Ismael Guidson Farias de Freitas (2019).pdf
Ismael Guidson Farias de Freitas (2019).pdf
Documento PDF (9.9MB)
Documento PDF (9.9MB)
UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
CURSO DE PÓS-GRADUAÇÃO EM METEOROLOGIA
ISMAEL GUIDSON FARIAS DE FREITAS
DISSERTAÇÃO DE MESTRADO
Análise das previsões mensais de precipitação sobre a América do Sul
utilizando o modelo climático regional- RegCM4.6.7
Maceió – AL
2019
1
ISMAEL GUIDSON FARIAS DE FREITAS
DISSERTAÇÃO DE MESTRADO
Análise das previsões mensais sobre a América do Sul utilizando o
modelo climático regional RegCM4
Dissertação de mestrado apresentada ao Programa de
Pós-Graduação em Meteorologia da Universidade
Federal de Alagoas, como parte dos requisitos para o
grau de mestre em meteorologia.
Orientador: Prof. Dr. Helber Barros Gomes
Coorientador: Prof. Dr. Glauber Lopes Mariano
Maceió – AL
2019
2
3
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Agradecimentos
Aos meus pais, Nilton Salvador e Lucineide Farias, onde desde o início de minha vida me
deram todo suporte e apoio, além de me incentivar, mostrando o mundo que eu poderia
conhecer através dos estudos. A eles sou eternamente grato por todo ensinamento de vida,
MEUS MAIORES MESTRES, ainda aprenderei muito com vocês. Pai e Mãe, vocês foram
essenciais para minha formação, sem vocês não teria conseguido.
Aos meus irmãos: SD Iddarlan Franthcoly, onde em diversos momentos, desde o ensino
médio e até nas disciplinas do curso de meteorologia me ajudou tirando diversas dúvidas
que foram essenciais para o meu desempenho acadêmico até o fim do mestrado; e Ingrid
Beatriz que durante todo curso apoiou, incentivou e assumiu alguns trabalhos para que eu
pudesse me dedicar cada vez mais à universidade.
A minha namorada,Thayna Vila Nova, que durante o progresso deste trabalho acompanhou
de perto e sempre me incentivou para que pudesse obter êxito em todas as etapas, esperando
e tendo paciência.
Aos meus avós, Cicera Salvador, Iracy Pereira e Gerôncio Farias, pelo incentivo e
conselhos sobre a importância da educação.
A minha prima Isaline Farias, onde através dela conheci a meteorologia e tive interesse na
área, após ler um livro que especificava o campo da fantástica ciência atmosférica. Se hoje
sou um meteorologista, sou graças a você.
A minha tia, Neyde Salvador, que além de me apoiar, incentivou e ensinou, contribuindo
com minha formação desde o ensino fundamental até o ensino superior, acompanhando
todos os momentos de minha vida. Obrigado minha grande mestra da Língua Portuguesa.
A Claudineide Salvador, também pelo apoio e incentivo ao meu bem-estar no curso.
Ao grande professor e orientador, Helber Barros Gomes, que durante a orientação foi
essencial para o meu desenvolvimento e além de professor se tornou um grande amigo. Ao
senhor agradeço imensamente.
Aos professores e funcionários, Heliofábio Barros, Glauber Mariano (Co-orientador), Maria
Cristina, Djane Fonsceca, Fabrício Daniel, Rafael Araújo e todos que de certa forma
passaram grandes ensinamentos e contribuíram para a formação.
Ao grande amigo Jeová Ramos que ajudou e compartilhou bastante conhecimento durante
a vida acadêmica, além de ter ótimos momentos de descontração nos diversos shows e
festas, apesar dos quilômetros de distância, amigos como você, levamos para vida toda.
Ao amigo de infância Márcio Alberto, pelos ótimos momentos de descontração, conversas
e vinhos até altas horas da noite, ainda vamos nos descontrair muito.
Aos amigos da turma do mestrado: Tatiana Vanessa, Marcelo Lopes, Edson Matias, Gomes
Muanza, Clovis Isaac, Lívia Pilar, Hugo Cainã, e todos aqueles que passaram grandes
momentos nas aulas.
Aos amigos de laboratório, Ivens Peixoto, Felipe Souza, Maurilio Neemias, e Laurízio
Ribeiro pelos ensinamentos passados referentes os trabalhos exercidos pelo laboratório.
E ao coordenador do laboratório SENSORGEO, por ter disponibilizado espaço físico para
o desenvolvimento do trabalho.
Ao amigo Alaerte Germano (In Memoriam), que foi um grande exemplo de força e
determinação para todos.
4
Epígrafe
Nada na terra dura para sempre, mas nenhum de seus feitos foram em vão...
Glory to the Brave- Hammerfall
5
Resumo
Este trabalho busca avaliar as previsões mensais de precipitação sobre a América do Sul (AS)
utilizando o modelo climático regional (RegCM4) com diferentes esquemas de parametrização
cumulus, a saber: TID (Tietdke), GFC (Grell-fechamento Fritsch Chappell), EMU (Emanuel)
e um esquema de convecção mista, EMU sobre o oceano e GFC sobre o continente. Cinco
inicializações foram realizadas para cada uma das configurações do modelo RegCM4, entre os
meses de fevereiro e junho, com período de previsão de 6 meses a frente. Para condição inicial
e de fronteira do modelo, foram utilizados os dados operacionais do Climate Forecast System
model Version 2 (CFSv2). As avaliações, tanto do RegCM4 como do CFSv2, foram realizadas
sobre a região da AS e oito subdomínios: AMZn (Amazônia Norte), AMZs (Amazônia Sul),
NEBn (Nordeste Brasileiro Norte), NEBs (Nordeste Brasileiro Sul), SUR (Sul do Brasil e
Uruguai), SULDESTE (Suldeste do Brasil), ENWPe (Noroeste do Equador e Peru) e CHACHO
(Chaco). Todas as previsões foram comparadas com dados do Climate Prection Center, onde
realizaram-se análises subjetivas dos acumulados mensais, e objetivas das médias regionais nos
subdomínios, cálculo de bias espacial e regional, e índice de Willmott em cada subdomínio. A
primeira avaliação da previsão iniciada no mês fevereiro os resultados apresentaram um melhor
desempenho do esquema EMU-GFC nos primeiros três meses de previsão, enquanto nos três
últimos meses o esquema EMU. Ao analisar os índices de Willmott, bias e médias regionais,
verificou-se que o esquema EMU-GFC apresentou melhor concordância nos subdomínios
AMZn e AMZs, GFC no NEBn, TID no ENWPe, SUR, SUDESTE e CHACO, e o modelo
global CFSv2 no NEBn. Na segunda inicialização os esquemas EMU-GFC, EMU e TID
representaram os padrões de precipitação, onde EMU-GFC representou os subdomínios AMZn
e CHACO, TID o NEBn e NEBs, EMU a AMZs e ENWPe, e GFC o SUR. Na terceira
inicialização o esquema TID representou bem o padrão espacial de precipitação, enquanto os
acumulados foram bem previstos pelo esquema EMU e EMU-GFC, nas análises objetivas
EMU-GFC representou os subdomínios AMZn, NEBs e CHACO, EMU a AMZs, SUR e
ENWPe, e TID o NEBn e SULDESTE. Na quarta inicialização a avaliação mostrou que o
esquema TID previu melhor os padrões de precipitação de até 100 mm/mês nos meses mais
secos (junho a setembro), porém nos demais meses EMU e EMU-GFC apresentaram melhores
previsões dos acumulados de aproximadamente 200 mm/mês. Nas análises objetivas o esquema
EMU-GFC representou os subdomínios AMZn, NEBn e NEBs, EMU a AMZs E SULDESTE,
GFC o SUR e CHACO, e TID o ENWPe. Na quinta inicialização no mês de maio, os resultados
mostram que o esquema EMU possuiu melhor representatividade dos dados do CPC,
principalmente nos meses julho, agosto, setembro e outubro, prevendo melhor as precipitações
de até 200 mm/mês, enquanto nos demais meses a precipitação não foi bem prevista pelos
modelos regional e global. Ao verficar as análises objetivas foram observados bias predominate
entre -20 – 20 mm/mês, porém com subestimação/superestimação em locais específicos. Nas
análises das médias regionais e índices de Willmott o esquema EMU-GFC representou bem a
precipitação nos subdomínios AMZn e NEBs, EMU na AMZs e SULDESTE, GFC no SUR,
CHACO e NEBn, e TID no EWNPw. Portanto, com as análises realizadas observou-se que o
modelo RegCM4 melhorou significativamente as previsões utilizando dados do CFSv2, porém
o modelo global ainda apresenta bons resultados em áreas específicas.
Palavras Chaves: Modelo RegCM4, previsão climática, América do Sul, CFSv2, Precipitação.
6
Abstract
This work aims to evaluate the monthly rainfall forecasts of South America (AS) using the
regional climate model (RegCM4) with different cumulus parameterization schemes, namely:
TID (Tietdke), GFC (Grell-Fritsch Lock), EMU (Emanuel) and a mixed convection scheme,
EMU on the ocean and GFC on the continent. Five initializations were made for each of the
configurations of the RegCM4 model, between the months of February and June, with a forecast
period of 6 months forward. For the initial and frontier condition of the model, the operational
data of the Climate Forecast System model Version 2 (CFSv2) were used. The evaluations of
both RegCM4 and CFSv2 were carried out over the AS region and eight sub-domains: AMZn
(North Amazonia), AMZs (Southern Amazonia), NEBn (Northeast Brazilian North), NEBs
Brazil and Uruguay), SULDESTE (Southeastern Brazil), ENWPe (Northwest Ecuador and
Peru) and CHACHO (Chaco). All predictions were compared with data from the Climate
Prection Center, where we performed subjective analyzes of the monthly and objective
accumulations of regional averages in subdomains, spatial and regional bias calculations, and
Willmott index in each subdomain. The first evaluation of the forecast started in February (rainy
season) the results presented a better performance of the EMU-GFC scheme in the first three
months of forecast, while in the last three months the EMU scheme. When analyzing the
Willmott, bias and regional averages indices, the EMU-GFC scheme showed better agreement
in the sub-domains AMZn and AMZs, GFC in NEBn, TID in ENWPe, SUR, SULDESTE and
CHACO, and the global CFSv2 model in the NEBn. In the second initialization the EMU-GFC,
EMU and TID schemes represented the precipitation patterns, with EMU-GFC representing the
sub domains AMZn and CHACO, TID the NEBn and NEBs, EMU the AMZs and ENWPe, and
GFC the SUR. In the third initialization the TID scheme represented better the spatial pattern
of precipitation, while the accumulated ones were well predicted by the scheme EMU and
EMU-GFC, in the objective analyzes EMU-GFC represented the subdomains AMZn, NEBs
and CHACO, EMU to AMZs, SUR and ENWPe, and TID the NEBn and SOUTHWEST. In
the fourth initiation the subjective evaluation showed that the TID scheme predicted better the
precipitation patterns of up to 100 mm / month in the driest months (June to September), but in
the other months EMU and EMU-GFC had better predictions of accumulations of 200 mm
/month. In the objective analyzes the EMU-GFC scheme represented the subdomains AMZn,
NEBn and NEBs, EMU the AMZs and SOUTHWEST, GFC the SUR and CHACO, and TID
the ENWPe. In the fifth and last initialization in May, the results show in the subjective analyzes
that the EMU scheme had a better representation of CPC data, especially in July, August,
September and October, with a better prediction of rainfall up to 200 mm / month, presenting
bias, while in other months precipitation was not well predicted by regional and global models.
When checking the objective analyzes were observed bias predominate between -20 - 20 mm /
month, but with underestimation / overestimation at specific sites. In the Willmott regional and
index averages analyzes, the EMU-GFC scheme presented well the precipitation in the subdomains AMZn and NEBs, EMU in the AMZs and SULDESTE, GFC in the SUR, CHACO
and NEBn, and TID in the EWNPw. Therefore, with the analyzes carried out, it has been
reached that the RegCM4 model significantly improved the predictions using CFSv2 data, but
the overall model still shows good results in specific areas.
Key-words: RegCM4 model, weather forecast, South America, CFSv2, Precipitation.
7
LISTA DE FIGURAS
Figura 1 - Domínio e subdomínios da área de estudo utilizado pelo RegCM4. As cores
representam a topografia (m) da região. ................................................................................... 24
Figura 2- Precipitação acumulada mensal (mm/mês) prevista pelo modelo RegCM4 para os
meses de março a agosto de 2018 com os esquemas de TID (a), GFC (b), EMU (c) e EMUGFC (d), prevista pelo modelo global CFSv2/CFS (e) e observada pelo CPC (f). Previsões
inicializadas no mês de fevereiro de 2018. ............................................................................... 31
Figura 3- Médias regionais dos acumulados mensais de precipitação (mm/mês), para os
subdomínios em avaliação para a previsão iniciada em fevereiro de 2018. a) AMZn, b)AMZs,
c)NEBn, d)NEBs, e)SUR, f)ENWPe, g)SULDESTE e h)CHACO. No qual, a linha verde
corresponde o CPC, azul o TID, laranja o EMU, cinza o GFC, amarelo o EMU-GFC e preto o
CFS/CFSv2. .............................................................................................................................. 35
Figura 4- Bias da precipitação acumulada mensal (mm/mês) do modelo RegCM4 para o
meses de março a agosto de 2018 com os esquemas de TID (a), GFC (b), EMU (c) e EMUGFC (d) e prevista pelo modelo global CFSv2/CFS (e), calculada utilizando os dados do CPC.
.................................................................................................................................................. 38
Figura 5- Médias regionais dos bias mensais de precipitação (mm/mês), para os subdomínios
em avaliação para a previsão iniciada em fevereiro de 2018. a) AMZn, b)AMZs, c)NEBn,
d)NEBs, e)SUR, f)ENWPe, g)SULDESTE e h)CHACO. No qual, a linha azul corresponde o
TID, laranja o EMU, cinza o GFC, amarelo o EMU-GFC e preto o CFS/CFSv2. .................. 39
Figura 6- Similar a Figura 2, porém para os meses entre abril a setembro com previsões
iniciadas no mês de março de 2018. ......................................................................................... 41
Figura 7- Similar a Figura 3, porém para as previsões iniciadas em março de 2018. ............. 43
Figura 8- Similar a Figura 4, mas para as previsões iniciadas em março de 2018 para os
meses de abril a setembro 2018. ............................................................................................... 46
Figura 9- Similar a Figura 5, porém para as previsões iniciadas em março de 2018. ............. 47
Figura 10- Similar a Figura 2, porém para os meses entre maio e outubro com previsões
iniciadas no mês de abril de 2018. ............................................................................................ 49
Figura 11- Similar a Figura 3, porém para as previsões iniciadas em abril de 2018............... 51
Figura 12- Similar a Figura 4, mas para as previsões iniciadas em abril de 2018 para os meses
de maio a outubro 2018. ........................................................................................................... 55
Figura 13- Similar a Figura 5, porém para as previsões iniciadas em abril de 2018............... 56
Figura 14- Similar a Figura 2, porém para os meses entre junho a novembro com previsões
iniciadas no mês de maio de 2018. ........................................................................................... 59
Figura 15- Similar a Figura 3, porém para as previsões iniciadas em maio de 2018. ............. 62
Figura 16- Similar a Figura 4, mas para as previsões iniciadas em maio de 2018 para os
meses de junho a novembro 2018............................................................................................. 66
Figura 17- Similar a Figura 5, porém para as previsões iniciadas em maio de 2018. ............. 67
Figura 18- Similar a Figura 2, porém para os meses entre julho a dezembro com previsões
iniciadas no mês de junho de 2018. .......................................................................................... 70
Figura 19- Similar a Figura 3, porém para as previsões iniciadas em junho de 2018. ............ 73
Figura 20- Similar a Figura 4, mas para as previsões iniciadas em junho de 2018 para os
meses de julho a novembro 2018. *dezembro impossibilitado de fazer a análise devido ao
problema nos sites federais do EUA......................................................................................... 77
Figura 21- Similar a Figura 5, porém para as previsões iniciadas em junho de 2018. ............ 78
8
LISTA DE TABELAS
Tabela 1 - Design dos experimentos numéricos com o modelo RegCM4. ............................. 23
Tabela 2- Latitudes e Longitudes dos subdomínios avaliados nesta pesquisa. ....................... 25
Tabela 3- Classificação dos índices de concordância de Willmott.......................................... 26
Tabela 4- Índice de Concordância de Willmott calculado para todos os subdomínios das
previsões de precipitação iniciadas em fevereiro de 2018. ...................................................... 36
Tabela 5- Similar a Tabela 4, porém para as previsões iniciadas em março de 2018. ............ 44
Tabela 6- Similar a Tabela 4, porém para as previsões iniciadas em abril de 2018. ............... 52
Tabela 7- Similar a Tabela 4, porém para as previsões iniciadas em maio de 2018. .............. 63
Tabela 8- Similar a Tabela 4, porém para as previsões iniciadas em junho de 2018. ............. 74
9
LISTA DE ABREVIATURAS E SIGLAS
AS- América do Sul
AS74- Parametrização de Arakawa e Schubert
BATS1e- Biosphere-Atmosphere Transfer Scheme
BIAS- Erro Médio
CCM3- Community Climate Model Version 3
CFCs- Clorofluorcarbonos
CFS_Ope- previsões operacionais do CFS
CFS_Rfc- CFS Hindcast
CFS/CFSv2- Climate Forecast System Version 2
CH4- Metano
CLM4.5- Community Land Model versão 4.5
CO2 - dióxido de carbono
CORDEX- COordinated Regional climate Downscaling EXperiment
CORINE- Coordination of Information on the Environment Land Cover
CPTE/INPE- Centro de Previsão do Tempo e Estudos Climáticos/Instituto Nacional de
Ciências Espaciais
CRU- Climate Reasarch Unit
EMU- Esquema de Emanuel
ENOS- Oscilação Sul
GFDLMv4- Geophysical Fluid Dynamics Laboratory Modular version 4.0
GPCP- Global Precipitation Climatology Project
GrADS- Grid Analysis and Display System
GFC- Grell com fechamento de Fritsch e Chappell
H2O- Vapor de água
MCGs- Modelos Climáticos Globais
MCRs- Modelos Climáticos Regionais
MM4- Mesoscale Model version 4
NASA- National Aeronautics and Space Administration
NASDA- National Space Development Agency of Japan
10
NCAR- National Center for Atmospheric Research
NCEP- National Centers for Environmental Prediction
NCL- Nível de Condensação por Levantamento
NO2- Óxido Nitroso
O2- Oxigênio
O3 – Ozônio
PCs- Personal Computer
PR- Radar de precipitação
RegCFSV2- Inicialização do do RegCM4.5 com dados iniciais do CFSv2.
RegCM- Regional Climate Model
RegCM_CFS- Downscaling dinâmico do RegCM
RegCM3- Modelo Climático Regional versão 3
RegCM4- Modelo Climático Regional versão 4
RegCM4.2- Modelo Climático Regional versão 4.2
RegCM4.3- Modelo Climático Regional versão 4.3
RegCM4.5- Modelo Climático Regional versão 4.5
RegCPTECEman- Modelo RegCM4.5 com dados iniciais do modelo global CPTEC com
parametrização Emanuel
RegCPTECKF- Modelo RegCM4.5 com dados iniciais do modelo global CPTEC com
parametrização Kain-Fritsch.
TID- Esquema Tiedke
TMI- TRMM Microwave Imager
TRMM- Tropical Measuring Mission
UDF- User Defined Function
UW-PBL- Planetary Boundary Layer
VIRS- Sistema Radiométrico Visível e Infravermelho
WCRP- World Climate Research Program
ZCIT- Zona de Convergência Intertropical
11
SUMÁRIO
1.
Introdução ......................................................................................................................... 12
1.1.
Objetivos .................................................................................................................... 13
2.
Revisão Bibliográfica ....................................................................................................... 14
3.
Dados e Metodologia ........................................................................................................ 19
3.1.
Dados ......................................................................................................................... 19
3.1.1.
Climate Forecast System Version 2 (CFSv2) ..................................................... 19
3.1.2.
Dados de Validação ............................................................................................ 19
3.2.
Modelo RegCM4 ....................................................................................................... 20
3.3.
Parametrizações Cumulus .......................................................................................... 21
3.3.1.
Esquema de Grell................................................................................................ 21
3.3.2.
Esquema de Emanuel.......................................................................................... 22
3.3.3.
Esquema de Tiedke............................................................................................. 22
3.4.
Previsões Climáticas .................................................................................................. 23
3.5.
Validação Estatística .................................................................................................. 25
4.
Resultados e Discussões ................................................................................................... 27
5.
Considerações Finais ........................................................................................................ 79
6.
Referências ....................................................................................................................... 81
12
1. Introdução
A América do Sul (AS) localiza-se entre as latitudes de 12º N e 55º S, abrangendo baixas
e altas latitudes, possuindo grande extensão territorial. Assim, diversos fenômenos atmosféricos
atuam sob esta região, influenciando diretamente a variabilidade da precipitação que resulta na
não homogeneidade climática (REBOITA, 2010). Desta forma, é importante conhecer e prever
os padrões pluviométricos climáticos em todo continente. Estas previsões são de suma
importância para o planejamento e tomadas de decisões futuras para as atividades humanas,
particularmente aquelas ligadas à agricultura, geração de energia hidroelétrica e transportes
(GIORGI e MEARNS, 1999; ALVES et al., 2009).
Vários esforços estão sendo realizados para melhorar as previsões climáticas regionais
ao redor do mundo através do COordinated Regional climate Downscaling EXperiment
(CORDEX), que foi iniciado em 2008 como resultado da força tarefa no downscaling climático
regional, formado pelo World Climate Research Program (WCRP) (OZTURK et al., 2018;
JESUS, 2014; FANTINI et a., 2018). Na AS diversos estudos analisaram o desempenho das
previsões climáticas utilizando diferentes modelos climáticos regionais (ÁVILA, SOUZA e
PINHEIRO, 2013; SOUZA, 2016 e LLOPART et al. 2017). Os MCRs são ferramentas
fundamentais para estudar questões científicas relacionadas à variabilidade, mudanças e
impactos do clima em escalas regionais (OZTURK et al., 2018; OH e SUH, 2018). Neste
sentido, existem algumas vantagens na utilização dos MCRs, como sua relativa economia
computacional em relação aos modelos globais, pois seu uso pode ser realizado a partir de
computadores com configurações simples, além da representação de forma mais detalhada das
características regionais de topografia e superfície (ALVES et al., 2007).
Os MCRs apesar das vantagens nas previsões climáticas mensais possuem algumas
limitações em reproduzir alguns processos físicos na atmosfera, por exemplo, a convecção
profunda. Assim, como a AS apresenta uma grande extensão territorial com uma diversificada
presença de vegetação e relevo (VANZOLINI, 1992; PRADO, 2003; MENDONÇA, et al.,
2014), além de características físicas distintas sobre cada sub-região, faz-se necessário uma
avaliação de qual esquema de convecção que melhor se adequa na representação da convecção
local.
O Regional Climate Model (RegCM) além de ser um dos MCRs que compõem o
experimento CORDEX, é bastante utilizado para estudos de previsões sazonais sob diferentes
regiões do globo (OZTURK et al., 2018; OH e SUH, 2018; AMADOR et al., 2018; CHUNG
et al., 2018), com resoluções horizontais de dezenas de quilômetros e capacidade de reproduzir
processos com diferentes tipos de cobertura da superfície e delimitações entre oceano e
13
continente. Avaliar as previsões climáticas realizadas pelo modelo RegCM com diferentes tipos
de parametrizações, torna-se importante, uma vez que podem auxiliar como ferramenta para
prever
anomalias extremas de precipitação, sejam elas abaixo ou acima da normal
climatológica (GONÇALVES, 2015).
1.1.Objetivos
Diante do contexto apresentado, este trabalho tem como objetivo analisar as previsões
climáticas mensais de precipitação sobre a América do Sul utilizando o modelo climático
regional versão 4 (RegCM4) com diferentes esquemas de parametrizações cumulus.
Especificamente este estudo abordará os seguintes pontos:
•
Avaliar se o modelo RegCM4 é hábil em prever a distribuição de precipitação entre
os meses de março e dezembro de 2018 e intercomparar com os dados do CFSv2;
•
Analisar os resultados do modelo através da técnica de análise objetiva, no intuito
de validá-lo com o cálculo do índice de Wilmott;
•
Avaliar qual os esquemas de convecção representam melhor subdomínios
selecionados
14
2. Revisão Bibliográfica
Para realização de previsões climáticas são utilizados modelos globais (MCGs) e
regionais (MCRs). Apesar dos MCGs apresentarem uma boa capacidade de prever e representar
os fenômenos de larga escala, sendo usados inclusive em estudos de mudanças climáticas, a
baixa resolução horizontal utilizada nestes modelos é uma limitação na representação de
processos de mesoescala (MISRA et al., 2004). são utilizados MCR’s com alta resolução para
melhoria da qualidade das previsões dos MCG’s, (GIORGI e MEARNS, 1999). A melhor
qualidade obtida com os MCRs se deve em parte à melhor representação da orografia, linhas
costeiras, vegetação, resolução horizontal e parametrização de processos físicos de meso e
microescalas. Com isso, as previsões climáticas regionais podem reter mais influência de
fatores locais sobre o clima de uma determinada região (ALVES e MARENGO, 2010).
Os MCRs têm desempenhado um papel importante em aplicações que exigem uma
melhor resolução, tais como, na agricultura e hidrologia que necessitam de uma boa
representatividade da precipitação e temperatura para as previsões sazonais geradas
(MACHADO, 2011).
Ao redor do globo foram realizadas diversas pesquisas com o objetivo de validar as
previsões climáticas regionais, bem como ajustar a melhor configuração do modelo para a sua
região de interesse. Martínez-Castro et al. (2017) realizaram um estudo sobre a região da
América Central e do Caribe utilizando o modelo RegCM4 em um período de 5 anos (1998–
2003) com resolução horizontal de 25 km e usando três parametrizações convectivas, a saber:
Emanuel (EMANUEL, 1991), Tiedtke (TIEDTKE, 1989) e Grell (GRELL, 1993) sobre o
continente e Emanuel sobre o oceano. Os padrões de precipitação e temperatura foram
simulados de forma coerente quando comparado ao observado. Os resultados mostraram que
todos os esquemas simularam os padrões gerais de temperatura e precipitação sobre o
continente razoavelmente bem, com correlações relativamente altas (Temperatura 0,95 e
precipitação 0,65) em comparação com os conjuntos de dados observados pelo CRU, TRMM
e GPCP. De acordo com os autores nenhuma configuração de modelo avaliada obteve melhor
desempenho para todos os critérios de análise selecionados, mas a parametrização de Tiedtke,
que incluem a capacidade de ajustar as trocas entre a nuvem e o ar do ambiente, fornecem a
faixa mais equilibrada de desvios entre as variáveis, sem vieses.
. Wang et al. (2018) realizaram simulações climáticas para o clima presente (1990 a
2009) através do modelo RegCM4.3 para a região Platô de Loess, situada ao norte da China
com topografia variada. Os resultados mostraram que o modelo foi hábil em representar as
15
características espaciais e temporais do clima regional na região do Platô de Loess, porém com
viés na precipitação e temperatura a 2m, onde o modelo apresentou um viés frio durante a
estação de inverno, e subestimou a precipitação durante a estação de verão. Os autores
documentaram que o viés frio no inverno pode ser devido a deficiência do modelo em
representar os processos de superfície e turbulentos. A precipitação simulada pelo modelo foi
subestimada durante o verão e associada a uma fraca monção do sul. Uma análise da estimativa
de umidade revela que o viés seco nessa região pode ser atribuído principalmente à deficiência
do modelo de simular a advecção e convergência de umidade e, em menor escala, à evaporação
da superfície.
Yang et al. (2018) utilizando o modelo RegCM4.5, também sobre a região da China,
investigaram a capacidade do modelo em prever as variáveis físicas de superfície (precipitação
e temperatura) durante o período de 1964 a 2003, usando o esquema de superfície CLM4.5
(Community Land Model) que faz uma representação detalhada dos processos do ciclo
biogeoquímico (RACZKA et al., 2016). Os resultados mostraram que as características
sazonais de temperatura em superfície simuladas pelo RegCM foram representadas de forma
coerente quando comparado ao observado, tanto no inverno quanto no verão, enquanto que para
a precipitação o modelo mostrou-se hábil na realização das previsões.
Velikou e Tolika (2017) com objetivo de estudar a sensibilidade do RegCM4.5.1, aos
diferentes esquemas de parametrizações físicas (Grell, Mixed, UW-PBL, CORINE e esquema
de transferência biosfera-atmosfera-BATS1e) na região do Mediterrâneo, realizaram
simulações sazonais durante o período de 1981 a 1990 para avaliar a precipitação e temperatura.
As simulações utilizando os esquemas Grell, Mixed, UW-PBL e CORINE apresentaram um
viés frio de temperatura, no entanto, o esquema BATS1e foi mais frio. Com relação a
precipitação, as simulações utilizando os esquemas Grell, Mixed e UW-PBL subestimaram
precipitação, exceto para estação de inverno, onde nas simulações com Grell superestimou o
observado.
Phan-Van et al. (2018) investigaram os hindcasts (valores observados e previstos) do
Sistema de Previsões Climáticas (CFS) do Centro Nacional de Previsão Ambiental (NCEP)
para o downscaling do modelo RegCM4.2 no Vietnã. Primeiro, foram usados os CFS Hindcast
(CFS_Rfc) de 1982 a 2009 para avaliar a habilidade do modelo RegCM em prever os padrões
de circulações atmosféricas e precipitação para até 6 meses. Em seguida, as previsões
operacionais do CFS (CFS_Ope) foram utilizados para o downscaling dinâmico (RegCM_CFS)
durante o período de 2012 a 2014. Os resultados mostraram que o CFS_Rfc representou de
forma coerente a variabilidade sazonal da circulação de monção asiática e a distribuição de
16
precipitação comparado ao observado. O RegCM_CFS (resolução de 1º) apresentou uma menor
destreza em relação ao CFSv2 em sub-regiões climáticas específicas durante as estações de
transição, seca e chuvosa, particularmente na parte norte (Terras Altas Centrais do Vietnã) em
janeiro (julho).
Na AS diversos autores utilizaram diferentes MCR’s para previsão sazonal e mensal da
precipitação (SOLMAN et al., 2008; VERA e SILVESTRI, 2009; ALVES e MARENGO,
2010, GONÇALVES, 2015, DIAS, 2017,
entre outros). Alves et al., (2009), avaliaram
previsões sazonais de precipitação no ano de 2003 realizadas pelo modelo climático regional
ETA do Centro de Previsão do Tempo e Estudos Climáticos/Instituto Nacional de Ciências
Espaciais (CPTEC/INPE) e compararam com observações de precipitação. O modelo ETA
subestimou os totais pluviométricos durante o verão, enquanto que no inverno ocorreu uma
superestimava sobre o norte do Pará e Estado do Amapá. Apesar de algumas limitações do
modelo ETA em superestimar ou subestimar a precipitação em locais como no norte da
Amazônia, sul de Roraima, Maranhão e Piauí, as previsões do mesmo sobre outras regiões,
apresentam melhores resultados quando comparados com ao modelo global do CPTEC, como
na parte sudeste e central do Brasil e nas chuvas da região Sudeste e Nordeste, no qual o ETA
conseguiu prever a distribuição temporal e espacial da chuva.
Ainda na AS outras pesquisas objetivaram avaliar a destreza dos MCRs em sub-regiões
sul-americana. Por exemplo, Mota et al. (2009) aplicaram o modelo RegCM3 com resolução
de 30 km com período de 26 anos (1982/83 a 2007/08), com os esquemas de convecção Grell
e Emanuel, onde estudaram a variação da precipitação sazonal sobre a Amazônia oriental e
realizaram uma validação das previsões através de uma grande rede observacional de estações
pluviométrica de superfície. Os esquemas de Grell e Emanuel apresentaram um viés seco no
Amapá e norte/nordeste do Pará, mostrando uma dificuldade do modelo em reproduzir a Zona
de Convergência Intertropical (ZCIT).
As análises dos padrões espaciais anômalos de
precipitação durante eventos de El Niño-Oscilação Sul (ENOS), mostraram que o modelo
RegCM3 reproduziu de forma coerente o padrão espacial das anomalias de precipitação sobre
a região estudada, com precipitação acima(abaixo) do normal em grande parte da Amazônia
oriental, durante La Niña (El Niño).
Machado et al. (2011) utilizaram o modelo RegCM3 com resolução horizontal de 60
km aninhado ao modelo global CPTEC/COLA para avaliar o desempenho das previsões
sazonais de temperatura e precipitação sobre três regiões do Brasil: Nordeste, Sudeste e Sul,
entre maio de 2005 e julho de 2007. Nas regiões estudadas a previsão do RegCM3 para
precipitação sazonal foi mais próxima do observado comparado ao modelo global. Com relação
17
a temperatura, o RegCM3 previu valores superiores ao modelo global sobre as regiões nordeste
e sul, enquanto que este último foi superior no Sudeste. Os autores concluíram que as previsões
sazonais do RegCM3 são mais próximas das observações e que deveria ser mais explorado
neste tipo de previsão.
Neves et al. (2011) realizaram previsões climáticas para o estado do Amapá durante o
período de 2006 e 2007 caracterizados como anos de ocorrência de precipitação extrema. Os
autores mostraram que o modelo previu bem a variabilidade da precipitação na escala regional,
porém nas precipitações com maiores intensidades o modelo apresentou erros com forte viés
úmido em toda faixa litorânea e o viés seco nas áreas sul-sudeste, oeste e centro do Estado, com
destaque para região sudeste (Macapá e Santana), que mostrou a predominância de viés seco
em todo o período estudado.
Gonçalves (2015) realizou previsões climáticas sazonais sobre o Rio Grande do Sul
(RS) com o uso do modelo RegCM4 e avaliou nove previsões com distintos esquemas de
parametrização de convecção, a saber: Grell com fechamentos Arakawa e Schubert (Grell AS)
e Fritsch e Chappell (GFC), Emanuel e convecção mista, que usa diferentes esquemas de
convecção sobre o continente e o oceano. Os melhores resultados foram obtidos na parte norte
e oeste do Estado com os esquemas Grell FC, Grell AS e a combinação Emanuel sobre o oceano
e Grell AS sobre o continente, porém algumas regiões não foram previstas pelo modelo. Além
disto, o modelo representou de forma coerente a previsão, reduzindo a superestimação
precipitação quando comparadas ao Climate Forecast System Version 2 (CFSv2).
Dias (2017) avaliou os resultados das previsões sazonais de precipitação e temperatura
a 2m de duas versões do modelo RegCM (RegCM4.3 e RegCM4.5) entre os anos de 2013 e
2014, onde o RegCM4.3 foi inicializado com condições iniciais do CFSv2 (denominado
RegCFSV2) e RegCM4.5 pelas análises do modelo global CPTEC, porém utilizando duas
parametrizações cumulus diferentes, Kain-Fritsch e Emanuel, denominadas como
RegCPTECKF e RegCPTECEman, respectivamente. Tanto a temperatura quanto a precipitação
foram melhores representadas pelas previsões do RegCPTECKF e RegCPTECEman. O
RegCPTECEman mostrou uma melhor previsão quando comparado a precipitação observada
sobre as regiões Nordeste e Sudeste. Por outro lado, o RegCPTECEman previu de forma mais
realista a temperatura na região nordeste, enquanto que sobre a região sudeste foi melhor
representada pelo RegCPTECKF.
Araújo (2017) avaliou a performance do modelo RegCM4 sobre a região do nordeste
brasileiro durante a estação de outono compreendido entre os anos de 1998 e 2008 para a
temperatura e precipitação utilizando as parametrizações de Grell e Emanuel. As análises
18
mostraram que a parametrização de Emanuel superestimou a precipitação em relação aos dados
do Tropical Rainfall Measuring Mission (TRMM), principalmente para as regiões que possuem
maiores acumulados pluviométricos. A parametrização de Grell foi a que obteve os menores
erros de previsão, porém para a temperatura, nas duas parametrizações, os resultados foram
mais consistentes.
Nas últimas décadas foram realizadas diversas avaliações com o intuito de entender as
variabilidades e/ou tendências dos índices extremos de precipitação, e sua relação com
fenômenos atmosféricos que atuam na AS. Este tipo de estudo é motivado devido ao aumento
da frequência de eventos de precipitação intensa, onde a maioria destes casos são controlados
por fatores interanuais, como os fenômenos El Niño e La Niña (ALVES, 2007; ÁVILA et al.,
2013).
Com relação a previsão de eventos extremos utilizando o modelo RegCM, alguns
autores avaliaram o desempenho do modelo em áreas específicas da AS. De maneira geral, a
previsão da precipitação sazonal foi bem representada na escala regional, porém ainda existem
erros na quantidade e na posição de alguns máximos observados (NECES et al., 2011; ÁVILA
et al., 2011; LLOPART et al., 2013).
19
3. Dados e Metodologia
3.1. Dados
3.1.1. Climate Forecast System Version 2 (CFSv2)
As previsões mensais do modelo regional RegCM4 foram iniciadas e os contornos
atualizados com os dados do modelo Global Climate Forecast System Version 2 (CFSv2, SAHA
et al., 2014) do National Centers for Environmental Prediction (NCEP). O CFSv2 é um modelo
acoplado que representa a interação global entre atmosfera-oceano-superfície-gelo marinho,
integrado diariamente em uma grade de 0,9º x 0,9º de latitude e longitude com 64 níveis na
vertical, disponíveis a cada 5 dias, a partir do primeiro dia do mês, ou seja, 1º, 6º, 11º, 16º, 21º
e 26º dia, com resolução temporal de 6 horas (0000, 0600, 1200 e 1800UTC) e para 9 meses a
frente. Uma descrição mais detalhada pode ser obtida em Saha et al. (2014).
O CFSv2 é constituído pelos modelos atmosférico Global Forecast System (GFS) com
resolução de aproximadamente 0,937º e oceânico Geophysical Fluid Dynamics Laboratory
Modular version 4.0 (GFDLMv4) com espaçamento de 0,25° de latitude por 0,5° de longitude,
além de um modelo interativo de três camadas de gelo marinho, modelo de superfície terrestre
Noah de quatro camadas, e concentrações de dióxido de carbono (CO2) prescritas
historicamente (EK et al., 2003).
3.1.2. Dados de Validação
Para avaliar a destreza das previsões dos modelos RegCM4 e CFSv2, tanto
qualitativamente como quantitativamente, foram utilizados dados de análises do Climate
Prediction Center (CPC). A validação dos dados do CFSv2 foi realizada para verificar a
qualidade da condição inicial utilizada pelo RegCM4, além de discutir a importância do
refinamento de grade. As análises do CPC consistem em dados diários, construído com
resolução de 0,125º latitude/longitude e disponibilizados com resolução de 0,5° x 0,5° de
latitude/longitude. Estes dados estão disponíveis de 1979 até o presente e descrevem as
características espaciais da precipitação sobre áreas continentais.
É importante destacar que a análise inclui o parâmetro de elevação no método de
interpolação utilizado para precipitações geradas por efeitos orográficos, proporcionando
resultados mais exatos quando comparado a outras climatologias (XIE et al., 2007). De acordo
com o National Center for Atmospheric Research (NCAR, 2018), os conjuntos de dados estão
disponíveis em dois membros, a primeira versão que usava mais de 30.000 estações em
superfície, que operava entre 1979 a 2005, e a segunda versão de 2006 até o presente, onde
20
opera com 17.000 estações de superfície, a qual foi utilizada neste estudo devido ao período de
análise. Nascimento et al. (2010) e Cardoso e Quadro (2017) documentaram que os dados do
CPC foram utilizados em estudos prévios sobre a região da América do Sul (AS) e apresentaram
alta correlação espacial comparados a dados de estações de superfície.
3.2.Modelo RegCM4
Este estudo utilizou a quarta versão do Modelo Climático Regional (RegCM4), que foi
desenvolvido na década de 1980 no National Center for Atmospheric Research (NCAR) por
Dickinson et al. (1989) e atualmente encontra-se na versão 4.7.1 (GIORGI e ELGUINDI, 2014).
O RegCM teve como base o modelo atmosférico Mesoscale Model version 4 (MM4; ANTHES
et al., 1987), que trata de um modelo comunitário de área limitada em coordenada vertical
sigma-p e grade horizontal B de Arakawa, com as equações primitivas para fluido compressível
e hidrostático (SOUZA et al., 2016). A integração no tempo utiliza um esquema “split-explicit”
e um algoritmo que reduz a difusão horizontal na presença de grandes gradientes de topografia
(GIORGI et al., 1993).
Neste estudo foi utilizado o esquema de superfície Biosphere-Atmosphere Transfer
Scheme (BATS; Dickinson et al. 1993) para resolver, em cada ponto da grade, os processos de
interação solo-planta-atmosfera, que leva em consideração os processos de trocas turbulentas
de momentum, energia e vapor de água. O esquema de transferência radiativa do RegCM4 é o
mesmo do Community Climate Model (CCM3; Kiehl et al., 1996). Este esquema calcula
separadamente as taxas de aquecimento e fluxos na superfície para a radiação solar sob
condições de céu claro e nublado. O CMM3 leva em consideração em seus cálculos os efeitos
dos gases CO2, H2O (vapor de água) e O3 (ozônio) no infravermelho e dos gases CO2, H2O, O3
e O2 para radiação solar, além de incluir os efeitos dos gases de efeito estufa (Dióxido de
nitrogênio- NO2, metano - CH4 e clorofluorcarbonos - CFCs), aerossóis atmosféricos e água de
nuvem.
Para o tratamento dos processos úmidos, o modelo considera dois esquemas diferentes:
um para convecção em cumulus profundo, feita na escala de subgrade e outro para precipitação
na escala de grade. O esquema na escala da grade resolve uma equação para previsão de
precipitação (PAL et al., 2000), permitindo a formação de água de nuvem, advecção e mistura
turbulenta, re-evaporação em condições sub-saturadas, e conversão para precipitação através
de um termo de auto-conversão (SILVA, 2007). Apesar de existirem vários esquemas de
parametrizações cumulus, foram utilizados aqui os esquemas de Grell (GRELL, 1991),
Emanuel (EMANUEL, 1991), Tiedtke (TIEDTKE, 1989) e convecção mista, que resulta em
21
executar dois esquemas de parametrizações cumulus para fluxos de superfície oceânica e
terrestre.
3.3. Parametrizações Cumulus
3.3.1. Esquema de Grell
Semelhante à parametrização de Arakawa e Schubert (AS74) (GRELL e DEVENYI,
1994), o esquema de Grell considera as nuvens como duas circulações estáveis com uma
corrente ascendente (updraft) e outra descendente (downdraft). Não ocorre nenhuma mistura
direta entre o ar da nuvem e o ar ambiente, com exceção na parte superior e inferior das
circulações. O fluxo de massa ascendente é constante com a altura e não ocorre entranhamento
ou desentranhamento ao longo das bordas da nuvem. Os níveis de origem do updraft
(downdraft) é dado pelos níveis de máxima (mínima) energia estática úmida. O esquema Grell
é acionado quando uma parcela levantada atinge o Nível de Condensação por Levantamento
(NCL) tornando- se saturada.
A condensação na corrente ascendente é calculada levantando uma parcela saturada. NA
qual, o fluxo de massa descendente (𝑚0 ) depende do fluxo de massa ascendente (𝑚𝑏 ) de acordo
com a seguinte equação (Equação 1):
𝛽𝐼
𝑚0 = 𝐼 1 𝑚𝑏
2
Eq.01
Onde:
𝛽 é a fração de condensação ascendente que evapora na corrente descendente e depende
do cisalhamento do vento e normalmente varia entre 0,3 e 0,5.
𝐼1 é a condensação da corrente ascendente normalizada.
𝐼2 é a condensação da corrente descendente normalizada.
A equação da precipitação (Equação 2) é dada pela equação 2:
𝑝𝐶𝑈 = 𝐼1 𝑚𝑏 (𝛽 − 1)
Eq.02
No esquema Grell o aquecimento e umedecimento são determinados tanto pelos fluxos
de massa quanto pela extração do mesmo no topo e na base da nuvem. Além disso, está incluído
o efeito de resfriamento de correntes ascendente úmidas.
22
O esquema de Grell possui uma natureza básica, com isto, é possível adotar várias ideias
de fechamento. A versão anterior do RegCM4 implementa diretamente a suposição de quaseequilíbrio do AS74 (ELGUINDI et al., 2014). Na versão atual, além das opções de fechamento,
Arakawa e Schubert (ARAKAWA e SCHUBERT, 1974) e Fritsch e Chappell (FRITSCH E
CHAPPELL, 1980), o RegCM4 disponibiliza também a convecção de Emanuel com Grell
(Grell terra – Emanuel Oceano). Neste estudo será utilizado o esquema de Grell com
fechamento de Fritsch e Chappell (GFC), uma vez que apresenta melhores resultados em áreas
da AS.
3.3.2. Esquema de Emanuel
Este esquema assume que a mistura em nuvens é episódica e não homogênea,
considerando os fluxos convectivos baseados em um modelo idealizado em correntes
descendentes e ascendentes em escalas menores. A convecção é acionada quando o nível de
flutuabilidade neutra é maior do que a altura da base da nuvem. Dentro da nuvem, os
movimentos descendentes e ascendentes resultam no levantamento do ar e uma parcela da
umidade condensada é transformada em precipitação, enquanto a fração restante resulta em
nuvens. As taxas de entranhamento e desentranhamento (ou taxa de mistura), são em função
dos gradientes verticais de flutuação da nuvem. Com relação a fração do fluxo total de massa
da base da nuvem que se mistura com o ambiente em cada nível, a mesma é proporcional à taxa
de flutuabilidade não diluída na mesma altitude. O fluxo de massa ascendente na base da nuvem
fica em repouso em direção ao quase equilíbrio na camada sub-nuvem. Além de uma
representação mais física da convecção, o esquema Emanuel, oferece várias vantagens em
comparação com as outras opções de convecção do RegCM4. Por exemplo, inclui uma
formulação da auto-conversão da água presente na nuvem em precipitação, considerando
também que os processos de gelo sejam contabilizados, permitindo que a auto-conversão seja
dependente da temperatura. A precipitação é adicionada apenas a uma corrente descendente
hidrostática, transportando calor e água. Por fim, o esquema de Emanuel considera o transporte
de traçadores passivos (EMANUEL, 1991; SILVA, 2007; GONÇALVES, 2015).
3.3.3. Esquema de Tiedke
O esquema Tiedke (1989) é um tipo de parametrização cumulus que abrange o fluxo de
massa em modelos de grande escala. O esquema considera um conjunto de nuvens, descrito por
Yanai et al. (1973) na realização de um estudo sobre a região convectiva tropical. Nesta
23
parametrização está representado vários tipos de convecção, que são: a convecção profunda
com fluxo convergente em larga escala, convecção rasa em condições suprimida e a convecção
associadas aos ventos alísios em regiões extratropicais com o ar potencialmente instável acima
da camada limite. A determinação do fluxo de massa em nuvens são: convecção profunda e
convecção de nível médio que são mantidas pela convergência de umidade em grande escala, e
a convecção superficial que é mantida pelo fornecimento de umidade devido à evaporação da
superfície.
3.4.Previsões Climáticas
As previsões climáticas regionais foram realizadas entre os meses de fevereiro a junho
de 2018. A escolha do período deve-se a disponibilidade dos dados do modelo CFSv2. As
previsões climáticas foram realizadas com tempo de integração de 7 meses para cada uma das
4 parametrizações cumulus utilizadas (GFC, EMU, TID e GFC sobre o continente com EMU
sobre o oceano), totalizando 18 experimentos numéricos. Todas as simulações foram iniciadas
às 0000 UTC do dia 1° de cada mês, entre os meses de fevereiro e julho de 2018, conforme
descrito na Tabela 1. Ressalta-se ainda que, o primeiro mês de cada integração do modelo foi
considerado como período de spin-up e, portanto, descartados das análises. O spin-up é o
período que processos no solo podem influenciar as previsões, desta forma este período é
considerado como o tempo de estabilização do modelo para a componente atmosférica, o mês
descartado foi sugerido por estudo de Giorgi e Mearns (1999). Assim, a previsão do modelo é
melhor representada, como por exemplo, o desenvolvimento livre das circulações atmosféricas
geradas por fatores fisiográficos (SILVA, 2007).
Tabela 1 - Design dos experimentos numéricos com o modelo RegCM4.
2018
FEV MAR ABR
MAI JUN
JUL AGO SET OUT NOV DEZ
*
X
X
X
X
X
X
*
X
X
X
X
X
X
*
X
X
X
X
X
X
*
X
X
X
X
X
X
*
X
X
X
X
X
* Inicialização e período de spin-up; X meses de previsão
X
24
A área de integração do modelo está compreendida entre as latitudes de 18,82°N –
58,62°S e longitude de 1,83°W – 106,11°W, para toda região da América do Sul e parte dos
oceanos Pacífico e Atlântico, porém a área avaliada está disposta na Figura 1. As resoluções
horizontais e verticais foram de 50 km e 23 níveis sigma-pressão, respectivamente, com topo
em 50 hPa.
Na Figura 1 observa-se também todos os subdomínios avaliados através de médias
regionais dos acumulados mensais, cálculos de bias e índice de concordância. A Tabela 2
apresenta as dimensões (latitudes e longitudes) de todos os subdomínios avaliados. Alguns
destes subdomínios foram avaliados por outros autores, porém com dimensões diferentes
(SILVA, 2006, MACHADO, et al., 2011, GOMES, 2012, DANTAS et al., 2013;
GONÇALVES,2015; DIAS, 2017; REBOITA et al., 2018).
Figura 1 - Domínio e subdomínios da área de estudo utilizado pelo RegCM4. As cores
representam a topografia (m) da região.
25
Fonte: Autor (2019).
Tabela 2- Latitudes e Longitudes dos subdomínios avaliados nesta pesquisa.
Subdomínio
Latitude
Longitude
Amazônia Norte- AMZn
8ºS – 3ºS
44ºW – 35ºW
Amazônia Sul-AMNs
15 ºS – 5ºS
70 º W – 50 º W
Nordeste Norte-NEBn
8ºS – 3ºS
44ºW – 35ºW
Nordeste Sul- NEBs
15ºS – 8ºS
44ºW – 35ºW
Sul Brasil e Uruguai -SUR
35ºS – 23ºS
60ºW – 50ºW
Noroeste do Equador e Peru- ENWPe
10ºS – 0º
83ºW – 75ºW
Sudeste- SUDESTE
23ºS – 15ºS
55ºW – 39ºW
Chacho- CHACO
23ºS – 15ºS
64ºW – 55ºW
Fonte: Autor (2019).
3.5.Validação Estatística
Para verificar a destreza do modelo quantitativamente, foram calculados o Erro Médio
(BIAS) e o índice de Willmott (d) em cada subdomínio (descrito na Tabela 2), conforme
descrito abaixo (WILKS, 2011).
O BIAS, considera uma determinada variável (X) com um sub-índice (M), indicando o
valor simulado (XM) e o valor observado O (XO). Assim, o BIAS para a variável de interesse
(X), será calculada para determinada área da seguinte forma (Equação 3):
1
𝑏 = 𝑁 ∑𝑁
𝑖=1(𝑋𝑀𝑖 − 𝑋𝑂𝑖 )
Eq.03
no qual i representa o índice do ponto de grade e N o número total de pontos avaliados.
Para uma melhor avaliação foi calculado também o índice Willmott (d, WILLMOTT,
1981) para cada previsão avaliada (RegCM4) e condição inicial (CFSv2). Este índice leva em
consideração a aproximação entre duas variáveis (simuladas/previstas e observadas),
possibilitando medir o grau de concordância entre as previsões e os dados do CPC. Quando o
resultado é 0 indica que não existe concordância, enquanto que igual a 1 a concordância é
perfeita. O Índice de Willmott é calculado através da Equação 04:
𝑑=
∑𝑁
𝑖=1(𝑋𝑀𝑖 −𝑋𝑂𝑖 )²
′
𝑁
∑𝑖=1(|𝑋 ′ 𝑀𝑖 |+|𝑋 ′ ′𝑂𝑖 |)²
Eq.04
26
onde 𝑋 ′ 𝑀𝑖 = 𝑋𝑀𝑖 − 𝑋 𝑚 𝑂𝑖 e 𝑋 ′ 𝑂𝑖 = 𝑋𝑂𝑖 − 𝑋 𝑚 𝑂𝑖 . 𝑋 𝑚 𝑂𝑖 representa a média dos valores
observados do CPC.
Na análise do índice “d” foi adotada a classificação sugerida por, Oliveira et al. (2008),
a qual é apresentada na Tabela 3 o que sugere que os índices acima de 0,66 são melhores
indicadores.
Tabela 3- Classificação dos índices de concordância de Willmott.
Índice de Willmott- d
Classificação
>0,86
Ótimo
0,76 – 0,85
Muito bom
0,66 – 0,75
Bom
0,61 – 0,65
Mediano
0,50 – 0,60
Sofrível
0,41 – 0,50
Mau
≤ 0,40
Péssimo
Fonte: Oliveira et al. (2008).
Para avaliação qualitativa, foi realizada uma comparação entre os dados previstos pelo
RegCM4 e observados do CPC. Como estes dados possuem resoluções espaciais diferentes, foi
utilizado um método de interpolação no dado do CPC visando modificar a sua resolução para a
mesma resolução do RegCM4. Para tal, foi utilizado o User Defined Function (UDF), regrid2.
O regrid2 é o primeiro de uma série de funções definidas de interpolação presentes no GrADS
(Grid Analysis and Display System) que foi desenvolvido no National Centers For
Environmental Prediction (NCEP).
27
4. Resultados e Discussões
Com o objetivo de avaliar as previsões climáticas do RegCM4 utilizando como
condições fronteira os dados do modelo global CFSv2, previsões mensais de precipitação foram
realizadas para um período de integração de sete meses, possibilitando avaliar a confiabilidade
e destreza dessas previsões em relação aos dados do CPC. Nesta seção, serão apresentadas as
análises subjetivas dos acumulados espaciais de precipitação, objetivas dos bias, médias
regionais dos acumulados e bias nos subdomínios (AMZn, AMZs, NEBn, NEBs, SULDESTE,
CHACO, SUR e ENWPe) e os índices de Willmott.
Avaliação da Previsão iniciada em Fevereiro de 2018
A Figura 2 mostra as previsões climáticas de precipitação (mm/mês) do modelo
RegCM4, iniciadas no mês de fevereiro para os meses de março a agosto, para as
parametrizações cumulus TID (a), GFC (b), EMU (c) e EMU-GFC (d), além das previsões do
modelo CFSv2 (e) e análises do CPC (f).
De acordo com a Figura 2 (f1-f6), os maiores acumulados de precipitação encontrados
nas análises do CPC foram no mês de março com os maiores acumulados foram observados na
parte norte, centro sul e parte do nordeste brasileiro (150-1200 mm/mês). Apesar de grande
parte da AS apresentar precipitações elevadas, algumas áreas específicas como a região central
da Argentina, parte norte do Chile, litoral do Peru, parte de Roraima, sul e norte da Venezuela
e Guiana, não ultrapassaram 25 mm/mês e algumas áreas no Brasil
Com relação as previsões do RegCM4 e para o primeiro mês de integração (março), os
quatro esquemas de parametrização (TID, GFC, EMU e EMU-GFC) apresentaram padrões
espaciais diferentes e subestimaram (superestimaram) os máximos (mínimos) de precipitação
(Figura 2-a1-a6, b1-b6, c1-c6, d1-d6), bem como os resultados do CFSv2 quando comparados
aos dados do CPC. A parametrização TID (Figura 2-a1) apresentou um melhor desempenho
nas precipitações de até 200 mm/mês nas regiões norte e central do Brasil, porém não foi hábil
em representar as precipitações acima de 250 mm/mês, principalmente em parte do estado Pará,
Mato Grosso, norte do Peru, sul da Colômbia e leste do Equador. Para precipitações abaixo de
25 mm/mês, o TID representou de forma coerente a distribuição espacial sobre parte central da
Argentina, norte do Chile e litoral peruano. Estes resultados concordam com aqueles
encontrados por Kubota e Bonatti (2010), em especial sobre a região norte da AS, que também
28
utilizando a parametrização TID no modelo MCGA-CPTEC observaram melhores previsões de
precipitação para valores de até 200 mm/mês.
A parametrização de Grell (GFC; Figura 2-b1) subestimou a precipitação sob as regiões
centro oeste, sudeste e nordeste do Brasil, quando comparado aos dados do CPC. Além disso,
foi possível verificar uma boa previsibilidade (de até 200 mm/mês) na região norte do Brasil,
concordando com os resultados de Neves et al. (2011), os quais utilizaram esta mesma
parametrização. Nas regiões sul do Brasil, norte da Argentina, Uruguai e Paraguai, o modelo
RegCM4 conseguiu prever de forma coerente a distribuição espacial de precipitação, porém
com o núcleo de 250 mm/mês deslocado mais para norte. Apesar da parametrização GFC ter
reproduzido alguns padrões de precipitação, o mesmo não foi hábil em reproduzir a distribuição
espacial em grande parte da América do Sul.
Para o esquema EMU (Figura 2–c1), foi possível observar uma superestimativa da
precipitação sob o norte do Brasil, que difere daqueles encontrados por Neves et al. (2011). O
esquema EMU-GFC (Figura 2- d1) não se mostrou hábil em reproduzir a precipitação no
extremo norte da América do Sul, região central da Argentina, Bolívia e litoral dos estados do
Espírito Santo e Bahia, onde a precipitação foi superestimada e deslocada para norte. Contudo,
o modelo reproduziu de forma coerente as precipitações com acumulados de até 200 mm/mês
quando comparados ao CPC.
A partir dos dados do CFSv2 (Figura 2- e1), observou-se que os mesmos subestimaram
a precipitação sobre toda área da América do Sul, com maiores quantidades (300 mm/mês)
sobre as regiões nordeste e sul do Brasil e extremo norte da América do Sul. Comparando estes
resultados com os obtidos pelo RegCM4, destaca-se uma melhor destreza do modelo regional.
No mês de abril (Figura 2- f2) observou-se áreas mais secas com menores acumulados
mensais sobre a região central da América do Sul, enquanto as maiores intensidades
pluviométricas foram observadas na parte centro-norte da América do Sul, sul do Brasil, norte
da Argentina e Uruguai. Através das análises do esquema EMU-GFC (Figura 2- d2), foi
possível verificar um melhor padrão espacial da precipitação entre as latitudes 0º – 5º N, onde
verificou-se um núcleo mais intenso no campo previsto e observado, porém este núcleo é
subestimado nos acumulados mensais, diferente da região sul do Brasil, norte da Argentina e
Uruguai, onde a previsão deslocou a precipitação mais ao norte quando comparado com o CPC.
Essas características também foram observadas na região central do Brasil e na Bolívia, onde o
esquema não conseguiu capturar o comportamento mensal da precipitação, enquanto no estado
da Bahia possuiu tendências de superestimar os acumulados acima de 600 mm/mês.
29
O esquema EMU (Figura 2- c2) previu a distribuição espacial da precipitação na região
centro-oeste da América do Sul, parte do Sudeste e Nordeste do Brasil, porém superestimou os
acumulados mensais nestas regiões. Verifica-se um deslocamento mais ao norte da banda de
precipitação localizada na região sul do Brasil, norte da Argentina e Uruguai. O esquema TID
(Figura 2- a2) previu a precipitação sobre a região da Amazônia Norte e Amazônia Sul, porém
com tendências a subestimação. Na região centro-oeste da América do Sul, parte do Sudeste e
Nordeste do Brasil, onde observa-se as partes mais secas, o esquema TID previu de forma
coerente a distribuição espacial da precipitação, enquanto que o esquema GFC (Figura 2- b2)
subestimou a precipitação em parte do centro oeste, sudeste e parte do nordeste Brasileiro,
observando- se melhor previsibilidade nos acumulados entre 50 – 200 mm/mês no litoral da
Bahia até o litoral sul de Pernambuco. Os dados do CFSv2 (Figura 2- e2) subestimaram os
acumulados e distribuição espacial de precipitação, concentrando maiores volumes
pluviométricos no extremo norte e sul da América do Sul, e em parte do nordeste brasileiro.
No mês de maio são observadas regiões mais secas em parte do centro-oeste, sudeste e
nordeste do Brasil (Figura 2- f3), quando comparado com as previsões realizadas pelo RegCM4,
os esquemas TID, GFC e EMU-GFC (Figura 2- a3, b3 e d3), apresentaram uma melhor
previsibilidade para a distribuição e os acumulados mensais de precipitação, convergindo para
os dados do CPC, diferente do esquema EMU (Figura 2- c3) que superestimou a distribuição
espacial. A previsão do RegCM4 em áreas com precipitações mais intensas como norte da
América do Sul, no qual localizam- se os máximos das convecções, a distribuição de
precipitação para os esquemas GFC, EMU e EMU- GFC (Figura 2- b3, c3 e d3) são mais
próximas das análises do CPC, com destaque para EMU-GFC. O esquema GFC conseguiu
capturar melhor o posicionamento de uma banda de precipitação que corta a América do Sul,
estendendo- se até o Sul do Brasil, subestimando os acumulados mensais, onde previu o
máximo de 100 mm/mês. Os dados do CFSv2 (Figura 2- e3) mantiveram os mesmos padrões
das análises anteriores, resultando em menores acumulados mensais, sobressaindo-se melhor
em parte do litoral nordeste do Brasil.
No mês de junho (Figura 2- f4) os núcleos mais intensos de precipitação são observados
no extremo norte e sul da América do Sul, sul do Brasil, Uruguai, Oeste da Argentina e litoral
da Bahia até o Rio Grande do Norte. Nas comparações entre os campos previstos e observados,
foi possível verificar que os núcleos mais intensos no extremo norte e sul da América do Sul
não foram previstos de forma coerente por todos os esquemas (Figura 2- a4, b4, c4, e d4 ), onde
subestimou ao norte e superestimou ao sul, enquanto no modelo global CFSv2 são observadas
subestimação em todas as áreas. Nas áreas com acumulados de 25 mm/mês, os esquemas TID,
30
GFC e EMU-GFC, e o modelo global CFSv2, conseguiram prever a distribuição e os
acumulados mensais, com destaque para a região norte e nordeste do Brasil. Os resultados
encontrados vão de acordo com Reboita et al. (2018), que mencionam que o modelo RegCM4
tende a reproduzir bem os padrões mais secos de precipitação.
Na Figura 2- f5 que corresponde ao acumulado mensal do CPC para o mês de julho, é
observado os mesmos padrões pluviométricos do mês anterior em questão. Nas análises
comparativas entre os dados do CPC e as previsões do RegCM4, observa- se em termos de
intensidade e distribuição espacial da precipitação que o esquema EMU- GFC e EMU (Figura
2- c5 e d5 ) tiveram um melhor desempenho nas previsões sob o extremo norte da América do
Sul, enquanto os demais esquemas (TID e GFC, Figura 2- a5 e b5) e o modelo global (Figura
2- e5) reproduziram a distribuição espacial entre 0º – 5º S, e entre 5 º – 10º N. No litoral do
nordeste brasileiro o esquema GFC apresenta um bom desempenho no acumulado e na
distribuição espacial da precipitação (Figura 2- b5). No extremo sul da América do Sul
nenhuma das previsões conseguiram capturar bem as precipitações.
No mês de agosto (Figura 2- f6) observa-se uma intensificação nos acumulados e
distribuição espacial da precipitação, cortando a parte central da região continental da América
do Sul com acumulados de 100 mm/mês. O esquema TID (Figura 2- a6) representou a
precipitação no extremo norte, áreas centrais da América do Sul, litoral nordestino do Brasil,
sul do Brasil, norte da Argentina e Uruguai, porém o esquema não previu as precipitações
incidentes na região central da Argentina e no extremo sul do Chile, tal como os demais
esquemas que obtiveram os mesmo resultados nestas áreas anteriormente mencionadas (Figura
2- b6, c6 e d6). Nos acumulados de até 25 mm/mês, os esquemas GFC, EMU e EMU-GFC
(Figura 2- b6, c6 e d6) apresentaram bom desempenho no centro-oeste e parte do nordeste do
Brasil. O esquema EMU (Figura 2- c6) tendeu a superestimar a distribuição espacial em todo
litoral com oceano atlântico no suldeste, nordeste e norte do Brasil. Os esquemas (TID, GFC,
EMU e EMU-GFC, Figura 2- a6, c6 e d6) conseguiram prever a precipitação na área central da
América do Sul, porém em alguns casos é visto uma subestimação na distribuição espacial e no
posicionamento da precipitação. O modelo CFSv2 (Figura 2- e6) tendeu a subestimar os
volumes e a distribuição da precipitação em todos os meses analisados.
31
Figura 2- Precipitação acumulada mensal (mm/mês) prevista pelo modelo RegCM4 para os
meses de março a agosto de 2018 com os esquemas de TID (a), GFC (b), EMU (c) e EMUGFC (d), prevista pelo modelo global CFSv2/CFS (e) e observada pelo CPC (f). Previsões
inicializadas no mês de fevereiro de 2018.
a1
a2
a3
a4
a5
a6
b1
b2
b3
b4
b
5
b6
c1
c2
c3
c4
c5
c6
d1
d2
d3
d4
d5
d6
e1
e2
e3
e4
e5
e6
f1
f2
f3
f4
f5
f6
Fonte: Autor (2019).
32
A Figura 3 mostra as médias mensais de precipitação (mm/mês) nos subdomínios
estudados apresentado na Figura para as previsões realizadas pelo RegCM4 com os esquemas
TID, GFC, EMU e EMU-GFC, modelo global CFSv2, e a observação do CPC. É possível
observar que na AMZn (Figura 3- a) no primeiro mês de integração os esquemas TID e GFC
conseguiram aproximar das médias do CPC com volumes de aproximadamente 138 mm/mês,
porém subestimara a precipitação, que resultou em menores índices de Willmott (Tabela 4),
onde TID foi de 0,57 (sofrível) e GFC, 0,60 (sofrível), com isto as previsões com os esquemas
EMU e EMU-GFC representaram melhor as médias regionais, apresentando índices de
Willmott (Tabela 4) de 0,63 e 0,67 (mediano e bom), respectivamente.
No subdomínio da AMZs (Figura 3- b) observa- se que nos meses de março e abril, com
exceção do esquema MEU, todos as previsões subestimaram demasiadamente as médias na
área, sendo CFSv2 que teve pior desempenho e subestimou aproximadamente139 mm/mês.
Nos demais meses de integração os esquemas de parametrização aproximaram dos valores
observados, enquanto o CFSv2 tendeu a subestimar. De acordo com os índices de Willmott
(Tabela 4), o esquema que teve melhor concordância foi EMU-GFC e EMU com 0,90 e 0,89
(ótimo), respectivamente. O modelo global CFS apresentou pior performance dentre as
previsões, porém com índice de concordância alto (0,72, bom). Dias (2017), observou que os
índices de Willmott mais altos foram do CFSv2 seguido pelo RegCM4 com o esquema MEU
no mesmo período. Este melhor desempenho do CFSv2 no estudo de Dias (2017), pode ter sido
gerado pelas dimensões das latitudes e longitudes dos subdomínios avaliados, no qual a caixa
avaliada possui dimensões menores quando comparadas com a desta análise.
No subdomínio NEBn (Figura 3- c) nos primeiros dois meses de integração os esquemas
TID, GFC e EMU aproximaram-se do CPC, flutuando cerca de 80 mm/mês para mais e para
menos. Nos demais meses os esquemas de TID e GFC, e o modelo global CFSv2 conseguiu
aproximar dos valores mensais do CPC subestimando em média 20 mm/mês. Os maiores
índices de concordância de Willmott (Tabela 4) foram dos esquemas TID e GFC (0,82 e 0,86,
muito bom e ótimo), e o modelo global CFSv2 (0,85, muito bom). Estes resultados diferem dos
encontrados por Dias (2017) nesta mesma área, que observou índices maiores utilizando a
parametrização EMU. No subdomínio NEBs (Figura 3- d) o esquema GFC apresentou bons
resultados quando comparados com valores do CPC durante os meses de abril, maio, julho e
agosto, subestimando em média 9 mm em todo o período, enquanto o modelo global CFSv2
subestimou em média 1 mm. Ao analisar os índices de Willmot (Tabela 4) comprova- se que
os esquemas GFC e o CFSv2 tiveram uma melhor permorfance, com índices 0,79 (GFC, muito
bom) e 0,88 (CFSv2, ótimo).
33
Na área do Sul do Brasil e Uruguai (SUR, Figura 3- e) nenhum dos esquemas
conseguiram capturar todos os meses de integração, superestimando em mais de 80 mm os
valores de precipitação menos intensos do CPC, enquanto os máximos de precipitação do CPC
todos os esquemas subestimaram em aproximadamente 90 mm. No segundo e último mês de
integração da previsão realizada pelo RegCM4, abril e agosto, respectivamente, apenas o
esquema TID aproximou- se do observado (CPC), flutuando em média 5 mm de diferença para
cada um do meses. Também foi observado uma aproximação no mês de julho, entre o CPC e
os esquemas EMU, GFC e EMU-GFC com diferença de 2 mm. De acordo com a Tabela 4 os
quatro esquemas de parametrização e o modelo global possuíram menores índices de
concordância na área avaliada, porém o esquema que teve melhor índice foi TID (0,68, bom).
Gonçalves (2015) também utilizando o modelo RegCM4 com dados do CFSv2, observou que
os melhores resultados das previsões de precipitação foram obtidos utilizando o esquema de
parametrização EMU e EMU-GFC.
No Noroeste do Peru e Equador (ENWPe, Figura 3- f) nos dois primeiros meses de
integração os esquemas GFC, EMU-GFC subestimaram a precipitação, enquanto EMU
superestimou demasiadamente prevendo até 450 mm/mês, onde no CPC foi 150 mm/mês. O
esquema TID, nestes meses, foi hábil em prever as médias de precipitação na área com menor
destreza em relação ao CPC. Também no último mês de integração (agosto) o esquema
anteriormente mencionado e EMU previram melhor as médias dos acumulados pluviométricos.
Os maiores índices de Willmott (Tabela 4), foram observados com o esquema TID (0,68, bom)
e EMU (0,50, sofrível).
Na região SUDESTE (Figura 3- g) as previsões TID, EMU, EMU-GFC e o modelo
global CFSv2 representaram melhor as médias regionais, porém nos meses iniciais o esquema
EMU tendeu a superestimar a precipitação em 80 mm/mês, enquanto o CFSv2 tendeu a
subestimar em aproximadamente 60 mm/mês. Esta região em comparação aos dados
observados do CPC apresentou menor Skill em relação aos demais subdomínios entre os meses
de maio a agosto. Os índices de Willmott (Tabela 4) foram todos acima de 0,76 (muito bom), o
que mostra a boa capacidade do modelo RegCM4 utilizando diferentes parametrizações e o
modelo global CFSv2 em prever a precipitação no subdomínio avaliado.
No subdomínio CHACO (Figura 3- h) nos meses de março e abril os esquemas que
melhor representaram foram TID e GFC, enquanto no segundo mês (abril) EMU-GFC
superestimou 10 mm/mês prevendo melhor a média regional de precipitação. No mês de maio
todos os esquemas e o modelo global CFSv2 subestimaram a precipitação em aproximadamente
25 mm/mês, no mês de junho o esquema EMU subestimou apenas 4 mm/mês. No mês de julho
34
o modelo global CFSv2 teve destreza menor que 1 mm/mês, enquanto no último mês de
previsão (agosto) os esquemas TID, EMU e GFC superestimaram 8 mm/mês quando
comparados com o CPC. Dentre a análise o maior valor de índice Willmott foi observado para
o esquema TID (0,70, bom).
35
Figura 3- Médias regionais dos acumulados mensais de precipitação (mm/mês), para os
subdomínios em avaliação para a previsão iniciada em fevereiro de 2018. a) AMZn, b)AMZs,
c)NEBn, d)NEBs, e)SUR, f)ENWPe, g)SULDESTE e h)CHACO. No qual, a linha verde
corresponde o CPC, azul o TID, laranja o EMU, cinza o GFC, amarelo o EMU-GFC e preto o
CFS/CFSv2.
a
b
c
d
e
f
g
H
Fonte: Autor (2019).
36
Tabela 4- Índice de Concordância de Willmott calculado para todos os subdomínios das
previsões de precipitação iniciadas em fevereiro de 2018.
d_TID
d_EMU
d_GFC
d_EMUGFC
d_CFS
AMZn
0,57
0,63
0,60
0,67
0,47
AMZs
0,81
0,89
0,83
0,90
0,71
NEBn
0,82
0,62
0,86
0,72
0,85
NEBs
0,70
0,62
0,79
0,58
0,88
SUR
0,69
0,67
0,65
0,62
0,50
ENWPe
0,68
0,50
0,46
0,48
0,40
SUDESTE
0,94
0,81
0,76
0,84
0,86
CHACO
0,70
0,69
0,69
0,66
0,52
Fonte: Autor (2019).
37
Na Figura 4 e 5 são apresentados os bias espaciais e para os subdomínios,
respectivamente das previsões do RegCM4 com diferentes esquemas de parametrizações e o
modelo global CFSv2.
As previsões do CFSv2 (Figura 4- e1 a e6) subestimaram a precipitação em até 200
mm/mês durante todo o período de integração, principalmente nos meses de março, abril e maio
que foram os mais chuvosos. O esquema EMU (Figura 4- c1 a c6) foi o que mais apresentou
bias positivo da precipitação em todo o período de integração do modelo RegCM4, porém nos
meses mais seco (junho, julho e agosto) o esquema apresentou bias entre -20 – 20 mm/mês.
Vale destacar, que durante os meses previstos os esquemas apresentaram bias positivo com
aproximadamente 250 mm/mês no extremo sul da América do Sul, porém estas
superestimativas podem estar associadas a erro do modelo regional.
No mês mais chuvoso (março) o esquema TID (Figura 4- a1) apresentou melhor
habilidade em prever a precipitação no norte da América do Sul e no subdomínio SUDESTE,
enquanto entre os meses de abril a julho o esquema de convecção mista (EMU-GFC, Figura 4d1 a d6) apresentou bias entre -20 – 20 mm/mês. No mês de agosto os esquemas TID, GFC e
EMU apresentaram menores bias no extremo norte da América do Sul. Com relação as
precipitações com intensidades inferiores a 100 mm/mês, os esquemas e o modelo global
CFSv2 apresentaram bias mais próximos da neutralidade, mostrando a habilidade em prever
melhor os acumulados de precipitação com menor intensidade, principalmente na região central
da América do Sul e da Argentina.
Quando avaliada as médias do bias nos subdomínios (Figura 5), verifica- se que o TID
apresentou melhor desempenho nos subdomínios AMZs, NEBn, NEBs, ENWPe, SUDESTE e
CHACO (Figura 5- a, c, d, f, g e h). Vale salientar que apesar do referido esquema ter melhor
previsto a precipitação durante todo o período de integração do modelo nos 6 subdomínios, os
demais esquemas (GFC, EMU e EMU-GFC) e o modelo global CFSV2 apresentaram bons
resultados nos meses de maio a agosto nos subdomínios AMZs, ENWPe, SUDESTE e CHACO
(Figura 5- a,f, g e h), onde as médias regionais de bias foram mais próximas de 0. No
subdomínio AMZn o esquema convecção mista EMU-GFC durante os seis meses de integração
flutou menores valores de biasentre -21 – 55 mm/mês. Para o subdomínio SUR, nenhum dos
esquemas utilizados no RegCM4 e o modelo CFSv2 aproximaram da precipitação prevista da
observada, assim, não sendo hábeis em representar a precipitação no subdomínio avaliado
durante todos os meses de integração apenas no mês de juho.
38
Figura 4- Bias da precipitação acumulada mensal (mm/mês) do modelo RegCM4 para o meses
de março a agosto de 2018 com os esquemas de TID (a), GFC (b), EMU (c) e EMU-GFC (d) e
prevista pelo modelo global CFSv2/CFS (e), calculada utilizando os dados do CPC.
a1
a2
a3
a4
a5
a6
b1
b2
b3
b4
b5
b6
c1
c2
c3
c4
c5
c6
d1
d2
d3
d4
d5
d6
e1
e2
e3
e4
e5
e6
Fonte: Autor (2019).
39
Figura 5- Médias regionais dos bias mensais de precipitação (mm/mês), para os subdomínios
em avaliação para a previsão iniciada em fevereiro de 2018. a) AMZn, b)AMZs, c)NEBn,
d)NEBs, e)SUR, f)ENWPe, g)SULDESTE e h)CHACO. No qual, a linha azul corresponde o
TID, laranja o EMU, cinza o GFC, amarelo o EMU-GFC e preto o CFS/CFSv2.
a
b
c
d
e
f
g
h
Fonte: Autor (2019).
40
Avaliação da Previsão iniciada em Março de 2018
A Figura 6 mostra as previsões climáticas de precipitação mensal acumulada (mm/mês)
do modelo RegCM4 iniciadas no mês de março para o meses de abril a setembro (Figura 6- a,
b, c, d), além dos acumulados mensais das previsões do modelo global CFSv2 (Figura 6- e) e
os campos espaciais de precipitação acumulada do CPC (Figura 6- f).
. No mês de maio o esquema TID (Figura 6- a2) conseguiu prever o posicionamento da
banda de precipitação que corta a América do Sul (Figura 6- e2) como também a precipitação
presente no litoral do nordeste e norte do Brasil, tal como EMU porém com valores mais baixos.
O esquema EMU (Figura 6- c1 e c2) apesar de superestimar alguns núcleos de precipitação,
previu melhor a distribuição espacial da precipitação no norte da América do Sul, tal como o
esquema EMU-GFC (Figura 6- d3 a d6) que na mesma região apresenta- se hábil em prever os
acumulados e a distribuição mensal nos meses entre maio a agosto, variando entre 100 – 400
mm/mês, porém deslocando alguns núcleos mais intensos.
No mês de agosto a banda de precipitação cortando a América do Sul (Figura 6- f5) foi
prevista por todos os esquemas, no entando apresentou um deslocamento nos acumulados, onde
os esquemas com melhores resultados foram TID e EMU-GFC (Figura 6- a5 e d5). No oeste
do extremo norte do continente sul-americano, os esquemas TID, EMU e EMU-GFC
representaram a distribuição dos acumulados de 200 mm/mês nos meses agosto e setembro,
onde a precipitação observada se intensifica (Figura 6- a5, c5, d5, a6, c6, d6 e e6). O modelo
CFSv2 (Figura 6- e1 a e6) tendeu a subestimar a precipitação mais intensas, tendo melhor
desempenho nas previsões de precipitação durante os meses mais secos e precipitações com
acumulados de 25 mm/mês.
41
Figura 6- Similar a Figura 2, porém para os meses entre abril a setembro com previsões
iniciadas no mês de março de 2018.
a1
a2
a3
a4
a5
a6
b1
b2
b3
b4
b5
b6
c1
c2
c3
c4
c5
c6
d1
d2
d3
d4
d5
d6
e1
e2
e3
e4
e5
e6
e1
e2
e3
e4
e5
e6
Fonte: Autor (2019).
42
Similar a Figura 3, mas para as previsões iniciadas no dia 01 de março de 2018. Observase nos subdomíniosAMZn e AMZs (Figura 7- a e b) que os esquemas EMU e EMU-GFC
apresentaram médias regionais mais próximas do observado (CPC), na Amazônia Norte entre
os meses de maio a setembro, e Amazônia Sul entre junho a setembro. De acordo com os
cálculos dos índices Willmott (Tabela 5) na AMZn os esquemas de EMU e EMU-GFC tiveram
índices de 0,67 (bom) e 0,83 (muito bom), respectivamente, e AMZs 0,70 (bom) e 0,65
(mediano), respectivamente. Na AMZn o esquema EMU-GFC, apesar de não capturar bem os
núcleos mais intensos de precipitação, ao calcular as médias nas áreas dos subdomínios, o
esquema tende a aproximar dos valores observados resultando numa melhor concordância.
Nos subdomínios NEBn(Figura 7- c) os quatro esquemas de parametrização e o modelo
global CFSv2 aproximaram- se dos dados observados do CPC, resultando em altos índices de
Willmott (Tabela 5) indicando alta concordância, com destaque para o esquema TID (0,89,
ótimo). No Nordeste Sul (Figura 7-d) foram observadas aproximações TID e EMU-GFC nos
meses de julho, agosto e setembro, com maiores índices de concordância 0,79 (TID, muito bom)
e 0,78 (EMU-GFC e GFC, muito bom). Dantas et al. (2013) avaliaram previsões iniciadas
durante o mesmo período no Nordeste Brasileiro com subdomínios localizado entre 35°W –
48°W/ 3°S – 18°S, os autores verificaram que o esquema GFC foi hábil em prever a precipitação
nos meses entre maio a setembro. Por se tratar de apenas um subdomínio no estudo
anteriormente citado, ao dividirmos o Nordeste em dois subsetores, observamos que outros
esquemas tiveram bom desempenho quando comparados com o CPC. Com relação ao
desempenho do CFSv2 no Nordeste Sul, os resultados foram de acordo com as análises de
Reboita et al. (2011).
Nos subdomínios Sudeste, Chaco, Sul do Brasil e Uruguai (Figura 7- e, g e h) os
esquemas e o modelo global não reproduziram bem as médias nas áreas nos meses de
integração, onde no
Sul do Brasil e Uruguai o índice de Willmott apresentou melhor
concordância com o esquema GFC (0,70, bom), enquanto nos demais subdomínios os esquemas
TID (0,61, mediano) e EMU-GFC (0,64, mediano). Com relação ao subdomínio Noroeste do
Peru e Equador (Figura 7- f) todos os esquemas subestimaram a precipitação em mais de 100
mm, porém o esquema EMU melhor reproduziu a precipitação na região nos meses de abril,
agosto e setembro, o que resultou concordância de 0,72 (bom) (Tabela 5).
43
Figura 7- Similar a Figura 3, porém para as previsões iniciadas em março de 2018.
a
b
c
d
e
f
g
h
Fonte: Autor (2019).
44
Tabela 5- Similar a Tabela 4, porém para as previsões iniciadas em março de 2018.
d_TID
d_EMU
d_GFC
d_EMUGFC
d_CFS
AMZn
0,53
0,67
0,50
0,83
0,47
AMZs
0,63
0,70
0,56
0,65
0,55
NEBn
0,89
0,71
0,86
0,85
0,73
NEBs
0,79
0,64
0,77
0,78
0,73
SUR
0,59
0,64
0,70
0,65
0,47
ENWPe
0,64
0,72
0,52
0,57
0,51
SULDESTE
0,61
0,57
0,54
0,57
0,59
CHACO
0,59
0,58
0,58
0,64
0,48
Fonte: Autor (2019).
45
Similar a figura 4, mas para os bias gerados para as previsões iniciadas no dia 01 de
março de 2018. Observa- se na Figura 8 nos três primeiros meses que as previsões do RegCM4
com os esquemas de TID e GFC , e o modelo global CFSv2 tenderam a subestimar a
precipitação em aproximadamente 200 mm/mês no extremo norte da América do Sul (Figura
8- a1 a a3, b1 a b3 e e1 a e3), além disso o GFC e o CFSv2 subestimaram também a precipitação
na região central da América do Sul. No primeiro mês de integração também é observado que
todos os esquemas e o modelo global CFSv2 apresentaram bias entre -20 – 20 mm nos estados
de Minas Gerais e Bahia. Sendo o esquema EMU- GFC que apresentou menores variações de
bias em toda área estudada (Figura 8- d1 a d3). Nos três últimos meses das previsões o esquema
EMU e EMU-GFC apresentaram bias menos intensos (Figura 8- c4 a c6 e d4 a d6).
Observa- se, de maneira geral, que o RegCM4 utilizando o esquema EMU-GFC com
dados iniciais do CFSv2, melhorou notavelmente as previsões do modelo global CFSv2 em
áreas onde as precipitações são mais intensas como no extremo norte da América do Sul,
Uruguai e Sul do Brasil, porém também são observados bom desempenho do CFSv2 em áreas
onde a precipitação tem menor intensidade.
Na Figura 9 está disposto as médias regionais do bias calculado através dos dados
previstos com o RegCM4 (TID, GFC, EMU e EMU-GFC), CFSv2 e observados CPC para cada
subdomínio estudado. No subdomínio Amazônia Norte (Figura 9- a) o esquema EMU-GFC
ficou mais próximo da neutralidade durante os meses de junho e julho, e o esquema EMU nos
meses de agosto e setembro. Na região Amazônia Sul (Figura 9- b) os esquemas TID, GFC,
EMU e EMU-GFC apresentaram bias menores entre os meses de junho a setembro com
flutuações entre -9 – 0,7 mm/mês, sendo verificado que os esquemas são mais propícios a prever
a precipitação durante este período do ano, corroborando com os resultados de De Souza et al.
(2015) que utilizou os esquemas EMU e GFC.
No subdomínio do Nordeste Norte as médias regionais do bias (Figura 9- c) mostraram
que entre os meses de maio a setembro o esquema TID e o modelo global CFSv2 foi próximo
de 0, indicando a boa previsibilidade na área. O esquema GFC também apresentou bons
resultados, porém se distanciou da neutralidade no mês de junho, período em que o esquema
superestimou a precipitação na área, diferente do subdomínio Nordeste Sul (Figura 9- d ), onde
o GFC e o TID mostrou-se eficaz durante os meses de junho, julho e agosto, não distanciandose dos valores do CPC.
Com relação aos subdomínios Sudeste, Chaco, Sul do Brasil e Uruguai (Figura 9- e, g e
h) nenhum dos esquemas e modelo global CFSv2 apresentaram bias próximos da neutralidade
em todo o período de integração (abril a setembro), com exceções de alguns meses que
46
apresentaram bias menores nas áreas do Sul do Brasil e Uruguai (esquema EMU e EMU-GFC
no mês de julho), Sudeste (GFC e CFSv2 no mês de julho) e Chaco (EMU-GFC no mês de
junho). O subdomínio Noroeste do Peru e Equador (Figura 9- f) o esquema TID e EMU
mostraram- se semelhantes com os dados do CPC, uma vez que entre os meses de maio a agosto
as previsões apresentaram menores destrezas que flutuaram entre -11 – 4 mm/mês.
Figura 8- Similar a Figura 4, mas para as previsões iniciadas em março de 2018 para os
meses de abril a setembro 2018.
a1
a2
a3
a4
a5
a6
b1
b2
b3
b4
b5
b6
c1
c2
c3
c4
c5
c6
d1
d2
d3
d4
d5
d6
e1
e2
e3
e4
e5
e6
Fonte: Autor (2019).
47
Figura 9- Similar a Figura 5, porém para as previsões iniciadas em março de 2018.
a
B
c
D
e
f
g
h
Fonte: Autor (2019).
48
Avaliação da Previsão iniciada em Abril de 2018
Na Figura 10 estão apresentadas os resultados das previsões climáticas de precipitação
com acumulados mensais e distribuição espacial (mm/mês) do modelo RegCM4 iniciadas no
mês de abril para o meses de maio a outubro com parametrizações cumulus TID, GFC, EMU
e EMU-GFC (Figura 10- a, b, c, d), das previsões do modelo global CFSv2 (Figura 10- e) e os
campos espaciais de precipitação acumulada observada do CPC (Figura 10- f).
No primeiro mês de previsão (maio), todos os esquemas divergiram das observações do
CPC (Figura 10- f1), tendo um melhor desempenho nas distribuições da precipitação no
extremo norte da América do Sul com esquema EMU e EMU-GFC (Figura 10- c1 e d1), e no
litoral nordestino com GFC e EMU-GFC(Figura 10- b1) O esquema EMU-GFC, previu os
acumulados mensais com maior intensidade como foi no extremo norte da AS. Nos meses de
junho e julho todos os esquemas conseguiram capturar bem a distribuição espacial da
precipitação no extremo norte (Figura 10- a2 a a3, b2 a b3 , c2 a c3 e d2 a d3), porém o esquema
GFC teve pior desempenho na parte mais oeste do extremo norte da América do Sul,
apresentando melhor resultado apenas no litoral do nordeste.
No mês de agosto os esquemas TID e EMU (Figura 10- a4 e c4) previu a intensidade e
a distribuição espacial da precipitação a oeste do extremo norte da América do Sul,
aproximando a distribuição espacial dos acumulados de até 200 mm/mês do CPC (Figura 10f4). O esquema TID previu os acumulados de e 100 mm/ mês, provocados pela banda de
precipitação que passa de oeste, cortando o continente sul-americano e chegando até o sul do
Brasil, porém deslocou mais ao sul. No mês de setembro o esquema EMU-GFC (Figura 10- d5)
previu os acumulados e distribuição espacial da precipitação de 200 mm/mês ao norte da
América do Sul. Com relação as precipitações na região Sul do Brasil, Uruguai, Paraguai e
Norte da Argentina, todos os esquemas apresentaram erros na distribuição espacial, prevendo
acumulados de aproximadamente 100 mm/mês, onde foram aproximadamente 300 mm/mês
nos dados do CPC.
Na Figura 10- f6 observa- se núcleos mais intensos de precipitação em toda área da
América do Sul com exceção de parte do Chile, nordeste e norte do Brasil. Neste mês o esquema
EMU apresentou melhores resultados quando comparados com os dados do CPC (Figura 10c6 e f6), aproximando a distribuição espacial, porém subestimando as precipitações de
aproximadamente 300 mm/mês sob a região noroeste e central da América do Sul, e sul do
Brasil. O CFSv2 (Figura 10- e), apresentou piores previsões, porém nos meses de agosto,
setembro e outubro o modelo global conseguiu prever os acumulados no extremo norte da AS.
49
Figura 10- Similar a Figura 2, porém para os meses entre maio e outubro com previsões
iniciadas no mês de abril de 2018.
a1
a2
a3
a4
a5
a6
b1
b2
b3
b4
b5
b6
c1
c2
c3
c4
c5
c6
d1
d2
d3
d4
d5
d6
e1
e2
e3
e4
e5
e6
f1
f2
f3
f4
f5
f6
Fonte: Autor (2019).
50
Similar a Figura 3, mas para as previsões iniciadas no dia 01 de abril de 2018 para os
meses entre maio a outubro de 2018. Observa- se na Figura 11- a que o esquema EMU-GFC
apresentou melhor semelhança com os dados do CPC entre os três primeiros meses de previsão,
com flutuações entre -25 – 20 mm/mês quando comparamos com o CPC. Nos três últimos
meses o esquema GFC apresenta-se com médias regionais semelhantes ao CPC. De acordo com
os índices de Willmott (Tabela 5) as maiores com concordância foram 0,84 (EMU-GFC, muito
bom) e 0,75 (GFC, muito bom). No subdomínio Amazônia Sul (Figura 11- b) todos os esquemas
e o modelo global subestimaram a precipitação durante todos os meses de integração, com
exceção do esquema EMU que apresentou superestimação de 2 mm/mês em julho, desta forma
os esquemas e o modelo global apresentaram índices baixos de concordância, onde o esquema
que teve maior concordância foi EMU (0,69, bom).
No subdomínio Nordeste Norte (Figura 11- c) as previsões que melhor representaram a
precipitação do CPC foram TID e GFC, com índice de Willmott 0,84 e 0,76 (muito bom),
respectivamente. Nesta região o esquema EMU e o modelo global CFSv2 apresentaram piores
índices, 0,43 e 0,53 (mau e sofrível), respectivamente. Nas médias regionais do subdomínio
Nordeste Sul (Figura 11- d) entre os meses de junho a outubro os esquemas EMU-GFC, TID e
o modelo global CFSv2, apresentaram aproximações dos acumulados do CPC, enquanto o
esquema GFC nos meses de maio, junho e outubro. Nesta região, todos as previsões
apresentaram índices de Willmott acima de 0,73 (bom), porém os esquemas que melhor
representaram a aŕea foram TID (0,84, muito bom) e EMU-GFC (0,85, muito bom), estes
resultados diferem dos encontrados por Dantas et al., (2013), que encontrou melhor
desempenho com o esquema GFC e EMU, porém esta diferença pode estar associada aos dados
observados utilizados, no qual o autor utilizou os dados do TRMM.
Na Figura 11- e nos meses de julho e agosto o esquema EMU aproximou dos dados do
CPC, e no noroeste do Peru e Equador (Figura 11- f) o esquema TID, enquanto na área do
Chaco (Figura 11- h) os esquemas GFC (em julho), EMU e EMU-GFC (em julho e outubro) e
TID (em outubro). Os índices de Willmott (Tabela 5) apresentaram em todos subdomínios baixa
concordância, onde na área SUR foi GFC (0,69, bom), no subdomínio ENWPe os esquemas
TID e EMU (0,66, bom), enquanto na área do CHACO o esquema EMU-GFC (0,64, mediano).
No subdomínio Sudeste (Figura 11- g) verifica- se uma aproximação das previsões realizadas
pelo RegCM4 e o CFSv2, dos dados observados do CPC nos meses de maio, junho, agosto,
setembro e outubro, porém ao analisar os índices de Willmott (Tabela 5) o esquema TID
apresentou melhor concordância com 0,81 (muito bom), seguido do esquema EMU com 0,80
(muito bom).
51
Figura 11- Similar a Figura 3, porém para as previsões iniciadas em abril de 2018.
a
b
c
d
e
f
g
h
Fonte: Autor (2019).
52
Tabela 6- Similar a Tabela 4, porém para as previsões iniciadas em abril de 2018.
d_TID
d_EMU
d_GFC
d_EMUGFC
d_CFS
AMZn
0,59
0,68
0,75
0,84
0,58
AMZs
0,61
0,69
0,61
0,63
0,56
NEBn
0,84
0,49
0,76
0,64
0,53
NEBs
0,84
0,73
0,77
0,85
0,77
SUR
0,58
0,69
0,69
0,68
0,57
ENWPe
0,66
0,66
0,59
0,59
0,52
SULDESTE
0,81
0,80
0,76
0,79
0,74
CHACO
0,63
0,62
0,62
0,64
0,55
Fonte: Autor (2019).
53
Similar a Figura 4, mas para os bias gerados para as previsões iniciadas no dia 01 de
abril de 2018. Verifica- se na Figura 12 que nos três primeiros meses as menores destrezas
foram utilizando o esquema EMU-GFC (Figura 12- d1 a d3) com menor abrangência em toda
área, principalmente na região do extremo norte da América do Sul e no sul do Brasil, Uruguai
e Paraguai, onde os demais esquemas e o modelo global CFSv2 subestimaram/superestimaram
demasiadamente a precipitação. No mês de agosto observa- se que o esquema TID (Figura 12d4) apresenta melhor desempenho nas regiões mais ao norte da América do Sul. O CFSv2
dentre as previsões, apresentou melhor resultado em parte da Argentina durante todo o período
de previsão (Figura 12- e).
No mês de setembro o esquema EMU (Figura 12-c5) apresenta bias mais secos e menos
intensos no norte da América do Sul subestimando em aproximadamente -40 mm/mês, porém
o esquema superestimou a precipitação no litoral do Peru em aproximadamente 150 mm/mês,
nesta área as previsões que melhor representaram a precipitação foram GFC, EMU-GFC e
CFSv2 (Figura 12- c5, d5 e e5). Na região sul do Brasil a precipitação observada foi
subestimada em até 150 mm/mês. No sexto mês de previsão o esquema EMU (Figura 12-c6)
apresentou menor abrangência de bias na América do Sul, porém em parte do norte do Brasil
onde o referido esquema superestimou a precipitação em até 250 mm/mês, o esquema GFC e o
modelo global CFSv2 apresentaram bias entre -20 – 20 mm/mês (Figura 12-b6 e e6). Na região
central da América do Sul em todos as previsões observa-se um fraco desempenho dos modelos.
Na Figura 13 está disposto as médias regionais do bias calculado através dos dados
previstos com o RegCM4 (TID, GFC, EMU e EMU-GFC), CFSv2 e observados CPC para cada
subdomínio estudado. Observa-se no subdomínio Amazônia Norte (Figura 13- a) o esquema
EMU-GFC apresenta médias regionais do bias próximas neutralidade, flutuando entre -9 – 19
mm/mês, nota- se uma aproximação da neutralidade do esquema EMU no mês de agosto, e do
esquema GFC nos meses de agosto e setembro. O modelo global CFSv2 apresentou menor skill
na área durante o mês de setembro com aproximadamente -10 mm/mês. No subdomínio
Amazônia Sul (Figura 13- b) o esquema EMU aproximou dos dados do CPC, principalmente
nos 5 primeiros meses de integração do modelo RegCM4, flutuando entre -10 – 1 mm/mês.
Observa-se também uma baixa destreza entre os modelos (RegCM4 e CFSv2) durante os meses
de junho e julho.
No Nordeste Norte (Figura 13- c) todos os esquemas e o modelo CFSv2 apresentaram
menor skill durante todo o período, com destaque para o esquema TID e EMU-GFC, GFC (entre
junho e outubro), e CFSv2 (entre maio e setembro), e EMU nos meses de junho e julho. Na
Figura 13- d verifica- se que o esquema TID foi mais próximo de 0, com exceção do mês de
54
junho, onde o esquema TID, EMU-GFC e o modelo global CFSv2 apresentaram maior destreza,
neste mês os esquemas EMU e GFC ficou próximo da neutralidade. Nesta região, durante os
meses juho, agosto e setembro o esquema EMU-GFC e o modelo global CFSv2 apresentaram
subestimação de apenas 4 mm/mês. Com relação ao Noroeste do Peru e Equador (Figura 13- f)
os esquemas e o modelo global superestimaram/subestimaram a precipitação durante todos os
meses, não sendo observadas maiores aproximações da neutralidade.
Na Figura 13- e (Sul do Brasil e Uruguai) verifica- se que todos os esquemas do
RegCM4 apresentaram bias menores na área nos meses entre junho e agosto. No sudeste (Figura
13- g) os esquemas TID e EMU foram mais próximos de zero durante os seis meses de previsão,
porém observa-se também uma aproximação da neutralidade dos esquemas GFC e EMU-GFC,
e o modelo CFSv2 entre os meses de maio e agosto, no qual flutuaram em média -8 – 6 mm.
Na região do Chaco (Figura 13- f) os esquemas GFC, EMU e EMU-GFC ficaram mais
próximos de zero, durante os meses de junho, juho, agosto e outubro indicando uma
aproximação entre as previsões e observações. O esquema TID também apresentou baixo skill
entre os meses de julho a setembro, enquanto o CFSv2 apresentou melhor desempenho nos
meses de junho e julho com aproximação da neutralidade, mostrando a boa previsibilidade do
modelo global nesta área durante os meses citados.
Verifica-se ainda nas médias regionais de bias que o modelo CFSv2 tende a subestimar
a precipitação nos subdomínios mais ao sul da América do Sul, principalmente nos meses com
maior incidência de precipitação (setembro, outubro e novembro).
55
Figura 12- Similar a Figura 4, mas para as previsões iniciadas em abril de 2018 para os meses
de maio a outubro 2018.
a1
a2
a3
a4
a5
a6
b1
b2
b3
b4
b5
b6
c1
c2
c3
c4
c5
c6
d1
d2
d3
d4
d5
d6
e1
e2
e3
e4
e5
e6
Fonte: Autor (2019).
56
Figura 13- Similar a Figura 5, porém para as previsões iniciadas em abril de 2018.
A
B
c
D
e
f
G
h
Fonte: Autor (2019).
57
Avaliação da Previsão iniciada em Maio de 2018
Similar a Figura 2, mas para as previsões iniciadas no dia 1 de maio de 2018 para os
meses entre junho a novembro. Observa- se na Figura 14 que durante os dois primeiros meses
de integração (junho e julho), o esquema EMU utilizado no modelo climático regional
RegCM4, apresentou melhor desempenho nas previsões de precipitações no extremo norte da
América do Sul, mostrando uma superestimativa nos núcleos mais intensos de precipitação,
concentrando em regiões diferentes das observadas (Figura 14- c1,c2, f1 e f2).
Nesta mesma região, verificou-se que nos campos de previsões, o esquema EMU-GFC
apresenta um melhor desempenho, além de regiões no sul do Brasil e Uruguai durante o mês
de junho, onde o esquema foi hábil em prever a distribuição espacial da precipitação e os
volumes mensais de 200 mm (Figura 14- d1), enquanto no mês de julho o melhor desempenho
foi apenas na região norte da América do Sul, subestimando os acumulados (Figura 14- d2). O
que corrobora com os resultados encontrados por Gonçalves (2015).Os esquemas TID e GFC,
e o modelo CFSv2 (Figura 14- a1, a2, b1, b2, e1 e e2), apresentaram tendências a subestimação,
principalmente na distribuição espacial das precipitações mais intensas, porém o esquema GFC
(Figura 14- b1 e b2) apresentou volumes e a distribuição mensal da precipitação mais próximos
do observado no litoral do nordeste brasileiro com acumulados entre 75 – 100 mm/mês.
Observa-se durante o mês de agosto que os esquemas TID e EMU (Figura 14- a3 e c3)
tiveram melhor similaridade com o CPC (Figura 14- f3), principalmente a oeste do extremo
norte da América do Sul, onde as precipitações com volumes mensais de 200 mm/mês foram
espacialmente predominantes. Na região central da Argentina os esquemas GFC, EMU e EMUGFC (Figura 14- b3, c3 e d3) previram uma banda de precipitação que não é vista nos dados
observados do CPC, nesta região, o esquema TID apresentou melhor previsão. Verifica- se
também um bom desempenho do esquema EMU-GFC na região sul do Brasil e Uruguai, onde
a previsão do RegCM4 conseguiu capturar um núcleo de 200 mm, observados no CPC (Figura
14- d3 e f3). O CFSv2 habilidade em prever a precipitação que se estende do litoral do Espírito
Santo até o litoral de Pernambuco (Figura 14- e3 e f3).
Nos meses de setembro e outubro os resultados apresentam similaridade com as análises
do mês anterior, porém, acrescenta-se que os esquemas GFC e EMU-GFC apresentaram uma
boa previsão na distribuição da chuvas de aproximadamente 25 mm/mês no oeste da América
do Sul, além da região nordeste do Brasil, onde foi hábil em prever a precipitações com os
mesmos acumulados mensais (Figura 14- b4, b5, d4 e d5). Ressalta-se ainda que o esquema
GFC (Figura 14- b5) apesar de ter subestimado a precipitação em toda área durante o mês de
58
outubro, o mesmo conseguiu capturar os volumes de precipitação no estado do Amazônia e
Pará, enquanto os demais esquemas superestimaram.
No mês de novembro a precipitação é mais intensa quando comparada com os demais
meses (Figura 14- f1a f6). Comparando os campos de previsão com os dados observados do
CPC, observa- se que nenhum dos esquemas foi hábil em representar a precipitação em toda
área, porém os esquemas apresentaram melhores desempenhos em regiões específicas, como
por exemplo na área central da América do Sul, onde os esquemas TID e EMU aproximaramse dos acumulados mensais e da distribuição da precipitação verificadas nos dados observados
do CPC (Figura 14- a6, c6 e f6) e também em parte do Nordeste do Brasil, em que os esquemas
GFC e EMU-GFC conseguiram capturar as precipitações de aproximadamente 50 mm/mês. O
CFSv2 (Figura 14- e6) previu fortes acumulados de precipitação e grande parte da distribuição
espacial, mostrou-se hábil em prever as precipitações em regiões com menores índices
pluviométricos como no nordeste do Brasil e costa oeste da América do Sul.
59
Figura 14- Similar a Figura 2, porém para os meses entre junho a novembro com previsões
iniciadas no mês de maio de 2018.
a1
a2
a3
a4
a5
a6
b1
b2
b3
b4
b5
b6
c1
c2
c3
c4
c5
c6
d1
d2
d3
d4
d5
d6
e1
e2
e3
e4
e5
e6
f1
f2
f3
f4
f5
f6
Fonte: Autor (2019).
60
Similar a Figura 3, mas para as previsões iniciadas no dia 01 de maio de 2018 para os
meses entre junho a novembro. Verifica- se na Figura 15-a que o esquema EMU-GFC
representou a precipitação na Amazônia Norte, porém com tendência a superestimação em
quase todos os meses da análise, onde a mesma foi mais intensa no mês de outubro, onde
observa-se 140 mm/mês na previsão, enquanto no dado observado 55 mm/mês. De acordo com
índice de Willmott (Tabela 7) o referido esquema apresentou melhor concordância dentre as
previsões avaliadas com índice de 0,72 (muito bom). No subdomínio Amazônia Sul (Figura 15b) todas as previsões realizadas com o RegCM4 e o CFSv2 apresentaram mais próximas dos
acumulados do CPC nos meses de junho e julho, enquanto nos meses de setembro e outubro,
apenas os esquemas TID e EMU. Observa-se índices de Willmott com boa concordância em
todas as previsões, porém os esquemas EMU e TID resultaram em concordância 0,90 e 0,84
(ótimo e muito bom), respectivamente.
Na região Nordeste Norte (Figura 15-c) verifica-se que EMU-GFC melhor representou
a precipitação observada pelo CPC durante todos os meses de previsão, porém o índice de
concordância foi baixo (0,61, mediano). Verifica-se no trimestre julho, agosto e setembro uma
aproximação entre os dados previstos e observados do esquema TID e do modelo global CFSv2.
Estes resultados diferem dos encontrados por Dantas et al., (2013). No subdomínio Nordeste
Sul (Figura 15-d) observa-se também o bom desempenho do esquema EMU-GFC durante todos
os meses de previsão, com índice de concordância 0,83 (muito bom). Também apresentaram
boa previsibilidade das médias regionais o esquema TID nos meses de agosto, setembro e
outubro, GFC (em junho, setembro e outubro) e o modelo global CFSv2 em junho, agosto e
novembro.
No subdomínio Sul do Brasil e Uruguai (Figura 15-e) verifica-se que nos meses de junho
e julho os esquemas GFC e EMU-GFC aproximaram-se dos dados do CPC com baixas
flutuações, porém nos demais meses os esquemas GFC, EMU-GFC e EMU conseguiram prever
o padrão da precipitação com tendências a alta subestimação. Desta forma, o esquema GFC foi
o que melhor representou a precipitação na região apresentando concordância de 0,84 (muito
bom). Estes resultados estão de acordo com Jesus (2014). No Noroeste do Peru e Equador
(Figura 15-f) nenhuma das previsões conseguiram capturar as médias regionais da área, com
exceção do esquema TID no mês de outubro. Ao analisar o índice de Willmott, verifica-se
baixos valores de concordância, onde o esquema TID apresentou 0,62 (mediano).
No Sudeste (Figura 15-g) todas as previsões apresentaram altos índice de Willmott,
porém o que mais se destacou foi o esquema EMU com 0,91 (ótimo) indicando que o esquema
previu efetivamente a variável de interesse neste subdomínio, seguido por TID (0,89, ótimo) e
61
GFC (0,85, muito bom). Na área do Chaco é observado nos índices de Willmott (Tabela 7) que
os esquemas TID, EMU, GFC e EMU-GFC aproximaram-se dos valores observados do CPC o
que resultou em maiores concordâncias, 0,88, 0,85, 0,87 e 0,88 (muito bom e ótimo),
respectivamente, esta aproximação é observada principalmente entre junho e setembro, onde as
previsões flutuaram próximas das médias regionais do observado.
62
Figura 15- Similar a Figura 3, porém para as previsões iniciadas em maio de 2018.
a
b
c
d
e
f
g
h
Fonte: Autor (2019).
63
Tabela 7- Similar a Tabela 4, porém para as previsões iniciadas em maio de 2018.
d_TID
d_EMU
d_GFC
d_EMUGFC
d_CFS
AMZn
0,55
0,64
0,61
0,72
0,51
AMZs
0,84
0,90
0,72
0,73
0,73
NEBn
0,58
0,25
0,57
0,61
0,55
NEBs
0,78
0,68
0,77
0,83
0,76
SUR
0,60
0,69
0,84
0,78
0,59
ENWPe
0,62
0,57
0,50
0,51
0,44
SULDESTE
0,89
0,91
0,85
0,83
0,82
CHACO
0,88
0,85
0,88
0,87
0,73
Fonte: Autor (2019).
Similar a figura 4, mas para o bias gerado para as previsões iniciadas no dia 01 de maio
de 2018. Na Figura 16, observa- se que nos três primeiros meses de previsão o esquema EMUGFC (Figura 16- d1 a d3) mostrou bias menores em toda área estudada, indicando a boa
previsibilidade do RegCM4, porém durante o mês de agosto o esquema mostrou superestimação
de 60 mm/mês em alguns locais específicos, destacando-se no norte do Pará, Amapá, Roraima,
Suriname, Guyana e Guiana Francesa. Nestes mesmos locais os esquemas GFC e EMU, e o
modelo global (Figura 16- b3, c3 e e3) também reduziram o bias na área, mostrando valores
entre -20 – 20 mm/mês.
Com relação as demais áreas onde os acumulados mensais de precipitação foram 100
mm/mês, todas as previsões apresentaram bias entorno -20 – 20 mm, durante o período seco,
onde as chuvas foram menos intensas na AS (Figura 16- a1 a a3, b1 a b3,c1 a c3, d1 a 3, e e1 a
e3). Dias (2017) também observou o bom desempenho do modelo climático regional RegCM4,
onde concluiu o bom desempenho do modelo em prever os acumulados de precipitações menos
intensos durante o período mais seco. Ainda no mesmo período, mas nas áreas no sul do Brasil
e Uruguai, observa-se que as previsões foram mais secas (Figura 16- a1 a a3, b1 a b3,c1 a c3,
d1 a 3, e e1 a e3), porém ao comparar as mesmas, verifica-se que o esquema GFC e EMU-GFC
apresentaram melhor performance, e o esquema EMU durante os meses de julho e agosto. No
extremo sul da América do Sul apenas o CFSv2 apresentou melhor desempenho na área com
bias entre -40 – 20 mm/mês.
64
No mês de setembro entre as latitudes 15° N – 10°S os esquemas TID, EMU e EMUGFC apresentaram baixa variação de bias distribuído espacialmente (Figura 16- a4, c4 e d4)
com subestimação/superestimação em áreas isoladas. Verifica-se que as superestimações mais
intensas foram na região dos Andes nas previsões utilizando os esquemas TID e EMU, enquanto
nesta mesma região os esquemas GFC e EMU-GFC apresentou bias menos intensos com
valores entre -20 – 40 mm/mês. Estes resultados estão de acordo com os encontrados por De
Souza et al., (2016), que realizou simulações climáticas utilizando o esquema GFC no RegCM4
para região norte da América do Sul.
No mês de outubro, observa-se que o esquema GFC e o modelo global CFSv2
apresentaram bias entre -20 – 20 mm/mês em parte da Amazônia, Pará, Amapá e Roraima
(Figura 16- b5 e e5). Nas demais áreas a predominância de bias entre -20 – 20 mm/mês foram
nas previsões do modelo RegCM4 com os esquemas TID e EMU (Figura 16-a5 e c5). No mês
de novembro observa-se que a previsão que apresenta bias menos intensos, foram do esquema
EMU (Figura 16-c6), porém no litoral norte da América do Sul e Sul do Brasil, predomina-se
bias menos intensos com o esquema EMU-GFC (Figura 16-d6). O CFSv2 apesar de subestimar
a precipitação em toda a América do Sul, o modelo em partes da região andina apresentou bias
entre -20 – 20 mm/mês durante os períodos de precipitação mais intensa (Figura 16- e4 a e6),
onde o modelo RegCM4 em todas as previsões tendeu a superestimar.
Na Figura 17 está disposto as médias regionais do bias calculado através dos dados
previstos com o RegCM4 (TID, GFC, EMU e EMU-GFC), CFSv2 e observados CPC para cada
subdomínio estudado. Verifica-se no subdomínio Amazônia Norte (Figura 17-a) que o esquema
EMU-GFC entre os meses de junho e setembro, apresentou médias do bias mais próximas de 0
quando comparado com as demais previsões, indicando a aproximação da previsão do RegCM4
com os dados observados do CPC. Observa-se ainda que os esquemas EMU teve média na área
de -6 mm/mês (em setembro) e GFC ~2 mm/mês (em outubro). No subdomínio Amazônia Sul
(Figura 17-b) entre junho e outubro os esquemas EMU e TID apresentaram-se mais próximo
da neutralidade. Os demais esquemas e o modelo global CFSv2, também apresentaram menores
skill durante os meses junho e julho.
Na área do Nordeste Norte (Figura 17- c) a previsão do modelo global CFSv2 e do
RegCM4, configurado com o esquema GFC tiveram menores flutuações em relação aos dados
do CPC, aproximando-se da neutralidade. No Nordeste Sul (Figura 17- d) nota-se que em quase
todo período as médias regionais de bias de todas as previsões foram mais próximas de 0,
indicando que que as previsões foram hábeis em representar a precipitação, porém o esquema
EMU-GFC e o CFSv2 apresentaram tendências a subestimação da precipitação, enquanto o
65
esquema EMU superestimou entre julho a novembro, e dentre as previsões que apresentaram
menores bias estão TID (agosto a outubro), CFSv2 (julho a setembro) e GFC (junho e julho).
No sul do Uruguai (Figura 17- e) as médias regionais de bias mostraram que todas as
previsões tenderam a subestimar demasiadamente a precipitação, sendo o esquema GFC o que
apresentou maior aproximação dos dados observados, com destaque para EMU-GFC (entre
junho e agosto) e EMU (em julho). No subdomínio Noroeste do Peru e Equador (Figura 17- f)
as maiores aproximações de 0 foram em meses específicos, onde EMU foi junho e julho, TID
em agosto e novembro, GFC entre setembro e outubro, e EMU-GFC em setembro e novembro,
não tendo uma previsão que representasse todo o período de previsão. No Sudeste (Figura 17g) entre os meses junho e agosto todas as previsões apresentaram menores skill, enquanto nos
meses de setembro e outubro, apenas os esquemas EMU e TID. No Chaco (Figura 17- h) nos
três primeiros meses de previsão, todos os experimentos apresentaram menores bias na área,
enquanto no mês de setembro apenas as previsões realizadas pelo RegCM4. Nos dois últimos
meses de integração nenhuma das previsões aproximaram-se da neutralidade, mostrando que
nenhum modelo foi hábil em representar a precipitação na área.
66
Figura 16- Similar a Figura 4, mas para as previsões iniciadas em maio de 2018 para os meses
de junho a novembro 2018.
a1
a2
a3
a4
a5
a6
b1
b2
b3
b4
b5
b6
c1
c2
c3
c4
c5
c6
d1
d2
d3
d4
d5
d6
e1
e2
e3
e4
e5
e6
Fonte: Autor (2019).
67
Figura 17- Similar a Figura 5, porém para as previsões iniciadas em maio de 2018.
a
B
c
D
e
f
g
h
Fonte: Autor (2019).
68
Avaliação da Previsão iniciada em Junho de 2018
Devido a um problema técnico no site da NOAA, não foi possível realizar o download
dos dados referentes as observações do mês de dezembro, o que impossibilitou uma melhor
análise para a última rodada que foi iniciada no mês de junho do ano de 2018, no qual as
previsões finalizariam no mês de dezembro de 2018, logo as comparações objetivas e subjetivas
para a referida rodada, foram feitas até o mês de novembro de 2018.
Nota-se no primeiro mês de previsão (julho) que o esquema EMU-GFC (Figura 18- d1)
previu melhor a distribuição espacial da precipitação no extremo norte da América do Sul, onde
são evidentes volumes pluviométricos mais intensos no norte do Brasil, norte do Peru,
Colômbia, Suriname, Guyana e Guiana Francesa (Figura 18- f1), porém no norte da Colômbia
e Venezuela as previsões utilizando o esquema TID e EMU representaram melhor a
precipitação entre 75 – 200 mm/mês (Figura 18- a1 e c1). O esquema TID também foi hábil em
prever os acumulados e a distribuição pluviométrica no litoral do nordeste Brasileiro. No sul
do Uruguai e Rio Grande do Sul-BR nenhuma das previsões apresentaram valores mais
próximos do observado (CPC), subestimando os núcleos de precipitação de 200 mm/mês. O
CFSv2 apresentou bom desempenho em prever a distribuição espacial e os acumulados de
precipitação (~100 mm/mês) em partes da Argentina e do Chile (Figura 18- e1).
No mês de agosto nas áreas do extremo norte da América do Sul, o esquema EMU
(Figura 18- c2) apresentou melhores resultados das distribuições espaciais e os acumulados
entre 100 – 200 mm/mês da precipitação, aproximando dos dados observados, porém em
algumas áreas a previsão subestimou, tanto a distribuição quanto os acumulados mensais de
precipitação, ficando evidente o mesmo padrão nas demais previsões realizadas pelo modelo
regional RegCM4 e o modelo global CFSv2 (Figura 18- a2, b2, d2 e f2). Com relação a banda
de precipitação que corta o continente sul-americano, nenhuma das previsões conseguiram
capturar o posicionamento da mesma, sendo o esquema EMU (Figura 18- a2) o resultado mais
condizente com os dados observados do CPC.
No mês de setembro foram observados os mesmos padrões das análises dos meses
anteriores com uma maior intensificação da precipitação na área (Figura 18- f3). Jesus (2014)
avaliou o esquema EMU para a região do CORDEX, e observou que as previsões tendem a
subestimar a precipitação da banda de nebulosidade que corta o continente, logo, o modelo
RegCM4 mostrou um fraco desempenho em prever os maiores acumulados provocados pelo
sistema, o que corrobora com os resultados encontrados neste estudo.
69
No mês de outubro, observa-se que as previsões utilizando os esquemas TID e EMU
conseguiram prever os acumulados de 200 mm/mês em grande parte do continente sulamericano (Figura 18- a4 e c4). Os mesmos esquemas tiveram pior desempenho no norte do
Brasil, onde superestimaram a precipitação menos intensa (100 mm/mês), sendo o esquema
GFC e o modelo global CFSv2 (Figura 18- b4 e e4) os que mais aproximaram dos dados
observados. Vale destacar também o bom desempenho do modelo CFSv2 em prever a
distribuição espacial da precipitação na região dos Andes, onde o modelo RegCM4 tende a
superestimar. O esquema EMU-GFC (Figura 18- d4) apresentou melhor habilidade em prever
o núcleo de precipitação de aproximadamente 300 mm/mês localizado no Sul do Brasil.
No mês de novembro TID e EMU (Figura 18- a5 e c5) representaram a precipitação no
domínio avaliado, porém subestimando os volumes e a distribuição da precipitação com
acumulados entre 250 – 400 mm/mês (Figura 18- a5 e f5) principalmente no centro oeste e
sudeste do Brasil, e superestimando na região norte do Brasil, estimando acumulados de
aproximadamente 1200 mm/mês, o que não foi observado nos dados do CPC (Figura 18- c5 e
f5). No nordeste do Brasil a previsão do CFSv2 apresentou maior coerência com os dados
observados do CPC, indicando a boa previsibilidade do modelo global nesta região. As demais
previsões apresentaram melhores desempenho em áreas específica como no Mato Grosso do
Sul, Paraná e Santa Catarina (GFC, Figura 18- b5), e norte da Amazônia, Amapá e Venezuela
(EMU-GFC, Figura 18- d5).
70
Figura 18- Similar a Figura 2, porém para os meses entre julho a dezembro com previsões
iniciadas no mês de junho de 2018.
a1
a2
a3
a4
a5
a6
b1
b2
b3
b4
b5
b6
c1
c2
c3
c4
c5
c6
d1
d2
d3
d4
d5
d6
e1
e2
e3
e4
e5
e6
f1
f2
f3
f4
f5
f6
NO
DATA
Fonte: Autor (2019).
71
Similar a Figura 3, mas para as previsões iniciadas no dia 01 de junho de 2018 para os
meses entre julho a dezembro. Verifica-se no subdomínio Amazônia Norte (Figura 19- a) nos
meses de julho, setembro e novembro que o esquema EMU-GFC apresentou médias regionais
mais próximas dos dados observados, porém flutuando em torno de -40 - 40 mm/mês. Apesar
de haver uma aproximação das médias regionais entre a previsão e os dados observados, o
esquema EMU-GFC não apresentou alto índice de Willmott (0,59, sofrível, Tabela 8). No
subdomínio Amazônia Sul (Figura 19- b), EMU teve a previsão com melhor performance,
prevendo o padrão da precipitação, resultando em alta concordância com 0,90 (ótimo) seguida
pela configuração TID com 0,84 (muito bom).
No subdomínio Nordeste Norte (Figura 19- c) durante os quatro primeiros meses o
esquema GFC apresentou menores flutuações em relação ao dado observado (CPC), enquanto
no mês de novembro, onde a precipitação foi mais intensa em toda área avaliada, o modelo
global CFSv2 teve melhor desempenho. De acordo com índice de Willmott (Tabela 8) a maior
concordância foi observada utilizando o modelo RegCM4 com o esquema GFC (0,69, bom).
Na área Nordeste Sul (Figura 19- d) os índices de Willmott foram mais altos, com destaques
para as previsões do RegCM4 configurado com GFC (0,79, muito bom) e EMU-GFC (0,73,
bom), onde ao verificar a Figura 19- d fica evidente que ambas as previsões seguiram os padrões
da precipitação do CPC durante quase todos os meses de previsão.
No Sul do Brasil e Uruguai (Figura 19- e) observa-se nos três primeiros meses de
previsão que oRegCM4 e o CFSv2 subestimaram a precipitação entre 21 – 131 mm/mês, porém
no mês de outubro e novembro os esquemas GFC e EMU-GFC as médias flutuaram em torno
de -10 - 10 mm/mês em comparação com os dados observados. De acordo com o índice de
Willmott (Tabela 8) ambos os esquemas apresentaram significantes índices de concordância
com 0,82 e 0,80 (muito bom), respectivamente. Reboita et al., (2018) encontrou índices de 0,68,
porém esta diferença pode estar associada a condição inicial e de contorno, no qual o autor
utilizou os dados do modelo do CPTEC. No noroeste do Peru e Equador (Figura 19- f) observase pior desempenho dos esquemas EMU-GFC e GFC (entre julho a novembro), e o CFSv2
(entre julho a outubro), onde subestimaram a precipitação entorno de 20 – 80 mm/mês. Nesta
região, o maior índice de concordância encontrado (Tabela 8) foi do esquema TID (0,76, muito
bom), onde observa-se que durante o período de previsão uma maior aproximação dos valores
estimados e CPC, com destaque para os meses de outubro e novembro.
A Figura 19- g, verifica-se no primeiro mês de previsões, que o esquema EMU-GFC
representou melhor a precipitação, subestimando em aproximadamente 6 mm/mês, enquanto
nos demais meses o esquema EMU representou melhor a média regional de precipitação
72
observada do CPC nos meses de previsão com exceção do mês de novembro, porém resultou
ainda em índice elevado de concordância (0,91, ótimo, Tabela 8). No subdomínio Chaco
(Figura 19- g) observa-se que as previsões dos quatro esquemas, conseguiram prever o padrão
da precipitação que aumenta com o decorrer dos meses (CPC). Destaca-se alta previsibilidade
do CFSv2 no mês de julho onde foi previsto 3 mm/mês também verificado no dado observado.
Nesta mesma área, nos meses de setembro, outubro e novembro o esquema GFC e EMU,
apresentaram comportamento similar do dado observado e de acordo com o índice de Willmott,
(Tabela 8) o esquema EMU (0,89, ótimo) e GFC (0,85, muito bom) apresentaram melhor
concordância com os dados do CPC.
73
Figura 19- Similar a Figura 3, porém para as previsões iniciadas em junho de 2018.
a
b
c
d
e
f
g
h
Fonte: Autor (2019).
74
Tabela 8- Similar a Tabela 4, porém para as previsões iniciadas em junho de 2018.
d_TID
d_EMU
d_GFC
d_EMUGFC
d_CFS
AMZn
0,53
0,46
0,56
0,59
0,49
AMZs
0,84
0,90
0,72
0,72
0,70
NEBn
0,52
0,25
0,69
0,60
0,50
NEBs
0,74
0,56
0,79
0,79
0,74
SUR
0,57
0,68
0,82
0,80
0,53
ENWPe
0,76
0,60
0,50
0,53
0,52
SULDESTE
0,89
0,91
0,82
0,81
0,78
CHACO
0,82
0,85
0,89
0,84
0,70
Fonte: Autor (2019).
75
Similar a figura 4, mas para os bias gerados para as previsões iniciadas no dia 01 de
junho de 2018. Na Figura 20, ao comparar as previsões no mês de julho, observa-se que a
previsão com o esquema EMU-GFC (Figura 20- d1) mostra o bias com menor distribuição
espacial da subestimação e superestimação, concentrando bias mais seco ao norte (~-200
mm/mês) e úmido no extremo do sul da América do Sul (~200 mm/mês, visto nas demais
previsões do RegCM4), Amapá (~40 mm/mês) e Paraná (~40 mm/mês). Nos meses de agosto
e setembro o esquema EMU (Figura 20- c2 e c3) apresentou menores variações de bias,
indicando uma melhor previsão dos acumulados mensais de precipitação, ficando evidente que
o RegCM4 conseguiu capturar as características da distribuição espacial e acumulados de
precipitação.
Nos meses de outubro e novembro o esquema EMU (Figura 20- c4 e c5) continua a
apresentar bias seco menos intensos em relação as demais previsões principalmente no centro
oeste e sudeste do Brasil, onde ocorreram chuvas mais intensas. Porém na região norte do Brasil
o referido esquema apresenta superestimações intensas com bias extremamente úmido (~250
mm/mês). Com relação ao nordeste Brasileiro as previsões realizadas com o esquema GFC e o
CFSv2 (Figura 20- b4, b5, e4 e e5) apresentaram bias entre -20 – 20 mm/mês. Vale ressaltar
que em todo o período de previsão o CFSv2 em relação ao RegCM4 (Figura 20- e1 e e5) previu
melhor a precipitação na região dos Andes, uma vez que os modelo climático tendeu a
superestimar, com exceção dos meses de julho e agosto com os esquemas GFC e EMU-GFC
(Figura 20- b1, b2, d1 e d2).
Na Figura 21, está apresentado as médias regionais dos bias calculados através dos
dados previstos com o RegCM4 (TID, GFC, EMU e EMU-GFC), CFSv2 e observados CPC
para cada subdomínio estudado. Identifica-se no subdomínio Amazônia Norte (Figura 21-a)
que a previsão do RegCM4 com o esquema EMU-GFC, teve menor skill em maior período de
previsão (agosto a novembro). O esquema EMU mostra-se hábil em prever a precipitação nos
meses de agosto e setembro, uma vez que os bias foram mais próximos a 0 nesta área, como
também o esquema GFC (em agosto) e TID (em novembro). Na Amazônia Sul (Figura 21-b) a
previsão com o esquema EMU apresenta menor bias em todo o período de previsão do
RegCM4, flutuando em torno de -11 – 8 mm/mês. Vale destacar o primeiro mês de previsão,
onde todas as previsões dos modelos apresentam médias menores nesta área, indicando a boa
representatividade das previsões de precipitação.
No subdomínio Nordeste Norte (Figura 21-c) durante os meses de previsão os esquemas
GFC e EMU-GFC apresentaram menores destrezas, uma vez que previram melhor os padrões
de precipitação observadas pelo CPC. Além disso as previsões com TID e o CFSv2 possuem
76
boa habilidade em representar a precipitação entre os meses de julho a outubro. No subdomínio
Nordeste Sul (Figura 21-d) as previsões entre julho a outubro foram melhores representadas
pelos esquemas TID, GFC e EMU-GFC, e o modelo global CFSv2, enquanto no mês de outubro
o esquema TID possui tendências a superestimar, e GFC, EMU-GFC e CFSv2, subestimar a
precipitação com maiores intensidades.
Na área Sul do Brasil e Uruguai (Figura 21-e) observa-se que as médias regionais de
bias apresentaram uma subestimação em todas as previsões durante o trimestre julho, agosto e
setembro, onde dentre este meses, setembro apresentou menor destreza com os esquemas
EMU,GFC e EMU-GFC, enquanto nos meses de outubro e novembro, apenas as previsões com
o esquema GFC e EMU-GFC. Gonçalves (2015) observou os mesmos padrões, porém mostrou
que o esquema de convecção mista Emanuel Terra e Grell no oceano, representou melhor a
precipitação neste período. No noroeste do Peru e Equador (Figura 21-f) verifica-se que nos
meses de julho e agosto os valores de bias próximos a 0 é visto apenas com as previsões
utilizando TID e EMU, e no mês de setembro e novembro os esquemas GFC e EMU-GFC.
No subdomínio Sudeste (Figura 21-g) o trimestre julho, agosto e setembro todas as
previsões dos modelos RegCM4 e CFSv2, apresentaram menores skill, ficando mais próximo
da neutralidade, indicando que as previsões foram hábeis em representar a variável de interesse,
porém nos demais meses as previsões tenderam a subestimar demasiadamente. Na Figura 21h, as previsões do RegCM4 entre os meses de julho e outubro convergiram para os dados do
CPC, uma vez que a média do bias nesta área estão mais próximas de zero, enquanto o mês de
novembro apenas o esquema GFC apresentou menor destreza. O modelo global CFSv2
apresentou melhor desempenho apenas nos meses de julho e agosto, subestimando
significativamente a precipitação nos demais meses de previsão.
77
Figura 20- Similar a Figura 4, mas para as previsões iniciadas em junho de 2018 para os meses
de julho a novembro 2018. *dezembro impossibilitado de fazer a análise devido ao problema
nos sites federais do EUA.
a1
a2
a3
a4
a5
a6
b1
b2
b3
b4
b5
b6
c1
c2
c3
c4
c5
c6
d1
d2
d3
d4
d5
d6
e1
e2
e3
e4
e5
e6
Fonte: Autor (2019).
78
Figura 21- Similar a Figura 5, porém para as previsões iniciadas em junho de 2018.
a
b
c
d
e
f
g
h
Fonte: Autor (2019).
79
5. Considerações Finais
Esta pesquisa teve como objetivo analisar 5 inicializações de previsões climáticas
mensais de precipitação sobre a América do Sul utilizando o modelo climático regional versão
4 (RegCM4) com diferentes esquemas de parametrizações cumulus (TID, GFC, EMU e EMUGFC) e o modelo global CFSv2 com um período de integração de 7 meses. O RegCM4 nas
inicializações como condições iniciais e de contorno utilizou dados do modelo global CFSv2,
desta forma foi avaliado também as previsões do modelo global para avaliar o quanto as
previsões do modelo climático regional podem acrescentar nestas previsões do CFSv2.
O CFSv2 nas avaliações subjetivas das previsões dos acumulados mensais de
precipitação, apresentou piores resultados em grande parte da América do Sul nas 5
inicializações de previsão, principalmente onde as precipitações foram mais intensas, porém
em locais onde as precipitações foram inferiores a 70 mm/mês, o modelo apresentou bom
desempenho, como em parte do Nordeste do Brasil, Argentina, e com destaque para região dos
Andes, onde apresentou melhor desempenho. Apesar das previsões do RegCM4 aproximarem
dos dados observados do CPC, verificou-se que as precipitações previstas nos subdomínios
selecionados foram bem representadas pelos diferentes esquemas de parametrização.
A seguir são listadas as previsões que melhor representaram a precipitação nos
subdomínios de acordo os índices de Willmott, no caso desta pesquisa, para os meses entre
março e dezembro de 2018:
•
AMZn o esquema de convecção mista EMU-GFC
•
AMZs o esquema de parametrização EMU.
•
NEBn o esquema GFC. Porém foi observado que as previsões TID, EMU-GFC
e CFSv2 obtiveram bons resultados, conseguindo capturar as médias regionais
de precipitação.
•
NEBs o esquema EMU.
•
SUR o esquema GFC.
•
ENWPe o esquema TID.
•
SUDESTE o esquema TID.
•
CHACO o esquema TID e GFC.
Ao verificar as análises do comportamento do bias nos subdomínios, nota-se que na
Amazônia Norte todas as previsões diferem do observado, enquanto na Amazônia Sul as
previsões de EMU, convergem para os dados do CPC, além disso nestes dois subdomínios o
modelo global CFSv2 subestima a precipitação em aproximadamente 80 mm/mês em todas as
80
previsões inicializadas, principalmente nos períodos mais chuvosos (fevereiro, setembro a
novembro). No nordeste norte e sul observa-se que o esquema EMU apresenta bias menos
intenso no período mais seco, porém nos períodos mais chuvosos o esquema TID apresentou
melhor resultado
Nos subdomínios mais ao sul (Sul do Brasil e Uruguai, Sudeste e Chaco) é observado o
melhor desempenho do RegCM4 em relação ao modelo CFSv2, que subestima
exponencialmente a precipitação em grandes volumes durante os meses de integração em todas
as inicializações. No subdomínio ENWPe apesar do esquema TID apresentar melhores índices
de Willmott, os esquemas GFC e EMU-GFC tendem a prever melhor a precipitação nos meses
entre julho e outubro (final do período seco para o período chuvoso).
Contudo, o RegCM4 apesar de subestimar/superestimar a precipitação em determinadas
regiões, o mesmo conseguiu melhorar significativamente as previsões de precipitação
utilizando dados do CFSv2, porém o CFSv2 apresenta bons resultados ao prever a precipitação
em áreas isoladas (subdomínios) durante alguns meses.
5.1. Sugestões de Trabalhos Futuros
•
Gerar e Analisar os hindcasts do RegCM4 com dados iniciais do CFSv2 para a AS.
•
Avaliar as previsões do RegCM4 para outras variáveis atmosféricas.
•
Compara a destreza do modelo em relação a dados de estações meteorológicas de
superfície.
81
6. Referências
ALVES, L. M. Simulaçoes da Variabilidade do Clima Presente sobre a América do Sul
utilizando um Modelo climático Regional. INPE, Tese de Doutorado, 2007.
ALVES, L. M.; CHOU, S-C.; MARENGO, J. A. Avaliação das previsões de chuvas sazonais
do modelo ETA climático sobre o Brasil. In: Congresso Brasileiro de Meteorologia. 2009. p.
29.
ALVES, L. M.; CHOU, S-C.; MARENGO, J. A. Avaliação das previsões de chuvas sazonais
do modelo ETA climático sobre o Brasil. In: Congresso Brasileiro de Meteorologia. p. 29.
2009.
ALVES, L. M.; MARENGO, J. Assessment of regional seasonal predictability using the
PRECIS regional climate modeling system over South America. Theoretical and Applied
Climatology, v. 100, n. 3-4, p. 337-350, 2010.
ALVES, L. M.; MARENGO, J. Assessment of regional seasonal predictability using the
PRECIS regional climate modeling system over South America. Theoretical and Applied
Climatology, v. 100, n. 3-4, p. 337-350, 2010.
AMADOR, J. A. et al. Putting into action the REGCM4. 6 regional climate model for the study
of climate change, variability and modeling over Central America and Mexico. Atmósfera, v.
31, n. 2, p. 185-188, 2018.
ANTHES, R. A. et al. Description of the Penn State/NCAR mesoscale model version 4
(MM4). Boulder, CO.: NCAR, 1987.
ARAKAWA, A.; SCHUBERT, W. H. Interaction of a cumulus cloud ensemble with the largescale environment, Part I. Journal of the Atmospheric Sciences, v. 31, n. 3, p. 674-701, 1974.
ARAÚJO, G. R. G. de. Avaliação do modelo climático regional RegCM4 sobre o Nordeste
brasileiro para o período do outono. Trabalho de Conclusão de Curso. Universidade Federal
do Rio Grande do Norte, 2017.
82
ÁVILA, P. L. R. et al. Simulação da precipitação sazonal com o RegCM4 sobre o estado do
Pará para evento extremo utilizando a parametrização MIT. SBAGRO, 2011.
ÁVILA, P. L. R.; DE SOUZA, E. B.; PINHEIRO, A. N. Simulação da Precipitação Sazonal
com o Regcm4 sobre o Estado do Pará para Anos de El Niño e La Niña (Simulation of Seasonal
Precipitation with Regcm4 about the State of Pará for Years of El Niño and La Niña). Revista
Brasileira de Geografia Física, v. 6, n. 5, p. 1316-1335, 2013.
CARDOSO,C. S.; DE QUADRO, M. F. L.. Análise comparativa de dados de precipitação
gerados pelo “Climate Prediction Center–CPC” versus dados observados para o Sul do Brasil
(Comparative analysis of precipitation data generated by Climate Prediction Center–CPC
versus data observed...). Revista Brasileira de Geografia Física, v. 10, n. 4, p. 1180-1198,
2017.
CHUNG, J. X. et al. Performances of BATS and CLM land‐surface schemes in RegCM4 in
simulating precipitation over CORDEX Southeast Asia domain. International Journal of
Climatology, v. 38, n. 2, p. 794-810, 2018.
DANTAS, V. de. A. et al. Downscaling dinâmico sobre o Nordeste do Brasil utilizando um
modelo climático regional: Impacto de diferentes parametrizações na precipitação simulada.
Revista Brasileira de Geografia Física, v. 6, n. 4, p. 995-1008, 2013.
DIAS, C. G. Validação de previsões climáticas sazonais sobre o Brasil: Modelos globais e
regional. Universidade Federal de Itajubá, Dissertação de Mestrado, 2017.
DICKINSON, R. E.; HENDERSON-SELLERS, A.; KENNEDY, P. J. Biosphere-Atmosphere
Transfer Scheme (BATS) version 1E as coupled to the NCAR Community Climate Model.
NCAR Techical Report. TN-387+STR, NCAR, Boulder, Colorado, p. 72, 1993.
DICKINSON, Robert E. et al. A regional climate model for the western United States. Climatic
change, v. 15, n. 3, p. 383-422, 1989.
EK, M. B. et al. Implementation of Noah land surface model advances in the National Centers
for Environmental Prediction operational mesoscale Eta model. Journal of Geophysical
Research: Atmospheres, v. 108, n. D22, 2003.
83
ELGUINDI, N., BI, X., GIORGI, F., NAGARAJAN, B., PAL, J., SOLMON, F., RAUSCHER,
S., ZAKEY, A., O’BRIEN, T., NOGHEROTTO, R. e GIULIANI, G. Regional climatic model
RegCM Reference Manual version 4.6. ITCP, Trieste, 37p., 2014.
EMANUEL, K. A. A scheme for representing cumulus convection in large-scale
models. Journal of the Atmospheric Sciences, v. 48, n. 21, p. 2313-2329, 1991.
FANTINI, A.; COPPOLA, E.; VERDECCHIA, M. Evaluation of two new high-resolution
EURO-CORDEX RegCM simulations with a new Italian precipitation dataset. In: EGU
General Assembly Conference Abstracts. 2018. p. 14329.
FRITSCH, J. M.; CHAPPELL, C. F. Numerical prediction of convectively driven mesoscale
pressure systems. Part II. Mesoscale model. Journal of the Atmospheric Sciences, v. 37, n. 8,
p. 1734-1762, 1980.
GIORGI, F.; ELGUINDI, N. Regional Climatic Model RegCM User’s Guide Version 4.4.
Trieste, Italy May 14, 2014.
GIORGI, F.; et al. Development of a second-generation regional climate model (RegCM2). Part
I: boundary-layer and radiative transfer processes. Monthly Weather Review, v. 121, p. 27942813, 1993a.
GIORGI, F.; MEARNS, L. O. Introduction to special section: Regional climate modeling
revisited. Journal of Geophysical Research: Atmospheres, v. 104, n. D6, p. 6335-6352,
1999.
GOMES, H. B. Distúrbios Ondulatorios de Leste no Nordeste Brasileiro: climatologia e
modelagem numérica. 2012. Tese de Doutorado. Universidade de São Paulo.
GONÇALVES, J. S. Avaliação da previsão numérica sazonal de precipitação para o Rio
Grande do Sul, Universidade Federal de Santa Maria, Dissertação de Mestrado, 2015.
84
GRELL, G. A.; DEVENYI, D. J. Dudhia, and DR Stauffer: A description of the fifthgeneration Penn State/NCAR mesoscale model (MM5). NCARTech, 1994. Note
NCAR/TN-398STR.
GRELL, G. A.; KUO, Y-H.; PASCH, R. J. Semiprognostic tests of cumulus parameterization
schemes in the middle latitudes. Monthly weather review, v. 119, n. 1, p. 5-31, 1991.
JESUS, E. M. Simulações climáticas regionais para o CORDEX sobre a América do Sul e
impactos das frentes frias na climatologia simulada. 2014. 135p. 2014. Tese de Doutorado.
Programa de Meteorologia, Universidade de São Paulo, São Paulo.
KIEHL, J. T. et al. Description of the NCAR Community Climate Model (CCM3). Boulder,
Colorado: NCAR Technical Note, NCAR/TN-420+STR, 152 p., 1996.
KUBOTA, Paulo Yoshio; BONATTI, José Paulo. Variabilidade da Precipitação na América
do Sul Forçada Com Diferentes Parametrizações de Superfície para Previsão de Curto Prazo.
In: Anais Congresso Brasileiro de Meteorologia. 2010.
LLOPART, M. et al. Sensitivity of simulated South America climate to the land surface
schemes in RegCM4. Climate Dynamics, v. 49, n. 11-12, p. 3975-3987, 2017.
LLOPART, M.; BOIASKI, N.; DA ROCHA, R. VARIABILIDADE INTERANUAL DA
PRECIPITAÇÃO SIMULADA PELO REGCM4. Ciência e Natura, v. 35, p. 311, 2013.
LLOPART, M.; BOIASKI, N.; DA ROCHA, R. VARIABILIDADE INTERANUAL DA
PRECIPITAÇÃO SIMULADA PELO REGCM4. Ciência e Natura, v. 35, p. 311, 2013.
MACHADO, R. D. et al. Previsões climáticas sazonais sobre o Brasil: avaliação do RegCM3
aninhado no modelo global CPTEC/COLA. Revista Brasileira de Meteorologia, v. 26, n. 1,
p. 121-136, 2011.
MARTÍNEZ-CASTRO, D. et al. The performance of RegCM4 over the Central America and
Caribbean region using different cumulus parameterizations. Climate Dynamics, p. 1-24,
2017.
85
MENDONÇA, M.; et al. Análise multiescalar para a comprenssao de causas e consequencias
da variabilidade climática na América do Sul. Experimentos em Climatología Geográfica.
Organizadores: Charlei Aparecido de Silva, Edson Soares Fialho e Ercilio Torres Steinke.
Asociación Brasileña de Climatología Geográfica, p. 271-290, 2014.
MISRA, V.; KANAMITSU, M. Anomaly Nesting: A Methodology to Downscale Seasonal
Climate Simulations from AGCMs. Journal of Climate, v.17, n.17, p.3249-3262, 2004.
MOTA, G. V. et al. Precipitação sazonal sobre a Amazônia oriental no período chuvoso:
observações e simulações regionais com o RegCM3, Revista Brasileira de Meteorologia,
v.24, n.2, 111-124, 2009.
NASCIMENTO, T. S. et al. Preenchimento de falhas em banco de dados pluviométricos com
base em dados do CPC (Climate Prediction Center): estudo de caso do Rio SolimõesAmazonas. Revista Brasileira de Climatologia, v. 7, 2010.
National Center for Atmospheric Research Staff (Eds), 2018. The Climate Data Guide: CPC
Unified
Gauge-Based
Analysis
of
Global
Daily
Precipitation.
Retrieved
from
<https://climatedataguide.ucar.edu/climate-data/cpc-unified-gauge-based-analysis-globaldaily-precipitation>. Acesso entre 01 de março e 01 de setembro de 2018.
NEVES, D. G. et al. Modelagem climática regional durante dois anos de extremos de
Precipitação sobre o estado do amapá: teste de sensibilidade aos Esquemas convectivos.
Revista Brasileira de Meteorologia, v. 26, n. 4, p. 569-578, 2011.
OH, S-G. SUH, M-S. Changes in seasonal and diurnal precipitation types during summer over
South Korea in the late twenty-first century (2081–2100) projected by the RegCM4. 0 based on
four RCP scenarios. Climate Dynamics, p. 1-20, 2018.
OLIVEIRA, L. C. D. et al. Estimativas de chuvas intensas para o Estado de Goiás. Revista
Brasileira Enhenharia Agrícola, v. 28, no.1, 2008.
OZTURK, T. et al. Future projections of temperature and precipitation climatology for
CORDEX-MENA domain using RegCM4. 4. Atmospheric Research, v. 206, p. 87-107, 2018.
86
PAL, J. S.; SMALL, E. E.; ELTAHIR, E. A. B. Simulation of regional‐scale water and energy
budgets: Representation of subgrid cloud and precipitation processes within RegCM. Journal
of Geophysical Research: Atmospheres, v. 105, n. D24, p. 29579-29594, 2000.
PHAN-VAN, T. et al. Evaluation of the NCEP Climate Forecast System and Its Downscaling
for Seasonal Rainfall Prediction over Vietnam. Weather and Forecasting, n. 2018, 2018.
PRADO, D. E. As caatingas da América do Sul. Ecologia e conservação da Caatinga, v. 2, p.
3-74, 2003.
RACZKA, B. et al. An observational constraint on stomatal function in forests: evaluating
coupled carbon and water vapor exchange with carbon isotopes in the Community Land Model
(CLM4. 5). Biogeosciences, v. 13, n. 18, p. 5183, 2016.
REBOITA, M. S et al.. Validação da Precipitação Simulada pelo CFSv2. In: IV Simpósio
Internacional de Climatologia, 2011, João Pessoa. SIC, 2011.
REBOITA, M. S. et al. Regimes de precipitação na América do Sul: uma revisão bibliográfica.
Revista Brasileira de Meteorologia, v. 25, n. 2, 2010.
REBOITA, Michelle Simões et al. Previsão Climática Sazonal para o Brasil Obtida Através de
Modelos Climáticos Globais e Regional. Rev. Bras. Meteorol, p. 0102-7786332001, 2018.
SAHA, S. et al. The NCEP climate forecast system version 2. Journal of Climate, v. 27, n. 6,
p. 2185-2208, 2014.
SILVA, A. G. Estudo sobre a precipitação simulada no outono na região tropical da América
do Sul através de downscaling dinâmico e previsão por conjunto. 2016. 128f. Tese
(Doutorado em Ciências Climáticas) - Centro de Ciências Exatas e da Terra, Universidade
Federal do Rio Grande do Norte, Natal, 2016.
SILVA, V. B. S. et al.Ana improved gridded historical daily precipitation analysis for Brazil.
Journal of Hydrometeorology, 8:847-861, 2007.
87
SILVA, M. C. L. Modelagem climática regional do jato de baixos níveis a leste dos Andes
e validação. 2006. Tese de Doutorado, Universidade Estadual de São Paulo.
SOLMAN, S. A, et al. Regional climate change experiments over southern South America. I:
present climate. Climate Dynamics, v. 30, n. 5, p. 533-552, 2008.
SOUZA, E. B. et al. Sazonalidade da Precipitação sobre a Amazônia Legal Brasileira: Clima
Atual e Projeções Futuras Usando o Modelo Regcm4. Revista Brasileira de Climatologia, v.
18, 2016.
TIEDTKE, M. A comprehensive mass flux scheme for cumulus parameterization in large-scale
models. Monthly Weather Review, v. 117, n. 8, p. 1779-1800, 1989.
VANZOLINI, P. E. Paleoclimas e especiação em animais da América do Sul tropical. Estudos
Avançados, v. 6, n. 15, p. 41-65, 1992.
VELIKOU, K.; TOLIKA, K. Evaluation of the Sensitivity of the Updated RegCM4 Model to
Physics Parameterizations over the Mediterranean Region: Precipitation and Temperature
Simulations. In: Multidisciplinary Digital Publishing Institute Proceedings. 2017.
VERA, C.; SILVESTRI, G. Precipitation interannual variability in South America from the
WCRP-CMIP3 multi-model dataset. Climate dynamics, v. 32, n. 7-8, p. 1003-1014, 2009.
WANG, Y.; SEN, O. L.; WANG, B. A highly resolved regional climate model (IPRC-RegCM)
and its simulation of the 1998 severe precipitation event over China. Part I: Model description
and verification of simulation. Journal of Climate, v. 16, n. 11, p. 1721-1738, 2003.
WANG, Lang et al. Evaluation of the Regional Climate Model over the Loess Plateau of
China. International Journal of Climatology, v. 38, n. 1, p. 35-54, 2018.
WILKS, D. S. Statistical methods in the atmospheric sciences. Academic press, 2011.
WILLMOTT, Cort J. On the validation of models. Physical geography, v. 2, n. 2, p. 184-194,
1981.
88
Xie, P., A. Yatagai, M. Chen, T. Hayasaka, Y. Fukushima, C. Liu e S. Yang (2007), uma
análise baseada em indicadores da precipitação diária sobre a Ásia Oriental, J.
Hidrometeorol. 8, 607. 626
YANAI, M, et al. Determination of bulk properties of tropical cloud clusters from large-scale
heat and moisture budgets. Journal of the Atmospheric Sciences, v. 30, n. 4, p. 611-627, 1973.
YANG, M. et al. Simulation of Land Surface Climate over China with RegCM4. 5: Verification
and Analysis. Advances in Meteorology, v. 2018, 2018.