representação de eventos extremos. Em contrapartida, em um estado
de precipitação extrema para China Oriental, Zhao et al. (2019) apresentaram uma análise de
microfísica das nuvens no modelo MPAS-A. Na análise PDF realizada pelos autores, os
esquemas de microfísica, especialmente em resoluções variáveis de 60-4 km, tiveram como
resultados que o esquema Thompson tendendo a superestimar a frequência e intensidade dos
eventos mais extremos em comparação com o WSM6.

De forma geral, as PDFs dos três eventos mostram um padrão consistente em que o
MPAS v8.2.2 com Thompson apresentou o melhor desempenho, sobretudo na faixa de
precipitações moderadas, enquanto o WSM6 concentrou frequência em chuva fraca e o GFS
manteve desempenho inferior nos acumulados mais altos. Observa-se, porém, uma dificuldade
em representar a cauda direita (≥25–30 mm em 3 h) em todos os modelos, indicando limitações
na representação da convecção profunda. Nenhuma configuração capturou adequadamente os
extremos mais intensos, reforçando a necessidade de novas investigações e ajustes no modelo.

4.4 Validação dos EPE
A Tabela 3 apresenta uma avaliação quantitativa do desempenho das simulações do
modelo numérico MPAS nas versões 7.3 e 8.2.2 e as parametrizações de microfísica de nuvens
de WSM6 e Thompson, além do modelo GFS com resolução de 25 km, aplicadas a três eventos
extremos de precipitação. A comparação com os dados do MERGE/CPTEC foi feita por meio
de três métricas estatísticas: o BIAS (viés), que indica a tendência sistemática de
superestimação ou subestimação; o RMSE, que mede a magnitude geral dos erros; e o CC, que
avalia a capacidade do modelo em reproduzir o padrão espacial e temporal do fenômeno
observado.
No evento de 27 de maio de 2017, observa-se que todas as simulações com o MPAS
apresentaram superestimação da precipitação, com destaque para a configuração MPASv8.2.2
com WSM6, que registrou o maior BIAS de 87,16 mm/dia e RMSE de 105,82 mm/dia. Em
contrapartida, a simulação com Thompson nessa mesma versão do modelo reduziu
substancialmente os erros sistemáticos, com BIAS de 32,52 mm/dia e RMSE de 60,08 mm/dia,
apresentando o segundo melhor desempenho em termos de magnitude. Apesar disso, o maior
coeficiente de correlação de 0,49 foi obtido com o MPASv7.3 com WSM6, indicando melhor
correspondência espacial com o campo observado. Ainda assim, esse valor de correlação não é
alto, refletindo a dificuldade do modelo em representar a distribuição espacial da precipitação
neste caso, possivelmente devido à natureza caótica do evento e à predominância de processos
convectivos de pequena escala.
Para o evento de 28 de maio de 2022, houve uma melhoria geral no desempenho das
simulações. A versão MPASv8.2.2 com Thompson destacou-se por apresentar os menores
valores de BIAS de 6,92 mm/dia e RMSE de 30,23 mm/dia, indicando uma aproximação
bastante satisfatória entre os campos simulados e observados. O WSM6, nesta mesma versão
do modelo, também apresentou resultados consistentes, com RMSE de 55,44 mm/dia e o maior

CC do caso de 0,45, sugerindo uma boa representação da estrutura espacial da precipitação,
embora ainda com superestimação em relação ao observado. O modelo GFS mostrou
desempenho inferior, com BIAS de 77,63 mm/dia e RMSE de 128,07 mm/dia, o que indica
uma superestimação acentuada do evento e erros generalizados de maior magnitude.
O evento de 7 de maio de 2024 foi o melhor representado entre os três analisados. A
simulação com o MPASv8.2.2 utilizando o esquema Thompson apresentou o melhor
desempenho geral, com BIAS de –36,60 mm/dia, RMSE de 56,41 mm/dia e coeficiente de
correlação de 0,75, o maior entre todas as simulações realizadas. Embora o valor negativo do
BIAS indique uma tendência de subestimação, como já foi visto na distribuição espacial. O
GFS apresentou valores extremamente altos de BIAS de 130,24 mm/dia e RMSE de 159,42
mm/dia, reforçando uma superestimação do evento extremo região, mesmo tendo alcançado
um CC de 0,64. Já a configuração MPASv7.3 com WSM6 apresentou BIAS próximo de zero
de –3,06 mm/dia, com RMSE de 57,28 mm/dia e CC de 0,33, confirmando uma performance
aceitável, porém inferior à versão mais recente do modelo.

Tabela 3 – Métricas estatísticas de precipitação acumulada (mm/dia) para cada evento.
EPE1 (27/05/2017)

EPE2 (28/05/2022) EPE3 (07/05/2024)

BIAS

RMSE CC

BIAS RMSE CC

GFS_25km

2,37

21,21 0,15

77,63 128,07 0,28

130,24 159,42 0,64

MPASv7.3_WSM6

73,76

94,81 0,49

35,34 61,27 0,44

-3,06

MPASv7.3_THMP

41,19

69,89 0,26

26,01 52,23 0,28

-13,60 60,45 0,31

MPASv8.2.2_WSM6 87,16

105,82 0,14

35,61 55,44 0,45

1,90

MPASv8.2.2_THMP 32,52

60,08 0,21

6,92

-36,60 56,41 0,75

Fonte: Elaborado pela autora (2025).

30,23 0,38

57,28 0,33

60,28 0,18

5 CONSIDERAÇÕES FINAIS
Este estudo teve como objetivo avaliar a sensibilidade do modelo atmosférico MPAS
na simulação de três eventos extremos de precipitação associados aos Distúrbios Ondulatórios
de Leste (DOLs), ocorridos em 2017, 2022 e 2024 na costa leste do Nordeste do Brasil. Foram
realizadas simulações com duas versões do modelo (v7.3 e v8.2.2), empregando uma grade de
resolução variável centrada nas regiões afetadas, além de dois esquemas distintos de microfísica
de nuvens (WSM6 e Thompson), sob a configuração convection-permitting. Os resultados
foram comparados aos dados do produto MERGE/CPTEC, à reanálise ERA5 e às previsões do
modelo GFS, e validados por meio de métricas estatísticas como BIAS, RMSE e coeficiente de
correlação (CC), além da análise da distribuição espacial e probabilísticas.
As simulações mostraram que o MPAS foi capaz de representar alguns dos padrões
espaciais dos núcleos de precipitação intensa, com melhor desempenho na versão 8.2.2,
especialmente quando utilizado o esquema de microfísica Thompson. A versão 8.2.2 com o
Thompson foi a configuração que apresentou os melhores resultados no evento de 2024,
alcançando um coeficiente de correlação de 0,75. Entretanto, ainda foram observadas
limitações, como a tendência de superestimação em eventos como o de 2017 e subestimação
em áreas pontuais, especialmente com o esquema WSM6.
Além das métricas tradicionais, as funções de densidade de probabilidade (PDFs)
permitiram uma análise mais detalhada do comportamento estatístico das simulações frente aos
dados observados. A análise dos PDFs mostrou que o modelo MPAS v8.2.2 com Thompson
apresentou uma distribuição mais próxima à observada em todos os casos, com menor dispersão
nos valores extremos e melhor representação da frequência de precipitações intensas. Por outro
lado, o GFS demonstrou maior concentração em valores extremos, indicando superestimação
das chuvas fortes, enquanto o MPAS com WSM6 apresentou maior assimetria nas
distribuições, evidenciando instabilidades na representação dos extremos.
Apesar de os resultados estatísticos oferecerem uma avaliação quantitativa clara do
desempenho do modelo, a análise da distribuição espacial da precipitação revelou nuances
importantes que não são totalmente captadas pelos índices tradicionais. Em alguns casos,
observou-se que as simulações do MPAS, especialmente com o esquema WSM6, apresentaram
valores de BIAS e RMSE elevados, o que poderia sugerir uma baixa performance. No entanto,
ao analisar os campos espaciais de precipitação, notou-se que o modelo foi capaz de representar
adequadamente a localização dos principais núcleos convectivos e a extensão das áreas
afetadas, mesmo quando a intensidade dos acumulados foi superestimada. De forma

semelhante, em simulações com baixo BIAS, como no caso do Thompson em 2024, a
intensidade média foi subestimada, mas a estrutura espacial da chuva foi bem reproduzida, com
um núcleo principal posicionado corretamente sobre a faixa litorânea. Essa divergência ressalta
a importância de uma análise integrada, em que a avaliação visual da distribuição espacial
complementa os dados estatísticos, fornecendo uma visão mais completa sobre a capacidade do
modelo de capturar as características físicas do evento.
De forma geral, conclui-se que o modelo MPAS, principalmente na versão mais recente
com esquema microfísico mais complexo, apresenta elevado potencial para simular eventos
extremos de precipitação no NEB. O estudo demonstrou a importância da escolha adequada das
parametrizações físicas, da resolução espacial e da análise estatística integrada para aumentar a
confiabilidade de previsões em regiões vulneráveis a desastres causados por eventos extremos
de precipitação. Contudo, reforça-se a necessidade de continuidade de estudos que explorem a
calibração do modelo, uso de outros conjuntos de parametrizações, outras resoluções variáveis
e uniformes, além de avaliações do impacto da qualidade das condições iniciais usadas na
previsão dos eventos extremos.

REFERÊNCIAS
ALVARES, Clayton Alcarde et al. Köppen’s climate classification map for Brazil.
Meteorologische Zeitschrift, v. 22, n. 6, p. 711-728, 2013.
BERRY, Frederic Aroyce et al. (Ed.). Handbook of meteorology. New York: McGraw-Hill,
1945.
COUTINHO, Eliane de Castro; FISCH, Gilberto. Distúrbios ondulatórios de leste (DOLs) na
região do Centro de Lançamento de Alcântara-MA. Revista Brasileira de Meteorologia, v.
22, p. 193-203, 2007.
DE SOUSA, Francisco de Assis Salviano et al. Estimativas dos riscos de chuvas extremas nas
capitais do Nordeste do Brasil. Revista Brasileira de Geografia Física, v. 9, n. 2, p. 430-439,
2016.
DOS REIS, Jean Souza; GONÇALVES, Weber Andrade; MENDES, David. Climatology of
the dynamic and thermodynamic features of upper tropospheric cyclonic vortices in Northeast
Brazil. Climate Dynamics, v. 57, n. 11, p. 3413-3431, 2021.
FEDOROVA, Natalia; LEVIT, Vladimir (Ed.). Adverse meteorological phenomena in
Northeast Brazil. Cambridge: Cambridge Scholars Publishing, 2023.
FEDOROVA, Natalia; LEVIT, Vladimir; DA CRUZ, Cezar Duarte. On frontal zone analysis
in the tropical region of the Northeast Brazil. Pure and Applied Geophysics, v. 173, n. 4, p.
1403-1421, 2016.
FISCHER, Erich M.; KNUTTI, Reto. Anthropogenic contribution to global occurrence of
heavy-precipitation and high-temperature extremes. Nature Climate Change, v. 5, n. 6, p. 560564, 2015.
G1 ALAGOAS. Chuva provoca alagamentos e queda de árvores em Maceió. G1 Alagoas, 07
maio 2024. Disponível em: https://g1.globo.com/al/alagoas/noticia/2024/05/07/videosmostram-alagamentos-provocados-pela-chuva-em-maceio-inmet-emite-alertas-para-regioesde-al.ghtml. Acesso em: 28 out. 2024.
G1 ALAGOAS. Chuvas causam 4 mortes em Maceió e cidade decreta estado de calamidade
pública.
G1
Alagoas,
27
maio
2017.
Disponível
em:
https://g1.globo.com/al/alagoas/noticia/chuvas-fortes-causam-deslizamentos-de-barreiras-edeixam-mortos-e-feridos-em-maceio.ghtml. Acesso em: 28 out. 2024.
G1 PERNAMBUCO. Dois anos após tragédia das chuvas com 133 mortos, mais de 2 mil
pessoas ainda não voltaram para casa. G1 Pernambuco, 28 maio 2024. Disponível em:
https://g1.globo.com/pe/pernambuco/noticia/2024/05/28/dois-anos-apos-tragedia-das-chuvascom-133-mortos-mais-de-2-mil-pessoas-ainda-nao-voltaram-para-casa.ghtml. Acesso em: 28
out. 2024.
GILLIAM, Robert C. et al. Establishing the suitability of the model for prediction across scales
for global retrospective air quality modeling. Journal of Geophysical Research:
Atmospheres, v. 126, n. 10, p. e2020JD033588, 2021.
GOMES, Helber B. et al. Climatology of easterly wave disturbances over the tropical South
Atlantic. Climate Dynamics, v. 53, p. 1393-1411, 2019.

GOMES, Helber Barros et al. Easterly wave disturbances over Northeast Brazil: An
observational analysis. Advances in Meteorology, v. 2015, n. 1, p. 176238, 2015.
GRELL, Georg A.; FREITAS, Saulo R. A scale and aerosol aware stochastic convective
parameterization for weather and air quality modeling. Atmospheric Chemistry and Physics,
v. 14, n. 10, p. 5233-5250, 2014.
GÜRER, Kemal et al. The evaluation of global and regional applications of Model for
Prediction Across Scales-Atmosphere (MPAS) against Weather Research Forecast (WRF)
model over California for a winter (2013 DISCOVER-AQ) and summer (2016 CABOTS)
episode. Atmosphere, v. 15, n. 10, p. 1248, 2024.
HEINZELLER, Dominikus; DUDA, Michael G.; KUNSTMANN, Harald. Towards
convection-resolving, global atmospheric simulations with the Model for Prediction Across
Scales (MPAS) v3.1: An extreme scaling experiment. Geoscientific Model Development, v.
9, n. 1, p. 77-110, 2016.
HERDIES, Dirceu L. et al. Moisture budget of the bimodal pattern of the summer circulation
over South America. Journal of Geophysical Research: Atmospheres, v. 107, n. D20, p. LBA
42-1-LBA 42-10, 2002.
HERSBACH, Hans et al. The ERA5 global reanalysis. Quarterly Journal of the Royal
Meteorological Society, v. 146, n. 730, p. 1999-2049, 2020.
HONG, Song-You; DUDHIA, Jimy; CHEN, Shu-Hua. A revised approach to ice microphysical
processes for the bulk parameterization of clouds and precipitation. Monthly Weather Review,
v. 132, n. 1, p. 103-120, 2004.
HONG, Song-You; LIM, Jeong-Ock Jade. The WRF single-moment 6-class microphysics
scheme (WSM6). Asia-Pacific Journal of Atmospheric Sciences, v. 42, n. 2, p. 129-151,
2006.
HUFFMAN, George J. et al. NASA global precipitation measurement (GPM) integrated multisatellite retrievals for GPM (IMERG). Algorithm theoretical basis document (ATBD) version,
v. 4, n. 26, p. 2020-05, 2015.
IACONO, Michael J. et al. Radiative forcing by long‐lived greenhouse gases: Calculations with
the AER radiative transfer models. Journal of Geophysical Research: Atmospheres, v. 113,
n. D13, 2008.
IBGE. Instituto Brasileiro de Geografia e Estatística. Estimativas de população para 2022.
Disponível em: https://www.ibge.gov.br. Acesso em: 8 mar. 2025.
INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE (IPCC). Climate Change 2021:
The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report
of the Intergovernmental Panel on Climate Change – Chapter 11: Weather and Climate Extreme
Events in a Changing Climate. Cambridge: Cambridge University Press, 2021. Disponível em:
https://www.ipcc.ch/report/ar6/wg1/downloads/report/IPCC_AR6_WGI_Chapter11.pdf.
Acesso em: 16 jun. 2024.
INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE (IPCC). Climate Change 2022:
Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Sixth
Assessment Report of the Intergovernmental Panel on Climate Change – Summary Volume.
Cambridge:
Cambridge
University
Press,
2022.
Disponível
em:

https://www.ipcc.ch/report/ar6/wg2/downloads/report/IPCC_AR6_WGII_SummaryVolume.p
df. Acesso em: 16 jun. 2024.
KOUSKY, Vernon E. Frontal influences on northeast Brazil. Monthly Weather Review, v.
107, n. 9, p. 1140-1153, 1979.
KOUSKY, Vernon E.; ALONSO GAN, Manoel. Upper tropospheric cyclonic vortices in the
tropical South Atlantic. Tellus, v. 33, n. 6, p. 538-551, 1981.
KRAMER, Matthijs et al. Assessment of MPAS variable resolution simulations in the greyzone of convection against WRF model results and observations: An MPAS feasibility study
of three extreme weather events in Europe. Climate Dynamics, v. 55, n. 1, p. 253-276, 2020.
KUNKEL, Kenneth E. et al. Monitoring and understanding trends in extreme storms: State of
knowledge. Bulletin of the American Meteorological Society, v. 94, n. 4, p. 499-514, 2013.
LI, Jianduo et al. Global evaluation of the Noah‐MP land surface model and suggestions for
selecting parameterization schemes. Journal of Geophysical Research: Atmospheres, v. 127,
n. 5, p. e2021JD035753, 2022.
LIU, Zhiquan et al. Data assimilation for the Model for Prediction Across Scales–Atmosphere
with the Joint Effort for Data assimilation Integration (JEDI-MPAS 1.0.0): EnVar
implementation and evaluation. Geoscientific Model Development Discussions, v. 2022, p.
1-33, 2022.
LIU, Zijun et al. Global variable-resolution simulations of extreme precipitation over Henan,
China, in 2021 with MPAS-Atmosphere v7.3. Geoscientific Model Development, v. 17, n. 14,
p. 5477-5496, 2024.
LYRA, Matheus J. A.; FEDOROVA, Natalia; LEVIT, Vladimir. Mesoscale convective
complexes over northeastern Brazil. Journal of South American Earth Sciences, v. 118, p.
103911, 2022.
LYRA, Matheus JA et al. Synoptic patterns of extreme precipitation events in Northeast
Brazil. Natural Hazards, v. 121, n. 6, p. 7511-7531, 2025.
LYRA, Matheus José Arruda et al. Extreme precipitation events over the east coast of northeast
Brazil: Synoptic study and MPAS simulation. Weather and Climate Extremes, v. 45, p.
100711, 2024.
LYRA, Matheus José Arruda et al. Ligação entre extremidade frontal e zona de convergência
intertropical sobre a região Nordeste do Brasil. Anuário do Instituto de Geociências, v. 42, n.
1, p. 413-424, 2019.
LYRA, Matheus José Arruda; ARRAUT, Josefina Moraes; DE SOUZA, Enio Pereira.
Alteration in the large-scale circulation of South America triggered by the upper-tropospheric
cyclonic vortices of Northeast Brazil. Dynamics of Atmospheres and Oceans, p. 101582,
2025.
MARENGO, José Antônio et al. Flash floods and landslides in the city of Recife, Northeast
Brazil after heavy rain on May 25–28, 2022: Causes, impacts, and disaster preparedness.
Weather and Climate Extremes, v. 39, p. 100545, 2023.
MARTINEZ-VILLALOBOS, Cristian; NEELIN, J. David. Climate models capture key
features of extreme precipitation probabilities across regions. Environmental Research
Letters, v. 16, n. 2, p. 024017, 2021.

NAKANISHI, Mikio; NIINO, Hiroshi. An improved Mellor–Yamada level-3 model: Its
numerical stability and application to a regional prediction of advection fog. Boundary-Layer
Meteorology, v. 119, p. 397-407, 2006.
NAKANISHI, Mikio; NIINO, Hiroshi. Development of an improved turbulence closure model
for the atmospheric boundary layer. Journal of the Meteorological Society of Japan, Ser. II,
v. 87, n. 5, p. 895-912, 2009.
NATIONAL CENTER FOR ATMOSPHERIC RESEARCH (NCAR). MPAS Atmosphere
User's Guide: Version 8.2.0. Boulder, CO: NCAR, 2023. Disponível em:
https://www2.mmm.ucar.edu/projects/mpas/mpas_atmosphere_users_guide_8.2.0.pdf. Acesso
em: 1 set. 2024.
NIU, Guo‐Yue et al. The community Noah land surface model with multiparameterization
options (Noah‐MP): 1. Model description and evaluation with local‐scale measurements.
Journal of Geophysical Research: Atmospheres, v. 116, n. D12, 2011.
NOAA. Advanced Baseline Imager (ABI) Band 13 (10.3 µm) – Clean Longwave Window:
Quick Information Guide. Washington, DC: National Oceanic and Atmospheric
Administration,
2018.
Disponível
em:
https://www.star.nesdis.noaa.gov/GOES/documents/ABIQuickGuide_Band13.pdf.
Acesso
em: 15 mar. 2025.
NÚÑEZ OCASIO, K. M.; RIOS‐BERRIOS, Rosimar. African easterly wave evolution and
tropical cyclogenesis in a pre‐Helene (2006) Hindcast using the Model for Prediction Across
Scales‐Atmosphere (MPAS‐A). Journal of Advances in Modeling Earth Systems, v. 15, n.
2, p. e2022MS003181, 2023.
O'GORMAN, Paul A.; SCHNEIDER, Tapio. The physical basis for increases in precipitation
extremes in simulations of 21st-century climate change. Proceedings of the National
Academy of Sciences, v. 106, n. 35, p. 14773-14777, 2009.
OLIVEIRA, Fernando P.; OYAMA, Marcos D. Squall‐line initiation over the northern coast of
Brazil in March: Observational features. Meteorological Applications, v. 27, n. 1, p. e1799,
2020.
OLIVEIRA, P. T. de; SANTOS E SILVA, C. M.; LIMA, Kellen Carla. Climatology and trend
analysis of extreme precipitation in subregions of Northeast Brazil. Theoretical and Applied
Climatology, v. 130, p. 77-90, 2017.
OLMO, Matías; BETTOLLI, María Laura; RUSTICUCCI, Matilde. Atmospheric circulation
influence on temperature and precipitation individual and compound daily extreme events:
Spatial variability and trends over southern South America. Weather and Climate Extremes,
v. 29, p. 100267, 2020.
PEZZI, Luciano P. et al. The effect of Oceanic South Atlantic Convergence Zone episodes on
regional SST anomalies: the roles of heat fluxes and upper-ocean dynamics. Climate
Dynamics, v. 59, n. 7, p. 2041-2065, 2022.
QUADRO, Mario Francisco Leal de et al. Análise climatológica da precipitação e do transporte
de umidade na região da ZCAS através da nova geração de reanálises. Revista Brasileira de
Meteorologia, v. 27, p. 152-162, 2012.
RAYMOND, Colin et al. Understanding and managing connected extreme events. Nature
Climate Change, v. 10, n. 7, p. 611-621, 2020.

RIEHL, Herbert et al. Tropical meteorology. New York: McGraw-Hill, 1954.
ROZANTE, José Roberto et al. Combining TRMM and surface observations of precipitation:
technique and validation over South America. Weather and Forecasting, v. 25, n. 3, p. 885894, 2010.
ROZANTE, José Roberto et al. Performance of precipitation products obtained from
combinations of satellite and surface observations. International Journal of Remote Sensing,
v. 41, n. 19, p. 7585-7604, 2020.
SCHMIT, Timothy J. et al. A closer look at the ABI on the GOES-R series. Bulletin of the
American Meteorological Society, v. 98, n. 4, p. 681-698, 2017.
SCHNEIDER, Tapio; BISCHOFF, Tobias; HAUG, Gerald H. Migrations and dynamics of the
intertropical convergence zone. Nature, v. 513, n. 7516, p. 45-53, 2014.
SKAMAROCK, William C. et al. A multiscale nonhydrostatic atmospheric model using
centroidal Voronoi tesselations and C-grid staggering. Monthly Weather Review, v. 140, n.
9, p. 3090-3105, 2012.
SKAMAROCK, William C. et al. Atmospheric kinetic energy spectra from global highresolution nonhydrostatic simulations. Journal of the Atmospheric Sciences, v. 71, n. 11, p.
4369-4381, 2014.
SOUZA, Werônica Meira; DE AZEVEDO, Pedro Vieira; DE ARAÚJO, Lincoln Eloi.
Classificação da precipitação diária e impactos decorrentes dos desastres associados às chuvas
na cidade do Recife-PE. Revista Brasileira de Geografia Física, v. 5, n. 2, p. 250-268, 2012.
THOMPSON, Gregory et al. Explicit forecasts of winter precipitation using an improved bulk
microphysics scheme, Part II: Implementation of a new snow parameterization. Monthly
Weather Review, v. 136, n. 12, p. 5095-5115, 2008.
UTIDA, Giselle et al. Tropical South Atlantic influence on Northeastern Brazil precipitation
and ITCZ displacement during the past 2300 years. Scientific Reports, v. 9, n. 1, p. 1698, 2019.
WILKS, Daniel S. Statistical methods in the atmospheric sciences. Academic Press, 2011.
WORLD METEOROLOGICAL ORGANIZATION (WMO). Guidelines on the definition and
characterization of extreme weather and climate events. 2023.
XU, Kuan-Man; RANDALL, David A. A semiempirical cloudiness parameterization for use in
climate models. Journal of the Atmospheric Sciences, v. 53, n. 21, p. 3084-3102, 1996.
XU, Mingyue et al. Convection‐permitting hindcasting of diurnal variation of Mei‐yu rainfall
over East China with a global variable‐resolution model. Journal of Geophysical Research:
Atmospheres, v. 126, n. 14, p. e2021JD034823, 2021.
XU, Mingyue et al. Modeling across scales of heavy precipitation with a global variable‐
resolution model: A case study of a catastrophic event in China. Journal of Geophysical
Research: Atmospheres, v. 129, n. 19, p. e2024JD041180, 2024.
ZHAO, Chun et al. Modeling extreme precipitation over East China with a global variableresolution modeling framework (MPASv5.2): Impacts of resolution and physics. Geoscientific
Model Development, v. 12, n. 7, p. 2707-2726, 2019.