Laurizio Emanuel (2019)
1-Dissertacao-LAURIZIO.pdf
Documento PDF (4.3MB)
Documento PDF (4.3MB)
UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
CURSO DE PÓS-GRADUAÇÃO EM METEOROLOGIA
LAURIZIO EMANUEL RIBEIRO ALVES
Avaliação Espaço-Temporal da Chuva e Grau de Secura Via
Dados Observacionais e Produtos Orbitais para a Bacia
Hidrográfica do Médio São Francisco
Maceió – AL
2019
LAURIZIO EMANUEL RIBEIRO ALVES
Avaliação Espaço-Temporal da Chuva e Grau de Secura Via
Dados Observacionais e Produtos Orbitais para a Bacia
Hidrográfica do Médio São Francisco
Dissertação de Mestrado apresentada ao Programa de
Pós-Graduação em Meteorologia do Instituto de
Ciências Atmosféricas da Universidade Federal de
Alagoas, como requisito parcial para obtenção do
grau
de
Mestre
em
Meteorologia,
área
concentração Processos de Superfície Terrestre.
Orientador: Prof. Dr. Heliofábio Barros Gomes
Maceió – AL
2019
de
Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecária Responsável: Helena Cristina Pimentel do Vale – CRB4-661
A474a
Alves, Laurizio Emanuel Ribeiro.
Análise espaço-temporal da chuva e grau de secura via dados observacionais e
produtos orbitais para a bacia hidrográfica do médio São Francisco / Laurizio Emanuel
Ribeiro Alves. – 2019.
84 f. : il. color.
Orientador: Heliofábio Barros Gomes.
Dissertação (mestrado em Meteorologia) – Universidade Federal de Alagoas. Instituto
Instituto de Ciências Atmosféricas. Maceió, 2019.
Bibliografia: p. 67-77.
Anexos: f. 78-84.
1. Precipitação (Meteorologia). 2. Vegetação e clima – Estatística. 3. São Francisco,
Rio, Bacia. I. Título.
CDU: 551.577.5(282.281.5)
Dedico...
A Deus, aos meus pais, aos meus irmãos e aos meus
amigos...
AGRADECIMENTOS
Agradeço...
Primeiramente a Deus!
Aos meus pais e irmãos pelo apoio e incentivo.
Aos amigos que me acompanharam e acompanham nessa caminhada em busca do
conhecimento.
Ao orientador Dr. Heliofábio Barros Gomes.
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pela
concessão de bolsa Mestrado, processo 167798/2017-0.
RESUMO
As dificuldades enfrentadas pela distribuição irregular da chuva e problemas relacionados à
seca têm afetado as populações do semiárido nordestino e regiões adjacentes. Portanto, o
objetivo deste estudo é analisar a chuva e o grau de secura na Bacia Hidrográfica do Médio São
Francisco (BMSF), via dados observacionais e produtos orbitais. Os dados pluviométricos
diários de 22 estações localizadas na BMSF e áreas adjacentes correspondente ao período de
2001 a 2017. Após a aquisição, verificou-se a consistência das séries e estas foram
reorganizadas. Em seguida, foi aplicada análise de agrupamento, sendo identificados grupos
homogêneos de chuva na BMSF via Ward, três grupos: o primeiro (G1) localizado na parte
leste e sul da bacia, o segundo (G2) localizado no sudeste, centro e noroeste da BMSF e o último
(G3) integra estações inseridas no semiárido nordestino. O início (setembro) e fim (março) da
estação chuvosa foi determinado por meio da metodologia de Liebmann et al. (2007). Os dados
oriundos do sensor MODIS, o produto MOD13A3 (Normalized Difference Vegetation Index –
NDVI mensal com resolução de 1000 m) para os anos de 2001 e 2017. O NDVI foi utilizado
para calcular o Vegetation Condition Index (VCI) e mensurar o grau de secura local. As áreas
mais secas da BMSF, segundo o VCI, estão inseridas no semiárido e adjacências, já as regiões
com menor grau de secura foram encontradas na parte central desta bacia, similar ao regime de
chuva. Essa relação foi confirmada apenas no período seco com r > 0,7 e R2> 0,5, no período
chuvoso essa relação foi baixa, tanto pra r (0,4) quanto para R2 (0,2).
Palavras-chave: Chuva, Índice de Vegetação, Testes Estatísticos.
ABSTRACT
Difficulties faced by irregular rainfall distribution and drought-related problems have affected
northeastern semi-arid populations and surrounding regions. Therefore, the objective of this
study is to analyze the rainfall and the degree of dryness in the Middle São Francisco Watershed
(BMSF), through observational data and orbital products. Daily rainfall data from 22 stations
located in the BMSF and adjacent areas from 2001 to 2017. After the acquisition, the
consistency of the series was verified and they were reorganized. Then, cluster analysis was
applied and homogeneous rain groups were identified in the BMSF via Ward, three groups: the
first (G1) located in the eastern and southern part of the basin, the second (G2) located in the
southeast, center and northwest of BMSF and the last (G3) integrates stations inserted in the
northeastern semiarid. The beginning (September) and end (March) of the rainy season was
determined by the methodology of Liebmann et al. (2007). Data from the MODIS sensor, the
product MOD13A3 (Normalized Difference Vegetation Index - NDVI monthly with 1000 m
resolution) for the years 2001 and 2017. NDVI was used to calculate the Vegetation Condition
Index (VCI) and to measure the degree of local dryness. The driest areas of the BMSF,
according to the VCI, are inserted in the semiarid and surrounding areas, while the regions with
the lowest degree of dryness were found in the central part of this basin, similar to the rainfall
regime. This relationship was confirmed only in the dry season with r> 0.7 and R2> 0.5, in the
rainy season this ratio was low, for both r (0.4) and R2 (0.2).
Keywords: Rain, Vegetation Index, Statistical Tests.
LISTA DE ILUSTRAÇÕES
Figura 1- Mapa de localização da Bacia Hidrográfica Médio São Francisco (BMSF),
distribuição espacial das estações meteorológicas e altitude (m). ............................................ 25
Figura 2 - Normal Climatológica de 1981-2010 para a BMSF. .............................................. 26
Figura 3 - Dendograma da análise agrupamento hierárquico. ................................................. 30
Figura 4 - Determinação do IEC e FEC no gráfico de acumulado de anomalias de precipitação
(mm). (Linha continua azul - dados observados; linha tracejada vermelha - suavização dos
dados observados; dados ilustrativos). ..................................................................................... 32
Figura 5 - Diagrama de dispersão dos dados observados (mm) e imputados (mm) via PMM
(5% de falhas) para as estações teste, para a BMSF. ................................................................ 36
Figura 6 - Diagrama de dispersão dos dados observados (mm) e imputados (mm) via PMM
(15% de falhas) para as estações teste, para a BMSF. .............................................................. 37
Figura 7 - Dendograma da chuva das 22 estações da BMSF. ................................................. 38
Figura 8 - Distribuição espacial dos grupos homogêneos na BMSF. ..................................... 39
Figura 9 - Boxplot mensal da pluviometria dos grupos homogêneos de chuva G1 (a), G2 (b) e
G3 (c) para a BMSF. ................................................................................................................ 41
Figura 10 - Acumulado de Anomalias de chuva (mm) para a BMSF dos grupos G1, G2 e G3,
para os anos de 2001 (a) e 2017 (b). ......................................................................................... 43
Figura 11 - Regime pluviométrico médio (mm) para os grupos homogêneos (G1, G2 e G3) e
da BMSF para os anos de 2001 e 2017. ................................................................................... 47
Figura 12 - Mapas temáticos do VCI e limiares de secura para a BMSF para o primeiro semestre
de 2001. .................................................................................................................................... 50
Figura 13 - Mapas temáticos do VCI e limiares de secura para a BMSF para o segundo semestre
de 2001. .................................................................................................................................... 51
Figura 14 - Mapas temáticos do VCI e limiares de secura para a BMSF para o primeiro semestre
de 2017. .................................................................................................................................... 52
Figura 15 - Mapas temáticos do VCI e limiares de secura para a BMSF para o segundo semestre
de 2017. .................................................................................................................................... 53
Figura 16 – Padrão Relacional entre a chuva e o VCI para a BMSF para os anos de 2001 (a) e
2017 (b). ................................................................................................................................... 55
Figura 17 - Diagrama de dispersão entre a chuva e o VCI para a BMSF para os anos de 2001
(a) e 2017 (b). Resultados significativos para o nível de 5%. .................................................. 56
LISTA DE TABELAS
Tabela 1 - Características do satélite TERRA/MODIS. .......................................................... 18
Tabela 2 - Descrição das bandas Espectrais do sensor MODIS. ............................................. 19
Tabela 3 - Informações das estações meteorológicas. ............................................................. 27
Tabela 4 - Grau de correlação entre as variáveis dependente e independente baseado em r. . 29
Tabela 5 - Limiares de secura do VCI. .................................................................................... 33
Tabela 6 - Coeficiente de Correlação (r); Teste de Wilcoxon (p-value); Erro Médio Absoluto
(EMA) e Erro Quadrático Médio (EQM) via método PMM para percentual de falha de 5% e
15%. .......................................................................................................................................... 34
Tabela 7 - Estações que compõem os três grupos homogêneos de chuva da BMSF. ............. 38
Tabela 8 - Estatística descritiva (mínimo, 1º quartil, mediana, média, 3º quartil e máximo) dos
três grupos homogêneos (G1, G2 e G3) obtidos pela técnica de AA. ...................................... 42
LISTA DE ABREVIATURAS E SIGLAS
Símbolo
Descrição
Unidade
A(dia)
Somatório diário de Anomalias Pluviométricas
mm
ASAS
Alta Subtropical do Atlântico Sul
-
ATSM
Anomalias de Temperatura da Superfície do Mar
°C/K
BDMEP
Banco de Dados Meteorológicos para Ensino e Pesquisa
-
BHSF
Bacia Hidrográfica do Rio São Francisco
-
Blue
Reflectância do azul
µm/nm
BMSF
Bacia Hidrográfica do Médio São Francisco
-
C1
Coeficiente de resistência de aerossóis 1
-
C2
Coeficiente de resistência de aerossóis 2
-
CCC
Coeficiente de Correlação Cofonética
-
CCM
Complexos Convectivos de Mesoescala
-
DA
Dipolo do Atlântico
-
DOL
Distúrbios Ondulatórios de Leste
-
ENOS
El niño Oscilação Sul
-
EOS
Earth Observing System
-
EVI
Enchanced Vegetation Index
-
FEC
Fim da Estação Chuvosa
-
Ho
Hipótese de Nulidade
-
IDH
Índice de Desenvolvimento Humano
-
IEC
Início da Estação Chuvosa
-
IV
Índice de Vegetação
-
LI
Linhas de Instabilidade
-
MICE
Multivariate Imputation by Chained Equations
-
MODIS
Moderate-resolution Imaging Spectro radiometer
-
n
Número de Observações
-
NASA
National Aeronautics and Space Administration
-
NDVI
Normalized Difference Vegetation index
-
NDVImax
Maior valor do NDVI
-
NDVImin
Menor valor do NDVI
-
NEB
Nordeste Brasileiro
-
NIR
Reflectância do Infravermelho Próximo
µm/nm
PMM
Predictive Mean Matching
-
r
Coeficiente de Correlação de Pearson
-
R(n)
Precipitação diária
mm
Red
Reflectância do Vermelho
µm/nm
REM
Radiação Eletromagnética
µm/nm
Rm
Média Anual Climatólogica diária de Precipitação
mm
ROL
Radiação de Onda Longa
-
SF
Sistemas Frontais
-
SPI
Standardized Precipitation Index
-
SR
Sensoriamento Remoto
-
SVI
Standardized Vegetation Index
-
t
Coeficiente de T de Student
-
TIROS
Television Infrared Operational Satellite
-
TP
Total Pluviométrico
mm
to
Coeficiente de T de Student Tabelado
-
USGS
United States Geological Survey
-
VCAN
Vórtices Ciclônicos de Altos Níveis
-
VCI
Vegetation Condition Index
%
VPI
Vegetation Productivity Indicator
-
VSWI
Vegetation Supply Water Index
-
xi
Variável Independente
-
yi
Variável dependente
-
ZCAS
Zona de Convergência do Atlântico Sul-
-
ZCIT
Zona de Convergência Intertropical
-
ZCOU
Zona de Convergência de Umidade
-
Sumário
LISTA DE ILUSTRAÇÕES .................................................................................................... 1
LISTA DE TABELAS .............................................................................................................. 2
LISTA DE ABREVIATURAS E SIGLAS ............................................................................. 3
1.
INTRODUÇÃO ................................................................................................................ 7
1.1.
OBJETIVOS ............................................................................................................................. 8
1.1.1.
Geral ...................................................................................................................................... 8
1.1.2.
Específicos ............................................................................................................................. 8
2.
REVISÃO BIBLIOGRÁFICA ........................................................................................ 9
2.1.
SISTEMAS ATMOSFÉRICOS ATUANTES ....................................................................... 9
2.1.1.
Interação Oceano-Atmosfera ............................................................................................... 10
2.1.2.
Zona de Convergência Intertropical do Atlântico ................................................................ 11
2.1.3.
Frentes.................................................................................................................................. 12
2.1.4.
Vórtices Ciclônicos de Altos Níveis .................................................................................... 12
2.1.5.
Complexos Convectivos de Mesoescala .............................................................................. 13
2.2.
INÍCIO E FIM DO PERÍODO CHUVOSO ........................................................................ 14
2.3.
PREENCHIMENTO DE FALHAS ...................................................................................... 15
2.4.
SENSORIAMENTO REMOTO ........................................................................................... 16
2.5.
MODIS/TERRA ..................................................................................................................... 18
2.5.1.
Produtos de Índices de Vegetação - MODIS ....................................................................... 21
2.6.
MONITORAMENTO DE SECAS ....................................................................................... 21
3.
MATERIAIS E MÉTODOS .......................................................................................... 24
3.1.
ÁREA DE ESTUDO .............................................................................................................. 24
3.2.
AQUISIÇÃO E PROCESSAMENTO DOS DADOS DE CHUVA ................................... 26
3.2.1.
Análise de Agrupamento ..................................................................................................... 30
3.2.2.
Liebmann et al. (2007) ......................................................................................................... 31
3.3.
AQUISIÇÃO E PROCESSAMENTO DOS DADOS DO SENSOR MODIS ................... 32
3.3.1.
Vegetation Condition Index (VCI) ....................................................................................... 33
3.4.
RELAÇÃO CHUVA X VCI .................................................................................................. 33
4.
RESULTADOS E DISCUSSÃO ................................................................................... 34
4.1.
VALIDAÇÃO DO PREENCHIMENTO DE FALHAS PMM .......................................... 34
4.2.
CHUVA DA BMSF ................................................................................................................ 38
4.2.1.
Análise de Grupos Homogêneos.......................................................................................... 38
4.2.2.
Análise Exploratória da Chuva da BMSF ............................................................................ 40
4.2.3.
Identificação do Início e Fim do período Chuvoso .............................................................. 42
4.3.
AVALIAÇÃO DA CHUVA E VCI PARA A BMSF ........................................................... 44
4.3.1.
Análise da Chuva para os Anos de 2001 e 2017 .................................................................. 44
4.3.2.
Investigação do Grau de Secura nos Anos de 2001 e 2017 ................................................. 48
4.4.
Chuva x VCI ........................................................................................................................... 54
5.
CONCLUSÕES............................................................................................................... 57
6.
RECOMENDAÇÕES..................................................................................................... 58
REFERÊNCIAS BIBLIOGRÁFICAS ................................................................................. 59
7
1.
INTRODUÇÃO
Parte da Bacia Hidrográfica do Médio São Francisco (BMSF) está localizada na região
do semiárido. A BMSF é altamente vulnerável por causa dos solos arenosos e da vegetação que
a recobre, além de que, frequentemente, é afetada por secas severas (MARENGO; CUNHA;
ALVES, 2016; CBHSF, 2018). A seca é um problema secular, principalmente no Nordeste
Brasileiro (NEB), sendo considerado um desastre natural, pois as perdas socioeconômicas
causadas por ela afetam diversas regiões da BMSF (CUNHA et al., 2017). Ademais, afeta
diferentes atividades humanas, tais como: agricultura, abastecimento de cidades, produção
industrial, pecuária e etc. (WILHITE, 2009; MAIA et al., 2015; CUNHA et al., 2017).
No Brasil, a seca ganha destaque, sobretudo, no NEB e parte norte de Minas Gerais,
conhecido como o Semiárido Brasileiro (MARENGO, 2008). Os seus impactos são estudados
ao longo do tempo com o objetivo de minimizar os efeitos da escassez hídrica e das perdas
socioeconômicas (CUNHA et al., 2017). Marengo (2008), destaca que a seca no passado causou
prejuízos acentuados na produção agropecuária e perdas de vidas humanas por fome e
desnutrição, além do mais incentivou imigração para outras regiões do país. Vale destacar
também que o semiárido passa por um processo de desertificação, o qual se deve a diversos
fatores, tais como: o desmatamento e as práticas agrícolas inadequadas, incêndios florestais e
queimadas, a infertilidade e a compactação do solo, os processos erosivos e a salinização de
algumas áreas (BRASILEIRO, 2009).
O entendimento das condições hídricas dessa região é fundamental para a tomada de
decisões (SILVA; CRUZ, 2017). Nesta perspectiva, conhecer as necessidades é básico para
minimizar as perdas econômicas, pois é sabido que essa região apresenta déficit hídrico em
alguns meses do ano (abril a setembro), além de chuvas distribuídas de forma irregular
(KAYANO e ANDREOLI, 2009; p. 213), podendo causar secas e enchentes em diferentes
localidades. Além disso, segundo Cruz et al. (2018) a evapotranspiração da região é quatro
vezes maior que o total pluviométrico local. Para melhorar o planejamento nas atividades
socioeconômicas, a determinação do início e fim da estação chuvosa é fundamental, uma vez
que a partir dessas informações pode-se determinar o melhor período para o plantio de sequeiro,
por exemplo.
Outro fator importante são as condições de uso ocupação do solo da BMSF, ela
apresenta uma vegetação heterogênea, constituída por Cerrado, Caatinga e Mata Atlântica,
tornando sua generalização da área difícil (CRUZ et al., 2018). Teixeira et al. (2018) realizou
8
um estudo para o município de São Francisco – MG, este município compõe a BMSF, através
de imagens de sensores remotos e constatou a destruição da flora nativa da região ao longo de
40 anos de forma irregular e desenfreada em anos que o Estado dava subsidio para a população
local. Nesse sentido, mapear e estruturar um relatório para o crescimento de uma região é
fundamental para o desenvolvimento sustentável além de minimizar o esperdício de dinheiro
pública.
A combinação dos fatores hídricos e do uso e cobertura do solo torna possível um maior
detalhamento e entendimento da área, o que possibilita um plano organizacional para região
melhor elaborado, o qual atenda as demandas necessárias para o desenvolvimento
socioeconômico local. Nessa perspectiva, este estudo foi elaborado com os seguintes objetivos:
1.1.
Objetivos
1.1.1. Geral
Avaliar a espaço-temporalidade da chuva e grau de secura baseado em dados
observacionais (estações meteorológicas) e produtos orbitais (imagens do sensor Moderate
Resolution Imaging Spectroradiometer – MODIS), para a Bacia Hidrográfica do Médio São
Francisco (BMSF).
1.1.2. Específicos
•
PROVER dados observados de qualidade para a BMSF, sem falhas, via
imputação múltipla;
•
IDENTIFICAR regiões com regimes pluviométricos homogêneos;
•
DETERMINAR o início e o fim da estação chuvosa na BMSF;
•
AVALIAR a chuva para os anos de 2001 e 2017 e sua relação com o
grau de secura da região através do índice de seca Vegetation Condition Index
(VCI).
9
2.
REVISÃO BIBLIOGRÁFICA
2.1.
Sistemas atmosféricos atuantes
De acordo com Kayano e Andreoli (2009) a chuva no NEB possui uma má distribuição
temporal e espacial na escala anual, dependendo dos sistemas atuantes. Os padrões de extremos,
entre seca e chuva no NEB são bem conhecidos pela comunidade científica, a qual tem
relacionado esses padrões anômalos a circulação atmosférica global e aos sistemas atuantes
tanto local quanto via teleconexões.
Esses fenômenos causam inúmeros impactos sociais e econômicos, os quais têm sido
relacionados ao modo de variabilidade climática El Niño-Oscilação Sul (ENOS). A exemplo,
essa suposição se baseia que em anos de El Niño ocorre secas severas no NEB (KOUSKY;
KAYANO e CAVALCANTE, 1984; PEREIRA; REBOITA e AMBRIZZI, 2017). Entretanto,
não se pode afirmar que o El Niño é o único e principal modelador dessa região, uma vez que,
Aragão (1998) verificou que nem sempre a seca no NEB está relacionada a El Niño. Nessa
perspectiva, o fenômeno nem sempre será sinônimo de seca, já que a atuação de outros
fenômenos, tais como: Oscilação Decadal do Pacífico – ODP, anomalias de temperatura do
oceano Atlântico e Zona de Convergência Intertropical – ZCIT, combinados com o ENOS serão
necessários para causar mudanças no tempo da região.
Nobre e Shukla (1996), notaram que os padrões anômalos de Temperatura da Superfície
do Mar (ATSM) no Atlântico acarretaram na ocorrência de gradientes meridionais de vento, os
quais influenciaram bastante na posição da ZCIT, isso refletiu em alterações sazonais do regime
pluviométrico local. Ademais, ao combinar esses fenômenos com El Niño, nota-se que a
interferência destes aumentam o grau de variabilidade da chuva no NEB (GIANNINI;
SARAVANAN e CHANG, 2004; NOBREGA e SANTIAGO, 2014).
Em geral, os principais sistemas atmosféricos e oceânicos atuantes na BMSF são:
Eventos de ENOS, ATSM da bacia do oceano Atlântico ou Dipolo do Atlântico (DA),
Oscilação Decadal do Pacífico (ODP), Ventos Alísios, ZCIT sobre o oceano Atlântico,
Distúrbios Ondulatórios de Leste (DOL), Sistemas Frontais (SF), Zona de Convergência de
Umidade (ZCOU), Zona de Convergência do Atlântico Sul (ZCAS), Vórtices Ciclônicos de
Altos Níveis (VCAN), Linhas de Instabilidade (LI) e Complexos Convectivos de Mesoescala
(CCM) (UVO E BERNDTSSON, 1996; ALVES et al., 1997; MOSCATI e GAN, 2006;
10
MOURA et al., 2009; REBOITA et al., 2010; ÁVILA e BRITO, 2015; PEREIRA et al., 2018;
MUTTI et al., 2019; SILVA et al., 2019).
2.1.1. Interação Oceano-Atmosfera
Uma das principais funções do oceano é suprir a atmosfera com vapor d’água e energia,
que provocam perturbações no ciclo hidrológico e energético (PEZZI e SOUZA, 2009). No
NEB essas perturbações estão associadas aos impactos sociais e econômicos recorrentes na
região, pois elas alteram o tempo local e causam o excesso ou déficit de chuva. Além do mais
são amplamente estudadas e associadas à ocorrência de ENOS, visto que quando este fenômeno
ocorre numa intensidade forte ou moderada na fase positiva (El Niño) ocorrem secas severas
no NEB (ANDREOLI et al., 2004).
O ENOS possui duas componentes uma oceânica e outra atmosférica. A 1ª apresenta
três fases, uma fase positiva (ATSM positiva entre o Pacífico equatorial e leste); outra fase
negativa (La Niña), fase oposta; e uma fase neutra. A última componente, a atmosférica, seria
uma oscilação da pressão entre a região de Darwin na Austrália e o Tahiti, a qual forma uma
gangorra barométrica, Oscilação Sul (ANDREOLI et al., 2004), que consequentemente afeta o
vento na região de atuação. Outro fator marcante dessa interação seria a interferência no
posicionamento da ZCIT, este, por sua vez, se encontra mais ao norte de sua posição climática
quando ocorre El Niño e causa redução da umidade que penetra o NEB. Assim, ocorre a
diminuição a chuva no centro e norte do Nordeste (MARENGO et al., 1993).
Segundo Nobrega e Santiago (2014), as ATSM do Atlântico Tropical em conjunto com
o fenômeno ENOS modulam a chuva do NEB, em virtude que em anos de ATSM positiva,
tanto no Oceano Pacífico quanto no Oceano Atlântico, se intensifica as anomalias negativa de
precipitação. A ATSM do Atlântico Tropical é denominada de DA, o qual está relacionado as
anomalias de precipitação tanto no Nordeste quanto no Norte do Brasil (NOBRE e SHUKLA,
1996).
O DA é um fenômeno oceano-atmosfera, assim como o ENOS, ligado as mudanças de
TSM, nesse caso do Oceano Atlântico Tropical, e apresenta duas fases uma positiva e outra
negativa (NOBREGA e SANTIAGO, 2014). Na fase positiva do DA, a ATSM positivo no
Oceano Atlântico Tropical Norte contribui para o posicionamento da ZCIT anomalamente ao
norte do equador, que causa uma redução acentuada da precipitação no NEB, enquanto que na
11
fase oposta, fase negativa do dipolo, a ZCIT se posiciona mais ao sul causando aumento da
precipitação dessa região (ANDREOLI e KAIANO, 2006).
2.1.2. Zona de Convergência Intertropical do Atlântico
De acordo com Reboita et al. (2010), no Sertão do NEB encontra-se um ramo
descendente da circulação zonal formada pela atividade convectiva na Amazônia. Essa
circulação associada a circulação de Hadley torna o inverno a estação mais seca. Em
contrapartida, no final do verão e início do outono, posiciona-se mais ao sul formando uma
região de baixa pressão no NEB e, com a presença dos alísios, aumenta o transporte de umidade
e favorece a precipitação (MOLION e BERNARDO, 2002; REBOITA et al., 2010).
A combinação dos alísios de nordeste e sudeste dessa região, junto as grandes massas
de ar quente e úmida contribuem para formar uma banda de nuvens, formando uma zona de
convergência de nuvens na região tropical (ZCIT). Segundo Melo et al. (2009), a ZCIT migra
sazonalmente de sua posição mais ao norte (em torno de 14° N), durante os meses de agosto a
outubro, para uma posição mais ao sul (em torno de 5° S), entre fevereiro a abril.
Moscati e Gan (2006), relatam que na área A1, localizada entre as coordenadas 7°S –
10°S e 37°W – 44°W, o mês mais chuvoso é março e o mais seco em setembro, coincidindo
com a variação do deslocamento da ZCIT. Reboita et al. (2010) relatam que as características
do ciclo anual de precipitação no Sertão do NEB apresentam máxima precipitação no verão,
em torno de 500mm, e mínima no inverno (200mm), muito inferior aos totais observados para
a região litorânea do NEB (1500mm).
A variabilidade interanual da ZCIT afeta o regime de precipitação do NEB, pois quando
em sua posição mais ao sul de sua climatologia durante as estações de outono e verão no
Hemisfério Sul causam precipitação mais intensa na região (MELO et al., 2009), causando
alguns desastres nas áreas afetadas, como alagamentos nos centros das cidades. Quanto mais
ao norte for a posição da ZCIT mais intensa será a seca, o que contribui para perdas
socioeconômicas na região, tais como: perda de safras e abastecimento hídrico das cidades
afetadas.
12
2.1.3. Frentes
Quando Sistemas Frontais (SF) intensos atingem as regiões sul e sudeste do Brasil pode
ocorrer destes fenômenos atingirem a região sul do NEB, atuando entre os meses de novembro
e janeiro (FERREIRA; MELLO, 2005). As frentes se formam em regiões de confluência entre
massas de ar frio e de ar quente, quando ocorre este encontro entre essas massas, a de maior
densidade (massa de ar frio) desloca-se por baixo da de menor densidade (massa de ar quente),
logo, o ar quente e úmido ascende e forma nuvens de tipo cúmulos que, consequentemente,
causa precipitação pluvial.
Alves et al. (2006), destacam que a incursão de frentes para o NEB intensifica a
intensidade da precipitação na parte centro-sul dessa região. Além disso, a persistência do
fenômeno contribui para a formação de uma zona de convergência de umidade que está
associada a precipitação forte, a qual pode ser classificada como ZCAS quando persiste por
mais de três dias e ZCOU quando o tempo desse sistema é menor. Além do que, Nobre (1988)
relata que em anos mais chuvosos no NEB a ZCAS está posicionada mais ou norte de sua
posição climatológica.
Os SFs que chegam ao NEB afetam principalmente o a parte sul desta região, atingindo
principalmente a Bahia. No entanto, Siqueira (2003) relata que os SFs também contribuem para
a variabilidade convectiva, especialmente na estação do inverno onde são responsáveis por
cerce de 50% dessa variabilidade.
Segundo Tavares (2008), a incursão dos SF no NEB atinge principalmente as latitudes
de Ilhéus e Salvador, ademais o autor destaca que a variabilidade das incursões frontais nessa
região está associada sobretudo a configurações do fenômeno La Niña, ao passo que em anos
do fenômeno El Niño há uma redução na frequência dessas incursões frontais no NEB.
2.1.4. Vórtices Ciclônicos de Altos Níveis
Outro fenômeno atuante no NEB para a formação de chuva são o Vórtices Ciclônicos
de Altos Níveis (VCAN). Eles atuam causando chuva em suas periferias, enquanto que no
centro do vórtice se nota tempo bom e menor temperatura (CALBETE; GAN e
SATYAMURTY, 1996). De acordo com a região de formação do VCAN, tropical ou
subtropical, esse fenômeno pode ser denominado do tipo Palmer ou Palmén, respectivamente
(PALMEN, 1949; PALMER, 1951; CALBETE et al., 1996). No semiárido do NEB ele ocorre
13
entre os meses de janeiro e fevereiro em maior frequência (GAN e KOUSKY, 1982) e se
formam no oceano Atlântico deslocando-se de leste para oeste causando precipitação forte na
região de atuação.
Reis (2018) estudou os VCAN atuantes no NEB entre os anos de 1980 a 2016 e detectou
mais de 1493 eventos, dos quais mais de 51% atuaram no verão, 23% no outono, 21% na
primavera e 5% no inverno. O autor também identificou que o fenômeno tem atuação forte nas
regiões central e litorânea de Pernambuco e regiões central, sul e litorânea da Bahia. Morais
(2016) constatou a partir da climatologia dos VCAN que a frequência deste fenômeno é maior
no nível de 200 hPa nos estágios de formação e dissipação, e também averiguou que sua
profundidade no verão varia entre 200 a 400 hPa, na primavera e no outono varia de 200 a 300
hPa e no inverno não há variação.
O VCAN tem tempo de vida variado, entretanto de acordo com Coutinho (2008) e Reis
(2018) esse fenômeno em média dura de 2 a 4 dias. Há casos de VCAN que duram mais de
quatro dias, entretanto possuem menor intensidade. Os autores também notaram que a
frequência do fenômeno diminui à medida que a intensidade do evento é maior. Esse vórtice
pode ocorrer durante todo o ano, sendo mais predominante e duradouro no verão devido à sua
relação com a Alta da Bolívia (CHEN et al., 1999).
2.1.5. Complexos Convectivos de Mesoescala
Os Complexos Convectivos de Mesoescala (CCM) são aglomerados de nuvens
Cumulonimbus coberto por densas camadas de nuvens Cirrus que podem ser facilmente
identificadas por imagens de satélite. Ademais, os CCM devem apresentar forma circular e com
crescimento explosivo num intervalo de tempo de 6 a 12 horas (DIAS, 1987).
De acordo com Maddox (1980), os CCM provocam precipitação intensa, trovoadas,
inundações, dentre outros fenômenos adversos. Geralmente, os CCM são noturnos e
continentais, tanto em latitudes tropicais quanto em latitudes médias (MADDOX, 1980;
VELASCOS; FRITSCH, 1987). Vale destacar que as chuvas associadas aos CCM são isoladas,
a exemplo, Souza, Alves e Repelli (1998), estudaram a atuação de CCMs na capital cearense,
Fortaleza, onde foi registrado em um único dia (24/04/1997) 79% do total pluviométrico mensal
esperado, causando muitos transtornos para população dessa região.
14
No NEB os CCM se desenvolvem principalmente nas estações de verão e outono e
ocorrem principalmente sobre o continente, além de estar relacionado com o fenômeno ENOS,
uma vez que em anos de El Niño a frequência dos CCM é maior (ALBUQUERQUE, 2011).
2.2.
Início e fim do período chuvoso
A determinação do período de início (IEC) e fim (FEC) das chuvas está relacionada a
vários setores da sociedade, a exemplo, abastecimento hídrico, agricultura, indústria e pecuária.
Existem diversas formas de se determinar essas datas, através da chuva, radiação de onda longa
(ROL) e a combinação destas, além de critérios definidos de acordo com a metodologia
empregada (MURAKAMI; NAZAWA, 1985;KOUSKY, 1988; SUGAHARA, 1991;
MARENGO et al., 2001; LIEBMANN; MARENGO, 2001; LIEBMANN et al., 2007;
VILLARON; FISCH, 2013; SANTOS; GARCIA, 2016).
Kousky (1988) utilizou como base para determinar o IEC e o FEC os valores máximo e
mínimo do acumulado de anomalias de ROL em pêntadas (5 dias) para o período de 1979-1987
através de imagens de satélite. O autor ainda destaca que através dessas informações fornecidas
pelas imagens é possível monitorar a variabilidade e a distribuição interanual da convecção nos
trópicos, visto que o ROL é um controlador da convecção profunda que está associada a chuva
e nebulosidade. Marengo et al. (2001) basearam-se nesta metodologia, os autores conseguiram
determinar o IEC e FEC na Bacia do Amazonas baseado em limiares de chuva estimada através
da ROL, onde o IEC (FEC) deve apresentar limiar de precipitação superior (inferior) a 4mm.dia1
, sob a condição de 6 das 8 pêntadas anteriores (posteriores) sejam inferiores a 3,5mm.dia-1, e
que 6 das 8 pêntadas posteriores (anteriores) sejam maior que 4,5mm.dia-1.
Liebmann et al. (2007), identificaram o início e fim do período chuvoso através do
“acumulado de anomalias” de precipitação através de dados observados e simulados. Os autores
destacaram o Sul da Amazônia e identificaram que o IEC corresponde ao dia 17 (18) de outubro
para os dados observados (simulados), os quais correspondem às anomalias positivas de
precipitação. Anteriormente, Liebmann e Marengo (2001) definiram o IEC e FEC baseado
nesse acumulado de anomalias de precipitação para a região do Sistema de Monção da América
do Sul, para o período compreendido entre 1976-1997. Bombardi e Carvalho (2008) utilizaram
a mesma metodologia de Liebmann e Marengo (2001), e utilizaram dados de precipitação
estimado por satélite e medidas em superfície para o período de 1979 a 2004. Os autores
15
constaram a acurácia do método em caracterizar o início do período em que as chuvas se tornam
regulares (IEC).
Santos e Garcia (2016), realizaram um estudo para determinar o início e fim do período
chuvoso no Estado de Minas Gerais utilizando duas metodologias, um baseado em dados
pluviométricos, pelo método de Liebmann et al (2007), e outro baseado em dados de ROL,
Murakami e Nazawa (1985). Os autores identificaram o IEC entre 8-12 de outubro, ao mesmo
tempo que o FEC entre 21-25 de maio. Entretanto, o método que utiliza a ROL apresentou um
atraso em relação ao FEC de quase dois meses. Os autores explicam que isso se deve ao fato
que o ROL é uma medida de convecção e não necessariamente de precipitação, causando um
retardo na resposta do início e fim do período de chuvas.
2.3.
Preenchimento de falhas
Atualmente um dos principais problemas para analisar séries de dados no Brasil é a falta
de séries consistentes de estações meteorológicas. De acordo com Bier e Ferraz (2017), essas
falhas geralmente estão associadas as falhas de equipamentos, quando a estação for automática,
ou falta de observadores, quando a estação não é automatizada. Como os dados são comumente
utilizados para fins científicos, a necessidade de preencher essas falhas é fundamental para uma
melhor avaliação da variável em questão.
Diversas técnicas de preenchimento de dados faltantes foram desenvolvidas e aplicadas
eficientemente nos últimos anos para séries temporais meteorológicas mensais ou anuais, tais
como: o método de Ponderação Regional (PR) (TUCCI, 2001; DIAZ et al., 2018) e a Regressão
Linear (RL) (TUCCI, 2001; BIER; FERRAZ, 2017; MELO et al., 2017). Entretanto, pouco se
discute a respeito do preenchimento de séries de dados mais longas, como dados diários por
exemplo, pois o preenchimento desses bancos de dados pode acarretar erros grosseiros.
Um método bastante utilizado pela comunidade científica é o de preenchimento de
falhas por PR, que versa em efetuar uma regressão linear entre a série histórica com dados a ser
preenchidos e a série histórica sem falhas de estações vizinhas (BIER; FERRAZ, 2017; DIAZ;
et al., 2018; TERASSI et al., 2018). Entretanto, casos de estações vizinhas também com falhas
em dias semelhantes é comum e, por conta disso o método nem sempre pode ser empregado
com um bom grau de confiabilidade.
16
Outro método bastante utilizado é o de RL, o qual utiliza a combinação entre
observações que se relacionam linearmente, atribuindo um peso a variável explicativa, que pode
ser por meio de correlações parciais ou totais (BIER; FERRAZ, 2017). A regressão linear pode
ser simples, quando utiliza apenas uma variável independente, ou múltipla, quando usa duas ou
mais variáveis (VENTURA et al., 2016; CARDOSO et al., 2017).
De acordo com Ventura et al. (2016), que realizou o preenchimento de falhas em cinco
diferentes variáveis (temperatura, umidade, ponto de orvalho, pressão e radiação) observou que
o método de RL múltipla teve bom desempenho em três variáveis (temperatura, ponto de
orvalho e umidade), enquanto que o RL simples foi bom apenas para a pressão, a variável
radiação não apresentou bom desempenho em nenhum dos métodos. Bier e Ferraz (2018),
utilizaram o método de RL múltipla e concluíram que este método apresenta boa precisão na
estimativa de dados meteorológicos.
Moura et al. (2014), aplicaram o preenchimento de falhas por imputação múltipla
utilizando o método Predictive Mean Matching (PMM) em dados de Anomalia de altura
geopotencial e encontraram ótimos resultados quando comparados os valores preditos e
observados. Costa et al. (2012), utilizando dados de chuva conseguiram resultados satisfatórios
quanto ao preenchimento de falhas via pacote MICE por meio do PMM para estações inseridas
no estado da Paraíba.
Segundo Heidt (2019), que testou quatro métodos de imputação múltipla, os quais são:
PMM, Classification and Regression Trees (CART), On-The-Fly imputation (OTF) e Randon
Forest (RF). O autor concluiu que os métodos PMM e CART obtiveram os melhores resultados,
apresentando bom desempenho em todos os percentis de falhas de dados, com valores próximos
aos valores originais, enquanto os demais métodos foram inferiores a estes.
2.4.
Sensoriamento remoto
O termo Sensoriamento Remoto (SR) surgiu em meados da década de 1960, criado por
Evelyn L. Pruit e colaboradores. Neste mesmo período o primeiro satélite artificial
meteorológico foi posto em orbita, o TIROS-1 (Television IR Operational Satellite) lançado
pelo Estados Unidos. Com o desenvolvimento e investimento no SR os sensores remotos foram
melhorados e propiciaram o início de estudos detalhados das feições terrestres da Terra
(MENESES, 2012).
17
O Sensoriamento Remoto é uma ciência que visa o desenvolvimento da
obtenção de imagens da superfície terrestre por meio da detecção e medição
quantitativa das respostas das interações espectrais da radiação
eletromagnética com os materiais terrestres imageados pelos sensores remotos
(MENESES, 2012, p. 3).
Um aspecto marcante nessa definição do SR é a interação entre a radiação
eletromagnética (REM) e os objetos, pois as mudanças na quantidade e propriedades da REM
captada pelo sensor remoto acoplado ao satélite propicia informações importantes para a
interpretação de alterações nos objetos imageados (Jensen, 2009). De acordo com Moreira
(2011, p. 49) a interação entre REM e os objetos em superfície pode ser particionado em três
componentes, são elas: a absorção, a reflexão e a transmissão, os quais dependem das
características físico-química e biológicas do objeto.
A REM refletida ou emitida pela superfície terrestre é captada por radiômetros
acoplados em satélites e, geralmente, são denominados de sensores orbitais. Esses sensores
podem captar a REM em diferentes canais espectrais, os quais podem ser classificados em três
categorias: (i) os que atuam nas regiões do visível, infravermelho próximo e médio; (ii) os que
atuam na região do infravermelho termal; e (iii) os que atuam na região das micro-ondas
(MOREIRA, 2011).
Os sensores orbitais imageadores geralmente são expressos por quatro informações
básicas, são elas: a Resolução Espectral, que consiste no intervalo de comprimento de REM
(chamado de bandas ou canais), no qual o instrumento é sensível; a Resolução Espacial, que é
a medida de menor separação angular ou linear entre dois objetos que pode ser determinado
pelo sensor (área imageada num pixel); a Resolução Radiométrica, que equivale a
sensibilidade do sensor em identificar, numa área imageada, alvos que apresentam diferentes
intensidade de fluxo radiante refletido, emitido, ou retroespalhado entre dois ou mais campos
de visada instantânea (pixel); e a Resolução Temporal, que se refere ao tempo ou frequência
que um sensor registra cenas de determinada área (JENSEN, 2009; MOREIRA, 2011).
Os sensores orbitais ficam abordos de plataformas que são denominadas de satélites
artificiais. Estes podem ser classificados em satélites militares, científicos, de comunicação,
meteorológicos e de recursos naturais. Esses satélites giram em torno da Terra e devem
permanecer numa mesma orbita para que possam ser rastreados em superfície, essas orbitas
podem ser polares ou equatoriais (MOREIRA, 2011).
O advento do SR propiciou uma maior facilidade na análise de dados globais de
superfície, visto que a partir desses dados a avaliação temporal e espacial se tornou mais rápida
18
e precisa, além disso reduziu custos de pesquisa e monitoramento dos recursos terrestres. Vários
estudos comprovam essa observação, a exemplo: Yamamoto et al. (2017), que avaliaram a
variabilidade da tendência de temperatura de superfície terrestre através de dados remotos;
Freitas et al. (2017) examinaram o município de Remanso – BA e notaram a influência da
precipitação nas condições de desenvolvimento da vegetação por imagens de satélite, sem a
necessidade da visita de campo; Royimani et al. (2019) utilizaram imagens de satélite do SPOT
para mapear ervas daninhas em KwaZulu-Natal na África do Sul e relacionou-as com dados
pluviométricos, eles concluíram que há alta relação entre a proliferação dessas ervas
relacionado ao período chuvoso da região.
2.5.
MODIS/TERRA
O sensor Moderate Resolution Imaging Spectroradiometer (MODIS) está abordo do
satélite TERRA, que foi lançado em 18 de dezembro de 1999. Este satélite foi lançado como
parte do programa da National Aeronautics and Space Administration (NASA) denominado
Earth Observing System (EOS), que se trata de uma missão multinacional que envolve parceiras
com as agências aeroespaciais do Canadá e do Japão (EMBRAPA MONITORAMENTO POR
SATÉLITE, 2013). Na Tabela 1, a seguir, são apresentadas as características do satélite
TERRA.
Tabela 1 - Características do satélite TERRA/MODIS.
Missão
Earth Observing System (EOS)
Instituição responsável
NASA
País/Região
Estados Unidos, Japão e Canadá
Satélite
TERRA (EOS-AM1)
Lançamento
18/12/1999
Local de Lançamento
Vandenberg Air Force Base
Veículo Lançador
Atlas IIAS
Situação Atual
Ativo
Órbita
Polar e heliossíncrona
Altitude
705km
Inclinação
Tempo de Duração da Órbita
Horário de Passagem
98,2°
98,1min
10:30 A.M
19
Fonte: Embrapa Monitoramento Por Satélite (2013).
Segundo Moreira (2011) o sensor MODIS é um radiômetro imageador composto por
scanner óptico que fornece imagens da superfície terrestre em 36 bandas espectrais, com
resolução radiométrica de 12bits, resolução temporal de 1 a 2 dias e área imageada de
2330x5000km. Essas bandas fornecem informações importantes para os mais diversos campos
de atuação, tais como: temperatura da superfície e do oceano; dados para modelagem climática;
dados para determinar a cor do oceano para monitorar mudanças na produtividade primária
biológica; imagens da vegetação e uso da terra, cujo objetivo é monitorar mudanças de
cobertura da Terra, condições e produtividade; e dados para cobertura de nuvens. Na Tabela 2
é descrito cada uma das 36 bandas do sensor MODIS.
Tabela 2 - Descrição das bandas Espectrais do sensor MODIS.
Bandas
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Resolução
Espectral (nm)
620 – 670
841 – 876
459 – 479
545 – 565
1230 – 1250
1628 – 1652
2105 – 2155
405 – 420
438 – 448
483 – 493
526 – 536
546 – 556
662 – 672
673 – 683
743 – 753
862 – 877
890 – 920
931 – 941
915 – 965
3660 – 3840
3929 – 3989
3929 – 3989
4020 – 4080
4433 – 4498
4482 – 4549
Espacial (m)
250
500
1000
20
(continua)
Bandas
26
27
28
29
30
31
32
33
34
35
36
Resolução
Espectral (nm)
1360 – 1390
6535 – 6895
7175 – 7475
8400 – 8700
9580 – 9880
10780 – 11280
11770 – 12270
13185 – 13485
13485 – 13785
13785 – 14085
14085 – 14385
Espectral (nm)
1000
Fonte: Embrapa Monitoramento Por Satélite (2013).
Diversos estudos utilizaram as imagens do sensor MODIS para avaliar a interação da
dinâmica atmosférica global e a superfície terrestre e oceânica. Anderson et al. (2005)
utilizaram alguns produtos (MOD09 – reflectância de superfície, MOD13 – índice de vegetação
Enchanced Vegetation Index (EVI) e Normalized Difference Vegetation Index (NDVI)) do
sensor MODIS/TERRA para detectar áreas de queimada no estado do Mato Grosso e constaram
a eficácia desses produtos para detectar o fenômeno.
Rosemback et al (2010) analisaram a dinâmica da vegetação através de dados do
MODIS/TERRA. Eles concluíram que o produto MOD13 foi eficiente para averiguar a variação
sazonal e identificar as anomalias das diferentes coberturas vegetais na região. Matos et al.
(2013) estudaram a Bacia Hidrográfica do Rio Pajeú – PE e concluíram que a partir das análises
das informações de solo, temperatura, NDVI, EVI e Albedo, obtidos do sensor MODIS, podem
auxiliar na gestão da região, seja ela para planejamento ambiental ou agrícola.
Em estudos mais recentes, Nhongo et al. (2017) caracterizaram a fenologia da cobertura
vegetal da Reserva do Niassa em Moçambique com base numa série temporal de imagens do
NDVI do MODIS e os resultados foram satisfatórios para a região. Cruz (2017) avaliou a
dinâmica da vegetação e sua relação com variáveis meteorológicas no município de Pinheiral
– RJ. A autora concluiu que a vegetação apresentou tendência de crescimento não linear no
período avaliado, uma vez que apresenta um padrão anual e semianual, e encontrou uma forte
relação entre as variáveis meteorológicas e vegetação da região.
21
2.5.1. Produtos de Índices de Vegetação - MODIS
Os produtos do MOD13 correspondem aos Índices de Vegetação (IV) NDVI e EVI, os
quais caracterizam os estados e processos biofísicos/bioquímicos da superfície vegetada, além
do que permite monitorar as variações sazonais, interanuais e de longo prazo. Esses índices são
produzidos em intervalos de 16 dias em múltiplas resoluções espaciais (250m, 500m, 1km e
0,05graus), fornecem comparações espaciais e temporais consistentes do verdor do dossel. Os
produtos NDVI e EVI do sensor MODIS servem não apenas para monitorar o vigor da
vegetação, mas também para outras aplicações, tais como: classificação do uso e cobertura da
terra, detecção e monitoramento de mudanças climáticas e verificação de tendências do
comportamento da vegetação (JUSTICE et al., 2002; HUETE et al., 2002; CRUZ, 2017).
Os produtos do MOD13A3 versão 6, utilizados neste estudo, correspondem a dados
fornecidos mensalmente numa resolução espacial de 1km, como produto de nível 3, descrito
em https://modis.gsfc.nasa.gov/data/dataprod/mod08.php. Esses dados são gerados a partir da
média ponderada temporal dos produtos de 1km de 16 dias que se sobrepõem. Os produtos do
MODIS NDVI e EVI são calculados a partir da reflectância de superfície corrigidas pelo
espalhamento molecular, absorção de ozônio e aerossóis. Para a utilização dos produtos NDVI
e EVI do sensor deve-se aplicar um fator de reescalonamento (1x10-3) para que os valores
desses produtos variem de acordo com os valores da literatura (-1 a +1) (DIDAN, 2015).
Para o cálculo do NDVI através dos produtos mensais de reflectância é utilizado a
equação proposta por Tucker e Sellers (1986), enquanto que o EVI é baseado em Huete et al.,
(2002), Equações 1 e 2, respectivamente.
𝑁𝐼𝑅−𝑅𝑒𝑑
𝑁𝐷𝑉𝐼 = 𝑁𝐼𝑅+𝑅𝑒𝑑
𝑁𝐼𝑅−𝑅𝑒𝑑
𝐸𝑉𝐼 = 𝐺 𝑁𝐼𝑅+𝐶1×𝑅𝑒𝑑−𝐶2×𝐵𝑙𝑢𝑒+𝐿
(1)
(2)
Onde, NIR é a reflectância do infravermelho próximo, Red é a reflectância do vermelho,
Blue é a reflectância do azul, L é o fator de ajuste da copa da vegetação em relação ao solo
(1,0), G é o fator de ganho (2,5) e C1 e C2 são o coeficiente de resistência de aerossóis (6 e 7,5,
na devida ordem) (HUETE; JUSTICE; LIU, 1994; HUETE et al., 1997).
2.6.
Monitoramento das secas
22
A seca é um problema recorrente no Brasil, principalmente no Semiárido Brasileiro,
onde grande parte da BMSF está inserida. Vários índices, tais como: o Vegetation Supply Water
Index (VSWI), o NDVI, VCI, Standardized Vegetation Index (SVI), Vegetation Productivty
Indicator (VPI), são empregados para tal avaliação com o intuito de minimizar impactos
ambientais causado pela seca e desertificação (COSTA et al., 2009), que auxiliam na avaliação
espacial das condições da região (MELO et al., 2017; FREITAS et al., 2017). Além do mais, a
aplicação de técnicas de SR minimizam custos operacionais (GOMES et al., 2009), dado que
não são necessárias visitas recorrentes a campo para realizar o monitoramento.
De acordo com Moreira (2016), a seca afeta grandes áreas geográficas e se desenvolve
de forma lenta. A autora também destaca que no Brasil a ocorrência de secas e estiagens vem
aumentando nos últimos anos. Nesta perspectiva, a investigação e monitoramento desse
fenômeno é fundamental para melhorar as condições de vida da população afetada.
Bacalhau et al. (2017), analisaram as condições de seca em Ouricuri – PE para os anos
de 2011 e 2016 via NDVI. Eles verificaram uma diminuição do vigor vegetativo, o qual
relacionaram a uma serie de impactos ambientais, como erosões e desertificação. Além disso,
destacam que o SR deve ser empregado como ferramenta para o planejamento e mitigação dos
impactos socioeconômicos promovendo o equilíbrio entre a região seca e a sociedade.
Cunha et al. (2017) avaliaram os impactos da seca em áreas de pastagem no Semiárido
Brasileiro via índice VSWI, que é uma relação entre a temperatura de superfície (Ts) e a
vegetação (NDVI). Os autores concluíram que essa relação se mostrou eficaz como um
indicador das condições de seca tanto espacial quanto temporalmente na região. Entretanto,
estes autores também destacam que a definição do tipo de seca a ser avaliada pode impactar na
resposta, visto que diferentes índices (Standardized Precipitation Index – SPI; Índice de
Anomalias de Chuva – IAC; VSWI; VCI) podem caracterizar melhor os diferentes tipos de seca
(meteorológica, agrícola/vegetal, hídrica).
Covele (2011), aplicou o VCI, o SVI e o VPI no monitoramento da seca em
Moçambique. O autor concluiu que o VCI subestimou as condições da vegetação para
caracterizar a seca, enquanto que os índices SVI e VPI estavam mais próximos da realidade da
secura da região. Em contrapartida, Liu e Kogan (1996) realizaram um estudo para todo o Brasil
para realizar o monitoramento regional de secas através do NDVI e VCI. Os autores
averiguaram que os índices mencionados concordaram com as anomalias de chuva observada
nos mapas pluviométricos e que o índice NDVI refletiu bem as condições geográficas, ao
23
mesmo tempo que o VCI se mostrou satisfatório como uma ferramenta para analisar a evolução
temporal e espacial da seca regional. Ademais, Moreira et al. (2015), verificaram que o VCI se
mostrou satisfatório na identificação de seca/estiagem no norte de Minas Gerais durante o
período chuvoso, pois o índice conseguiu identificar o início e término da seca adequadamente.
Essas informações foram confirmadas quando cruzadas com dados das Defesas Civis Estadual
e Nacional.
24
3.
MATERIAIS E MÉTODOS
3.1. ÁREA DE ESTUDO
A BMSF está inserida numa das regiões mais secas do Brasil, o semiárido, e, também,
apresenta o menor desenvolvimento das sub-bacias da Bacia Hidrográfica do Rio São Francisco
(BHSF). Cerca de 3,23 milhões de pessoas habitam a bacia (MMA, 2006). A BMSF tem uma
área de 402.531km2, da qual 57% dessa área é urbanizada, possui densidade demográfica de 8
hab/km2 e está localizada entre as latitudes (S) e longitudes (W): canto superior esquerdo
(latitude 8°41’60”S e longitude 40°46’12”O) e canto inferior esquerdo (latitude 18°38’50”S e
longitude 47°37’48”O), canto superior direito (latitude 8°43’12”S e longitude 47°37’48”O) e
canto inferior direito (latitude 18°30’60”S e longitude 40°45’36”S) (Figura 1). Os principais
acidentes topográficos da BMSF são: Serra Geral de Goiás, Chapada da Diamantina, Chapadas
das Mangabeiras e Serra da Tabatinga. Cerrado, Caatinga e pequenas matas de serra são a
vegetação predominante na BMSF (ANA/GEF/Pnuma/OEA, 2003).
A BMSF recobre mais de 162 municípios e o Índice de Desenvolvimento Humano
(IDH) varia entre 0,343 a 0,724. O clima predominante na BMSF é o Tropical com inverno
seco “Aw” de acordo com a classificação de Köppen (ALVARES et al., 2013), com chuva
média anual variando entre 600 mm a 1.400 mm, evapotranspiração média anual de 1.300mm
e temperatura média de 24°C. Os meses de novembro a janeiro são os mais chuvosos,
contribuindo com 53% da chuva anual, ao passo que o período mais seco ocorre entre junho e
agosto (CBHSF, 2004).
Na Figura 2 é apresentado a normal climatológica (1981-2010) das estações
meteorológicas contidas na BMSF para as variáveis: total de chuva (mm), temperatura média
do ar (°C) e Umidade Relativa (UR, %). É evidente a sazonalidade da chuva, onde se observa
um padrão semestral, com o mês de dezembro sendo o mais chuvoso (média no período de
209,6 mm) e o mês de julho como o mais seco (média no período de 2,0 mm). Este
comportamento semestral também foi observado por Silva et al. (2018), que avaliou a
climatologia de hidroelétricas brasileiras. Os autores notaram que o padrão de precipitação na
região das hidroelétricas de Xingó e Sobradinho, inseridas na BHSF, é semestral, no qual de
outubro a março corresponde ao período chuvoso e de abril a setembro, ao seco. Essa
sazonalidade é observada, também, na temperatura média, que apresenta valores mais baixos
no período de estiagem e maiores valores no período chuvoso. Com relação a UR esse padrão
25
sazonal não fica muito claro, o que se nota é uma redução da UR ao longo do período seco, com
mínima no mês de setembro, e aumento no período chuvoso, com máxima no mês de março.
Figura 1- Mapa de localização da Bacia Hidrográfica Médio São Francisco (BMSF), distribuição
espacial das estações meteorológicas e altitude (m).
Fonte: Autor (2018).
De acordo com o MMA (2006) a região da BMSF é afetada de maneira um pouco
diferente pela seca, pois essa região expõe períodos de seca extrema e enchentes. Este fato se
deve a má distribuição da chuva na região, além do que a ocupação do leito de rios intermitentes
por agricultores é comum na região, uma vez que as áreas ocupadas passam por longos períodos
de estiagem e quando ocorre precipitação mais intensa essa área é alagada causando perdas
econômicas e sociais na região.
26
Figura 2 - Normal Climatológica de 1981-2010 para a BMSF.
Fonte: INMET (2019), adaptado pelo autor.
3.2. AQUISIÇÃO E PROCESSAMENTO DOS DADOS DE
CHUVA
Para a análise da chuva da região foram utilizados dados diários de 22 estações
meteorológicas convencionais. Cujas informações são apresentadas na Tabela 3, incluindo suas
coordenadas geográficas, altitude e percentual de falhas. Os dados diários foram adquiridos
através do Banco de Dados Meteorológicos para Ensino e Pesquisa (BDMEP) do Instituto
Nacional de Meteorologia (INMET), entre 2001 e 2017, disponível no sítio eletrônico: <
http://www.inmet.gov.br/projetos/rede/pesquisa/inicio.php>.
Após a aquisição dos dados foi realizada a manipulação e organização das séries
temporais na planilha do Excel e posteriormente foi importado para o software R versão 3.4.1
(R DEVELOPMENT TEAM, 2011). Em seguida, verificou-se a consistência das séries
históricas que apresentam baixa defasagem de dados no período (2001-2017), inferior a 12%
(Tabela 3).
27
Tabela 3 - Informações das estações meteorológicas.
1
ID
Estação
Lat (°)
Lon (°)
Alt (m)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
Arinos - MG - 83384
Barra - BA - 83179
Barreiras - BA - 83236
Bom Jesus da Lapa - BA - 83288
Caetité - BA - 83339
Carinhanha - BA - 83408
Correntina - BA - 83286
Espinosa - MG - 83338
Formosa - GO - 83379
Formoso - MG - 83334
Irecê - BA - 83182
Januária - MG - 83386
João Pinheiro - MG - 83481
Juramento - MG - 83452
Lençóis - BA - 83242
Paracatu - MG - 83479
Pirapora - MG - 83483
Posse - GO - 83332
Remanso - BA - 82979
Santa Rita de Cassia - BA - 83076
Taguatinga - TO - 83235
Unaí - MG - 83428
-15,90
-11,08
-12,15
-13,26
-14,06
-14,28
-13,33
-14,91
-15,53
-14,93
-11,30
-15,45
-17,70
-16,78
-12,56
-17,23
-17,35
-14,10
-9,63
-11,01
-12,40
-16,36
-46,05
-43,16
-45,00
-43,41
42,48
-43,76
-44,61
-42,80
-47,33
-46,25
-41,86
-44,36
-46,16
-43,71
-41,38
-46,88
-44,91
-46,36
-44,51
-44,51
-46,41
-46,55
519,00
401,58
439,29
439,96
882,47
450,18
549,47
569,64
935,19
840,00
747,16
473,71
760,36
650,00
438,74
712,00
505,24
825,64
500,51
450,30
603,59
460,00
Percentual de
Falhas1 (%)
0,1
2,5
5,5
0,2
0,1
4,6
11,0
10,4
0,0
7,8
2,2
0,9
4,6
2,0
0,1
0,4
4,5
0,0
0,3
1,9
0,1
0,0
O percentual de falhas é referente ao período de 2001 a 2017.
Fonte: INMET (2019), adaptado pelo autor.
Para realizar o preenchimento das falhas foi utilizado o pacote do software R
denominado Multivariate Imputation by Chained Equations (MICE), que consiste em
diferentes procedimentos de imputação (HORTON; LIPSITZ, 2001). Para este estudo foi
aplicado o método de imputação múltipla (Predictive Mean Matching – PMM) para os dados
faltantes. Esse método é baseado na metodologia de Moura et al. (2014), que destacam que para
realizar o preenchimento dos dados faltantes uma nova série de dados sintéticos é gerada. Além
do mais, os autores ressaltam que a imputação pode ser aplicada desde que sejam respeitados
os critérios de proporção dos dados faltantes (5% e 15%, para uma amostra e população,
respectivamente). O método de imputação múltipla PMM é considerado de baixa incerteza,
28
uma vez que combina elementos de regressão, vizinho mais próximo e imputação hot deck
(técnica paramétricas e não paramétricas). O método é definido pela Equação 3:
𝛾 𝑜𝑏𝑠 = {𝑌𝑖𝑜𝑏𝑠 = 𝑋𝑖′ 𝐵 ∗ : 𝑖 ∈ 𝑜𝑏𝑠(𝑌)}
(3)
Em que X uma variável sem dados faltantes; Yobs o conjunto de valores observados; Yii = X’i B*;
e γobs; e a observação encontrada correspondente ao valor mais próximo de Y*j.
O método pode ser calibrado em termos de qualidade de imputação, conforme sua
acurácia, concordância e dispersão. Para verificar a confiabilidade deste método do método
PM), o Erro Quadrático Médio (EQM), o Erro Médio Absoluto (EMA) e a Correlação de
Pearson (r), sendo essa última (r) considerada a mais adequada para verificar o desempenho do
método de imputação múltipla (COSTA et al., 2012; MOURA et al., 2014).
Para verificar a acurácia da imputação e criação da nova série sintética foram
selecionados períodos sem falhas para calcular os indicadores estatísticos. Para isso foi criado
um algoritmo para simular falhas, em que foram gerados dois cenários, o primeiro com 5% de
falhas, com o propósito de avaliar o método quando há poucas falhas, e o segundo com 15%,
quando há maior número de falhas. Essas falhas compreendem 5% e 15%, visto que o método
utilizado recomenda esses valores (Harrel Jr., 2014). As estações de teste selecionadas foram:
Bom Jesus da Lapa; Carinhanha – BA; João Pinheiro – MG; Remanso – BA; e Unaí – MG.
A 1ª fase da verificação consistiu na identificação da intensidade do nível de correlação
entre as variáveis. Para isso, foi aplicado o coeficiente r, este coeficiente mede o grau de
ajustamento dos valores em torno de uma reta (CORREA, 2003), e é dado pela Equação 4.
𝑟=
𝑛 ∑ 𝑥𝑖 𝑦𝑖 −(∑ 𝑥𝑖 )(𝑦𝑖 )
√[𝑛 ∑ 𝑥𝑖2 −(∑ 𝑥𝑖 )2 ][𝑛 ∑ 𝑦𝑖2 −(∑ 𝑦𝑖 )2 ]
(4)
Em que, n é o número de observações, xi é variável independente e yi é a variável
dependente. O coeficiente r varia de -1 a +1, logo, quanto mais próximo de 1 maior a correlação
entre as variáveis, os valores positivos e negativos indicam se essa correlação é direta ou
indireta, na devida ordem. De acordo com Correa (2003), estabeleceram-se critérios para
verificar os níveis de correlação, independente da correlação ser direta ou não. Na Tabela 4 a
seguir são apresentados os níveis de correlação baseados nesse coeficiente.
29
Tabela 4 - Grau de correlação entre as variáveis dependente e independente baseado em r.
Classe
0,0 < |r| < 0,3
Classe (%)
0 < |r| < 30
0,3 ≤ |r| < 0,6
30 ≤ |r| < 60
0,6 ≤ |r| < 1,0
60 ≤ |r| < 100
Nível de Correlação
A correlação é fraca, sem relação entre as variáveis
A correlação é fraca, porém, pode considerar relativa
correlação entre as variáveis
A correlação é média para forte; a relação entre as
variáveis é significativa, o que permite coerência com
poucos conflitos na obtenção das conclusões.
Fonte: Correa (2003).
Apenas o coeficiente r não consegue expressar com maior precisão a consistência dos
valores imputados. Nesta perspectiva, a aplicação de outros indicadores estatísticos é
necessário.
Os métodos aplicados para avaliar a consistência dos dados foram o Coeficiente de
Determinação (R2), o EMA e o EQM. R2 (Equação5) é a medida de ajuste entre os dados
sintéticos (imputados via PMM) e os dados observados (estações meteorlógicas). EMA mede
o valor médio de erro entre as séries, observada e imputada, dada pela Equação6. O EQM
representa o cálculo ponderado dos desvios médio, logo, quanto menor o valor de EQM
(Equação7), melhor o ajuste entre o valor observado e imputado (CAMELO et al., 2017;
CAMELO; LUCIO; LEAL JÚNIOR, 2017; GONZÁLEZ et al., 2019).
𝑅2 =
∑𝑛
𝑖=1(𝑖𝑚𝑝𝑢𝑡𝑖 −𝑖𝑚𝑝𝑢𝑡𝑚é𝑑𝑖𝑜 )(𝑖𝑚𝑝𝑢𝑡𝑖 −𝑜𝑏𝑠𝑚é𝑑𝑖𝑜 )
2 𝑛
2
√∑𝑛
𝑖=1(𝑖𝑚𝑝𝑢𝑡𝑖 −𝑖𝑚𝑝𝑢𝑡𝑚é𝑑𝑖𝑜 ) ∑𝑖=1(𝑜𝑏𝑠𝑖 −𝑜𝑏𝑠𝑚é𝑑𝑖𝑜 )
𝐸𝑀𝐴 =
∑𝑛𝑖=1 |𝑖𝑚𝑝𝑢𝑡𝑖 − 𝑜𝑏𝑠𝑖 |⁄
𝑛
∑𝑛𝑖=1(𝑖𝑚𝑝𝑢𝑡𝑖 − 𝑜𝑏𝑠𝑖 )2⁄
𝐸𝑄𝑀 =
𝑛
(5)
(6)
(7)
Onde imput é o valor da imputação múltipla e obs é o valor observado e n é número de amostras.
Além disso, aplicou-se nas séries o teste de Shapiro-Wilk para averiguar se as séries
apresentam normalidade temporal (SILVA, 2018). Após definir qual o tipo de série está sendo
analisada, realiza-se os testes estatísticos para comparar as amostras. Neste estudo, as séries,
segundo o teste de Shapiro-Wilk, são não-normalizadas, pois têm p-valor inferiores a 0,05
(2,2*10-16). Por conta disso, foi aplicado o teste não-paramétrico de Wilcoxon para amostras
pareadas com nível de significância de 0,05 (p-value) (SILVA; SANCHES; IGARASHI, 2019).
A hipótese alternativa Ha testada é: não há diferença significativa entre as médias da chuva
observada e da série sintética. Logo, quando p-value for superior ao nível de significância
30
(0,05), então não há diferença significativa entre as médias, caso contrário (p-value < 0,05) a
hipótese nula (H0) é aceita.
3.2.1. Análise de Agrupamento
A Análise de Agrupamento (AA) tem por finalidade agrupar as variáveis de acordo com
sua proximidade e padrões característicos, delimitando regiões homogêneas. Logo, consiste em
transformar um conjunto de variáveis originais em um pequeno número de combinações
lineares, os chamados componentes principais, de dimensões equivalentes (SANTOS; SOUSA,
2018).
Neste estudo foi adotado o método de AA hierárquico, o qual é representado pelo
dendograma, que é um tipo especial de árvore onde os grupos são formados de baixo para cima
até restar um único grupo. Como se pode observar na Figura 3, na parte inferior, na horizontal,
do dendograma aparecem os elementos, segundo os grupos formados. Ao mesmo tempo que,
na vertical, é exibido a altura onde se forma o agrupamento.
1
2
3
4
Figura 3 - Dendograma da análise agrupamento hierárquico.
Fonte: Autor (2019).
Cada dado representa um cluster, nesse caso são denominados de bottom-up ou
aglomerativa. Tais clusters vão sendo agrupados, considerando medidas de similaridade
previamente adotadas, até que todos os dados façam parte de um único agrupamento (RIBEIRO
FILHO, 2016).
O procedimento de AA hierárquico foi empregado na série temporal mensal de
precipitação para as 22 estações meteorológicas no software R versão 3.4.1 (R
DEVELOPMENT TEAM, 2011). Desse modo, definiu-se os respectivos números de grupos e
o dendograma, baseado no método de Ward (1963) via medida de dissimilaridade e distância
euclidiana.
31
De acordo com Ribeiro Filho (2016), o cálculo da distância euclidiana (dxy) entre dois
elementos X=[X1, X2, ..., Xn] e Y=[Y1, Y2, ..., Yn] no Rn, é definido pela Equação8.
2
𝑑𝑥 𝑦 = √(𝑋1 − 𝑌1 )2 + (𝑋2 − 𝑌2 )2 +. . . +(𝑋𝑛 − 𝑌𝑛 )2 = √∑𝑁
𝑖=1(𝑋1 − 𝑌1 )
(8)
No método de Ward (1963), também conhecido como “Variação Mínima”, a distância
entre os grupos é dada pela soma dos quadrados dos agrupamentos, maximizando a
homogeneidade dentro dos grupos e a heterogeneidade fora deles (MINGOTI, 2017).
Para a validação do método e verificação da qualidade do agrupamento foi aplicado o
Coeficiente de Correlação Cofonética (CCC), dado pela Equação9.
𝐶𝐶𝐶 =
𝑛
∑𝑛−1
𝑖=1 ∑𝑗=𝑖+1(𝑐𝑖𝑗 −𝑐𝑚)(𝑑𝑖𝑗 −𝑑𝑚)
𝑛
𝑛−1 𝑛
2
2
√∑𝑛−1
𝑖=1 ∑𝑗=𝑖+1(𝑐𝑖𝑗 −𝑐𝑚) √∑𝑖=1 ∑𝑗=𝑖+1(𝑑𝑖𝑗 −𝑑𝑚)
(9)
Onde cij é o valor de dissimilaridade entre as amostras, obtidos via matriz cofonética; dij é o
valor de dissimilaridade entre amostras, obtidos a partir da matriz de dissimilaridade. O cm e o
dm são obtidos através das Equações 10 e 11, respectivamente.
2
𝑛
𝑐𝑚 = 𝑛(𝑛−1) ∑𝑛−1
𝑖=1 ∑𝑗=𝑖+1 𝑐𝑖𝑗
2
𝑛
𝑑𝑚 = 𝑛(𝑛−1) ∑𝑛−1
𝑖=1 ∑𝑗=𝑖+1 𝑑𝑖𝑗
(10)
(11)
Conforme Carvalho (2018), o CCC equivale à correlação de Pearson entre a matriz de
dissimilaridade original e a gerada após a construção do dendograma. Desse modo, quanto mais
próximo da unidade maior será a homogeneidade do grupo e, consequentemente, melhor será a
qualidade do agrupamento.
3.2.2. Liebmann et al. (2007)
O método de Liebmann et al. (2007) determina através de dados diários de chuva o IEC
e o FEC. Para definir estes parâmetros se utiliza do “acumulado de anomalias” definido por
cada estação meteorológica ou ponto de grade. Nesse método o IEC (FEC) é definido pelo
mínimo (máximo) da curva (Figura 4), isto é, as inflexões apresentadas no gráfico do
acumulado anomalias calculado pela Equação12.
𝐴(𝑑𝑖𝑎) = ∑𝑑𝑖𝑎
𝑛=1[𝑅(𝑛) − 𝑅𝑚 ]
(12)
32
Em que, A(dia) é o acumulado de anomalias pluviométricas, R(n) é a precipitação
diária e Rm é a média anual climatológica diária de precipitação, ou seja, o somatório da
anomalia de chuva do dia anterior e o dia vigente. Liebmann et al. (2007) comentam que o
cálculo das anomalias pode ser iniciado em qualquer momento do ano, entretanto recomendase que o acumulado de anomalias seja iniciado 10 dias antes do mês mais seco. Este estudo
optou por utilizar apenas os anos de 2001 e 2017, pois facilita a comparação com as imagens
de satélite mensais do sensor MODIS. Além disso, iniciou-se o somatório das anomalias no
primeiro de cada ano, encerrando no mesmo ano, no dia 365.
Figura 4 - Determinação do IEC e FEC no gráfico de acumulado de anomalias de precipitação
(mm). (Linha continua azul - dados observados; linha tracejada vermelha - suavização dos
dados observados; dados ilustrativos).
Fonte: Autor (2019).
3.3. AQUISIÇÃO E PROCESSAMENTO DOS DADOS DO
SENSOR MODIS
Os dados do MODIS foram adquiridos via Unite State Geological Survey (USGS) na
plataforma Earth Explorer disponível em: <https://earthexplorer.usgs.gov/>. Os dados
adquiridos se referem aos produtos MOD13A3, correspondente aos produtos do NDVI mensal
com resolução espacial aproximado de 1000 m, o período das imagens é de janeiro a dezembro
de 2001 e 2017. Esses anos foram selecionados, porque apresentam um período relativamente
longo, 17 anos, e possibilita verificar mudanças substânciais na paisagem.
As imagens foram adquiridas em formato HDF e em seguida foram convertidas para o
formato .TIF e reprojetadas para o Sistema de Projeção Geográfica e Datum WGS84 24S
através do aplicativo MODISTool (MRT), disponibilizado gratuitamente pela NASA, no site <
33
https://lpdaac.usgs.gov/tools/modis_reprojection_tool>. Ressalta-se que os produtos do sensor
MODIS já passaram previamente por correções atmosférica, geométrica e radiométrica
(SOARES et al., 2007).
3.3.1. Vegetation Condition Index (VCI)
Após a conversão do produto MOD13A3 do formato HDF para TIF, utilizou-se do
software Qgis versão 2.18 (QGIS DEVELOPMENT TEAM, 2017) para realizar os
procedimentos para o cômputo do VCI. Inicialmente, foi realizado o recorte através do shapefile
da BMSF para as 24 imagens do NDVI/MODIS. Em seguida foi extraído os valores de máximo
e mínimo de cada imagem para realizar o cálculo do VCI, de acordo com a Equação13:
𝑁𝐷𝑉𝐼−𝑁𝐷𝑉𝐼𝑚𝑖𝑛
𝑉𝐶𝐼 = 100 ∗ 𝑁𝐷𝑉𝐼
(13)
𝑚𝑎𝑥 −𝑁𝐷𝑉𝐼𝑚𝑖𝑛
Em que, NDVImin e NDVImax são o menor e maior valor extraído das 24 imagens do
NDVI/MODIS dos anos de 2001 e 2017. De acordo com Kogan (1990), o VCI representa a
porcentagem de NDVI em relação a sua máxima amplitude em cada pixel, e Liu e Kogan (1996)
destacam que esse índice consegue caracterizar bem o grau de secura de uma região. Em
seguida foi elaborado os mapas temáticos do VCI para a BMSF e foram classificadas de acordo
com a Tabela 5.
Tabela 5 - Limiares de secura do VCI.
VCI (%)
0 – 20
20 – 40
40 – 60
60 – 80
80 – 100
Fonte: Covele (2011), adaptado pelo autor.
3.4.
Limares de secura
Muito Alta
Alta
Média
Baixa
Muito Baixa
RELAÇÃO CHUVA X VCI
Para avaliar a relação entre os dados de chuva e VCI, estes foram normalizados para que
variem de 0 a 100, de acordo com a Equação 14:
𝑉𝑎𝑟−𝑉𝑎𝑟𝑚𝑖𝑛
𝑁𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑎çã𝑜 = 100 ∗ 𝑉𝑎𝑟
𝑚𝑎𝑥 −𝑉𝑎𝑟𝑚𝑖𝑛
(14)
Onde Var é a variável a ser normalizada; Varmin e Varmas indicam os valores mínimo e
máximo da variável. Após a normalização o gráfico de dispersão será elaborado. Além disso,
será realizado o Teste-F para verificar se as variações das normalizações dos dados são iguais.
34
4.
RESULTADOS E DISCUSSÃO
Os resultados serão apresentados em formas de seções. A seção 4.1consiste na validação
do preenchimento de dados faltantes através do método de imputação múltipla PMM para as
estações inseridas na BMSF. Já a seção 4.2 compreende a investigação pluviométrica da BMSF
para os anos de 2001 e 2017. Ao mesmo tempo que a seção 4.3 integra a avaliação da chuva e
do índice VCI para mensurar o grau de secura na área de estudo.
4.1.
VALIDAÇÃO DO PREENCHIMENTO DE FALHAS PMM
Após a seleção dos períodos sem falhas das estações testes (Tabela 6), localizadas na
BMSF, foram elaborados dois cenários com 5% e 15% de falhas para que seja possível
comparar os dados reais e os dados imputados via PMM. Os resultados obtidos mostram que
os valores do coeficiente r em todos os cenários foram superiores a 0,80, tanto com o percentil
de falhas de 5% quanto para o de 15%; a correlação foi forte entre as séries observada e sintética
via PMM (Tabela 6). Logo, o preenchimento de falhas de dados de chuva na região é
satisfatório. No entanto, apenas essa correlação não garante a precisão do método.
Tabela 6 - Coeficiente de Correlação (r); Teste de Wilcoxon (p-value); Erro Médio Absoluto (EMA) e
Erro Quadrático Médio (EQM) via método PMM para percentual de falha de 5% e 15%.
Estações
Bom Jesus da
Lapa - BA
r
p-value
EMA
EQM
0,84
0,677
0,40
4,48
r
p-value
EMA
EQM
0,85
0,538
0,56
7,47
Carinhanha - João Pinheiro
BA
- MG
5% de falhas
0,93
0,95
0,879
0,867
0,28
0,33
3,12
3,32
15% de falhas
0,93
0,83
0,471
0,824
0,50
0,99
9,00
11,49
Remanso –
BA
Unaí MG
0,94
0,967
0,24
2,94
0,97
0,750
0,25
2,41
0,85
0,027
0,55
8,6
0,82
0,743
1,05
9,55
Fonte: Autor (2019).
Assim, também, foi realizado um cruzamento dos dados observados e sintéticos (Figura
5 e 6). A partir desse cruzamento observa-se o alto grau de ajuste entre as séries, com R2
superior a 0,7 (0,6) para o percentil de falhas de 5% (15%). Das estações testes o melhor ajuste
para 5% (15%) de falhas foi observado na estação de Unaí – MG com R2 de 0,9347 (Carinhanha
– BA com R2 de 0,8741) e pior ajuste para a estação de Bom Jesus da Lapa – BA. R2 de 0,7073,
(Unaí – MG, R2 de 0,6735). Observa-se também que os ponto de cruzamento entre os dados
35
estão bem alinhados com a linha de tendência (Figuras 5 e 6), em vermelho, verificando que os
dados estão bem ajustados.
Além disso, aplicou-se o teste de Wilcoxon para verificar com maior grau de
confiabilidade a consistência da nova série sintética. No primeiro cenário, 5% de falhas,
destacam-se as estações de Remanso (BA) e Carinhanha (BA), que tiveram os maiores valores
de p-value, 0,967 e 0,879, respectivamente. Já no segundo cenário, 15% de falhas, ressalta-se
que a estação de Remanso (BA) apresentou o menor p-value (0,027), o qual é inferior a 0,05,
logo, foram observadas diferenças discrepantes entre as séries observada e sintética. A partir
dos valores calculados desse teste, a diferença entre as médias das séries observadas e sintéticas
não apresentaram diferenças significativas (Tabela 3), pois em 90% dos casos o coeficiente pvalue foi superior ao nível de significância de 0,05.
Ademais, o EMA e o EQM foram baixos para as estações de testes tanto para o percentil
de falha 5% (EMA < 0,5 mm e EQM < 5,0 mm) quanto para 15% (EMA < 1,5 mm e EQM <
12,0 mm). Nota-se também, que com o aumento no percentual de falhas o método PMM perdeu
sua precisão, pois os valores de EMA e EQM são menores para o percentil de falhas de 5%,
padrão esse também observado no teste de Wilcoxon. Nessa perspectiva, o preenchimento de
falhas por tal método pode ser empregado sem prejuízos na análise da série. Entretanto, devese verificar o percentil de falhas, visto que quanto maior for esse valor, menor será a precisão
do método.
Resultados similares, quanto a validação do método de imputação PMM para
preenchimento de falhas, é descrito por vários autores com diferentes variáveis nas mais
diferentes áreas de atuação. Por exemplo, Moura et al. (2014), verificaram que este método de
imputação é um ótimo preditor para preencher falhas de dados de altura geopotencial em 500
hPa, visto que o coeficiente r foi superior a 0,99. Lopo (2014), realizou o preenchimento de
falhas de 9% da população de dados de UV (radiação ultravioleta) utilizou esse método e, assim
como neste estudo, o autor não rejeitou a hipótese nula (p>5%) de que variância é homogênea
entre os grupos de dados imputados e não imputados. Costa et al. (2012) encontraram uma
ótima relação entre as séries observadas e sintéticas (PMM) para dados de chuva para o estado
da Paraíba, onde notaram maior (menor) coeficiente r para a serie mensal (diária). Nesse
sentido, o método de imputação PMM para o preenchimento de falhas de dados faltantes se
consolida como uma ótima ferramenta para o preenchimento de dados defasados, como
verificado neste estudo e apontado por outros autores.
36
Figura 5 - Diagrama de dispersão dos dados observados (mm) e imputados (mm) via PMM (5% de
falhas) para as estações teste, para a BMSF.
Fonte: Autor (2019).
37
Figura 6 - Diagrama de dispersão dos dados observados (mm) e imputados (mm) via PMM (15%
de falhas) para as estações teste, para a BMSF.
Fonte: Autor (2019).
38
4.2.
CHUVA DA BMSF
4.2.1. Análise de Grupos Homogêneos
Foram identificados três grupos pluviométricos homogêneos (G1, G2 e G3) na BMSF
via AA baseado no método de Ward. A identificação segue conforme a Figura 7, já a
consistência do agrupamento foi baseada no grau de ajuste do CCC, que foi de 0,729. De acordo
com Rohlf (1970) e Carvalho (2018), os valores de CCC superior a 0,7 consiste que os dados
foram agrupados adequadamente, ou seja, os três grupos da BMSF são consistentes, com
distância euclidiana inferior a 400. O grupo G1 é formado por seis estações (menor grupo),
enquanto os grupos G2 e G3 foram formadas por 8 estações cada (maiores grupos). na Tabela
7 é apresentado as estações que compõem cada grupo.
Figura 7 - Dendograma da chuva das 22 estações da BMSF.
Fonte: Autor (2019).
Tabela 7 - Estações que compõem os três grupos homogêneos de chuva da BMSF.
G1
Taguatinga – TO
Formosa - GO
João Pinheiro – MG
Paracatu – MG
Posse – GO
Unaí – MG
Fonte: Autor (2019).
G2
Arinos – MG
Barreiras – BA
Correntina – BA
Formoso – MG
Januária – MG
Juramento – MG
Pirapora – MG
Santa Rita de Cassia – BA
G3
Remanso – BA
Barra – BA
Bom Jesus da Lapa – BA
Caetité – BA
Carinhanha – MG
Espinosa – MG
Irecê – BA
Lençóis – BA
39
A distribuição espacial dos grupos da BMSF mostrou que os grupos foram formados
por estações próximas, o grupo que apresentou maior (menor) dispersão espacial foi o grupo
G1 (G3) (Figura 8).O grupo G3 é o mais seco, com Total Pluviométrico (TP) entre 609 a 1068,7
mm (±144,9), todas as estações estão situadas no Semiárido Brasileiro, sendo caracterizado
como o grupo mais seco, além do mais contribuiu com 26% do TP da BMSF.
O grupo G1, o TP variou entre 923,9 a 1225,7 mm (±117,7), colaborando com 36% da
chuva da bacia. Já o grupo G2, o TP oscilou entre 1360,7 a 1611,5 mm (±87,3mm), contribuiu
com 38% (8736,5mm) do TP da região. Este grupo se estende desde a parte sudeste, central, e
noroeste da BMSF, apesar de estar mais próxima do Semiárido Brasileiro, apresenta totais
pluviométricos superiores ao grupo G1. Tal fato pode ter relação com a localização das estações
de G2, que se encontra em uma região de vale, essa característica associada aos padrões de
vento e umidade local podem causar chuva orográfica. Reboita et al. (2014), relatam que regiões
de vale circundada por áreas elevadas topograficamente, em regra, um escoamento que se
conduz do vale para a montanha durante o dia, esse escoamento do vento é conhecido como
ventos anabáticos e, quando com umidade suficiente, podem causar chuva.
Figura 8 - Distribuição espacial dos grupos homogêneos na BMSF.
Fonte: Autor (2019).
40
4.2.2. Análise Exploratória da Chuva da BMSF
Com base no boxplot foi avaliado a sazonalidade da chuva para cada um dos grupos
homogêneos (Figura 9). Em geral, os grupos homogêneos registraram os maiores TP entre os
meses de outubro a abril (chuvoso), e os menores entre os meses de maio a setembro (seco). Os
maiores TP registrados no período chuvoso se devem aos sistemas meteorológicos, os quais
são: VCANs, ZCIT, LI, CCMs, ZCAS, dentre outros fenômenos atmosféricos (MOLION;
BERNARDO, 2002; SILVA; BRITO, 2008; COUTINHO, 2008; REBOITA et al., 2010;
COUTINHO, GAN; RAO, 2010; LYRA, 2018). Já no período seco, a atuação reduzida ou
inexistente dos fenômenos citados, além da atuação mais intensa da ASAS que reduziu os totais
pluviométricos da região (DEGOLA, 2013). A atuação do fenômeno El Niño não foi marcante
para a redução da precipitação na região, pois os valores do Oceanic Niño Index (ONI) foram
basicamente neutros de acordo com o Climate Prediction Center (NOAA, 2019).
Outro fator marcante na análise do boxplot é o fato que em todos os grupos homogêneos
há a ocorrência de outliers positivos, apenas em G3 ocorreu um outlier negativo no mês de
dezembro (Figura 9). Além disso, vale a pena destacar que apenas os meses de fevereiro, junho
e agosto apresentaram outliers nos três grupos homogêneos. No geral, na BMSF ocorreu 15
outliers no período chuvoso, ao mesmo tempo que nos meses de secura aconteceram 15 outliers.
Em janeiro ocorreu outlier apenas no grupo G2 em 2016, a qual foi superior em 202%
da média climatológico do período (166,2 mm) do INMET, a ocorrência desse evento causou
sérios alagamentos na região. Os casos de alagamentos foram noticiados pela REDEBAHIA do
G1 com a seguinte manchete: “Forte chuva causa alagamentos e prejuízos em cidades da
Bahia”, na reportagem relatam que “Em Barreiras, na região oeste, já choveu quatro vezes mais
que o previsto para todo o mês de janeiro” (G1 BA, 2016). Tais fatos apontam os prejuízos
causados para a região devido a intensidade da chuva, registrada em 502 mm. Os demais
outliers observados no período chuvoso não causaram grandes desastres econômicos e sociais,
ou pelo menos não foram noticiados pelas mídias eletrônicas.
Os outliers registrados no período seco se deve a média baixa de precipitação da região,
que fica em torno de 0 a 10 mm no período. Devido a essas características os outliers observados
não ultrapassam os 25 mm mensais, não causando prejuízos a população local.
Apenas foi identificado um outlier com valores negativos de chuva, registrado em 2012.
Esse ano foi considerado um ano muito seco, principalmente no Estado da Bahia que
decretaram situação de emergência em mais de 220 município naquele ano (ARAÚJO, 2012).
41
Figura 9 - Boxplot mensal da pluviometria dos grupos homogêneos de chuva G1 (a), G2 (b) e G3 (c) para a BMSF.
Fonte: Autor (2019).
42
No que tange à variabilidade pluviométrica, observa-se na Figura 9 que os meses
chuvosos apresentaram maior dispersão, sobretudo o mês janeiro, durante o tempo que os meses
com menores TP a dispersão foi mínima. Isso ocorre por conta dos TP reduzidos na estação
seca, que não chegam a 50 mm, enquanto que no outro período chuvoso a chuva facilmente
excede os 100 mm mensalmente.
O grupo G2 apresentou a maior dispersão de dados pluviométricos, com amplitude
interquartílica da amostra superior a 145 mm, seguido de G1 (130,0 mm) e G3 (128,0 mm). A
média pluviométrica desses três grupos fora de 81,1 mm, 91,0 mm e 75,7 mm, na devida ordem
(Tabela 8). Além disso, no geral, G2 foi o grupo que mais contribuiu para os totais
pluviométricos da BMSF (36,7%), seguido de G1 (32,7%) e G3 (30,6%).
Tabela 8 - Estatística descritiva (mínimo, 1º quartil, mediana, média, 3º quartil e máximo) dos três
grupos homogêneos (G1, G2 e G3) obtidos pela técnica de AA.
Parâmetros
Mínimo
1º Quartil
Mediana
Média
3º Quartil
Máxima
G1
0,0
3,7
42,8
81,1
134,7
355,5
G2
1,3
10,1
54,7
91,0
158,2
502,0
G3
0,1
4,2
40,5
75,7
132,7
431,9
Fonte: Autor (2019).
4.2.3. Identificação do Início e Fim do período Chuvoso
Para os grupos G1, G2 e G3 (Figura 10) o IEC (FEC) correspondem as datas 04/10
(16/03), 06/10 (20/03) e 05/10 (15/03), respectivamente. Onde os meses de março e início de
outubro correspondem ao fim e início da estação chuvosa na BMSF em 2001. Para o ano de
2017, o IEC (FEC) ocorreu em 27/10 (02/04), 27/10 (04/04), 29/10 (05/04). Neste ano, o fim e
o início da estação chuvoso ocorreu nos meses de abril e final de outubro.
Os resultados obtidos mostraram que o período chuvoso ocorre durante os meses de
outubro a março/abril, que correspondem às estações da primavera, verão e início do outono.
Melo et al. (2009) encontraram resultados semelhantes, identificando a estação chuvosa entre
as estações do verão (21/12 a 20/03) e início do outono (20/03 a 21/06). Além disso, nesse
período a presença dos alísios aumentou o transporte de umidade e, consequentemente, favorece
a chuva na região. O outro fator importante nesse período é a influência da ZCIT (MOLION;
BERNARDO, 2002; MELO et al., 2009; REBOITA et al., 2010) que impacta no aumento dos
TP.
43
Figura 10 - Acumulado de Anomalias de chuva (mm) para a BMSF dos grupos G1, G2 e G3, para
os anos de 2001 (a) e 2017 (b).
Fonte: Autor (2019).
44
Para o ano de 2001, em média, o IEC é no dia 278 (±1,00) e o FEC para o dia 76 (±2,65),
que condiz aos meses de setembro e março. Já no ano de 2017 deu-se o IEC no dia 301 (±1,53)
e FEC em 94 (±1,15), os quais correspondem aos meses de outubro e abril. Resultados similares
para a determinação do IEC foram encontrados por Alves et al. (2005), que determinaram que
o início da estação chuvosa na região Sudeste do Brasil acontecia por volta dos dias 08-12 de
outubro. Esses autores relacionaram a antecipação (atraso) do IEC a anomalias positivas
(negativa) de TSM do Atlântico. Bombardi e Carvalho (2008), encontraram o IEC entre as
pêntadas 56 a 60 na região Centro-Oeste e Sudeste do Brasil, que correspondem de setembro a
outubro. Ao mesmo tempo que, Santos e Garcia (2016), avaliaram o início e fim da estação
chuvosa no Estado de Minas Gerais e verificaram que o IEC para o período de 2001-2002
ocorreu na pêntada 55, que corresponde ao mês de setembro. Ademais o FEC ocorreu na
pêntada 13, que corresponde ao mês de março.
Na região central da BMSF, que corresponde sobretudo ao grupo G2 (Figura 10),
observa-se os maiores totais de anomalias de precipitação. Esse padrão já era esperado, já que
a região é uma área de incursão de frentes, que geralmente fica estacionária sobre essas latitudes
(FERREIRA; MELLO, 2005). Outros fenômenos sinóticos importantes que causam chuva forte
na região são: VCAN, ZCAS e atuação de CCMs, além da atuação de convergência devido ao
efeito topográfico (RAO et al., 1993; SILVA; BRITO, 2008; COUTINHO, 2008; COUTINHO,
GAN; LYRA, 2018), já que a área central da BMSF encontra-se numa região de vale,
contribuindo para o aumento da chuva local.
4.3.
AVALIAÇÃO DA CHUVA E VCI PARA A BMSF
4.3.1. Análise da Chuva para os Anos de 2001 e 2017
Na Figura 11 são apresentados os gráficos pluviométricos dos grupos homogêneos (G1,
G2 e G3) bem como a média para toda a BMSF para os anos de 2001 e 2017. O padrão da
chuva nesta região foi semestral com duas estações bem definidas, uma seca e outra chuvosa.
Os totais pluviométricos da estação chuvosa não excedem os 230 mm (±80,64) mensalmente
(G2). Entretanto, chuvas isoladas com grande intensidade podem ocorrer e gerar alagamentos
e prejuízos para a comunidade, pois a chuva nesta área é distribuição irregularmente, tanto
espacialmente quanto em intensidade (MMA, 2006), como o caso apresentado anteriormente
na análise dos outliers, em 2016.
45
Dois períodos distintos foram observados na BMSF, entretanto optou-se por organizar
a contribuição pluviométrica por trimestres, a saber: janeiro-março, abril-junho, julho-setembro
e outubro-dezembro. O último trimestre é o que mais contribui com a pluviosidade total anual
na BMSF tanto para o ano de 2001 (55,9%) quanto o ano de 2017 (45,94%). O trimestre mais
seco é o terceiro, que compreende os meses de julho a setembro, com 4,5% (1,44%) no ano de
2001 (2017). De acordo com a climatologia do CPTEC/INPE (1981-2010) a contribuição para
os quatro trimestres foi respectivamente de 45,3%, 8,5%, 2,2% e 44,0%. Nesta perspectiva, os
anos de 2001 e 2017 não apresentam comportamento pluviométrico semelhante a climatologia
da região. Porém, vale a pena destacar que, dentre os grupos homogêneos identificados na
BMSF, o grupo G2, no ano de 2017, apresentou comportamento semelhante à média climática.
No primeiro semestre a pluviosidade no ano de 2017 foi superior ao ano de 2001, na
ordem de 64,1 mm que corresponde a um aumento em torno de 8,2% (Figura 11). Ressalta-se
que este comportamento, maior do TP de 2017 em relação a 2001, foi observado nos grupos
G1, G2 e G3, com exceção do grupo G1 no segundo trimestre, que teve maior total de chuva
em 2001, em torno de +14,6 mm.
Silva e Brito (2008), relatam que a irregularidade e carência de chuva no ano de 2001
ocorreu devido à ausência do fenômeno ZCAS nesta região. Já no ano de 2017, de acordo com
o CPTEC/INPE – Boletim Técnico de 2017, os meses de janeiro e fevereiro, nos limites da
BMSF e áreas adjacentes, a frequência e atuação do VCAN foi alta (67,74% e 57,14% do mês
teve atuação do fenômeno), o que explica os totais pluviométricos maiores em 2017.
No mês de março de 2017 esse fenômeno (VCAN) também foi observado, entretanto
apenas no início do mês. No final de março ocorreu a atuação da ZCOU, que contribuiu para
precipitação pluviométrica (Figura 11), principalmente sobre G2, que corresponde a região
mais central da bacia (Figura 8). Já no mês de abril, a ZCOU atuou mais ao norte, por conta
disso G3 apresentou aumento nos TP, superando G1 e G2. Após esses eventos ao longo desse
mês não foi observado fenômenos que causem chuva local (CPTEC/INPE – BOLETIM
TÉCNICO DE 2017).
As atuações do VCAN no ano de 2017, bem como os maiores TP registrados
corroboram com pesquisas anteriores realizadas nos entornos da BMSF. Gan e Kousky (1982)
destacam a atuação em maior frequência do VCAN nos meses de janeiro e fevereiro sobre a
BA, o que explica o aumento da chuva em 2017 com relação a 2001. Molion e Barnardo (2002)
e Reboita et al. (2010), destacam que no verão e início do outono a posição da ZCIT mais ao
46
sul favorece o transporte de umidade para dentro do continente, contribuindo para a
instabilidade no NEB, o que explica os meses de fevereiro, março e abril mais chuvosos em
G3.
Em maio de 2017 na BMSF a precipitação não excedeu os 50 mm (Figura 11), com os
maiores totais pluviométricos concentrados em G2, este fato está associado a atuação de um
cavado que contribuiu para a instabilidade na região central-leste de MG que ocorreu na
primeira e última semana desse mês (CPTEC/INPE – BOLETIM TÉCNICO DE 2017). Esse
comportamento também foi observado no ano de 2001 (Figura 11), entretanto com TP inferior
e mais homogêneo, mas não se pode afirmar que fenômeno semelhante atuou na região.
De acordo com o CPTEC/INPE – Boletim Técnico de 2017, entre os meses de maio a
setembro (Figura 11) os baixos totais pluviométricos são explicados pela atuação da ASAS, que
impediu a incursão de frentes para latitudes menores, o que acarretou no déficit pluviométrico.
Este comportamento também foi observado no ano de 2001 e confirmado pela climatologia da
BMSF (1981-2010). Além do mais a atuação de VCAN, ZCAS e ZCOU sobre a BMSF e
adjacências não foi observado em 2017 (CPTEC/INPE – BOLETIM TÉCNICO DE 2017).
Consoante Degola (2013), a variação interanual da ASAS é mensal e ela se apresenta com maior
intensidade nos meses de julho a agosto. Reis (2018), conta que nos meses de junho a agosto a
atuação do VCAN é menor que em outros meses. Enquanto, Nobre (1988), diz que a ZCAS
praticamente não aparece no inverno austral (junho a agosto).
Nota-se a partir da Figura 11, também, que os meses de novembro e dezembro são os
mais chuvosos, ao mesmo tempo que os meses de junho e julho são os mais secos. Este
comportamento está de acordo com o Caderno da Região Hidrográfica do São Francisco
(MMA, 2006), pois na região do Médio São Francisco os meses mais chuvosos são de
novembro a janeiro e os mais secos de junho a agosto.
É notório a partir da análise da Figura 11, que o grupo G2 é o que apresenta os maiores
totais pluviométrico, o que implica que a chuva na BMSF ocorre sobretudo na parte sudeste,
central e noroeste da bacia e TP inferiores ocorrem tanto na foz (G3) quanto na cabeceira do
Médio São Francisco (G1). A cabeceira da BMSF apresenta totais pluviométricos superiores a
foz, pois o grupo G1 apresentou média de chuva de 793,2 mm, enquanto que o grupo G3 é de
718,9 mm. Pereira et al. (2007), encontraram comportamento semelhante quanto ao regime de
precipitação pluviométrica ao longo da Bacia do Rio São Francisco para a climatologia de 1950-
47
1976 e 1979-1999. Os autores verificaram maiores totais de chuva na cabeceira e menores na
foz.
Os padrões de chuva mensal para os anos analisados apresentaram padrões de acordo
com a climatologia do CPTEC/INPE (1981-2010) e os padrões de variação ao longo da bacia
observado por Pereira et al. (2007) para a BHSF. Ademais, esses padrões foram similares
também a demarcação do IEC e FEC calculados através das anomalias pluviométricas
(LIEBMANN, et al., 2007).
Figura 11 - Regime pluviométrico médio (mm) para os grupos homogêneos (G1, G2 e G3) e da
BMSF para os anos de 2001 e 2017.
Fonte: Autor (2019).
48
4.3.2. Investigação do Grau de Secura nos Anos de 2001 e 2017
As Figuras 12 a 15 apresentam os mapas temáticos de VCI para os anos de 2001 e 2017.
Os mapas foram classificados em 5 classes de grau de secura na BMSF. O padrão do VCI foi
similar a chuva, esse padrão foi evidente no período de estiagem em meados de junho, onde as
classes de secura Muito Alta e Alta apresentam maior área de cobertura. Ressalta-se que apesar
desse padrão, no primeiro trimestre de 2001 os totais pluviométricos foram menores que em
2017. Porém os limiares de secura do VCI foram maiores neste ano, particularmente nas áreas
ao norte e nordeste da BMSF.
Essas áreas apresentam um padrão comum independente do período, seco ou chuvoso,
pois sempre há a persistência de áreas classificadas, segundo o VCI, com secura Alta a Muito
Alta. Esse quadro pode estar relacionado a um sistema de vale-montanha (REBOITA et al.,
2014) que há na BMSF, pois no período de chuva as áreas mais ao sul, nascente do rio (altitudes
maiores), da bacia apresentam limiares de secura menor (Média, Baixa ou Muito Baixa) à
medida que em direção ao norte/nordeste, foz da bacia (altitudes menores), essas limiares são
altas (Alta ou Muito Alta).
Desse modo, os ventos adentram a BMSF pela foz e ao longo do caminho capta a
umidade do rio ao encontrar as barreiras topográficas essa umidade se acumula nas encostas e
precipitação na região mais central. Esse comportamento é similar ao padrão de chuva
observado, visto que o grupo G2 apresenta os maiores TP da BMSF, ao mesmo tempo que o
grupo G3 é o mais seco e se encontra na foz da bacia, onde o vento passa com pouca ou nenhuma
umidade. Vale ressaltar que, conforme Empresa de Pesquisas Energéticas (2013), o vento no
oeste da Bahia, que abrange o grupo G3, apresenta pouca variação. Nessa região a direção
média do vento é de 75° (±7,5°), lés-nordeste, e mais ao sul, área do grupo G2, o vento é de
105° (±7,5°), lés-sudeste.
O mês de janeiro se destacou pelo aumento significativo na área de cobertura da classe
Muito Alta, em 11.643,2 km2, sendo quatro vezes maior que a área de cobertura em 2001
(2.730,9 km2). Em relação a janeiro, ocorreu uma redução de 90.000km2 nas classes Baixa e
Muito Baixa entre os anos analisados. A classe que exibiu maior crescimento por unidade de
área foi a classe Média com 49,9% da área maior em 2017 (168.351,0 km2) quando comparada
a 2001 (112.307,2 km2).
Os meses de julho a outubro (Figuras 13 e 15) apresentam maiores níveis de secura, pois
proporcionam maior área de cobertura das classes Muito Alta e Alta, destaque para o mês de
49
setembro (agosto) de 2001 (2017), que apresentou área de cobertura da primeira classe na
ordem de 120.091,06 km2 (140.030,31 km2). Esse período corresponde aos meses mais seco
quanto aos TP, predomina valores inferiores a 37 mm.
Já o período onde a precipitação é alta, acima de 112 mm, os meses com menor grau de
secura foram janeiro a março (Figuras 12 e 14) e dezembro (Figuras 13 e 15) de 2001 e fevereiro
e março (Figuras 12 e 14) e dezembro (Figuras 13 e 15) de 2017. Logo, o comportamento do
VCI está de acordo com a precipitação e apresenta uma defasagem de mais ou menos um mês
em relação ao início e fim do período chuvoso na região.
Outro fator marcante ao comparar esses dois anos, 2001 e 2017 (Figuras 12 e 15), é que
a classe Muito Alta apresentou crescimento em todos os meses, ao mesmo tempo que a classe
Baixa apresentou redução, exceto fevereiro que apresentou um aumento na área de cobertura
de 0,61% em relação a área inicial. Para mais, o lado leste e norte da BMSF se apresentam
como as regiões mais secas da bacia. No lado leste da BMSF, onde se encontra os pontos mais
altos (Figura 1), o norte e nordeste da BMSF está inserido no polígono das secas do NEB
(MMA, 2006).
Nota-se que o segundo semestre de 2017 apresenta área de cobertura da classe Muito
Alta superior ao ano de 2001, sobretudo, o mês de outubro que apresentou um crescimento de
36,63% (139.730,00 km2) em relação a área total da bacia. Isso ocorreu devido aos baixos TP
registrados nos meses anteriores. No ano de 2001, esses totais foram maiores (Figura 11). Nesta
perspectiva, fica evidente a influência da chuva no grau de secura da BMSF.
No ano de 2001 (Figuras 12 e 13) a maior área de cobertura correspondeu a classe Média
com 133.433,4 km2, seguido das classes: Alta (126.699,1 km2), Baixa (90.964,2 km2), Muito
Alta (38.941,7 km2) e, por fim, Muito Baixa (12.312,6 km2). Ao mesmo tempo que no ano de
2017 (Figuras 14 e 15) a maior área de cobertura confere a classe Alta com 127.296,3 km2,
seguido das classes: Média (114.474,7 km2), Baixa (75.571,2 km2), Muito Alta (73.983,2 km2)
e Muito Baixa (11.205,6 km2).
Por meio dos valores médios de área de cobertura das classes fica claro que a secura no
ano de 2017 foi mais intensa que em 2001, pois a cobertura da classe Alta foi muito maior,
enquanto que no primeiro ano a classe maior área de cobertura foi a Média. Além do mais, as
classes Muito Alta e Alta tiveram um crescimento de 35.638,7 km2, que corresponde a 8,85%
da área total da BMSF. Enquanto que as outras três classes tiveram uma redução da área de
cobertura de 35.458,7 km2 (8,81%).
50
Figura 12 - Mapas temáticos do VCI e limiares de secura para a BMSF para o primeiro semestre de
2001.
Fonte: Autor (2019).
51
Figura 13 - Mapas temáticos do VCI e limiares de secura para a BMSF para o segundo semestre de
2001.
Fonte: Autor (2019).
52
Figura 14 - Mapas temáticos do VCI e limiares de secura para a BMSF para o primeiro semestre de
2017.
Fonte: Autor (2019).
53
Figura 15 - Mapas temáticos do VCI e limiares de secura para a BMSF para o segundo semestre de
2017.
Fonte: Autor (2019).
54
4.4.
Chuva x VCI
Na Figura 16 a chuva e o VCI apresentam similar com os maiores valores no início
(janeiro a março) e no final (novembro e dezembro) do ano e seus menores valores em junho a
agosto. Verifica-se que o aumento dos totais de chuva influencia no aumento dos valores de
VCI, consequentemente no grau de secura, neste caso redução da secura. A defasagem de um
mês, tempo de resposta da vegetação para o crescimento da fitomassa (FREITAS et al., 2017).
A sequência de meses (junho a setembro) no ano de 2017 sem chuva impactou
diretamente nos valores de VCI sobre a BMSF, uma vez que se vê uma queda mais acentuada
nesses valores (Figuras 16), que atingiram a menor limiar (< 20%, Muito Alta). Após esse
período prolongado de estiagem, nos meses de novembro e dezembro de 2017, totais
pluviométricos superiores a 100 mm ocorrem na região, causando uma mudança abrupta nos
valores de VCI que tornam a crescer de maneira acentuada (Figura 16).
Na Figura 17 foi plotado o diagrama de dispersão dos valores normalizados da Chuva e
do VCI, os quais variam de 0 a 100. Nos anos de 2001 e 2017 os coeficientes r foram de 0,39 e
0,54, respectivamente, que indicam uma correlação fraca. Os coeficientes de R2 também
apresentaram valores relativamente baixos, de 0,15 e 0,30 para 2001 e 2017. Isso implica que
apenas a chuva não pode explicar as condições de secura na região, outros fatores podem ter
maior influência, tais como: vegetação, temperaturas do ar e de superfície, evapotranspiração,
características do solo, topografia, dentre outras variáveis (NÓBREGA, 2014; DE NYS et al.,
2016).
Para mais, foi realizado o Teste-F nas amostras ao nível de significância de 0,05, com a
hipótese nula (H0) de que a variância entre elas é nula. O teste constatou que as variâncias não
são semelhantes, pois o p-valor do teste foi inferior a 0,05 (0,012). Logo, a chuva na BMSF não
é o único e principal fator causador da intensa seca na região, já que as variações da chuva e da
secura não apresentam o mesmo padrão.
55
Figura 16 – Padrão Relacional entre a chuva e o VCI para a BMSF para os anos de 2001 (a) e 2017
(b).
Fonte: Autor (2019).
56
Figura 17 - Diagrama de dispersão entre a chuva e o VCI para a BMSF para os anos de 2001 (a) e
2017 (b). Resultados significativos para o nível de 5%.
Fonte: Autor (2019).
57
5. CONCLUSÕES
O preenchimento de falhas via imputação PMM para dados de chuva na BMSF são
satisfatórios, pois apresentam alta correlação entre os dados estimados e medidos, para ambos
os cenários, 5% e 15% de falhas. Ademais, o Teste de Wilcoxon mostrou o grau de
confiança/semelhança entre os dados observados e sintéticos, provendo assim uma maior
qualidade das séries, sem falhas.
Com relação ao regime pluviométrico da bacia é definido um seco, abril a setembro, e
outro chuvoso, outubro a março. Além do mais, são identificados três grupos homogêneos por
meio da análise de agrupamento via método de Ward. O grupo G1 localizado no leste e sul da
bacia, o grupo G2 é localizado entre o sudeste, centro e noroeste da BMSF e o grupo G3 é
composto basicamente por estações situadas no semiárido brasileiro.
O início da estação chuvosa para a BMSF ocorre no mês de outubro, enquanto o fim do
período em março. Vale destacar que nos grupos homogêneos, apesar das diferenças dos totais
pluviométricos, a variabilidade de início e fim da estação chuvosa na região é pouca
significativa.
A chuva e o grau de secura na BMSF apresentaram uma boa relação espacial, pois os
maiores limiares de seca foram observados nas áreas do grupo G3, o mais seco, enquanto que
os menores limiares em G2, o mais chuvoso. Entretanto, os indicadores estatísticos e o Teste-F
não encontraram uma boa correlação entre a chuva e o VCI ao longo dos anos de 2001 e 2017.
58
6. RECOMENDAÇÕES
1. Realizar a validação da imputação múltipla em número maior de estações, bem como
testar outros métodos para a região.
2. Utilizar produtos de sensores orbitais para realizar uma espacialização mais detalhada
da chuva local.
3. Avaliar com maior grau de detalhes de informações os mecanismos formadores de
chuva na BMSF, bem como o padrão vale-montanha observado neste estudo.
4. Utilizar séries maiores de dados, em torno de 30 anos ou superior, para avaliar o padrão
de chuva, além de outras variáveis meteorológicas.
5. Relacionar a secura da BMSF a outras variáveis meteorológicas e, assim, identificar a
principal ou principais variáveis que afetam a seca nessa área.
59
REFERÊNCIAS BIBLIOGRÁFICAS
ALBUQUERQUE, C. S. M. Estudo das trajetórias dos complexos convectivos de mesoescala no
nordeste brasileiro entre os anos de 1999 e 2009. 2011. 78 f. Dissertação (Mestrado em
meteorologia) Universidade Federal de Alagoas, Maceió, 2011.
ALVARES, C.A.; STAPE, J.L.; SENTELHAS, P.C.; GONÇALVEZ, J.L.M. & SPAROVEK, G.
Köppen1s climate classification map for Brazil. Meteorologische Zeitschrift, v. 22 n. 6, p.711-728.
2013. ISSN 1610-1227.
ALVES, J. M. B. et al. Episódios de La Niña na Bacia do Oceano Pacífico Equatorial e a Distribuição
de Chuvas no Setor Norte do Nordeste Brasileiro. Revista Brasileira de meteorologia, v. 12, n. 1, p.
63-76, 1997. ISSN 1982-4351.
ALVES, J. M. B. et al. Mecanismos atmosféricos associados à ocorrência de precipitação intensa
sobre o Nordeste do Brasil durante janeiro/2004. Revista Brasileira de Meteorologia, v. 21, n. 1, p.
56-76, 2006. ISSN 1982-4351.
ALVES, L. M. et al. Início da estação chuvosa na região sudeste do Brasil: Parte 1 – Estudos
observacionais. Revista Brasileira de Meteorologia, v. 20, n. 3, p. 385-394, 2005. ISSN 1982-4351.
ANA/GEF/Pnuma/OEA. Projeto de Gerenciamento Integrado das Atividades Desenvolvidas em
Terra na Bacia do São Francisco, Sub-projeto 4.5.B – Programa de ações estratégicas para o
gerenciamento integrado da Bacia do Rio São Francisco e da sua zona costeira – PAE: Brasília:
2003. 243 p.
ANDERSON, L. O. et al. Detecção de cicatrizes de áreas queimadas baseada no modelo linear de
mistura espectral e imagens índice de vegetação utilizando dados multitemporais do sensor
MODIS/TERRA no estado do Mato Grosso, Amazônia brasileira. Acta amazônica, v. 35, n. 4, p.
445-456, 2005.ISSN 1809-4392.
ANDREOLI, R. V. et al. A influência da temperatura da superfície do mar dos Oceanos Pacífico e
Atlântico na variabilidade de precipitação em Fortaleza. Revista Brasileira de Meteorologia, v.19,
n.3, 337-344, 2004.ISSN 1982-4351. ISSN 1982-4351.
ANDREOLI, R. V.; KAYANO, M. T. Tropical Pacific and South Atlantic effect on rainfall variability
over northeastern Brazil. International Journal of Climatology, v. 26, n. 13, p. 1895-1912, 2006.
ISSN 1097-0088.
ARAGÃO, J. O. R. O impacto do ENSO e do dipolo do Atlântico no nordeste do Brasil. Bulletin
Instit Français Études Andines, v. 27, n. 3, p. 839-844, 1998. ISSN 2076-5827.
60
ARAÚJO, G. Seca na Bahia é a maior dos últimos 47 anos, diz secretário da Casa Civil. G1, 05, maio
2012. Disponível em: <http://glo.bo/IZh0yU>. Acessado em: 29 de out. 2019.
ÁVILA, P. L. R.; BRITO, J. I. Relação Entre a Oscilação Decadal do Pacifico e a Variabilidade da
Precipitação de Campina Grande, PB. Ciência e Natura, v. 37, p. 159-162, 2015. ISSN 0100-8307.
BACALHAU, J. R.; NETO, A. R.; OLIVEIRA, L. M. M. Aplicação de índice de vegetação no
monitoramento da seca: Açude Algodões no Sertão pernambucano. Journal of Environment
Analysis and Progress, v. 02, n. 03, p. 283-293, 2017. ISSN 2525-815X.
BIER, A. A.; FERRAZ, S. E. T. Comparação de Metodologias de Preenchimento de Falhas em Dados
Meteorológicos para Estações no Sul do Brasil. Revista Brasileira de Meteorologia, v. 32, n.2 p.
215-226, 2017. ISSN 1982-4351.
BOLETIM TÉCNICO. CPTEC/INPE. Análise Sinótica. Disponível em:
<http://tempo.cptec.inpe.br/boletimtecnico/pt>. Acessado em 26 de jan. 2019.
BOMBARDI, R. J.; CARVALHO, L. M. V. Variabilidade do regime de monções sobre o Brasil: O
clima presente e projeções para um cenário com 2xCO2 usando o modelo MIROC. Revista Brasileira
de Meteorologia, v. 23, n. 1, p. 58-72, 2008. ISSN 1982-4351.
BRASILEIRO, R. S. Alternativas de desenvolvimento sustentável no semiárido nordestino: da
degradação à conservação. Scientia Plena, v. 5, n. 5, p. 1-12, 2009. ISSN 1808-2793.
CALBETE, N. O.; GAN, M.; SATYAMURTY, P. Vórtices ciclônicos da alta troposfera que atuam
sobre a região nordeste do Brasil. Climanálise, Especial-Edição Comemorativa de, v. 10, 1996.ISSN
0103-0019.
CAMELO, H. N.,et al. Previsão de velocidade do vento no nordeste brasileiro através do modelo
ARIMAX. Revista Ciência e Tecnologia, v.20, n.36, p.9-17, 2017.ISSN2238-1252.
CAMELO, H. N.; LUCIO, P. S.; LEAL JÚNIOR, J. V. Modelagem da velocidade do vento usando
metodologias ARIMA, Holt-Winters e RNA na previsão de geração eólica no Nordeste Brasileiro.
Revista Brasileira de Climatologia, v.21, p.449-466, 2017. ISSN 2237-8642.
CARDOSO, D. S. et al. Técnicas de extração de conhecimento por meio de dados faltantes e
mineração de dados sobre as vítimas do Césio-137. Multi-Science Journal, v. 1, n. 7, p. 79-91, 2017.
ISSN 2359-6902.
CARVALHO, P. R. Estudo comparativo dos algoritmos hierárquicos de análise de agrupamento
em resultados experimentais. 2018. 142 f. Dissertação (Mestre em Ciências) – Universidade de São
Paulo, São Paulo, 2018.
61
CHEN, T. C.; WENG, S. P.; SCHUBERT, S. Maintenance of austral summertime upper-tropospheric
circulation over tropical South America: The Bolivian high–Norwest low system. Journal of the
atmospheric sciences, v. 56, n. 13, p. 2081-2100, 1999. ISSN 0022-4928.
COMITÊ DA BACIA HIDROGRÁFICA DO RIO SÃO FRANCISCO – CBHSF. CBH Afluentes do
Médio São Francisco (SF9) – Minas Gerais. Disponível em: <
http://cbhsaofrancisco.org.br/2017/comites-de-afluentes/cbh-afluentes-mineiros-do-medio-saofrancisco-minas-gerais/>. Acessado em 08 de ago. 2018.
CORREA, S. M. B. B. Probabilidade e Estatística: 2. Ed. Belo Horizonte: PUC Minas Virtual, 2003.
COSTA, R. L.; SILVA, F. D. S.; SARMANHO, G. F.; LUCIO, P. S. Imputação Multivariada de
Dados Diários de Precipitação e Análise de Índices de Extremos Climáticos. Revista Brasileira de
Geografia Física, v. 05, n. 03, p. 661-675, 2012.
COSTA, T. C. et al. Análise da degradação da caatinga no núcleo de desertificação do Seridó
(RN/PB). Revista Brasileira de Engenharia Agrícola e Ambiental, v. 13, (suplemento), p. 961-974,
2009. ISSN 1807-1929.
COUTINHO, M. D. L. Método objetivo de identificação dos Vórtices Ciclônicos de Altos Níveis
na região tropical sul: Validação e climatologia. 2008. 119f. Dissertação (Mestrado em
Meteorologia) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2008.
COUTINHO, M. D. L.; GAN, M. A.; RAO, V. B. Método Objetivo de Identificação dos Vórtices
Ciclônicos e Altos Níveis na Região Tropical Sul: Validação. Revista Brasileira de Meteorologia, v.
25, n.3, p. 311-323, 2010. ISSN 1982-4351.
COVELE, P. A. Aplicação de índices das condições de vegetação no monitoramento em tempo quase
real da seca em Moçambique usando NOAA_AVHRR – NDVI. GEOUSP – Espaço e Tempo, São
Paulo, v. Especial, n. 29, p. 85-95, 2011.ISSN 2179-0892.
CRUZ, C. C. Dinâmica da Vegetação Através do Índice EVI e sua Relação com Variáveis
Meteorológicas. 2017. 47 f. Dissertação (Mestrado em Ciências Ambientais e Florestais) Universidade Federal Rural do Rio de Janeiro, Seropédica, 2017.
CRUZ, G. C.; RIBEIRO, E. M.; GALIZONI, F. M. SEMIÁRIDO, SECA E “GERAIS” DO NORTE
DE MINAS: uma revisão da bibliografia sobre o Alto-Médio São Francisco. CAMPOTERRITÓRIO: revista de geografia agrária, v.13, n. 31, p. 29-56, 2018.
CUNHA, A. P. M. A. et al. Avaliação de indicador para o monitoramento dos impactos da seca em
áreas de pastagens no semiárido do Brasil. Revista Brasileira de Cartografia. v. 6, n. 1, p. 89-106,
2017. ISSN 1808-0936.
62
DE NYS, E.; ENGLE, N.L.; MAGALHÃES, A.R. Secas no Brasil: política e gestão proativas.
Brasília, DF: Centro de Gestão e Estudos Estratégicos- CGEE; Banco Mundial, 2016. 292 p.
DEGOLA, T. S. D. Impactos e variabilidade do Anticiclone Subtropical do Atlântico Sul sobre o
Brasil no clima presente e em cenários futuros. 2013. 112f. Dissertação (Mestrado em
Meteorologia) - Universidade de São Paulo, São Paulo, 2013.
DIAS, M. A. F. S. Sistema de mesoescala e previsão de tempo a curto prazo. Revista Brasileira de
Meteorologia, v. 2, n.1, p. 133-150, 1987. ISSN 1982-4351.
DIAZ, C. C. F.; PEREIRA, J. A. S.; NÓBREGA, R. S. Comparação de dados estimados por dois
diferentes métodos para o preenchimento de falhas de precipitação pluvial na Bacia do Rio Pajeú,
Pernambuco, Brasil. Revista Brasileira de Climatologia, v. 22, p. 324-339, 2018. ISSN 2237-8642.
DIDAN, K. MOD13A3 MODIS / Terra Vegetation Indices Monthly L3 Global 1km SIN Grid
C006. 2015. Disponível em:
<https://lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/mod13a3_v006>.
Embrapa Monitoramento por Satélite. Empresa Brasileira de Pesquisa Agropecuária – EMBRAPA.
Terra – Earth Observing System (EOS). 2013. Disponível em: <
https://www.cnpm.embrapa.br/projetos/sat/conteudo/missao_terra.html>. Acessado em: 11 de
novembro de 2018.
EMPRESA DE PESQUISAS ENERGÉTICAS – EPE. Nota técnica DEA 15/13 – Acompanhamento
de Medições Anemométricas – AMA: Caracterização do Recurso Eólico e Resultados Preliminares
de sua Aplicação no Sistema Elétrico. EPE: Rio de Janeiro, 46 p., 2013.
FERREIRA, A. G.; MELLO, N. G. S. Principais sistemas atmosféricos atuantes sobre a região
nordeste do Brasil e a influência dos oceanos Pacífico e Atlântico no clima da região. Revista
Brasileira de Climatologia, v. 1, n. 1, p. 15-28, 2005. ISSN 2237-8642.
FREITAS, I. G. et al. Analysis of Behavior of Vegetation in the Year of 2016 for the Municipality of
Remanso - BA. Revista Geama, v. 3, n. 3, p. 149-156. 2017. ISSN 2447-0740.
G1 BA. Forte chuva causa alagamentos e prejuízos em cidades da Bahia. 28, jan. 2016. Disponível
em: <http://glo.bo/20w7p8H>. Acessado em: 29 de out. 2019.
GAN, M. A.; KOUSKY, V. E. Um Estudo Observacional sobre as Baixas Frias da Alta
Troposfera, nas Latitudes Subtropicais do Atlântico Sul e Leste do Brasil. INPE, São José dos
Campos, SP. 80 f. 1982.
63
GIANNINI, A.; SARAVANAN, R.; CHANG, P. The preconditioning role of Tropical Atlantic
Variability in the development of the ENSO teleconnection: implications for the prediction of
Northeast rainfall. Climate Dynamics, v. 22, p. 839-855, 2004. ISSN 0930-7575.
GOMES, H. B.et al. Balanço De Radiação Em Diferentes Biomas No Estado De São Paulo Mediante
Imagens LANDSAT 5. Geociências (São Paulo. Impresso), v. 28, p. 153-164, 2009. ISSN 1980900X.
GONZÁLEZ, A. R.; et al. Comparison of Leaf Area Index, Surface Temperature, and Actual
Evapotranspiration Estimate Using the MTRIC Model and In Situ Measurements. Sensors, v. 19, n. 8,
p. 1857, 2019. ISSN 1424-8220.
HARREL Jr., F. E. Regression Modeling Strategies: With Applications to Linear Models, Logistic
Regression, and Survival Analysis. As implemented in R package ‘rms’ version, v. 3, n.3, 2014.
HEIDT, K. Comparison of Imputation Methods for Mixed Data Missing at Random. 2019.
79 f. Dissertação (Master in Mathematic) - East Tennessee State University.2019.
HORTON, N. J.; LIPSITZ, S. R. Multiple imputation in practice: comparison of software packages for
regression models with missing variables. The American Statistician, v. 55, n. 3, p. 244-254, 2001.
ISSN 0003-1305.
HUETE, A. et al. Overview of the radiometric and biophysical performance of the MODIS vegetation
indices. Remote Sensing of Environment, v. 83, n. 1-2, p. 195-213, 2002. ISSN 0034-4257.
HUETE, A.; JUSTICE, C.; LIU, C. Development of vegetation and soil indices for MODIS-EOS.
Remote Sensing of Environment, v. 49, p. 224-234, 1994. ISSN 0034-4257.
HUETE, A.; LIU, H. Q.; BATCHILY, K.; VAN LEUUWEN, W. J. D. A comparison of vegetation
indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, v. 59, p.
440-451, 1997.ISSN 0034-4257.
JENSEN, J. R. 1949. Sensoriamento remoto do ambiente: uma perspectiva em recursos
terrestres. Tradução José Carlos Neves Epiphanio (coordenador)... [et al.]. São José dos Campos, SP:
Parêntese, 2009.
JUSTICE, C. O., et al. An overview of MODIS Land data processing and product status. Remote
Sensing of Environment, v. 83, n. 1-2, p. 3-15, 2002.ISSN 0034-4257.
KAYANO, M. T.; ANDREOLI, R. V. Clima da Região Nordeste do Brasil. In: Cavalcante, I. F. A. et
al. (Org.) Tempo e Clima no Brasil. São Paulo: Oficina de Textos, 2009, p. 213-233.
64
KOGAN, F. N. Remote sensing of weather impacts on vegetation in non-homogeneous areas.
International Journal of Remote Sensing, v. 11, n.8, p.1405-1420, 1990. ISSN 1366-5901.
KOUSKY, V. E. Pentad outgoing longwave radiation climatology for the South American sector.
Revista Brasileira de Meteorologia, v. 3, n. 1, p. 217-231, 1988.ISSN 1982-4351.
KOUSKY, V. E.; KAYANO, M. T.; CAVALCANTE, I. F. A. A review of the southern oscillation
oceanic atmospheric circulation changes and related rainfall anomalies. Tellus A, v. 36, N.5, p. 490504, 1984. ISSN 0280-6495.
LIEBMANN, B. et al. Onset and End of the Rainy Season in South America in Observations and the
ECHAM 4.5 Atmospheric General Circulation Model. Journal of Climate, v. 20, n. 10, p. 2037-2050,
2007.ISSN 1520-0442.
LIEBMANN; B.; MARENGO, J. A. Interannual Variability of the Rainy Season and Rainfall in the
Brazilian Amazon Basin. Journal of Climate, v. 14, n.22, p.4308-4318, 2001.ISSN 1520-0442.
LIU, W. T.; KOGAN, F. N. Monitoring regional drought using the vegetation condition index.
International Journal of Remote Sensing, v. 17, n. 14, p. 2761-2782, 1996.ISSN 1366-5901.
LOPO, A. B. Modelagem Estocástica do Índice de Radiação Ultravioleta na Costa Leste do
Nordeste Do Brasil. 2014. 112 f. Tese (Doutorado em Ciências Climáticas) Centro de Ciências
Exatas e da Terra – Universidade Federal do Rio Grande do Norte, Natal, 2014.
LYRA, M. J. A. Influência dos Processos Físicos e Sinóticos nas Trajetórias dos Complexos
Convectivos de Mesoescala no Nordeste Brasileiro entre 2008 e 2015. 2018. 74 f. Dissertação
(Mestrado em Meteorologia) - Universidade Federal de Alagoas, Maceió, 2018.
MADDOX, R. A. Mesoscale Convective Complexes. Bulletin of the American Meteorological
Society, Boston, v. 61, n. 11, p. 1374-1387, 1980. ISSN 1520-0477.
MAIA, R. et al. Socioeconomic Evaluation of Drought Effects. Main Principles and Application to
Guadiana and Algarve Case Studies. Water Resources Management. v. 29, n. 2, p. 575-588, 2015.
ISSN 0920-4741.
MARENGO, J. A. Vulnerabilidade, impactos e adaptação à mudança do clima no semi-árido do
Brasil. Parcerias Estratégicas. v, 13, n, 27, p. 149-176, 2008. ISSN 1413-9375.
MARENGO, J. A.; CUNHA, A. P.; ALVES, L. M. A seca de 2012-15 no semiárido do Nordeste do
Brasil no contexto histórico. Climanálise (Online), v. 3, p. 49-54, 2016.ISSN 0103-0019.
MARENGO, J. et al. Onset and End of the Rainy Season in the Brazilian Amazon Basin. Journal of
Climate, v. 14, n. 5, p. 833-852, 2001. ISSN 1520-0442.
65
MATOS, R. C. M.; CANDEIAS, A. L. B.; TAVARES JÚNIOR, J. R. Mapeamento da vegetação,
Temperatura e Albedo da Bacia Hidrográfica do Pajeú com imagens MODIS. Revista Brasileira de
Cartografia, v. 65, n. 1, p. 139-160, 2013. ISSN 1808-0936.
MELO, A. B. C.; CAVALCANTI, I. F.A.; SOUZA, P. P. Zona de Convergência Intertropical do
Atlântico. In: Cavalcante, I. F. A.; Ferreira, N. J.; Silva, M. G. A. J.; Dias, M. A. F. S. (Org.) Tempo e
Clima no Brasil. São Paulo: Oficina de Textos, 2009. P. 213-233.
MELO, J. A. A. et al. Analysis of the Vegetation Density of the Rio Pajeú Watershed Using TM –
Landsat 5 data. Revista Geama, v. 3, p. 15-162, 2017. ISSN 2447-0740.
MENESES, P. R. Princípios de sensoriamento remoto. In: Meneses, P. R.; ALMEIDA, T. (Org.)
Introdução ao Processamento de Imagens de Sensoriamento Remoto. Brasília: Unb/CNPq, 2012,
p. 1-33.
MINGOTI, S. A. Análise de dados através de métodos estatísticos multivariado: uma abordagem
aplicada. Belo Horizonte: UFMG, 2017.
Ministério do Meio Ambiente (MMA)/Secretária dos Recurso Hídricos. Caderno da Região
Hidrográfica do São Francisco / Ministério do Meio Ambiente, Secretária de Recursos Hídricos. –
Brasília: MMA, 2006. 148 p.
MOLION, L. C. B.; BERNARDO, S. O. Uma Revisão da Dinâmica das Chuvas no Nordeste
Brasileiro. Revista Brasileira de Meteorologia, v. 17, n. 1, p. 1-10, 2002. ISSN 1982-4351.
MORAIS, M. D. C. Vórtices ciclônicos de altos níveis que atuam no Nordeste do Brasil: estudo
observacional e numérico. 2016. 264 f. Tese (Doutorado em Meteorologia) - Instituto Nacional de
Pesquisas Espaciais, São José dos Campos, 2016.
MOREIRA, A. A. Análise da seca/estiagem no norte do Estado de Minas Gerais a partir de dados
MODIS. 2016. 124 f. Dissertação (Mestrado em Sensoriamento Remoto) - Universidade Federal do
Rio Grande do Sul, Porto Alegre, 2016.
MOREIRA, A. A. et al. Índice de Condição de Vegetação (VCI) para mapeamento de seca no Norte
do Estado de Minas Gerais. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 17.,
2015, João Pessoa. Anais do SBSR. Meio eletrônico, SBSR, 2015. XVII, p. 1686-1692.
MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicação. 4. ed.
Viçosa, MG: Ed. UFV, 2011.
MOSCATI, M. C. L.; GAN; M. A. Rainfall variability in the rainy season of semiarid zone of
Northeast Brazil (NEB) and its relation to wind regime. International Journal of Climatology, v. 27,
n. 4, p. 493-512, 2006.ISSN 1097-0088.
66
MOURA, G. B. et al. Relação entre a precipitação do leste do Nordeste do brasil e a temperatura dos
oceanos. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 13, n. 4, p. 462-469, 2009.
ISSN 1807-1929.
MOURA, R. G.; ARAVÉQUIA, J. A. e LOPO, A. B. Preenchimento de falhas em dados de correlação
de Anomalia da altura geopotencial (500hPa). Ciência e Natura, v. 36, Ed. Especial II, p. 503-509,
2014.ISSN 0100-8307.
MURAKAMI, T.; NAKAZAWA, T. Transpiration from the southern to northern hemisphere summer
monsoon. Monthly Weather Review, v. 113, n. 9, p. 1470-1486, 1985. ISSN 0027-0644.
MUTTI, P. R. et al. A detailed framework for the characterization of rainfall climatology in semiarid
watersheds. Theorical and Applied Climatology, p. 1-17, 2019. ISSN 1434-4483.
NHONGO, E. J. S. et al. Caracterização fenológica da cobertura vegetal com base em série temporal
NDVI/MODIS na Reserva do Niassa – Moçambique. Revista Brasileira de Cartografia, v. 69, n. 6,
p. 1175-1187, 2017. ISSN 1808-0936.
NOAA. Cold & Warm Episodes by Season. Disponível em:
<https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ONI_v5.php>. Acessado
em: 29 de out. 2019.
NOBRE, C. A. Ainda sobre a Zona de Convergência do Atlântico Sul: a importância do Oceano
Atlântico. Climanálise, v. 3, n. 4, p. 30-33, 1988.ISSN 0103-0019.
NOBRE, P.; SHUKLA, J. Variations of sea surface temperature, wind stress, and rainfall over the
tropical Atlantic and South America. Journal of Climate, v.9, n.19, p.2464-2479, 1996. ISSN 15200442. ISSN 1520-0442.
NÓBREGA, R. S. Impactos do desmatamento e de mudanças climáticas nos recursos hídricos na
Amazônia ocidental utilizando o modelo SLURP. Revista Brasileira de Meteorologia, v. 29, n. esp.,
p. 111-120, 2014.
NOBREGA, R. S.; SANTIAGO, G. A. C. F. Tendência de Temperatura na Superfície do Mar nos
Oceanos Atlântico e Pacifico e Variabilidade de Precipitação em Pernambuco. Mercator, Fortaleza, v.
13, n. 1, p. 107-118, 2014. ISSN 1984-2201.
PALMÉN, E. Origin and Structure of High‐Level Cyclones South of the: Maximum Westerlies.
Tellus, v. 1, n. 1, p. 22-31, 1949.
PALMER, Clarence Edgar. On high‐level cyclones originating in the tropics. Eos, Transactions
American Geophysical Union, v. 32, n. 5, p. 683-696, 1951.
67
PEREIRA, H. R.; REBOITA, M. S.; AMBRIZZI, T. Características da Atmosfera na Primavera
Austral Durante o El Niño de 2015/2016. Revista Brasileira de Meteorologia, v. 32, n. 2, p. 2933010, 2017. ISSN 1982-4351.
PEREIRA, S. B. et al. Estudo do comportamento hidrológico do Rio São Francisco e seus principais
afluentes. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 11, n. 6, p. 615-622,
2007.ISSN 1807-1929.
PEREIRA, T. A. S. et al. Key Climate Oscillation Factors Controlling Precipitation Variability during
the Dry Season in Eastern Northeast Brazil: Study Case of Mundaú and Paraíba Do Meio River
Basins. Water, v. 10, n. 11, p. 1-13, 2018.
PEZZI, L.; SOUZA, R. B. Variabilidade de Mesoescala e Interação Oceano-Atmosfera no Atlântico
Sudoeste. In: Cavalcante, I. F. A. et al. (Org.) Tempo e Clima no Brasil. São Paulo: Oficina de
Textos, 2009. P. 385-405.
QGIS DEVELOPMENT TEAM. Quantum GIS vs 2.18. Open Source Geospatial Foundation Project.
2017. Disponível em: <http:// qgis.osgeo.org>. Acesso em 17 de agosto de 2018.
R DEVELOPMENT CORE TEAM. R: A language and environment for statistical computing.
Vienna, Austria: R Foundation for Statistical Computing. ISBN 3-900051-07-0, 2011. Disponível em:
<http://www.R-project.org/.>. Acessado em: 03 de abr. 2018.
RAO, V. B.; LIMA, M. C.; FRANCHITO, S. H. Seasonal and Interannual Variations of Rainfall over
Eastern Northeast Brazil, Journal of Climate, v. 6, n. 9, p. 1754-1763, 1993.ISSN 1520-0442.
REBOITA, M. S. et al. Evidências de Circulação de Brisa Vale-Montanha na Serra da Mantiqueira:
Cidade de Itajubá – MG. Ciência e Natura, v. 36, n.1, p. 61-71, 2014. ISSN 0100-8307.
REBOITA, M. S. et al. Regimes de Precipitação na América do Sul: Uma revisão Bibliográfica.
Revista Brasileira De Meteorologia. v. 25, n.1, p. 185-204, 2010. ISSN 1982-4351.
REIS, J. S. Características Dinâmicas e Termodinâmicas dos Vórtices Ciclônicos de Altos Níveis
no Nordeste do Brasil. 2018. 76 f. Dissertação (Mestrado em Ciências Climáticas) - Universidade
Federal do Rio Grande do Norte, Natal, 2018.
RIBEIRO FILHO, N. P. Melhorando o desempenho da técnica de clusterização hierárquica
Single Linkage utilizando Metaheurística GRASP. 2016. 59 f. Dissertação (Mestrado em
Modelagem Computacional de Sistemas) - Universidade Federal de Tocantins, 2016.
ROHLF, F. J. Adaptative hierarquical clustering schemes. Systematic Zoology, v.19, p.58-82, 1962.
ISSN 1076-836X.
68
ROSEMBACK, R. et al. Análise da dinâmica da cobertura vegetal na região Sul do Brasil a partir de
dados MODIS/TERRA. Revista brasileira de cartografia, n. 62, Ed. Especial 2, p. 401-416, 2010.
ISSN 1808-0936.
ROYIMANI, L.; MUTANGA, O.; ODINI, J.; ZOLO, K. S.; SIBANDA, M.; DUBE, T. Disrtibution of
Parthenium hysterophoru L. with variation in rainfall using multi-year SPOT data and random forest
classification. Remote Sensing Applications: Society and Environment, v. 13, n. 1, p. 215-223,
2019.
SANTOS, E. F. N.; SOUSA, I. F. Análise estatística multivariada da precipitação do Estado de
Sergipe através dos fatores e agrupamentos. Revista Brasileira de Climatologia, v. 23, 2018. ISSN
2237-8642.
SANTOS, L. F.; GARCIA, S. R. Início e Fim da Estação Chuvosa no Estado de Minas Gerais:
Comparação de Duas Metodologias Diferentes. Revista Brasileira de Meteorologia, v. 31, n.1, p. 92104, 2016. ISSN 1982-4351.
SILVA, B. H. L. Comparação entre estimativas de altura de eucalipto realizadas pelo MOTI e
pelo clinômetro HAGLOF. 2018. 31 f. Monografia (Bacharelado em Engenharia Florestal),
Universidade Federal dos Vales do Jequitinhonha e Mucuri, Diamantina, 2018.
SILVA, B. K. N. et al. Rainfall-related natural disasters in the Northeast of Brazil as a response to
ocean-atmosphere interaction. Theorical and Applied Climatology, p. 1-9, 2019. ISSN 1434-4483.
SILVA, D. F.; BRITO, J. I. B. Variabilidade do vento na bacia hidrográfica do rio São Francisco
durante a ocorrência da ZCAS. Ambiência, Guarapuava, PR, v. 4, n. 2, p. 221-235, 2008. ISSN 21759405.
SILVA, F. C.; CRUZ, M. L. B. Análise da fisionomia da cobertura vegetal em ambientes semiáridos:
o caso do município de Jaguaretama, estado do Ceará. Revista de Geociências do Nordeste. Caicó, v.
2, n. Especial, p. 801-809. 2017. ISSN 2447-3359.
SILVA, T. A.; SANCHES, S. K. R.; IGARASHI, D. C. C. Contingências Passivas E Teoria Dos
Prospectos: Análise Dos Efeitos Em Indicadores Financeiros De Empresas De Construção Civil E
Construção Pesada. Revista Evidenciação Contábil & Finanças, João Pessoa, v. 7, n. 1, p. 39-57,
2019. ISSN 2318-1001.
SILVA, W.L.; XAVIER, L.N.R.; MACEIRA, M.E.P. & ROTUNNO, O.C. Climatological and
hydrological patterns and verified trends in precipitation and streamflow in the basins of Brazilian
hydroelectric plants. Theoretical and Applied Climatology, v. 137, n. 1-2, p. 353-371, 2018. ISSN
1434-4483.
69
SIQUEIRA, J. R. Variabilidade Inter diurna da convecção na América do Sul: a propagação
meridional da convecção. 2003. 186 f. Tese (Doutorado em Meteorologia) – Instituto Nacional de
Pesquisas Espaciais, São José dos Campos, 2003.
SOARES, J. V. et al. O sensor MODIS e suas Aplicações Ambientais no Brasil. São José dos
Campos/SP: Parênteses, 2007. Cap. 1, p. 3-21.
SOUZA, E. B.; ALVES, J. M. B.; REPELLI, C. A. Um complexo convectivo de mesoescala associado
à precipitação intensa sobre Fortaleza - CE. Revista Brasileira de Meteorologia, v. 13, n. 2, p. 01-14,
1998. ISSN 1982-4351.
SUGAHARA, S. Flutuações interanuais, sazonais e intrasazonais de precipitação no estado de São
Paulo. 1991. 140 f. Tese (Doutorado em Meteorologia) –Universidade de São Paulo, São Paulo, 1991.
TAVARES, P. S. Um estudo observacional da incursão de sistemas frontais no Nordeste
Brasileiro e sua influência na atmosfera do Centro de Lançamento de Alcântara (CLA). 2008.
152 f. Dissertação (Mestrado em Meteorologia) - Instituto Nacional de Pesquisas Espaciais, São José
dos Campos, 2008.
TERASSI, P. M. B.; OLIVEIRA-JUNIOR, J. F.; GOIS, G.; GALVANI, R. Standarized Precipitation
Index Variability in the Northern Region of Paraná State Associated with the El Niño-Southern
Oscillation. Revista Brasileira de Meteorologia. v. 3, n. 1, p. 11-25, 2018.ISSN 1982-4351.
TEIXEIRA, M. B.; CAMARGO, P. L. T.; MARTINS JÚNIOR, P. P. Uso das unagens de Sensores
Remotos para Análise Crítica da Degradação do Cerrado no Alto Médio São Francisco – Minas
Gerais. Anuário do Instituto de Geociências – UFRJ, v. 41, n. 1, p. 245-254, 2018.
TUCKER, C. J.; SELLERS, P. J. Satellite remote sensing of primary production. International
journal of remote sensing, v. 7, n. 11, p. 1395-1416, 1986. ISSN 1366-5901.
TUCCI, C.E.M. 2001. Hidrologia: ciência e aplicação. Porto Alegre, UFRGS: ABRH. 944p.
UVO, C. R.; BERNDTSSON, R. Regionalization and Spatial Properties of Ceará State Rainfall in
Northeast Brazil. Journal of Geophysical Research: Atmospheres, v. 101, n. D2, p. 4221-4233,
1989. ISSN 2169-8996.
VELASCO, I.; FRITSCH, J. M. Mesoscale Convective Complexes in the Americas. Journal of
Geophysical Research: Atmospheres, Boston, v. 92, p. 9591-9613, 1987.ISSN 2169-8996.
VENTURA, T. M. et al. Análise da aplicabilidade de métodos estatísticos para preenchimento de
falhas em dados meteorológicos. Revista Brasileira de Climatologia, v. 19, p. 168-177, 2016. ISSN
2237-8642. ISSN 2237-8642.
70
VILLARON, M. A.; FISCH, G. F. Caracterização do início do período chuvoso no Vale do Paraíba
paulista. Ambiente & Água – An Interdisciplinary Journal of Applied Science, v. 8, n. 1, p. 36-49,
2013.ISSN 1980-993X.
WARD, J. H. Hierarchical grouping to optimize an objective function. Journal of the American
Statistical Association, v. 58, n. 301, p. 236-244, 1963. ISSN 1537-274X.
WILHITE, D. A. Drought monitoring as a component of drought preparedness planning. In:
IGLESIAS, A., GARROTE, L., CANCELLIERE, A., CUBILLO, F., WILHITE, D. (Orgs.). Coping
with Drought Risk in Agriculture and Water Supply Systems. Springer Netherlands, 2009. cap. 1, p.
3–19.
YAMAMOTO, M. K. et al. Variação da tendência da temperatura da superfície terrestre em uma série
temporal do sensor MODIS. REGRASP, v. 2, n. 4, p. 28-42, 2017. ISSN 2526-1045.
71
ANEXO A - Script do Programa R Desenvolvido para Preenchimento de Falhas
#Para que a imputação seja realizada deve haver pelo menos duas variáveis#
#Inicialmente deve ser instalados os pacotes dplyr() e mice()#
#Neste script o arquivo está em formato .txt, composto apenas por números e sem cabeçalho#
Choose CRANmirror()
library("dplyr")
library("mice")
var <- read.table("C:/Users/LRIB95/Desktop/Dados-a-ser-preenchidos/chuva6-10.txt")
summary(var)
#percentagem de erro#
pMiss <- function(x){sum(is.na(x))/length(x)*100}
apply(var,2,pMiss)
apply(var,1,pMiss)
#Imputacao dos dados faltantes#
#alterar apenas o seed para o numero de dados da serie#
#o metodo de imputacao pode ser alterado meth='pmm'#
temp <- mice(var,m=22,maxit=220,meth='pmm',seed=6209)
summary(temp)
#leitura dos dados imputados#
#alterar apenas o nome das variaveis 'precipitacao' ou 'temperatura_maxima'#
temp$imp$V1
temp$imp$V2
#Alterar dados faltantes por dados imputados PMM#
72
compData <- complete(temp,1)
summary(compData)
#percentagem de erro - verificacao#
pMiss <- function(x){sum(is.na(x))/length(x)*100}
apply(compData,2,pMiss)
#salvar arquivo com dados imputados#
write.table(compData,file="C:/Users/LRIB95/Desktop/Dados-a-ser-preenchidos/pmmchuva6-10.txt",quote=FALSE,row.names=TRUE)
73
ANEXOB – Script do Programa R para SériesParamétrica ou Não-Paramétrica e
Teste de Wilcoxon
#de CTRL+C nos dados do Excel e depois CTRL+R para copiar os dados para o R
var<read.table("clipboard",header=TRUE,sep="\t",na.strings="NA",dec=",",strip.white=TRUE)
var
summary(var)
#Teste de normalidade das séries
shapiro.test(var$Est4.obs)
shapiro.test(var$Est4.imput)
shapiro.test(var$Est6.obs)
shapiro.test(var$Est6.imput)
shapiro.test(var$Est13.obs)
shapiro.test(var$Est13.imput)
shapiro.test(var$Est19.obs)
shapiro.test(var$Est19.imput)
shapiro.test(var$Est22.obs)
shapiro.test(var$Est22.imput)
#Se não for normal fazer o teste de Wilcoxon
wilcox.test(var$Est4.obs,var$Est4.imput,alternative="two.sided", paried=TRUE)
wilcox.test(var$Est6.obs,var$Est6.imput,alternative="two.sided", paried=TRUE)
wilcox.test(var$Est13.obs,var$Est13.imput,alternative="two.sided", paried=TRUE)
wilcox.test(var$Est19.obs,var$Est19.imput,alternative="two.sided", paried=TRUE)
wilcox.test(var$Est22.obs,var$Est22.imput,alternative="two.sided", paried=TRUE)
#fim
74
ANEXO C - Script do Programa R Desenvolvido para Elaboração da Análise de
Agrupamento
#Procedimentos do método#
var<-read.csv2("C:/Users/LRIB95/Desktop/Analise-cluster/data.csv")
variaveis<-names(var)
objetos<-rownames(var)
saida<-hclust(dist(var),method='ward.D')
#plote do dendograma#
dendo<-plclust(saida,labels=objetos,ylab='Distância Euclidiana')
g<-cutree(saida,k=3) #definir o número de grupos#
g
rect.hclust(saida,k=3,border="red") #caixa dos grupos#
rect.hclust
d1 <- dist(var) #distância euclidiana#
hc <- hclust(d1, "ward.D") #método de ward#
d2 <- cophenetic(hc) #matriz cofonética#
cor(d1, d2) #CCC#
75
ANEXO D - Script do Programa R Desenvolvido para Elaborar os Boxplot dos Grupos
Homogêneos
#
g1 <- read.csv2("F:/dissertacao/Dados/Estacoes/Boxplot-2001-2017completo/G1.csv")
boxplot(g1, ylab="Precipitação", col="green", main="G1", ylim=c(0,550))
savePlot("F:/dissertacao/Dados/Estacoes/Boxplot-2001-2017completo/G1.jpg", type="jpeg")
g2 <- read.csv2("F:/dissertacao/Dados/Estacoes/Boxplot-2001-2017completo/G2.csv")
boxplot(g2, ylab="Precipitação", col="green", main="G2", ylim=c(0,550))
savePlot("F:/dissertacao/Dados/Estacoes/Boxplot-2001-2017completo/G2.jpg", type="jpeg")
g3 <- read.csv2("F:/dissertacao/Dados/Estacoes/Boxplot-2001-2017completo/G3.csv")
boxplot(g3, ylab="Precipitação", main="G3", col="green", ylim=c(0,550))
savePlot("F:/dissertacao/Dados/Estacoes/Boxplot-2001-2017completo/G3.jpg", type="jpeg")
