dissertac a o final rodrigo_com_ficha.pdf
Documento PDF (1.9MB)

Exibir conteúdo Baixar

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

ANÁLISE DA HABILIDADE PREDITIVA DA PRECIPITAÇÃO COM ÊNFASE NA
SECA METEOROLÓGICA NO NORDESTE BRASILEIRO

RODRIGO LINS DA ROCHA JÚNIOR

MACEIÓ - AL
Outubro de 2020

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

ANÁLISE DA HABILIDADE PREDITIVA DA PRECIPITAÇÃO COM ÊNFASE NA
SECA METEOROLÓGICA NO NORDESTE BRASILEIRO

RODRIGO LINS DA ROCHA JÚNIOR

Dissertação de Mestrado apresentada ao Programa de
Pós-Graduação em Meteorologia do Instituto de
Ciências Atmosféricas da Universidade Federal de
Alagoas, como requisito para obtenção do Título de
Mestre em Meteorologia, área de concentração
Estatística Aplicada a Climatologia.
Orientador: Prof. Dr. Fabrício Daniel dos Santos
Silva.

MACEIÓ - AL
Outubro de 2020

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

CERTIFICADO DE APRESENTAÇÃO
N.º de ordem: MET-UFAL-MS-174.
“ANÁLISE DA HABILIDADE PREDITIVA DA PRECIPITAÇÃO COM
ÊNFASE NA SECA METEOROLÓGICA NO NORDESTE BRASILEIRO”
RODRIGO LINS DA ROCHA JÚNIOR
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:

Prof. Dr. Fabrício Daniel dos Santos Silva
(Orientador)

__________________________________________________

Prof. Dr. Helber Barros Gomes
(Membro Interno)

______________________________________________________

Dr. Marcos Paulo Santos Pereira
(Membro Externo)

______________________________________________________

Prof. Dr. Caio Augusto dos Santos Coelho
(Membro Externo)
Outubro/2020

Retirantes (Portinari, 1944)

“Miudinhos,

perdidos

no

deserto

queimado, os fugitivos agarraram-se, somaram as
suas desgraças e os seus pavores.”
Vidas Secas, Graciliano Ramos

AGRADECIMENTOS

Agradeço primeiramente a Deus por me conceder o dom da vida, minha plena saúde e
energia que usei para alcançar essa conquista. Muitas foram às vezes que pensei em desistir.
Mas sob os cuidados divinos eu superei todas as dificuldades até aqui.
Agradeço muito aos meus pais, que deram tudo de si para me educar e cuidar para que
não me faltasse absolutamente nada. Durante o período do mestrado não foi diferente e tive
todo apoio para me dedicar unicamente a pós-graduação.
Não há palavras para agradecer ao meu orientador e amigo, professor Fabrício. Desde a
graduação acreditou em mim, me ajudou renovar minha esperança no curso e contribuiu com
todas a maiores conquistas que tive nos últimos anos. Essa dissertação não é o fim da nossa
relação acadêmica, mas sim a conclusão de mais um trabalho conjunto dentre tantos que já
fizemos e de tantos que ainda faremos.
Agradeço aos meus amigos e colegas que estiveram ao meu lado durante essa fase da
minha vida. Foi sensacional estudar e fazer verdadeira amizade com todos da minha turma de
mestrado: Bruno, Sherly, Dagmer e Alexsandra. Espero que todos possamos nos encontrar logo
mais para celebrar não só essa conquista, mas a nossa saúde e as próximas conquistas que com
certeza que estão por vir.
Agradeço a todos os funcionários que formam o Instituto de Ciências Atmosféricas da
UFAL. Digo sem nenhuma dificuldade que considero o ICAT uma das minhas casas. É um
lugar que sempre me senti bem e aprendi a amar nesses 7 anos como aluno. Hoje, fora do estado,
busco sempre honrar a casa que me formou como profissional e espero poder contribuir sempre
mais para que o ICAT seja sempre um instituto reconhecido pela excelência e tradição na
meteorologia brasileira.

A todos o meu mais sincero e inexpressável obrigado!

RESUMO
Dos fenômenos naturais adversos, a seca é o que mais afeta a sociedade por atuar sobre grandes
extensões territoriais e perdurar por longos períodos de tempo. A seca é um fenômeno
caracterizado por um déficit hídrico suficientemente longo para impactar sobre fatores edáficos,
meteorológicos, hídricos e sociais. A previsão da seca tem contribuído no mundo todo para
ações de mitigação dos impactos do fenômeno e aumento da resiliência. O Brasil possuí o maior
território semiárido habitado do mundo: o Nordeste. A cada seca que ocorre no Nordeste
Brasileiro (NEB), se registra racionamento hídrico, perda de safras, morte de animais e fome
de parte da população. Os impactos da seca provocam grande êxodo rural para as cidades
litorâneas do NEB e até mesmo para grandes centros urbanos do país. Estudos diversos foram
conduzidos para entender a dinâmica da seca no NEB. É conhecido que a ocorrência do
fenômeno é em parte modelada pela El Niño Oscilação Sul (ENOS) e parte pela Temperatura
da Superfície do Mar (TSM) do Atlântico Tropical. Tais fenômenos oceânicos de variabilidade
lenta permite antecipar com certa qualidade os acumulados de chuva e a temperatura média dos
meses seguintes. Este trabalho analisou a habilidade preditiva da precipitação com ênfase na
seca meteorológica no Nordeste Brasileiro a fim de sedimentar uma metodologia que contribua
com o enfretamento da seca utilizando os produtos operacionais mais avançados do conjunto
de modelos da América do Norte. De forma geral os resultados mostram que a habilidade
preditiva da precipitação no NEB é suficientemente boa para gerar previsões operacionais na
região. O setor norte do NEB mostrou os melhores resultados entre os períodos analisados.
Neste setor a habilidade preditiva da precipitação se estende para além do seu período chuvoso.
Seguido do setor norte vem os setores leste e sul com considerável destreza nos seus respectivos
períodos chuvosos. A região central por sua vez, representada por parte do semiárido
nordestino, mostrou os priores resultados, onde a destreza das previsões de precipitação neste
setor é particularmente difícil. Sendo assim as condições de precipitação associadas a seca
meteorológica no NEB tem razoável potencial de previsão e o modelo pode ser usado de forma
operacional para auxiliar ações de enfretamento da seca.

Palavras-chave: Habilidade preditiva, Previsão climática, Seca meteorológica, Correção de
Viés Estatístico, Nordeste Brasileiro.

ABSTRACT

Of the adverse natural phenomena, drought is what most affects society because it acts over
large territorial extensions and lasts for long periods of time. Drought is a phenomenon
characterized by a water deficit long enough to impact on edaphic, meteorological, water
and social factors. The prediction of drought has contributed worldwide to actions to mitigate
the impacts of the phenomenon and increase resilience. Brazil has the largest inhabited semiarid territory in the world: the Northeast. With each drought that occurs in the Northeast of
Brazil (NEB), water rationing, loss of crops, death of animals and hunger of part of the
population are registered. The impacts of drought provoke a great rural exodus to the coastal
cities of NEB and even to large urban centers in the country. Several studies have been
conducted to understand the dynamics of drought in NEB. It is known that the occurrence of
the phenomenon is partly modeled by the El Niño Southern Oscillation (ENOS) and partly
by the Sea Surface Temperature (SST) of the Tropical Atlantic. Such oceanic phenomena of
slow variability allow to anticipate with some quality the accumulated rain and the average
temperature of the following months. This work analyzed the predictive ability of
precipitation with an emphasis on meteorological drought in Northeast Brazil in order to
sediment a methodology that contributes to coping with drought using the most advanced
operational products of the North American model set. In general, the results show that the
NEB precipitation predictive ability is good enough to generate operational forecasts in the
region. The northern sector of NEB showed the best results between the periods analyzed.
In this sector, the predictive ability of precipitation extends beyond its rainy season.
Followed by the northern sector comes the eastern and southern sectors with considerable
dexterity in their respective rainy periods. The central region, in turn, represented by the
northeastern semi-arid region, showed the worst results, where the dexterity of precipitation
forecasts in this sector is particularly difficult. Thus, the precipitation conditions associated
with meteorological drought in the NEB have reasonable forecasting potential and the model
can be used in an operational way to assist actions to deal with drought.

Keywords: Predictive ability, Climatic forecasting, Meteorological drought, Statistical bias
correction, Northeast of Brazil.

LISTA DE FIGURAS
Figura 1 – Número de mortes em países durante eventos de seca severa. Fonte: Statista
(2016)................................................................................................................................... 16
Figura 2 - Mapa de Localização do Nordeste Brasileiro com a delimitação dos estados
(Siglas) e da região do semiárido (Contorno azul). ............................................................. 23
Figura 3 - Domínio do preditor X e do preditando Y (Acima) e (Abaixo) processo de
redução do número de variáveis (pontos de grade) para obter séries independentes
(ortogonais entre si). ............................................................................................................ 28
Figura 4 – Padrão espacial dos modos principais do NMME (a e (d; SPI (c e f) e séries
temporais dos modos (b e e) do trimestre NDJ. .................................................................. 33
Figura 5 - Padrão espacial dos modos principais do NMME (a e (d; SPI (c e f) e séries
temporais dos modos (b e e) do trimestre FMA. ................................................................. 34
Figura 6 - Padrão espacial dos modos principais do NMME (a e (d; SPI (c e f) e séries
temporais dos modos (b e e) do trimestre MJJ. ................................................................... 35
Figura 7 - Correlação de Pearson entre SPI3 observado e previsto pelo NMME-ACC no
domínio do NEB no intervalo de 1082-2010 nos trimestres a) NDJ, b) FMA e c) MJJ.
Valores a acima de 0.33 são considerados estatisticamente significantes com nível de
confiança de 5%................................................................................................................... 36
Figura 8 - Raiz quadrada do erro médio entre SPI3 observado e previsto pelo NMME-ACC
no domínio do NEB no intervalo de 1082-2010 nos trimestres a) NDJ, b) FMA e c) MJJ. 37
Figura 9 - Brier Skill Score para previsões de seca a) fraca D0, b) moderada D1 e c) severa
D2 no trimestre NDJ. ........................................................................................................... 38
Figura 10 - Brier Skill Score para previsões de seca a) fraca D0, b) moderada D1 e c)
severa D2 no trimestre FMA. .............................................................................................. 39
Figura 11 - Brier Skill Score para previsões de seca a) fraca D0, b) moderada D1 e c)
severa D2 no trimestre MJJ. ................................................................................................ 40
Figura 12 - ROC score da previsão dos níveis de seca a) D0, b) D1 e c) D2 para o trimestre
NDJ. ..................................................................................................................................... 40
Figura 13 - ROC score da previsão dos níveis de seca a) D0, b) D1 e c) D2 para o trimestre
FMA..................................................................................................................................... 41
Figura 14 - ROC score da previsão dos níveis de seca a) D0, b) D1 e c) D2 para o trimestre
MJJ....................................................................................................................................... 42

LISTA DE TABELAS
Tabela 1 – Categorias de seca definidas pelo National Integred Drought Information para
caracterização de intensidade. ............................................................................................. 30
Tabela 2 - Valores de SPI usados como referência das classes de seca para calcular a
probabilidade de referência. ................................................................................................ 31

LISTA DE ABREVIAÇÕES

NEB – Nordeste Brasileiro
NMME – North American Multi Model Ensamble
RNAs – Redes Neurais Articifiais
ACC - Análise de Correlações Canônicas
RMSE – Root Mean Squere Error
BSS – Brier Skill Score
ROCS - Relative Operating Characteristic Score
PDSI – Palmer Severity Index
PDSIac – Autocalibrated Palmer Severity Index
SPI – Standard Precipitation Index
MOS – Model Output Statistics
MCGs – Modelos de Circulação Geral
NDJ – Novembro, Dezembro, Janeiro
FMA – Fevereiro, Março, Abril
MJJ – Maio, Julho, Junho.
ZCIT – Zona de Convergência Intertropical
VCAN – Vórtice Ciclônico de Médios Níveis
ASAS – Alta Subtropical do Atlântico Sul
ENOS – El Niño-Oscilacão Sul
DP – Dipolo do Atlântico
DOL – Distúrbio Ondulatório de Leste
IPCC - Intergorvenamental Panel on Climate Change
IDMP - Integrated Drought Manegement Programme
OMM – Organização Meteorológica Mundial
ARIMA - Autoregressive integrated moving averange
WNN - Wavelet Neural Network
SVR - Support Vector Regression
CPT – Climate Predictability Tool

SUMÁRIO
1.

INTRODUÇÃO ........................................................................................................... 13

2.

OBJETIVOS................................................................................................................. 15

3.

4.

2.1.

OBJETIVO GERAL ......................................................................................................... 15

2.2.

OBJETIVOS ESPECÍFICOS ............................................................................................ 15

REVISÃO BIBLIOGRÁFICA ..................................................................................... 16
3.1.

SECA NO MUNDO.......................................................................................................... 16

3.2.

A SECA NO NORDESTE BRASILEIRO ....................................................................... 17

3.3.

FONTE DE PREVISIBILIDADE .................................................................................... 18

3.4.

AVANÇOS NA PREVISÃO DE SECA .......................................................................... 20

MATERIAIS E MÉTODOS ........................................................................................ 22
4.1.

DADOS E ÁREA DE ESTUDO ...................................................................................... 22

4.2.

ÍNDICE DE PRECIPITAÇÃO NORMALIZADA .......................................................... 23

4.3.

NORTH AMERICAN MULTI MODEL ENSEMBLE (NMME) ................................... 25

4.4.

CORREÇÃO DE VIÉS POR CORRELAÇÃO CANÔNICAS ....................................... 26

4.5.

MÉTRICAS DE HABILIDADE ...................................................................................... 28

Avaliação determinística .......................................................................................................................... 29
Avaliação probabilística ........................................................................................................................... 30

5.

RESULTADOS E DISCUSSÕES ............................................................................... 32
5.1.

Análise dos modos ............................................................................................................ 32

5.2.

Previsão determinística ..................................................................................................... 35

5.3.

Previsão Probabilística ...................................................................................................... 37

6.

CONCLUSÕES............................................................................................................ 43

7.

REFERENCIAS BIBLIOGRAFICAS ......................................................................... 45

1. INTRODUÇÃO
Dos fenômenos naturais adversos, a seca é o que mais afeta a sociedade por atuar sobre
grandes extensões territoriais e perdurar por longos períodos (MARENGO et al., 2016). De
forma bem geral, seca é caracterizado como um período suficientemente longo de deficiência
hídrica para impactar significativamente aspectos edáficos, meteorológicos, hidrológicos e
sociais (WILHITE & GLANTZ, 1987; CUNHA et al, 2015; CUNHA et al, 2018;
MARENGO et al, 2018; ALVALA et al, 2018; MARTINS et al, 2018). E por tanto, é um
fenômeno de difícil caracterização do seu início, extensão espacial-temporal e fim, o que
dificulta muito sua monitoração (VICENTE-SERRANO, 2010). Do ponto de vista local, a
seca é um fenômeno que está além do escopo da climatologia e passa ser também um
fenômeno socioeconômico (Finan & Nelson, 2001). A vulnerabilidade da sociedade depende
da interação de diversos fatores como população, convívio social, política, cultural,
tecnológica, padrões de uso do solo, uso da água, desenvolvimento econômico e diversidade
de economia de base (SPINONI et al, 2013).
Há um interesse especial no estudo da seca no Nordeste Brasileiro (NEB) por ser a
região seca mais populosa do mundo, com aproximadamente 35 milhões de habitantes e uma
densidade populacional de aproximadamente 34 habitantes por quilometro quadrado (IBGE,
2010). O fenômeno da seca afeta principalmente a população que reside na região semiárida
localizada na porção mais central do NEB (Fig.1), criando cenários que ameaçam a
segurança hídrica, alimentícia e energética. Mais recentemente, a seca dos anos de 20102016 foi a mais duradoura e severa já registrada nas últimas décadas no NEB, o que
intensificou o interesse da comunidade científica em estudar o fenômeno e seus impactos na
região (MARENGO, 2016; BRITO, 2017)
Trabalhos notáveis foram realizados para a região NEB contribuindo para o
entendimento sólido de mecânismos meteorológicos causadores de secas (MOURA &
SHUKLA, 1981; NAMIAS, 1972; HASTENRATH, 2006; MARENGO et al., 2013), os
aspectos sociais e políticos envolvidos para aumentar a resiliência da população (LEMOS et
al., 2002; LEMOS et al., 2007; NELSON & FINAN, 2009) e impactos do fenômeno em
culturas diversas (Martins et al., 2018). Outros estudos avaliaram a dinâmica e a mudança
dos padrões de seca no NEB usando índices que incorporam variáveis como precipitação,
temperatura e evapotranspiração (Canamari et al., 2015; Brito et al. 2017) e outras
características estatísticas mais específicas da seca (Awange et al., 2016).

13

No campo da previsão da seca, Hastenrath et al. (1984) avaliaram o desempenho de
modelos de regressões utilizando temperatura da superfície do mar, velocidade do vento e
pressão em regiões chaves do oceano para previsão de seca no NEB em escalas temporais
que partem de 2 meses até 7 meses, alcançando uma taxa de acerto de 41-62% de acertos.
O modelo conseguiu adiantar a seca extrema de 1958. Porém, mudanças abruptas nos
padrões de circulação da atmosfera provocavam erros nas previsões.
Todos esses trabalhos fornecem informações úteis para a gestão de risco da seca.
Porém, há espaço para avançar na previsão de ocorrência, duração e intensidade de secas no
NEB. A previsão de deste fenômeno é extremamente útil no NEB para melhor planejamento
da cultura, ações de mitigação do impacto da seca por parte do governo, melhor
gerenciamento do seguro safra e etc. Muitos métodos foram propostos ao redor do mundo
para prover previsões de seca utilizando modelos dinâmicos ou estatísticos. Jalakamali et al.
(2015) aplicou modelos de Redes Neurais Artificiais (RNAs), sistemas de inferência Fuzzy,
máquinas de vetores de suporte e modelos autoregressivos para previsão de seca no Iran.
Marj e Meijerink (2011) incorporaram observações de satélite e índices climáticos como
entrada de RNAs para previsão de seca. Madadgar e Moradkhani (2013) desenvolveram um
sistema probabilístico utilizando a autoregressão dos índices de seca com copulas bayesianas
para previsão de seca hidrológica no rio Colorado (EUA). Madadgar et al. (2016)
desenvolveu um sistema híbrido de previsão de seca utilizando saídas do conjunto de
modelos da América do Norte (North Amercian Multi Model Ensemble - NMME) e um
modelo empírico baseado em cópulas bayesianas para o domínio do setor oeste do EUA.

14

2. OBJETIVOS
2.1. OBJETIVO GERAL
Avaliar a habilidade preditiva da precipitação com ênfase nas condições de seca
meteorológica no domínio do NEB do ponto de vista determinístico e probabilístico.

2.2. OBJETIVOS ESPECÍFICOS
1

Fazer correção de viés do conjunto de modelos climáticos norte-americanos para

previsão dinâmica da precipitação com ênfase nas condições de seca no NEB nos trimestres
Novembro-Dezembro-Janeiro, Fevereiro-Março-Abril e Maio-Junho-julho que representam
os períodos chuvosos das três regiões de regime de precipitação homogênea do NEB;
2

Gerar e avaliar previsões probabilísticas baseadas nos níveis de seca definidos pelo

National Integred Drought Information;
3

Avaliar a habilidade do sistema em prever precipitação de forma determinística e

probabilística;

15

3. REVISÃO BIBLIOGRÁFICA

3.1. SECA NO MUNDO
A seca tem se tornado uma preocupação cada vez mais frequente pela comunidade
científica. Segundo o reporte especial do Painel Intergorvenamental de Mudanças Climáticas
(Intergorvenamental Panel on Climate Change – IPCC) para um aquecimento da temperatura
global de 1.5 °C, publicado em 2018, se espera entre vários casos de extremos climáticos
um aumento da frequência de secas e diminuição da disponibilidade hídrica em algumas
regiões do planeta. Os efeitos devastadores de grandes secas já foram observados no período
moderno. O Statista Research Departament (2016) reuniu dados para ilustrar o maior
números de mortes devido a secas severas ocorridas entre 1900 e 2016 (Fig.1). No gráfico
se destaca a seca de 1928 na China que causou a morte de 3 milhões de pessoas.

Figura 1 – Número de mortes em países durante eventos de seca severa. Fonte: Statista (2016)

Os efeitos em outros setores são igualmente devastadores. Mais recentemente uma
forte seca no ano de 2017 causou perdas significativas nos países banhados pelo rio Danúbio.
51 000 ha de terras de plantação foram perdidas na Hungria, a Áustria teve prejuízo de 140
milhões de euros devido a morte de peixes, a Bósnia e Herzegovina tiveram prejuízos de 126
16

milhões de euros e perdas de 40% na produção energética, na Romênia o fluxo do rio
Danúbio reduziu 60% causando altos preços da eletricidade e problemas no setor de
transporte e na Sérvia somando os problemas com agricultura, seca hidrológica e problemas
de produção elétrica tiveram um prejuízo de mais de 1 bilhão de euros (Better Prepared for
Drought- Danube Drought Strategy, 2019).
As tendências de seca observadas até agora evidenciam um claro aumento global
relacionado com as mudanças climáticas. Geng et al. (2015) em seu estudo mostrou que as
zonas agrícolas globais com alto risco de seca tiveram um salto de aproximadamente 27%
num período de 1980 a 2008. Spinoni et al. (2013) avaliou a tendência da frequência, duração
e intensidade de seca para todo o globo e notou aumento significativo em todas as
componentes no período 1951-2010. Apesar disso o trabalho mostrou tendências negativas
na frequência de secas no hemisfério norte. Vicente-Serrano et al. (2020) avaliou as
tendências de seca na Europa Ocidental sob a perspectiva de tendências de curto e longo
prazo utilizando séries centenárias que cobriam o período 1851-2018. De forma geral não se
observou tendências significativas de longo prazo na Europa Ocidental, por outro lado as
tendências de curto prazo nos últimos anos são negativas e significantes apontando para a
diminuição da frequência de secas no setor. Este resultado está em concordância com o
trabalho anteriormente citado. Gallant et al. (2014) analisou séries de índices compostos de
severidade de seca no Estados Unidos, Austrália e Europa por serem de extensões
“continentais” e encontrou tendências significativos na persistência de extremos de seca nas
três regiões. McGree et al. (2016) verificou tendências amplamente positivas no território
das Ilhas do Pacífico e no nordeste da Austrália. Como esforço para mitigar os efeitos globais
da seca a Organização Meteorológica Mundial (OMM) em parceira com outros órgãos e
institutos formaram o Programa de Gestão Integrada da Seca (Integrated Drought
Manegement Programme – IDMP) que reúne dados e informações de todos os países para
auxiliar na previsão e ação contra os feitos da seca.

3.2. A SECA NO NORDESTE BRASILEIRO
O NEB é considerado a região semiárida mais densa do mundo, com uma densidade
populacional de 34 habitantes por quilômetro quadrado (MARENGO, 2008). Isso implica
em uma considerável vulnerabilidade de população a eventos de seca. A ação da seca sobre
o nordestino é tamanha que influencia diretamente na sua cultura, onde diversas obras de
literatura como o quadro Retirantes de Cândido Portinari (1944) e o livro Vidas Secas de

17

Graciliano Ramos (1938) que expressaram os problemas sociais provocados pelo fenômeno:
fome, escassez hídrica, êxodo rural, degradação do solo e outros. Apesar destes problemas
serem documentados a quase um século, os métodos de mitigação da seca foram
inconsistentes por muitos anos (KENNY, 2010).
A seca faz parte da variabilidade interanual do NEB e deve continuar segundo as
projeções climáticas para cenários de mudanças climáticas devido ao efeito estufa (EAKIN
et al. 2014). Segundo Rocha et al. (2019) houve um aumento significativo na intensidade da
seca no setor nordeste do NEB entre os anos de 1980 e 2015. Cunha et al. (2018) avaliou a
tendência de ventos de seca no NEB utilizando dados de alta resolução para discretizar
efeitos regionais. O autor notou aumento significativo na frequência de eventos de seca
localizado principalmente no setor norte do NEB. Tomasella et al. (2018) avaliou a tendência
de desertificação do solo no NEB no período de 2000-2016 utilizando imagens de NDVI. O
autor notou aumento significativo na aridez do solo e expansão da área da caatinga.
Tendências de desertificação indicam que o NEB pode deixar de ser uma área semiárida para
árida. Mariano et al. (2018) confirmou a degradação da vegetação do NEB por conta da ação
da seca. Ainda segundo o autor tal degradação está provocando a redução da
evapotranspiração do solo, que é uma componente importante para o balanço hídrico. O
autor destaca que a seca severa que iniciou em 2012 e durou até 2016 foi crucial para essa
degradação acentuada.
As projeções climáticas para o NEB segundo Marengo et al. (2017) são corroborados
com os resultados de Mariano et al. (2018). Segundo o autor se espera diminuição da
evapotranspiração do NEB, noites mais quentes, aumento da temperatura média no NEB e
diminuição da precipitação em alguns setores da região. Por outro os modelos mostram
tendências de aumento da precipitação para outros setores. Esse resultado é semelhante ao
encontrado por Rocha et al. (2019). Isso evidencia um aumento nas ocorrências extremas.
Ou seja, secas e inundações mais intensas.

3.3. FONTE DE PREVISIBILIDADE
A distribuição da chuva no NEB não é regular. Pode se dividir a região em três setores
com variabilidade pluviométrica homogênea: a porção central e sul tem 60% da sua
precipitação anual desaguando nos meses de novembro a janeiro, o norte do NEB e a uma
porção da parte oeste tem mais de 60% da sua precipitação ocorrendo entre os meses de
fevereiro a abril, enquanto o setor do litoral leste tem mais de 50% da sua precipitação anual
concentrada entre os meses de maio a julho (STRANG, 1972).

18

A variabilidade interanual do NEB é explica principalmente pela influência do El
Niño-Oscilação Sul (ENOS) e Dipolo do Atlântico (DA). O aquecimento no Pacífico
associado ao ENOS faz com que o ramo descendente da célula de Walker se desloque para
leste e se posicione sobre o NEB, gerando uma zona de inibição da precipitação (WALKER,
1928). Zhou e Lau (2001) mostram que em anos de ENOS não só o ramo descendente da
célula de Walker está presente sobre o NEB, mas também há influência da célula de Hadley.
Em anos de La Niña o efeito oposto acontece: o ramo descendente da célula de Walker se
posiciona sobre a Amazônia e as condições para formação de chuva no NEB ficam mais
favoráveis. Segundo a literatura, apesar do ENOS ser o principal fenômeno modulador da
variabilidade interanual na maior parte do planeta, no NEB ele pode ter o papel de modulador
secundário. Hastenrath e Heller (1977) observaram padrões de anomalias de TSM sobre o
oceano Atlântico Tropical e associaram a anomalias de precipitação no NEB. A diferença
de temperatura do mar entre o Atlântico Sul e o Norte regulam a intensidade das altas
subtropicais de cada hemisfério, por consequência exercem influência sobre a intensidade
dos ventos alísios e na posição na Zona de Convergência Intertropical.
Segundo Molion e Bernado (2002) os mecanismos moduladores da variabilidade
intrasazonal da chuva no NEB podem ser divididos em duas categorias principais:
Fenômenos de grande escala, responsáveis pela maior parte da variabilidade climática, e
fenômenos de meso e pequena escala. A zona de convergência intertropical (ZCIT) é o
principal fenômeno de grande escala que atua sobre o setor norte do NEB (HASTENRATH,
1985, FERREIRA et al., 2005). O sistema é caracterizado pela extensa nebulosidade causada
confluência dos ventos alísios na região equatorial. O eixo da ZCIT varia de latitude de
acordo com a época do ano. No verão, com o maior aquecimento da temperatura do mar no
Atlântico Sul, o eixo da ZCIT se desloca para o hemisfério sul impulsionado pelo anticiclone
tropical do hemisfério norte, atingindo o setor norte do NEB (UVO, 1989). Com o eixo da
ZCIT “apontado” para o norte do NEB, durante os meses de março a abril, pacotes de
instabilidades são guiados pelo fenômeno, provocando chuva na região.
No sul do NEB o principal sistema a influenciar o período chuvoso da região é a
incursão profunda de sistemas frontais ou seus restos (KAUSKY, 1979; MOLION &
BERNADO, 2002). Segundo Oliveira (1986) a convecção local frequentemente se associa
com a passagem de sistemas frontais. Segundo o autor, eventos de frentes continentais
desencadeiam uma banda de nebulosidade com eixo deslocado (Noroeste-Sudeste) entre as
latitudes 15S e 25S. Essa banda de nebulosidade é chamada de Zona de Convergência da
América do Sul (ZCAS). O deslocamento da ZCAS para 12S-15S e seu tempo de duração
19

na ordem de dias é o que marca o período chuvoso do sul do NEB nos meses de novembro
a março.
O fenômeno mais expressivo para o período chuvoso do setor leste do NEB é
denominado de Ondas de Leste (OL); também conhecido por Distúrbios Ondulatórios de
Leste, Perturbações Ondulatórias dos Alísios e Ondas Africanas; são caracterizadas como
pacotes de instabilidade que se propagam pelo fluxo dos ventos Alísios partindo da costa
oeste da África até o NEB durante o inverno do hemisfério sul (FERREIRA & DA SILVA
MELO, 2005). Segundo Coutinho e Fisch (2007) OLs ocorrem durante todo o ano sobre o
leste do NEB, porém sua ocorrência é intensificada nos meses de maio a agosto, marcando
o período chuvoso do litoral leste do NEB.
Associado a outros fenômenos tropicais, o chamado Vórtice Ciclônico de Altos Níveis
(VCAN), é outro fenômeno responsável por parte da precipitação anual em alguns setores
do NEB (PINHEIRO et al., 2015). A chuva ocasionada pelo fenômeno depende da sua
posição sobre a região. Como documentado por Morais (2016) e De Souza Ferreira et al.
(2020), seu centro é caracterizado por estabilidade, enquanto os lugares do NEB localizados
sobre a periferia do fenômeno sob recebem toda a chuva da área instável do fenômeno.
VCANS pode atuar por até 8 dias e é o principal fenômeno de grande escala que provoca
chuva na região central do NEB.

3.4. AVANÇOS NA PREVISÃO DE SECA
Uma das mais importantes ferramentas de enfrentamento da seca é as previsões do
fenômeno. As previsões de seca quando conciliadas com o monitoramento do fenômeno
formam um sistema de informações de grande confiabilidade para gerenciamento de crise.
Para prever o fenômeno muitas classes de modelos têm sido usadas. Rahmat et al. (2017)
validou um modelo estatístico baseado em cadeias de Markov para prever a seca em curto
prazo de Victoria na Austrália. Zhang et al. (2020) comparou o desempenho de modelos
autoregressivos integrados com médias móveis (Autoregressive integrated moving averange
- ARIMA), Redes Neurais de Ondeletas (Wavelet Neural Network – WNN) e Máquina de
Vetor (Vector Machine - SMV) para previsão de séries de Índice de Precipitação
Normalizada (Standard Precipitation Index – SPI) em Sanjiang Plain, China.
Extraordinariamente o método ARIMA obteve resultados substancialmente melhores em
comparação com as demais técnicas, mesmo sendo a técnica mais “rudimentar”. Dehe Xu
et al. (2020) por outro uniu os modelos ARIMA e Regressão Vetorial de Suporte (Support
Vector Regression – SVR) num único modelo híbrido para previsão de seca na província

20

chinesa de Henan. Os resultados mostraram boa habilidade preditiva do modelo para
previsões de até 2 meses a frente. Outro método empírico e híbrido a mostrar resultados
significativos foi o modelo combinado entre Transformação Empírica de Ondeletas
(Empirical Wavelet Transform – EWT) e ARIMA validado por Shaari et al. (2018).
Apesar dos modelos estatísticos fornecerem boas previsões com pouco custo
operacional, os modelos dinâmicos ou híbridos (que integram previsões de modelos
dinâmicos e modelos estatísticos) tem sido os mais efetivos para se obter as melhores
previsões de seca. Shin et al. (2019) aplicaram com sucesso redes Bayesianas para melhorar
as previsões de diversos modelos dinâmicos para prever a seca hidrológica na Coreia do Sul
e converte-las em previsões probabilísticas. Xu et al. (2018) melhoram consideravelmente
as previsões brutas do North American Multi Model Ensamble utilizando o método SVR e
um modelo de Média Baysiana (MB) para o território da China. Os produtos do NMME
foram utilizados como entrada de um modelo hidrológico para previsão de seca hidrológica
na bacia do rio Han, na China, no trabalho de Ma e Ye (2019). Para previsões de 1 a 4 meses
de antecedência o modelo mostrou ótima habilidade preditiva. Ainda para a China, o modelo
Climate Forecast Sistem versão 2 foi validado para toda superfície continental chinesa para
previsão do SPI6 no trabalho de Lang et al. (2020). O modelo sozinho conseguiu produzir
previsões úteis ao gerenciamento de seca.

21

4. MATERIAIS E MÉTODOS
4.1. DADOS E ÁREA DE ESTUDO
O Nordeste Brasileiro se encontra numa região equatorial entre os paralelos 1-21°S e
os meridianos 32-49°W. A região ocupa uma área de aproximadamente 1,800,55 km², que
representa 20% do território do Brasil (Fig.2). Possui nove estados. São eles: Alagoas (AL),
Piauí (PI), Maranhão (MA), Ceará (CE), Rio Grande do Norte (RN), Paraíba (PB),
Pernambuco (PE), Alagoas (AL), Sergipe (SE) e Bahia (BA). A vegetação característica da
costa leste é mata atlântica. A vegetação presente na porção central do NEB (região
semiárida) é a caatinga. A região de transição entre a caatinga e a mata Atlântica é chamada
de Agreste. A topografia da região unido com a atuação de variados sistemas meteorológicos
provocam uma grande variabilidade climática. O NEB possui três áreas de variabilidade
pluviométrica homogênea: a porção central, o norte e a parte leste (CAVALCANTE, 2016;
MARENGO et al, 2017 & ALVALÁ et al., 2017). A região do semiárido é caracterizado
como a região onde a precipitação anual é menor que 700 mm.
Faram utilizados dados de precipitação em grade proveniente do Global Precipitation
Climatology Center que fornece dados de 1900 até 2010 numa grade de resolução 1x1. Os
dados do GPCC são gerados a partir de observações de superfície sem considerar dados de
satélite. O método de interpolação utilizado é o Angular Distance Weithing, que consiste em
ponderar as estações próximas aos pontos estimados considerando o ângulo entre o ponto e
as estações e considerando o decaimento de correlação em função da distância de cada
estação de superfície. Alguns trabalhos validaram o produto do GPCC para algumas regiões
do Brasil. Limberger e Silva (2018) avaliaram o produto para a região Amazônica. Barbosa
et al. 2020 validaram o produto para a sub bacia do rio Guamá no setor nordeste do estado
do Pará. Ambos os trabalhos tiveram resultados satisfatórios que qualificam a base de dados
para este trabalho.
.

22

Figura 2 - Mapa de Localização do Nordeste Brasileiro com a delimitação dos estados (Siglas) e da
região do semiárido (Contorno azul).

4.2. ÍNDICE DE PRECIPITAÇÃO NORMALIZADA
Diversos índices foram criados com o objetivo de estudar a quantitativamente a seca.
O Palmer Drought Severity Index (PDSI) foi o primeiro índice desenvolvido para essa
finalidade e foi muito importante por incorporar os efeitos da evapotranspiração. Como os
parâmetros do PDSI eram fixos e tinham sido originalmente calculados para o EUA,
posteriormente foi definido o PDSI autocalibrado (PDSIac), que estimava seus parâmetros
com base em características inerentes as séries (Wells et al., 2004). Porém, o PDSI e o
PDSIac não permitiam análises em múltiplas escalas temporais. Sendo assim, McKee et al.
(1993) desenvolveu o Standard Precipitation Index (SPI). A característica principal do SPI
é assumir que a precipitação é a variável chave para a classificação da seca. O cálculo do
SPI é baseado em longas séries de registros de precipitação em diferentes escalas de tempo,
como 1, 3, 6 ou 12 meses. Desde a sua criação, diversos trabalhos utilizaram o SPI para
estudos espaciais e temporais da seca (LIVADA & ASSIMAKOPOULOS, 2007;
LABUDOVÁ et al., 2016; PRABNAKORN et al., 2019) e diversos centros ambientais
tornaram o SPI o índice oficial para monitorar o fenômeno (CPTEC, 2014; CMA, 2015).

23

Além disso, o SPI é o índice de seca recomendado pela Organização Mundial de
Meteorologia (WMO, 2012).
O SPI é baseado em técnicas estatísticas aos quais podem quantificar o grau de seca
comparando um período de chuva acumulada num intervalo temporal de 1 a 24 meses com
o acumulado histórico de chuva para o mesmo período. Por exemplo, um SPI de 3 meses
para julho irá comparar o acumulado observado nos meses de maio, junho e julho com o
acumulado histórico para o mesmo período. Nesse caso de SPI para três meses, o índice será
denominado de SPI3. Normalizando a precipitação é possível comparar estações em locais
diferentes com variabilidades distintas, permitindo uma melhor análise da distribuição
espacial da seca e sua frequência.
Para calcular o SPI, o acumulado de precipitação observado (Xt) é filtrado por uma
função de distribuição de probabilidade gamma (G(Xt)) com os parâmetros previamente
estimados. Os parâmetros de forma (α) e de escala (β) da função gamma é estimado pelo
método de máxima verossimilhança. Como a função gamma é indeterminada para Xt = 0, a
função de filtro para os valores de Xt é dada por:
H ( X t ) = q + (1 − q)G ( x)

para q=(m/N)

onde m é o número de observações 0, N o número de observações da série e Gx a
função gamma.
Posteriormente H(Xt) é transformada numa função gaussina para obter o valor final do
SPI seguindo as equações:
2

+ t + C 2 t 
C
o C1

SPI = − t −
2
3
 1+ t +
d 1 d 2 t + d 3 t  para 0  H ( x)  0.5

2

+ t + C 2 t 
C
o C1

SPI = + t −
2
3
 1+ t +
d 1 d 2 t + d 3 t  para 0.5  H ( x)  1


com



1

t = ln 
2


 ( H ( x))  para 0  H ( x)  0.5


1

t = ln 
2


 (1− H ( x))  para 0.5  H ( x)  1

24

C0 = 2.515517

;

C1 = 0.802853

;

C2 = 0.010328

;

d1 = 1.432788 ; d 2 = 0.189269

;

d 3 = 0.001308

O cálculo das séries de SPI a partir dos dados do GPCC foram feitos utilizando o
pacote SPEI em linguagem de programação R. O pacote foi desenvolvido por Vicente e
Serrano (2010) para cálculo do Índice de Precipitação e Evapotranspiração Normalizados e
SPI.

4.3. NORTH AMERICAN MULTI MODEL ENSEMBLE (NMME)
O NMME é um esforço de várias agências para fornecer um conjunto operacional de
previsões de modelos climáticos globais (KIRTMAN et al., 2014). O projeto fornece
previsões de nóvel global proveniente dos centros de previsões do EUA e Canadá
(BOLINGER et al.,2017). No NMME, estão incluídas as previsões do Sistema de Previsão
do Clima, versão 2 (CFSv2; SAHA et al., 2014); o Geophysical Fluid Dynamics Laboratory
(GFDL; ZHANG et al., 2007) e os modelos GFDL Forecast-Oriented Low Ocean Resolution
(FLOR; JIA et al., 2015); o Centro Nacional de Pesquisas Atmosféricas (NCAR); o
Community Climate System Model, versão 4 (CCSM4; GENT et al., 2011); o National
Aeronautics and Space Administration (NASA) e Goddard Earth Observing System, versão
5 (GEOS-5), dados do oceano e modelos de gelo marinho e sistemas de assimilação de dados
(VERNIERES et al., 2012; BOROVIKOV et al., 2017); e dois modelos do Canadian
Meteorological Centre (Third Generation Canadian Coupled Global Climate Model
(CanCM3) e Fourth Generation Canadian Coupled Global Climate Model (CanCM4);
MERRYFIELD et al., 2013). O NMME é o resultado da integração desse conjunto de
modelos. A lista completa de modelos utilizados é descrita em detalhes por Kirtman et al.,
(2014). O hindcast do NMME abrange o período de 1982 a 2010. As previsões do NMME
começam sempre no dia 15 do mês antecedente ao trimestre da previsão. Ou seja, a rodada
para a previsão do trimestre FMA é iniciada no dia 15 de janeiro, a rodada para a previsão
do trimestre MJJ é iniciada no dia 15 de abril e a previsão para o trimestre NDJ é iniciada
em 15 de outubro. A resolução espacial das previsões é de 1°x1°. A previsão do NMME
consiste na média simples das previsões de todos os modelos apresentados anteriormente.
Além disso é disponibilizado todos os modelos do conjunto individualmente. Neste trabalho
foi utilizado a média de todos os modelos para gerar as previsões de precipitação no NEB.
Ou seja, todos os modelos usados tem igual importância.

25

4.4. CORREÇÃO DE VIÉS POR CORRELAÇÃO CANÔNICAS
O desempenho dos MCGs a nível local é frequentemente pobre por possuírem um erro
sistemático chamado de viés. Tendo isso em vista, o erro sistemático de MCGs
frequentemente precisam ser quantificados e calibrados. O método de tratamento desse víes
é denominado na literatura por Estatística de Saída de Modelo (Model Output Statistics MOS), termo definido por Glahn e Lowry (1972). MOS consiste em melhorar as previsões
de MCGs utilizando relações estatísticas entre variáveis locais observadas e variáveis
previstas pelo modelo. Frequentemente essas relações estatísticas encontradas por métodos
de MOS tem um embasamento físico. Ou seja, os sinais de fenômenos que influenciam na
previsão podem ser melhor detalhados quando aplicado métodos estatísticos que maximizem
essa relação. Outra vantagem trazida pelo uso de MOS é aumentar a resolução espacial da
previsão. Esse processo é chamado de redução de escala (Downscaling). Embora a redução
de escala seja um método muito usado em ciências climáticas, neste trabalho foi realizado
somente a correção de viés, sem utilizar o método dado o fato da base do GPCC ter a mesma
resolução da saída dos modelos do NMME.
Inúmeros métodos de MOS estatísticos foram usados com sucesso para correção do
viés de modelos ou downscaling. Sachindra et al., (2013) utilizou Máquina de Vetores de
Suporte e Regressão Linear Múltipla para fazer downscaling do fluxo de capitação do rio
Bellfield na porção noroeste da Austrália. Alaya et al. (2016) desenvolveu um modelo
baseado em Regressão Quantilica, Regressão Logística e Copula Gaussiana para
downscaling da precipitação, temperatura máxima e mínima na província de Quebec,
Canadá. Benestad et al. (2015) encontrou significante melhora em previsões de MCGs em
downscaling da temperatura média em partes do território da Europa e China utilizando
análise de componentes principais.
Para este estudo foi escolhido aplicar Análise de Correlações Canônicas (ACC). ACC
é um método estatístico que identifica um par de padrões em dois conjuntos de dados
multivariados e gera variáveis transformadas que projetam os padrões das séries originais
(WILKS, 2010). ACC é aplicado como método de downscaling e MOS em inúmeros
trabalhos (MANZANAS et al., 2018). Dan et al., (2016) utilizou CCA para downscaling de
projeções de precipitação diária do CMIP5 para a bacia do rio Yangtze-Huaihe, China.
Tiwari et al. (2019) comparou downscaling proveniente de métodos estatísticos (ACC) e
métodos dinâmicos (Modelo Regional) para o norte da Índia e concluiu que os dois métodos

26

melhoram significantemente a previsão dos MCGs. Tomozeiu e Pasqui (2017) investigaram
a mudança da temperatura do ar em áreas agrícolas da Itália utilizando cenários futuros com
escala reduzida por ACC.
ACC pode ser utilizada de duas formas, como definido em Barnston e Tippet (2017),
a primeira como um modelo de previsão puramente estatístico que relaciona padrões de
anomalias em observações recentes (por exemplo, anomalias na temperatura da superfície
do mar) a padrões de anomalia climática em um trimestre subsequente (por exemplo,
anomalias de precipitação) com base em um período extenso de hindcast, sem envolvimento
de nenhum modelo dinâmico (BARNETT & PREISENDORFER, 1987; BARNSTON,
1994; JOHANSSON et al. 1998). A outra maneira de se utilizar ACC, e que foi usada nesta
pesquisa (ver Fig. 1 de BARNSTON E TIPPET, 2017), foi relacionar os dados brutos da
previsão de precipitação proveniente do NMME para os trimestres chuvosos do NEB
inicializados no mês anterior com as observações de SPI3 correspondentes para cada
trimestre em um período de hindcast. O domínio preditivo para o NEB foi projetado para ser
maior que o NEB (Fig.3 painel superior direito), enquanto o domínio preditor tentou
abranger uma área grande suficiente para abarcar a maior parte dos fenômenos de baixa
frequência que atuem sobre a variabilidade climática do NEB (Fig.3 painel superior
esquerdo). As áreas do preditando e do preditor foram escolhidas baseadas nos resultados
alcançados no trabalho de Barnston e Tippet (2017) ao utilizar as referidas dimensões de
território.
Assim como descrito em Barnston e Tippet (2017), uma pré-ortogonalização é
realizada utilizando análise de funções ortogonais empíricas (EOF), também denominada
por Componentes Principais, de forma separada aos hindcasts do modelo (variável X, ou
preditor) e nas correspondentes observações (variável Y ou preditando), e o conjunto das
séries temporais de componentes principais de maior importância dessas EOFs é usada como
entrada para a ACC (Fig.3 painel inferior). Esta metodologia reduz o número de variáveis
usadas pela ACC preservando padrões de variabilidade mais coerentes (BARNETT &
PREISENDORFER. 1987).
Para aplicar ACC foi utilizado o software Climate Predictability Tool (CPT). O CPT
é uma ferramenta amplamente usada para fazer redução de escala de modelos climáticos
(MANSON E TIPPETT, 2017; ESQUIVEL et al., 2018; HOSSAIN et al; 2019). O software
aplica o pré-processamento de EOF antes do método ACC e depois estima o modelo por um
processo de validação cruzada. Ou seja, o conjunto de dados (hindcast) para estimativa do

27

modelo é particionado em subconjuntos mutuamente exclusivos que alguns serão usados
para estimar o modelo e o conjunto restante para validação. O método de validação cruzada
se caracteriza por esse processo de treino e validação se repetindo até que todos os conjuntos
tenham sido usados em algum momento para validar o modelo sem ter sido usado para
treina-lo. Esse processo permite a ótima validação de um modelo utilizando todos os dados
disponíveis para estimar os parâmetros (STONE, 1978 PICARD & COOK,1984, BROWNE,
2000). É muito útil para validação de previsões climáticas por ser ter séries de dados muito
curtas para validar.

Figura 3 - Domínio do preditor X e do preditando Y (Acima) e (Abaixo) processo de redução do
número de variáveis (pontos de grade) para obter séries independentes (ortogonais entre si).

Uma análise dos dois primeiros modos do preditor e preditando obtidos por EOF no
processo de pré-processamento dos dados para aplicar ACC foi realizada para avaliar a
natureza da destreza de previsão alcançada pelo modelo. A escolha dos dois primeiros modos
se deu por mostrarem os padrões mais significantes para explicar a dinâmica fisicamente
coerente que o NMME conseguiu alcançar. Os demais modos se mostraram padrões difíceis
de associar com fenômenos conhecidos.

4.5. MÉTRICAS DE HABILIDADE
As previsões de seca no NEB serão avaliadas por diversos métodos que medirão a
confiabilidade, acurácia e exatidão do modelo. As previsões provenientes do modelo serão
de dois tipos: determinística e probabilística. Previsões determinísticas se refere a tentar

28

acertar o valor mais próximo de SPI que será observado no período seguinte. As métricas
determinísticas irão dar um parâmetro da distribuição média da precipitação. Previsões
probabilísticas se referem a probabilidade do SPI ser igual ou abaixo de um valor ou patamar
crítico no período seguinte. As métricas probabilísticas medirão a capacidade do modelo em
prever os extremos de seca. Os dois tipos de previsões podem servir a usuários distintos e
sua natureza exige métricas de habilidade distintos. Todas as métricas apresentadas a seguir
tiveram como referência principal Wilks (2010). Outros trabalhos foram usados como
referência complementar (KHARIN & ZWIRS, 2003; FAWCETT, 2006; WEIGEL et al.,
2007; BRADLEY et al., 2008; MA et al., 2018).

Avaliação determinística
1. Root Mean Squere Erros (RMSE): RMSE é a diferença quadrática do erro médio entre
valores previstos e observados. A métrica mensura o quão próximo do valor real o
modelo consegue chegar. Quanto mais próximo de zero, melhor é a previsão. RMSE é
uma métrica muito sensível ao erro, ou seja, ela tende a subestimar o poder preditivo de
modelos. É uma característica bastante aproveitada dado que se um modelo demonstra
valores de RMSE razoáveis, ele pode ser ainda melhor na prática. Na equação
𝑜𝑘 representa os valores de SPI observado e 𝑦𝑘 representa os valores de SPI previstos
pelo modelo.
𝑛

1
𝑅𝑀𝑆𝐸 = √ ∑(𝑦𝑘 − 𝑜𝑘 )2
𝑛
𝑘=1

2. Coeficiente de Correlação de Pearson (r): Para mensurar a associação entre as variáveis
previstas e observadas com um único valor, utilizamos o coeficiente de correlação de
Pearson. Quanto mais o valor de r estiver perto da unidade, maior é a associação entre
duas variáveis. Se o valor da unidade for -1, indica correlação inverna.
1
∑𝑛𝑖=1[(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅)]
𝑛
−
1
𝑟=
1⁄
1/2
2
1
1
[𝑛 − 1 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 ] [𝑛 − 1 ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2 ]

Onde 𝑥𝑖 é a previsão do modelo, 𝑦𝑖 os valores de SPI observados, 𝑥̅ e 𝑦̅ as
respectivas médias aritméticas de cada série.

29

Avaliação probabilística
As previsões probabilísticas de seca consistem na probabilidade do valor de SPI ser
igual ou maior (menor) que um valor D pré-definido que represente um nível e seca.
Diferente de previsões sazonais probabilísticas da precipitação e temperatura que é dado em
tercis que representam valores abaixo, próximo e acima da normal climatológica, a previsão
de seca é de natureza binária. Ou seja, o modelo prevê a probabilidade de uma seca de nível
D ocorrer. Desta forma há uma flexibilidade e subjetividade nos resultados que podem ser
processados pelo usuário final. A flexibilidade consiste em se obter a probabilidade de
ocorrência do nível de seca que mais interessar ao usuário. A subjetividade consiste em o
usuário definir qual o limiar da previsão considerar para que ações de enfrentamento sejam
tomadas. Desta forma, avaliamos as previsões probabilísticas para os níveis de seca
definidos pelo National Integred Drought Information System dos Estados Unidos
representados na tabela 1.
Tabela 1 – Categorias de seca definidas pelo National Integred Drought Information para
caracterização de intensidade.

Categoria

Intensidade

Limiares de SPI

D0

Fraca

-0.5 a -0.8

D1

Moderada

-0.8 a -1.3

D2

Severa

Acima de -1.3

1. Brier Score (BS): BS é essencialmente a média quadrática da diferença entre a previsão
em probabilidade 𝑦𝑖 e a observação 𝑜𝑖 do fenômeno a ser previsto, onde 𝑜 assume o valor 1
quando o evento ocorreu e 0 quando o evento não ocorreu (Eq.1). Quanto mais próximo de
0 for o valor de BS, melhor é o desempenho do modelo.

BS =

1 n
( y i − o i )2

n k =1

(1)

2. Brier Skill Score (BSS): O BS pode mensurar a precisão de uma previsão, mas para o
resultado ser considerado relevante para uso operacional é preciso fazer alguma comparação
relativa com alguma outra previsão de referência. O BSS consiste na mensuração de
habilidade relativa de um modelo a um modelo de referência (Eq.2). A referência usada foi
o BS obtido ao usar climatologia (𝐵𝑆𝑟𝑒𝑓 ) como previsão de seca. O valor de 𝐵𝑆𝑟𝑒𝑓 é dado
pela distribuição normal padronizada do SPI. Como cada classe de seca contém um intervalo,

30

foi escolhido valores intermediários de SPI (Não necessariamente a média) para representar
a classe. A partir desses valores de SPI foi calculado a probabilidade de referência (Tabela
2). Posteriormente a probabilidade de referência foi aplicada sobre a eq.1 para obter a 𝐵𝑆𝑟𝑒𝑓 .
Tabela 2 - Valores de SPI usados como referência das classes de seca para calcular a probabilidade
de referência.

Classe de seca

SPI de referência

Probabilidade de referência
(%)

D0

-0.7

24

D1

-1

16

D2

-1.3

8

𝐁𝐒

𝐁𝐒𝐒 = 𝟏 − 𝐁𝐒

(2)

𝐫𝐞𝐟

3. Relative Operating Characteristic Score (ROCS): ROCS é uma métrica derivada da
chamada Curva ROC (Relative Operating Characteristic Curve) que consiste na avaliação
de habilidade do modelo discriminar com alta probabilidade a ocorrência e a não ocorrência
de um evento comparando taxas de acerto e a taxas de falso alarme. A curva ROC é calculada
plotando num plano cartesiano as taxas de acertos e taxas de falso alarme em função de
limiares de probabilidade variando de 0 a 1. Integrando a curva ROC se obtém o valor ROCS.
ROCS com valor igual ou inferior a 0.5 indica inabilidade preditiva, enquanto que ROCS
igual a 1 indica previsão prefeita. Segundo alguns trabalhos, ROCS acima de 0.7 configurar
boas discriminações das ocorrências para aplicações operacionais.

31

5. RESULTADOS E DISCUSSÕES
5.1.

Análise dos modos
A figura 4 exibe o padrão espacial dos dois primeiros modos principais do NMME (a

e d) e do SPI no NEB (c e f) para o trimestre NDJ. Juntamente com o padrão espacial dos
modos está incluindo as séries temporais dos modos (b e e). O padrão espacial marcado na
região equatorial do Atlântico no primeiro modo do NNME (Fig. 4a) aponta para uma clara
relação com o fluxo dos ventos alísios. Esse padrão é reforçado ao se observar o padrão do
primeiro modo do SPI do nordeste (Fig. 4c) que mostra uma intensidade maior do seu modo
no extremo norte do NEB. Observando as séries dos modos (Fig. 4b), nota-se que há uma
clara tendência geral negativa nas séries. No final das séries há o que parece ser uma
mudança para tendências positivas. Desta forma, o fenômeno associado ao modo pode ter
ciclos interanuais definidos. Intensidade relativa alta do modo do NMME é visto também no
Pacífico Sul. Essa região do Pacífico é reconhecida por exercer influência sobre as ondas de
Rossby que se deslocam até e atuam sobre a América do Norte (MULLER & AMBRIZZI,
2007). Tal teleconexão pode se concretizar por meio da Alta Subtropical do Atlântico Sul
(ASAS). Tal hipótese é levantada por Lee et al., (2013). Ou seja, as ondas de Rossby ao
exercer influência sobre a ASAS, por sua vez perturbam o fluxo dos ventos alísios. Porém,
em NDJ o principal fenômeno gerador de chuva são os VCANs. O padrão espacial do modo
1 do NMME se relaciona também com a ocorrência de VCANs. Segundo Appenzeller et al.,
(1996) quebras de ondas de Rossby na alta troposfera sobre o Atlântico Sul podem levar a
invasões de ar estratosféricos no NEB e consequentemente desencadear a formação de
VCANs.
O segundo modo do NMME apresenta forte intensidade no Pacífico Equatorial (Fig.
4d). Tal padrão aponta para a influência do ENOS sobre o NEB. Sobre a maior parte do
Brasil se observa intensidade inversa à observada no Pacífico central. Exceto no extremo sul
do Brasil que há valores igualmente positivos. O padrão de influência do ENOS para o Brasil
se encaixa no observado no mapa do modo 2 para o NMME, já que eventos de ENOS
positivo tendem a causar secas no NEB e períodos de elevada precipitação no sul do Brasil,
enquanto eventos de ENOS negativo tendem a causar o efeito oposto (CAVALCANTE,
1996; DE MELO, 1999; BERLATO et al., 2003).

32

Figura 4 – Padrão espacial dos modos principais do NMME (a e d); SPI (c e f) e séries temporais
dos modos (b e e) do trimestre NDJ.

A figura 5 exibe o padrão espacial dos modos principais do NMME (a e d) e SPI (c e f)
do NEB no trimestre FMA. Na figura está também as séries temporais dos respectivos modos
(b e e). O padrão espacial observado para o primeiro modo do NMME em FMA aponta
claramente para a atuação da ZCIT, mostrando uma extensa faixa sobre a região equatorial
onde tipicamente a ZCIT está localizada. Durante FMA a ZCIT está em sua localização
máxima a sul. Portanto, como já mencionado, é o fenômeno mais importante para o NEB
nesta época do ano. O modo 1 do SPI (Fig. 5c) mostra que o fenômeno tem uma expressiva
influência sobre o NEB, chegando a alcançar a porção central da região.
O segundo modo do NNME e SPI por sua vez não mostra um sinal muito claro. A série
de ambos os modos apresenta uma tendência negativa com uma possível inversão de
crescimento no final. Dado o padrão espacial do modo 2 do SPI (Fig. 5f) com intensidade
considerável no litoral leste, é possível que seja provocado pela atuação de distúrbios
ondulatórios de leste (DOLs). Como já mencionado, segundo Coutinho e Fisch (2007) as
DOLs ocorrem durante todo o ano, com máxima intensidade de março/abril a julho/agosto
(GOMES et al, 2019). O modo pode indicar o início da intensificação das DOLS para o
inverno.

33

Figura 5 - Padrão espacial dos modos principais do NMME (a e (d; SPI (c e f) e séries temporais
dos modos (b e e) do trimestre FMA.

A figura 6 exibe os padrões espaciais dos modos principais do NMME (a e d) e SPI (c
e f) do trimestre MJJ justamente com as séries temporais dos modos (b e e). O padrão
espacial do primeiro do NMME (Fig. 6a) apresenta dois sinais expressivos: Um faixa intensa
sobre o Pacífico e um gradiente que corta a América do Sul e o Atlântico sul. Os dois sinais
podem está ligados por algum sistema que atua em latitudes mais extremas e avançam o
continente. Neste caso, uma hipótese válida é que o sinal pode representar a atuação conjunta
de incursão de sistemas frontais e intensificação da ASAS durante o inverno, gerando a
aumento no número de episódios de DOLs. Segundo Carpenedo e Ambrizzi (2020), durante
o outono e inverno nota-se uma anomalia no campo da pressão ao nível do mar associado a
ASAS. Essa anomalia fortalece o ramo leste e oeste do sistema e por consequência
intensifica a velocidade do vento na costa leste do NEB. Nota-se que o padrão espacial do
modo 1 de SPI sobre o NEB cobre praticamente toda região, com maior destaque para a
porção norte.
O modo 2 do NMME por sua vez mostra um sinal confuso (Fig. 6d). Há relativa
intensidade evidente sobre o Pacífico Equatorial, o que pode estar relacionado a uma leve
influência do ENOS sobre a região. De forma geral, essa e as demais imagem mostram que
o Atlântico tem um papel primordial, seja por influência direta (Dipolo do Atlântico) ou
indireta (perturbações no campo dos ventos Alísios).

34

Figura 6 - Padrão espacial dos modos principais do NMME (a e (d; SPI (c e f) e séries temporais
dos modos (b e e) do trimestre MJJ.

5.2. Previsão determinística
A figura 7 exibe os valores de correlação entre o SPI3 e a previsão proveniente do
NMME-ACC para o NEB nos três trimestres em análise. O trimestre NDJ (Fig.7a) se
observa valores de correlação variando entre 0.3 e 0.8 em todo o território do NEB. O sul do
NEB obteve os maiores valores (entre 0.6 e 0.8) assim como uma pequena região do setor
nordeste do NEB. Neste trimestre praticamente todo território do NEB obteve correlação
estatisticamente significante. Os VCANs que se formam associados a Alta Bolívia e que
atuam no verão do hemisfério sul podem explicar parte deste resultado (LOURENÇO et al.,
1996). Segundo Ramírez (1999), os episódios de VCANs são mais intensos em anos de
ENOS. Sendo um fenômeno bem correlacionado com o ENOS, modelos globais tendem a
ter maior desempenho em modelar fenômenos de maior escala.
No trimestre FMA (Fig.7b) o setor norte da região apresenta valores de correlação
estatisticamente significantes variando de 0.3 a 0.77. A porção noroeste obteve os maiores
valores por ser o período de atuação máxima da ZCIT no hemisfério sul. Trabalhos como
Machado e Rocha (2011) e Cruz et al., (2013) mostram que os modelos dinâmicos climáticos
possuem boa destreza para simular a posição média da ZCIT. Desta forma, a previsão de
precipitação proveniente do sistema é consequentemente melhor estimado.

35

No trimestre MJJ é observado valores de correlação estatisticamente significantes na
porção central até a porção norte do NEB (Fig.7c). Nessa porção os valores oscilam entre
0.4 e 0.83. Os maiores valores são observados no litoral norte do NEB. Esse período é
caracterizado pela ocorrência das Ondas de Leste que atuam principalmente no litoral do
NEB, o que explica o melhor desempenho do modelo nessa região (MOTA et al., 1996;
FERREIRA et al., 2005 e COUTINHO et al., 2007).
Mo e Lyon (2015) analisaram o potencial do NMME em prever a seca global. Os
resultados de correlação de Pearson encontrado pelos autores foram bastante similares. Em
NDJ os maiores valores estão concentrados no norte e no interior sul do NEB, em FMA
concentrado no norte e em MJJ no norte e no leste. Em termos de valores de correlação, pelo
fato dos autores terem também usado a base de dados do GPCC, os valores concordam com
os encontrados neste trabalho. Valores semelhantes foram encontrados por Thober et al.
(2015) ao analisar a destreza do NMME em prever a seca no continente europeu.

Figura 7 - Correlação de Pearson entre SPI3 observado e previsto pelo NMME-ACC no domínio do
NEB no intervalo de 1082-2010 nos trimestres a) NDJ, b) FMA e c) MJJ. Valores a acima de 0.33
são considerados estatisticamente significantes com nível de confiança de 5%.

A figura 8 ilustra os mapas de Raiz Quadrada do Erro Médio (RMSE) paras os três
trimestres. Esta estatística mostra o viés da previsão em termos absolutos. No trimestre NDJ
se observa que a porção sul e litoral nordeste do NEB apresentam os menores valores de
RMSE (0.5 a 0.7 unidades de SPI) (Fig.8a). A porção central do NEB apresenta maior erro
de previsão com valores de RMSE acima de 0.8. O trimestre FMA apresenta os melhores
valores de RMSE no norte da região e setor oeste (Fig.8b). Os valores nessas regiões estão
variando de 0.6 a 0.8 unidades de SPI. O litoral leste e algumas regiões na porção central do
NEB obtiveram resultados inferiores com valores de RMSE acima de 0.8 unidades de SPI.

36

No trimestre MJJ se observa um claro desempenho superior na porção norte do NEB. Os
valores de RMSE variam de 0.2 a 0.7 unidades de SPI se estendendo até quase metade do
território do NEB. A porção sudoeste do NEB obteve os piores resultados, com valores de
RMSE em torno de 1 unidade de SPI.

Figura 8 - Raiz quadrada do erro médio entre SPI3 observado e previsto pelo NMME-ACC no
domínio do NEB no intervalo de 1082-2010 nos trimestres a) NDJ, b) FMA e c) MJJ.

5.3. Previsão Probabilística
As figuras 9, 10 e 11 ilustram os valores de Brier Skill Score (BSS) dos trimestres
NDJ, FMA e MJJ para cada intensidade seca prevista. BSS representa a destreza espacial
das previsões probabilísticas geradas pelo modelo NMME-ACC. Vale lembrar que BSS
igual a 1 significa previsão perfeita, enquanto valor igual a zero indica previsão sem poder
preditivo significativo em comparação com a climatologia. As previsões são consideradas
úteis o ponto de vista operacional quando tem BSS acima de 0.05 (Valor crítico para um
nível de confiança estatística acima de 95%) (DUTRA et al., 2014).
No trimestre NDJ os valores de BSS mais altos referentes a previsão de secas fracas
(D0) são observados na porção norte e sudoeste do NEB (Fig.9a). Os valores nas regiões
citadas variam de 0.10 a 0.35. A porção central do NEB, mais especificamente o interior dos
estados da Bahia, Piauí e Pernambuco possuem o BSS abaixo de 0.05, sendo lugares com a
previsão insignificante do ponto de vista estatístico. O BSS para secas moderadas (D1)
apresenta uma perda de habilidade na porção norte do NEB mesmo tendo valores acima de
0.10 na maior parte (Fig.9b). Por outro lado, o setor sul ganha mais habilidade nessa
intensidade de seca. Os valores de BSS no setor sul para secas D1 variam de 0.5 a 0.35. Para
secas severas (D2) a habilidade de predição decai bastante em várias partes da região NEB.
O extremo norte do estado do Maranhão exibe valores de BSS ainda bons (0.25 em média)

37

juntamente com a porção sudoeste. O ganho de destreza em relação a climatologia é em
média de 25%. Para esse trimestre o padrão especial de maiores destrezas observadas está
de acordo com o resultado da figura 4a e 5b. A variabilidade provocada por VCANs no setor
sudeste do NEB influencia sobre os três níveis analisados. Os valores de destreza mais altos
observados no norte do NEB, principalmente nos níveis D0 e D2 podem também estarem
associados a posição média de VCANs no NEB. A precipitação ocasionada por VCANs
ocorre na sua periferia, enquanto no centro do sistema há estabilidade atmosféricas (Pinheiro
et al., 2015). Isso explicaria pelo menos parte deste padrão observado em NDJ. Os padrões
concordam com os resultados de Ramírez (1988) que aplicou funções EOF sobre anomalias
de vorticidade no NEB. Em D0 (Fig.9a) se observa que há um núcleo sobre o centro do NEB
sem destreza significante. Esse padrão continua em D1 (Fig.9b) um pouco mais distorcido.

Figura 9 - Brier Skill Score para previsões de seca a) fraca D0, b) moderada D1 e c) severa D2 no
trimestre NDJ.

No que se refere a previsão de seca nível D0 no trimestre FMA, habilidade satisfatória
foi obtida na porção noroeste da região do NEB. Os maiores valores de BSS obtidos estão
acima de 0,35. Nessa região o BSS varia em torno de 0,20. Valores acima de 0,05 ainda são
registrados mais ao centro da região, findando ao chegar no estado da Bahia. O litoral leste
e o sul do NEB não obtiveram resultados satisfatórios. Resultado semelhante foi obtido para
previsão de seca nível D1 (Fig.10b). A porções noroeste do NEB obteve uma área mais
ampla de valores acima de 0,35. O litoral norte do NEB teve uma significante melhoria em
comparação com a previsão de seca nível D0, enquanto o litoral leste e o sul do NEB
permaneceram sem desempenho aceitável. A habilidade preditiva do modelo cai bastante
para o nível D2 de seca (Fig.10c). Neste nível somente parte do litoral norte obtém valores
de BSS em torno de 0,15 e um ponto localizado no interior do Piauí. O fato dos maiores

38

valores de BSS terem sido obtidos no setor noroeste da região indicam relação com a ZCIT
em sua posição máxima no hemisfério sul (COELHO et al., 2004). Em D1 (Fig.10b) se
observa uma pequena área com destreza um pouco abaixo dos valores observados a noroeste.
Uma hipótese levantada para explicar esse padrão é a atuação de bandas duplas da ZCIT
documentada em detalhes por Teodoro et al., (2019). A ocorrência de bandas duplas da ZCIT
provoca um aprofundamento ainda maior da banda de nebulosidade do sistema. Tal resultado
em D1 pode indicar que o NMME tenha algum poder de previsão dos feitos da banda dupla
da ZCIT.

Figura 10 - Brier Skill Score para previsões de seca a) fraca D0, b) moderada D1 e c) severa D2
no trimestre FMA.

O trimestre MJJ exibe um desempenho bem superior em comparação com o trimestre
FMA no norte da região NEB (Fig.11). A porção de boa destreza para secas D0 e D1 são
bem semelhantes, com valores de BSS variando em torno de 0,25 (Fig.11a-b). Como
mencionando anteriormente, a precipitação deste trimestre é proveniente principalmente da
atuação das OLs. Para previsão de seca nível D2 o desempenho diminui significativamente
na maior parte do litoral nordestino. Alguns pontos mantêm bom desempenho das previsões.

39

Figura 11 - Brier Skill Score para previsões de seca a) fraca D0, b) moderada D1 e c) severa D2 no
trimestre MJJ.

A figura 12 mostra os campos de ROC score (ROCS) para os três níveis de seca
analisados no trimestre NDJ. Valores de ROC score acima de 0.7 são frequentemente
considerados bons pela literatura para aplicações operacionais (ARCHER & FOWLER,
2008; BARNSTON, 2010; BARNSTON & MASON, 2011). Tendo em isso em vista, se
observa que o poder preditivo do modelo é mais abrangente do que o mostrado pelo BSS.
Quase a completa área do NEB exibe valores de ROCS acima de 0.7. Os maiores valores de
são observados para previsões de seca D2 (Fig.12c). Isso demonstra um poder considerável
do modelo em prever eventos extremos de seca nesse período. O norte do NEB é o setor com
maior destreza para todos os níveis. A diferença de valores de ROCS nesse setor não tão
grande quanto os demais. No setor central do NEB há um evidente ganho de desempenho
em alguns pontos quando se avança nos níveis de seca. Exceto para o nordeste do estado da
Bahia (Fig.12c). A porção sudoeste do NEB também teve um aumento no poder preditivo
ao avançar pelos níveis de seca. Para previsão de nível D0 os valores de ROCS nesse setor
gira em torno de 0.8, ao avançar para o nível D2 os valores de ROCS passam a girar em
torno de 0.9.

Figura 12 - ROC score da previsão dos níveis de seca a) D0, b) D1 e c) D2 para o trimestre NDJ.

40

Na figura 13 se observa os valores de ROCS para todos os níveis de seca no trimestre
FMA. É observado um padrão de aumento da destreza com o avançar dos níveis. O setor sul
do NEB começa a ganhar poder preditivo a partir do nível D1 (Fig.13b). Apesar do ganho
preditivo nesse setor, uma boa parte ainda continua a ter valores abaixo de 0.7, mas ainda
considerados significantes. O setor com os melhores resultados no trimestre FMA é o setor
norte. O resultado neste setor está coerente com o BSS observado para o mesmo trimestre
(Fig.10). No litoral leste se observa aumento do valor de ROCS ao aumentar os níveis de
seca. Em D0 (Fig.13a) não há poder preditivo, já em D2 se observa valores de ROCS em
torno de 0.78 neste setor.

Figura 13 - ROC score da previsão dos níveis de seca a) D0, b) D1 e c) D2 para o trimestre FMA.

A figura 14 exibe os valores de ROCS para o trimestre MJJ em todos os níveis de
seca analisados. Se observa valores de ROCS bem altos na porção norte do NEB, abrangendo
parte do litoral leste. Mais uma vez o padrão de maior destreza em eventos mais extremos
de seca é observado aqui. O extremo sul do estado da Bahia mostra uma certa uniformidade
de destreza sem variar muito. A região central do NEB por outro lado não apresenta valores
expressivos, dando a concluir que há uma ótima discriminação dos eventos de seca previstos
neste período no NEB.

41

Figura 14 - ROC score da previsão dos níveis de seca a) D0, b) D1 e c) D2 para o trimestre MJJ.

Em termos numéricos os resultados alcançados neste trabalho são semelhantes a de
outros trabalhos ao redor do mundo. Ma et al., (2019) avaliou a destreza do NMME em
prever a seca sobre a bacia do rio Han. A média de BSS encontrado pelo autor é de 30% no
período do verão, enquanto o BSS para o NEB em média foi de 28%. O mesmo autor, agora
em 2018 (MA et al., 2018), também avaliou a destreza do NMME em prever a seca agora
na bacia do rio Heihe utilizando como ref6encia o SPI1, ou seja, na escala de temporal de
um mês. Em termos determinísticos o autor alcançou um RMSE médio de 1.2. Durante o
verão, que é o período de maior previsibilidade para o noroeste da China. Em termos de
BSS, o trabalho alcançou um valor médio de 25% para um lead time de 1 mês. No EUA
resultados bem significativos foram encontrados por Lorenz et al. (2018) utilizando um
integrante do conjunto de modelos norte-americanos, o GFS. Para o setor centro-leste do
EUA o modelo alcançou valores de BSS de até 45% em relaçSão a climatologia. Esse
resultado pode indicar que ao se aplicar modelos individuais ou ponderar a importância de
cada modelo pela sua taxa de acerto pode trazer resultados melhores. Resultados ainda mais
significativos foram encontrados por Trambauer et al. (2015) ao avaliar a destreza do modelo
do Centro Europeu de Previsões Meteorológicas a Médio Prazo (ECMWF) para secas de
escalas de tempo de 6 meses na bacia do rio Limpopo no sul da África. ROCS de até 75% e
BSS de até 45%. Os valores alcançados pelo autor sustentam a hipótese de que é possível
melhorar a destreza de modelos em prever a seca ao aplicar previsões para escalas de tempo
maiores.

42

6. CONCLUSÕES
Esta dissertação teve o objetivo de avaliar a habilidade preditiva de precipitação com
ênfase na seca meteorológica no Nordeste Brasileiro utilizando os produtos operacionais dos
modelos norte-americanos (NMME), convertendo as previsões de precipitação em SPI para
quantificar níveis de seca e calcular a probabilidade de ocorrência de determinadas
intensidades nos três trimestres mais importantes do ponto de vida da quadra chuvosa no
NEB: Novembro, dezembro e outro que consiste no trimestre chuvoso do setor norte;
fevereiro, março e abril que representa o período chuvoso da porção mais ao sul do NEB e
maio, junho e julho; representando o período chuvoso do litoral leste e norte do NEB.
A análise dos modos principais das previsões do NMME e do SPI para os três
trimestres analisados mostrou que a destreza geral alcançada pelos modelos parte da
capacidade do NMME em modelar padrões de conexões entre fenômenos oceânicos (Fases
do ENOS e diferença de temperatura do Atlântico norte e sul) e sistemas de grande escala
que provocam chuva no NEB (ZCIT, DOLs e VCANs).
Os resultados das previsões determinísticas avaliadas por correlação de Pearson e Raiz
Quadrada do Erro médio mostram no geral que há considerável destreza nas previsões de
precipitação para o NEB. O norte do NEB mostra destreza expressiva em todos os trimestres
analisados, tendo seu melhor desempenho em novembro, dezembro e janeiro. A porção sul
da região por sua vez mostrou previsibilidade significante nos trimestres NDJ e MJJ. A
porção central do NEB, onde está localizado a maior parte do semiárido nordestino é a região
com menor destreza. Em termos determinísticos essa porção mostra importante destreza nos
meses de novembro, dezembro e janeiro. No trimestre FMA a destreza das previsões para
esse setor decai bastante. Por outro lado, a partir do trimestre MJJ o setor começa retomar
poder preditivo.
Para um produto operacional é necessário transformar as previsões determinísticas
para probabilísticas. Tal tratamento inclui nas previsões a incerteza envolvida. Tal
procedimento traz vantagens do poder preditivo do modelo e na forma que as previsões serão
usadas para tomadas de decisão. De forma geral o modelo mostrou destreza em praticamente
todo o NEB. Utilizando as estatísticas Brier Skill Score e ROC score foi possível identificar
destreza importante em todo o NEB. Principalmente levando em conta o ROC score. A
estatística ROCS mostrou o desempenho do modelo melhor para os níveis mais altos de seca,
indicando boa aptidão do modelo em prever eventos extremos de seca. O Brier Skill Score
por sua vez foi mais conservador em termos de extensão territorial.

43

A seca no Nordeste Brasileiro é potencialmente previsível, principalmente eventos
mais extremos. Os métodos aplicados nesse estudo podem ser convertidos em produto
operacional que dê suporte a governos e empresas agirem pró-ativamente contra a seca. É
necessário avaliar a habilidade preditiva de outros regimes de seca, tal como seca
hidrológicas em escala de meses e secas sociais em escala de anos.

44

7. REFERENCIAS BIBLIOGRAFICAS
ALVALA, Regina et al. Drought monitoring in the Brazilian Semiarid region. Anais da
Academia Brasileira de Ciências, n. AHEAD, p. 0-0, 2017.
APPENZELLER, C. H.; DAVIES, H. C.; NORTON, W. A. Fragmentation of stratospheric
intrusions. Journal of Geophysical Research: Atmospheres, v. 101, n. D1, p. 1435-1456,
1996.
ARCHER, David Ronald; FOWLER, Hayley J. Using meteorological data to forecast
seasonal runoff on the River Jhelum, Pakistan. Journal of Hydrology, v. 361, n. 1-2, p. 1023, 2008.
AWANGE, Joseph L.; MPELASOKA, Freddie; GONCALVES, Rodrigo M. When every
drop counts: Analysis of Droughts in Brazil for the 1901-2013 period. Science of the Total
Environment, v. 566, p. 1472-1488, 2016.
BARNETT, T. P.; PREISENDORFER, R. Origins and levels of monthly and seasonal
forecast skill for United States surface air temperatures determined by canonical correlation
analysis. Monthly Weather Review, v. 115, n. 9, p. 1825-1850, 1987.
BARNSTON, Anthony G. et al. Verification of the first 11 years of IRI’s seasonal climate
forecasts. Journal of Applied Meteorology and Climatology, v. 49, n. 3, p. 493-520, 2010.
BARNSTON, Anthony G. Linear statistical short-term climate predictive skill in the
Northern Hemisphere. Journal of Climate, v. 7, n. 10, p. 1513-1564, 1994.
BARNSTON, Anthony G.; MASON, Simon J. Evaluation of IRI’s seasonal climate
forecasts for the extreme 15% tails. Weather and forecasting, v. 26, n. 4, p. 545-554, 2011.
BARNSTON, Anthony G.; TIPPETT, Michael K. Do statistical pattern corrections improve
seasonal climate predictions in the North American Multimodel Ensemble models?. Journal
of Climate, v. 30, n. 20, p. 8335-8355, 2017.
BERLATO, Moacir Antonio; FARENZENA, Homero; FONTANA, Denise Cybis.
Associação entre El Niño Oscilação Sul e a produtividade do milho no Estado do Rio Grande
do Sul. Pesquisa Agropecuária Brasileira, v. 40, n. 5, p. 423-432, 2005.
BOLINGER RA, Gronewold AD, Kompoltowicz K, Fry LM (2017) Application of the
NMME in the Development of a New Regional Seasonal Climate Forecast Tool. Bulletin of
the American Meteorological Society 98(3): 555–564.

45

Borovikov A, Cullather R, Kovach R, Marshak J, Vernieres G, Vikhliaev Y, Zhao B, Li Z
(2017) GEOS-5 seasonal forecast system. Climate Dynamics. doi:10.1007/s00382-0173835-2.
BRADLEY, A. Allen; SCHWARTZ, Stuart S.; HASHINO, Tempei. Sampling uncertainty
and confidence intervals for the Brier score and Brier skill score. Weather and
Forecasting, v. 23, n. 5, p. 992-1006, 2008.
BRITO, Sheila S. Barros et al. Frequency, duration and severity of drought in the Semiarid
Northeast Brazil region. International Journal of Climatology, v. 38, n. 2, p. 517-529,
2018.
BROWNE, Michael W. Cross-validation methods. Journal of mathematical psychology,
v. 44, n. 1, p. 108-132, 2000.
CANAMARY, E. A.; REIS JR, D. S.; MARTINS, E. S. Evaluation of ensemble SPI
forecasts for Ceará, Northeastern Brazil. Drought: Research and Science-Policy
Interfacing, p. 245, 2015.
CARPENEDO, Camila Bertoletti; AMBRIZZI, Tércio. Anticiclone Subtropical do
Atlântico Sul Associado ao Modo Anular Sul e Impactos Climáticos no Brasil. Revista
Brasileira de Meteorologia, v. 35, n. 4, p. 605-613, 2020.
CAVALCANTI, Iracema FA. Episódios El Niño/Oscilação Sul durante a década de 1986 a
1996 e suas influências sobre o Brasil. Climanálise Especial, 1996.
CAVALCANTI, Iracema FA. Tempo e clima no Brasil. Oficina de textos, 2016.
CHEN, Si et al. Bayesian change point analysis for extreme daily precipitation.
International Journal of Climatology, v. 37, n. 7, p. 3123-3137, 2017.
CHEN,

Si

et

al.

Bayesian

change

point

analysis

for

extreme

daily

precipitation. International Journal of Climatology, v. 37, n. 7, p. 3123-3137, 2017.
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, n. 2, p. 193-203, 2007.
CRUZ, Ana Luísa; FONSECA, Josiane F. Bustamante; DERECZYNSKI, Claudine Pereira.
Avaliação da Climatologia das Previsões Climáticas Sazonais para o Período Chuvoso da
Região Nordeste do Brasil. 2013.

46

CUNHA, A. P. M. et al. Monitoring vegetative drought dynamics in the Brazilian semiarid
region. Agricultural and Forest Meteorology, v. 214, p. 494-505, 2015.
CUNHA, Ana Paula MA et al. Changes in the spatial–temporal patterns of droughts in the
Brazilian Northeast. Atmospheric Science Letters, v. 19, n. 10, p. e855, 2018.
CUNHA, Ana Paula MA et al. Changes in the spatial–temporal patterns of droughts in the
Brazilian Northeast. Atmospheric Science Letters, v. 19, n. 10, p. e855, 2018.
DA COSTA BARBOSA, Ivan Carlos et al. Precipitation evaluation based on CHIRPS and
GPCC data with surface measurements of sub-basinGuamá River in Northeast
Pará. Ciência e Natura, v. 42, p. 32, 2020.
DA ROCHA JÚNIOR, Rodrigo Lins et al. Analysis of the Space–Temporal Trends of Wet
Conditions in the Different Rainy Seasons of Brazilian Northeast by Quantile Regression
and Bootstrap Test. Geosciences, v. 9, n. 11, p. 457, 2019.
DE JANEIRO, Rio. IBGE, 2010. www. ibge. gov. br/censo2010. Acesso, v. 8, p. 09-11,
2014.
DE MELO, Josemir Camilo. O fenômeno El Niño e as secas no Nordeste do Brasil. Raízes:
Revista de Ciências Sociais e Econômicas, n. 20, p. 13-21, 1999.
DE OLIVEIRA, Alda Santos. Interações entre sistemas frontais na América do Sul ea
convecção da Amazônia. 1986. Tese de Doutorado. INPE.
DE SOUZA FERREIRA, Glauber Willian; REBOITA, Michelle Simões; DA ROCHA,
Rosmeri Porfírio. Vórtices Ciclônicos de Altos Níveis nas Cercanias do Nordeste do Brasil:
Climatologia e Análise da Vorticidade Potencial Isentrópica. Anuário do Instituto de
Geociências, v. 42, n. 3, p. 568-585, 2020.
DELWORTH, Thomas L. et al. A link between the hiatus in global warming and North
American drought. Journal of Climate, v. 28, n. 9, p. 3834-3845, 2015.
DELWORTH, Thomas L. et al. Simulated climate and climate change in the GFDL CM2. 5
high-resolution coupled climate model. Journal of Climate, v. 25, n. 8, p. 2755-2781, 2012.
DUTRA, E. et al. Global meteorological drought-Part 2: Seasonal forecasts. Hydrology &
Earth System Sciences, v. 18, n. 7, 2014.

47

EAKIN, Hallie C.; LEMOS, Maria C.; NELSON, Donald R. Differentiating capacities as a
means to sustainable climate change adaptation. Global Environmental Change, v. 27, p.
1-8, 2014.
EGOZCUE, J. J.; RAMIS, C. Bayesian hazard analysis of heavy precipitation in eastern
Spain. International Journal of Climatology, v. 21, n. 10, p. 1263-1279, 2001.
EGOZCUE, J. J.; RAMIS, C. Bayesian hazard analysis of heavy precipitation in eastern
Spain. International Journal of Climatology: A Journal of the Royal Meteorological
Society, v. 21, n. 10, p. 1263-1279, 2001.
FAWCETT, Tom. An introduction to ROC analysis. Pattern recognition letters, v. 27, n.
8, p. 861-874, 2006.
FERREIRA, Antonio Geraldo; DA SILVA MELLO, Namir Giovanni. Principais sistemas
atmosféricos atuantes sobre a região Nordeste do Brasil e a influência dos oceanos Pacífico
e Atlântico no clima da região. Revista Brasileira de Climatologia, v. 1, n. 1, 2005.
FERREIRA, Raquel Johansson; MICHELETO, RoBeRta GoulaRt. A agitação marítima no
litoral nordeste do Brasil associada aos distúrbios africanos de leste. Revista Brasileira de
Meteorologia, v. 20, n. 3, p. 367-374, 2005.
FINAN, Timothy J.; NELSON, Donald R. Making rain, making roads, making do: public
and private adaptations to drought in Ceará, Northeast Brazil. Climate research, v. 19, n. 2,
p. 97-108, 2001.
FOX, Neil I.; WIKLE, Christopher K. Providing distributed forecasts of precipitation using
a Bayesian nowcast scheme. Atmospheric Science Letters, v. 6, n. 1, p. 59-65, 2005.
FOX, Neil I.; WIKLE, Christopher K. Providing distributed forecasts of precipitation using
a Bayesian nowcast scheme. Atmospheric Science Letters, v. 6, n. 1, p. 59-65, 2005.
GALLANT, Ailie JE; KAROLY, David J.; GLEASON, Karin L. Consistent trends in a
modified climate extremes index in the United States, Europe, and Australia. Journal of
climate, v. 27, n. 4, p. 1379-1394, 2014.
GAO, Shibo et al. Application of a Bayesian inflation approach to EnSRF radar data
assimilation to improve the analysis and forecasting of an MCS. Meteorological
Applications.

48

GAO, Shibo et al. Application of a Bayesian inflation approach to EnSRF radar data
assimilation to improve the analysis and forecasting of an MCS. Meteorological
Applications.
GENG, Guangpo et al. Agricultural drought hazard analysis during 1980–2008: a global
perspective. International Journal of Climatology, v. 36, n. 1, p. 389-399, 2016.
GENT PR, Danabasoglu G, Donner LJ, Holland MM, Hunke EC, Jayne SR, Lawrence DM,
Neale RB, Rasch PJ, Vertenstein M, Worley PH, Tang Z-L, Zhang M (2011) The
Community Climate System Model Version 4. Journal of Climate 24: 4973-4991.
GLAHN, Harry R.; LOWRY, Dale A. The use of model output statistics (MOS) in objective
weather forecasting. Journal of applied meteorology, v. 11, n. 8, p. 1203-1211, 1972.
HASTENRATH, Stefan; HELLER, Leon. Dynamics of climatic hazards in northeast
Brazil. Quarterly Journal of the Royal Meteorological Society, v. 103, n. 435, p. 77-92,
1977.
HASTENRATH, Stefan. Circulation and teleconnection mechanisms of Northeast Brazil
droughts. Progress in Oceanography, v. 70, n. 2-4, p. 407-415, 2006.
HASTENRATH, Stefan. Climate and Circulation of the Tropics. Springer Science &
Business Media, 2012.
HASTENRATH, Stefan. Interannual variability and annual cycle: Mechanisms of
circulation and climate in the tropical Atlantic sector. Monthly Weather Review, v. 112, n.
6, p. 1097-1107, 1984.
JALALKAMALI, Amir; MORADI, Mehdi; MORADI, Nasrin. Application of several
artificial intelligence models and ARIMAX model for forecasting drought using the
Standardized Precipitation Index. International journal of environmental science and
technology, v. 12, n. 4, p. 1201-1210, 2015.
JIA L, YANG X, Vecchi GA, Gudgel RG, Delworth TL, Rosati A, Stern WF, Wittenberg
AT, Krishnamurthy L, Zhang S, Msadek R, Kapnick S, Underwood S, Zeng F, Anderson
WG, Balaji V, Dizon K (2015) Improved Seasonal Prediction of Temperature and
Precipitation over Land in a High-Resolution GFDL Climate Model. Journal of Climate
28: 2044-2062.
JIA, Liwei et al. Improved seasonal prediction of temperature and precipitation over land in
a high-resolution GFDL climate model. Journal of Climate, v. 28, n. 5, p. 2044-2062, 2015.
49

KENNY, Mary Lorena. Drought, clientalism, fatalism and fear in Northeast Brazil. Ethics,
Place & Environment, v. 5, n. 2, p. 123-134, 2002.
KHARIN, Viatcheslav V.; ZWIERS, Francis W. On the ROC score of probability
forecasts. Journal of Climate, v. 16, n. 24, p. 4145-4150, 2003.e
KIRTMAN, Ben P. et al. The North American multimodel ensemble: phase-1 seasonal-tointerannual prediction; phase-2 toward developing intraseasonal prediction. Bulletin of the
American Meteorological Society, v. 95, n. 4, p. 585-601, 2014.
KOUSKY, Vernon E. Frontal influences on northeast Brazil. Monthly Weather Review,
v. 107, n. 9, p. 1140-1153, 1979.
LABUDOVÁ, L.; LABUDA, M.; TAKÁČ, J. Comparison of SPI and SPEI applicability for
drought impact assessment on crop production in the Danubian Lowland and the East
Slovakian Lowland. Theoretical and applied climatology, v. 128, n. 1-2, p. 491-506, 2017.
LANG, Yang et al. Do CFSv2 Seasonal Forecasts Help Improve the Forecast of
Meteorological Drought over Mainland China?. Water, v. 12, n. 7, p. 2010, 2020.
LEE, Sang-Ki et al. Interhemispheric influence of the northern summer monsoons on
southern subtropical anticyclones. Journal of climate, v. 26, n. 24, p. 10193-10204, 2013.
LEMOS, Maria Carmen de Mello. A tale of two policies: the politics of climate forecasting
and drought relief in Ceará, Brazil. Policy Sciences, v. 36, n. 2, p. 101-123, 2003.
LEMOS, Maria Carmen et al. Drought, governance and adaptive capacity in North East
Brazil: A case study of Ceará. Occasional paper for UNDP, v. 2008, 2007.
LIMBERGER, Leila; SILVA, Maria Elisa Siqueira. Precipitação observada na Amazônia
Brasileira: Redes convencionais e dados da Reanálise I do NCEP/NCAR, CRU e
GPCC. Revista Brasileira de Climatologia, v. 22, 2018.
LIVADA, I.; ASSIMAKOPOULOS, V. D. Spatial and temporal analysis of drought in
Greece using the Standardized Precipitation Index (SPI). Theoretical and applied
climatology, v. 89, n. 3-4, p. 143-153, 2007.
LORENZ, D. J. et al. Forecasting rapid drought intensification using the Climate Forecast
System (CFS). Journal of Geophysical Research: Atmospheres, v. 123, n. 16, p. 83658373, 2018.

50

LOURENÇO, Maria Cristina Maciel; FERREIRA, Nelson Jesus; GAN, Manoel Alonso.
Vórtices ciclônicos em altos níveis de origem subtropical. Climanálise Especial, v. 10, p.
163-167, 1996.
MA, Feng; YE, Aizhong; DUAN, Qingyun. Seasonal drought ensemble predictions based
on multiple climate models in the upper Han River Basin, China. Climate Dynamics, v. 53,
n. 12, p. 7447-7460, 2019.
MA, Feng; YE, Aizhong; DUAN, Qingyun. Seasonal drought ensemble predictions based
on multiple climate models in the upper Han River Basin, China. Climate Dynamics, v. 53,
n. 12, p. 7447-7460, 2019.
MADADGAR, Shahrbanou et al. A hybrid statistical‐dynamical framework for
meteorological drought prediction: Application to the southwestern United States. Water
Resources Research, v. 52, n. 7, p. 5095-5110, 2016.
MADADGAR, Shahrbanou; MORADKHANI, Hamid. A Bayesian framework for
probabilistic seasonal drought forecasting. Journal of Hydrometeorology, v. 14, n. 6, p.
1685-1705, 2013.
MANZANAS, R. et al. Can bias correction and statistical downscaling methods improve the
skill of seasonal precipitation forecasts?. Climate dynamics, v. 50, n. 3-4, p. 1161-1176,
2018.
MARENGO, José A. et al. Climatic characteristics of the 2010-2016 drought in the semiarid
Northeast Brazil region. Anais da Academia Brasileira de Ciências, v. 90, n. 2, p. 19731985, 2018.
MARENGO, Jose A. et al. Two contrasting severe seasonal extremes in tropical South
America in 2012: flood in Amazonia and drought in northeast Brazil. Journal of climate, v.
26, n. 22, p. 9137-9154, 2013.
MARENGO, Jose A. Vulnerabilidade, impactos e adaptação à mudança do clima no semiárido do Brasil. Parcerias estratégicas, v. 13, n. 27, p. 149-176, 2010.
MARENGO, Jose A.; TORRES, Roger Rodrigues; ALVES, Lincoln Muniz. Drought in
Northeast Brazil—past, present, and future. Theoretical and Applied Climatology, v. 129,
n. 3-4, p. 1189-1200, 2017.

51

MARIANO, Denis A. et al. Use of remote sensing indicators to assess effects of drought
and human-induced land degradation on ecosystem health in Northeastern Brazil. Remote
Sensing of Environment, v. 213, p. 129-143, 2018.
MARJ, Ahmad Fatehi; MEIJERINK, Allard MJ. Agricultural drought forecasting using
satellite images, climate indices and artificial neural network. International Journal of
Remote Sensing, v. 32, n. 24, p. 9707-9719, 2011.
MARTINS, Minella A. et al. Improving drought management in the Brazilian semiarid
through crop forecasting. Agricultural systems, v. 160, p. 21-30, 2018.
MCGREE, Simon; SCHREIDER, Sergei; KULESHOV, Yuriy. Trends and variability in
droughts in the Pacific islands and Northeast Australia. Journal of Climate, v. 29, n. 23, p.
8377-8397, 2016.
Merryfield WJ, Lee W-S, Boer GJ, Kharin VV, Scinocca JF, Flato GM, Ajayamohan RS,
Fyfe JC, Tang Y, Polavarapu S (2013). The Canadian Seasonal to Interannual Prediction
System. Part I: Models and Initialization. Monthly Weather Review 141: 2910-2945.
MO, Kingtse C.; LYON, Bradfield. Global meteorological drought prediction using the
North American multi-model ensemble. journal of Hydrometeorology, v. 16, n. 3, p. 14091424, 2015.
MOLION, Luiz Carlos Baldicero, and S. de O. Bernardo. "Uma revisão da dinâmica das
chuvas no nordeste brasileiro." Revista Brasileira de Meteorologia 17.1 (2002): 1-10.
MORAIS, M. D. C. Vórtices ciclônicos de altos níveis que atuam no Nordeste do Brasil:
estudo observacional e numérico. 2016.
MOTA, GALDINO VIANA; GANDU, ADILSON WAGNER. Análise de distúrbios
ondulatórios de leste que afetam o Nordeste brasileiro: um estudo de caso. In: Anais do IX
Congresso Brasileiro de Meteorologia, Campos do Jordão (SP). 1996. p. 450-454.
MOURA, Antonio D.; SHUKLA, Jagadish. On the dynamics of droughts in northeast Brazil:
Observations, theory and numerical experiments with a general circulation model. Journal
of the Atmospheric Sciences, v. 38, n. 12, p. 2653-2675, 1981.
MSADEK, Rym et al. Importance of initial conditions in seasonal predictions of Arctic sea
ice extent. Geophysical Research Letters, v. 41, n. 14, p. 5208-5215, 2014.

52

MÜLLER, Gabriela V.; AMBRIZZI, Tércio. Teleconnection patterns and Rossby wave
propagation associated to generalized frosts over southern South America. Climate
Dynamics, v. 29, n. 6, p. 633-645, 2007.
NAMIAS, Jerome. Influence of northern hemisphere general circulation on drought in
northeast Brazil 1. Tellus, v. 24, n. 4, p. 336-343, 1972.
NELSON, Donald R.; FINAN, Timothy J. Praying for drought: persistent vulnerability and
the politics of patronage in Ceará, Northeast Brazil. American Anthropologist, p. 302-316,
2009.
PICARD, Richard R.; COOK, R. Dennis. Cross-validation of regression models. Journal of
the American Statistical Association, v. 79, n. 387, p. 575-583, 1984.
PINHEIRO, José Ueliton. Vórtices ciclônicos em altos níveis sobre o nordeste do Brasil e
mudanças climáticas: análise para o clima atual e cenários futuros. 2015.
PRABNAKORN, Saowanit et al. Assessment of drought hazard, exposure, vulnerability,
and risk for rice cultivation in the Mun River Basin in Thailand. Natural Hazards, p. 1-21,
2019.
RAHMAT, Siti Nazahiyah; JAYASURIYA, Niranjali; BHUIYAN, Muhammed A. Shortterm droughts forecast using Markov chain model in Victoria, Australia. Theoretical and
Applied Climatology, v. 129, n. 1-2, p. 445-457, 2017.
RAMÍREZ, María Cleofé Valverde; KAYANO, Mary Toshie; FERREIRA, Nelson Jesus.
PADRÕES CLIMÁTICOS DOS VÓRTICES CICLÔNICOS EM ALTOS NÍVEIS NO
NORDESTE DO BRASIL, PARTE III: ANÁLISE OBJETIVA. 1988.
RUGGIERI, Eric. A Bayesian approach to detecting change points in climatic records.
International Journal of Climatology, v. 33, n. 2, p. 520-528, 2013.
RUGGIERI, Eric. A Bayesian approach to detecting change points in climatic
records. International Journal of Climatology, v. 33, n. 2, p. 520-528, 2013.
SAHA S, Moorthi S, Wu X, Wang J, Nadiga S, Tripp P, Behringer D, Hou Y-T, Chuang HY, Iredell M, Ek M, Meng J, Yang R, Mendez MP, van den Dool H, Zhang Q, Wang W,
Chen M, Becker E (2014) The NCEP Climate Forecast System Version 2. Journal of
Climate 27: 2185-2208.

53

SHAARI, Muhammad Akram; SAMSUDIN, Ruhaidah; ILMAN, Ani Shabri. Forecasting
drought using modified empirical wavelet transform-arima with fuzzy C-means
clustering. Energy, v. 11, n. 3, p. 1152-1161, 2018.
SHIN, Ji Yae et al. Probabilistic long‐term hydrological drought forecast using Bayesian
networks and drought propagation. Meteorological Applications, v. 27, n. 1, p. e1827,
2020.
SPINONI, Jonathan et al. World drought frequency, duration, and severity for 1951–
2010. International Journal of Climatology, v. 34, n. 8, p. 2792-2804, 2014.
SPINONI, Jonathan et al. World drought frequency, duration, and severity for 1951–
2010. International Journal of Climatology, v. 34, n. 8, p. 2792-2804, 2014.
STONE, M. Cross-validation: A review. Statistics: A Journal of Theoretical and Applied
Statistics, v. 9, n. 1, p. 127-139, 1978.
TEODORO, Thales Alves; REBOITA, Michelle Simões; ESCOBAR, Gustavo Carlos Juan.
Caracterização da Banda Dupla da Zona de Convergência Intertropical (ZCIT) no Oceano
Atlântico. Anuário do Instituto de Geociências, v. 42, n. 2, p. 282-298, 2019.
THOBER, Stephan et al. Seasonal soil moisture drought prediction over Europe using the
North American Multi-Model Ensemble (NMME). Journal of Hydrometeorology, v. 16,
n. 6, p. 2329-2344, 2015.
TIAN, Di et al. Assessing GFDL high‐resolution climate model water and energy budgets
from AMIP simulations over Africa. Journal of Geophysical Research: Atmospheres, v.
121, n. 14, p. 8444-8459, 2016.
TIWARI, P. R. et al. Comparison of statistical and dynamical downscaling methods for
seasonal‐scale winter precipitation predictions over north India. International Journal of
Climatology, v. 39, n. 3, p. 1504-1516, 2019.
TOMASELLA, Javier et al. Desertification trends in the Northeast of Brazil over the
period 2000–2016. International Journal of Applied Earth Observation and
Geoinformation, v. 73, p. 197-206, 2018.
TOMOZEIU, R.; PASQUI, M.; QUARESIMA, S. Future changes of air temperature over
Italian agricultural areas: a statistical downscaling technique applied to 2021–2050 and
2071–2100 periods. Meteorology and Atmospheric Physics, v. 130, n. 5, p. 543-563, 2018.

54

UVO, Cíntia Regina Bertacchi; UVO, Cíntia Regina Bertacchi. A Zona de Convergência
Intertropical (ZCIT) e sua relação com a precipitação da Região Norte do Nordeste
Brasileiro. INPE, 1989.
VALVERDE RAMÍREZ, Mara Cleofé. Padrões climáticos dos vórtices ciclônicos em altos
níveis no Nordeste do Brasil. Revista Brasileira de Geofísica, v. 17, n. 1, p. 92-93, 1999.
VECCHI, Gabriel A. et al. On the seasonal forecasting of regional tropical cyclone activity.
Journal of Climate, v. 27, n. 21, p. 7994-8016, 2014.
Vernieres G, Rienecker MM, Kovach R, Keppenne C (2012) The GEOS-iODAS:
description and evaluation. NASA Technical Report Series on Global Modeling and Data
Assimilation, NASA TM—2012-104606, vol 30.
VICENTE-SERRANO, Sergio M.; BEGUERÍA, Santiago; LÓPEZ-MORENO, Juan I. A
multiscalar drought index sensitive to global warming: the standardized precipitation
evapotranspiration index. Journal of climate, v. 23, n. 7, p. 1696-1718, 2010.
VICENTE‐SERRANO, Sergio M. et al. Long‐term variability and trends in meteorological
droughts in Western Europe (1851–2018). International Journal of Climatology, 2020.
WALKER, Gilbert T. Ceará (Brazil) famines and the general air movement. Beitr. Phys.
d. Frein. Atmosph, v. 14, p. 88-93, 1928.
WELLS, Nathan; GODDARD, Steve; HAYES, Michael J. A self-calibrating Palmer drought
severity index. Journal of Climate, v. 17, n. 12, p. 2335-2351, 2004.
WILHITE, D. A.; GLANTZ, M. H. Understanding the drought phenomenom: the role of
definition, plannning for drought, 11-27. West View Pres, 1987.
WILKS, Daniel S. Statistical methods in the atmospheric sciences. Academic press, 2011.
WINTON, Michael et al. Has coarse ocean resolution biased simulations of transient climate
sensitivity?. Geophysical research letters, v. 41, n. 23, p. 8522-8529, 2014. WMO, 2012.
Standardized Precipitation Index User Guide (Geneva).
WU, Dan; JIANG, Zhihong; MA, Tingting. Projection of summer precipitation over the
Yangtze–Huaihe River basin using multimodel statistical downscaling based on canonical
correlation analysis. Journal of Meteorological Research, v. 30, n. 6, p. 867-880, 2016.

55

XU, Dehe et al. Application of a Hybrid ARIMA–SVR Model Based on the SPI for the
Forecast of Drought—A Case Study in Henan Province, China. Journal of Applied
Meteorology and Climatology, v. 59, n. 7, p. 1239-1259, 2020.
XU, Lei et al. An evaluation of statistical, NMME and hybrid models for drought prediction
in China. Journal of Hydrology, v. 566, p. 235-249, 2018.
YANG, Xiaosong et al. Seasonal predictability of extratropical storm tracks in GFDL’s highresolution climate prediction model. Journal of Climate, v. 28, n. 9, p. 3592-3611, 2015.
ZHANG S, HARRISON MJ, ROSATI A, WITTENBERG A (2007) System Design and
Evaluation of Coupled Ensemble Data Assimilation for Global Oceanic Climate Studies.
Monthly Weather Review 135: 3541-3564.
ZHANG, Yuhu et al. Comparison of the ability of ARIMA, WNN and SVM models for
drought forecasting in the Sanjiang Plain, China. Natural Resources Research, v. 29, n. 2,
p. 1447-1464, 2020.
ZHOU, Jiayu; LAU, K.‐M. Principal modes of interannual and decadal variability of
summer rainfall over South America. International Journal of Climatology: A Journal of
the Royal Meteorological Society, v. 21, n. 13, p. 1623-1644, 2001.

56