Felipe Souza (2021)

FELIPE SOUZA (2021).pdf
Documento PDF (1.6MB)

Exibir conteúdo Baixar

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

FELIPE SOUZA DOS SANTOS

DISSERTAÇÃO

Avaliação da Variabilidade Climática no Verão Sobre a Região
Nordeste do Brasil Simuladas pelo Modelo Global BAM

Maceió – AL
Maio de 2021

FELIPE SOUZA DOS SANTOS

DISSERTAÇÃO

Avaliação da Variabilidade Climática no Verão Sobre a Região
Nordeste do Brasil Simuladas pelo Modelo Global BAM

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

Mestre

Modelagem

atmosférica

Meteorologia,
e

área

concentração

Processos de Superfície Terrestre.

Orientador: Prof. Dr. Heliofábio Barros Gomes
Coorientador: Prof. Dr. Helber Barros Gomes

Maceió – AL
Maio de 2021

Catalogação na Fonte Universidade
Federal de AlagoasBiblioteca
Central
Divisão de Tratamento Técnico
Bibliotecário: Marcelino de Carvalho Freitas Neto – CRB-4 – 1767
S237a

Santos, Felipe Souza dos.
Avaliação da variabilidade climática no verão sobre a região
Nordeste do Brasil simuladas pelo Modelo Global BAM / Felipe
Souza dos Santos. – 2021.
55 f. : il.
Orientador: Heliofábio Barros
Gomes. Co-orientador: Helber
Barros Gomes.
Dissertação (Mestrado em Meteorologia) – Universidade Federal de
Alagoas.
Instituto de Ciências Atmosféricas. Maceió, 2021.
Bibliografia: f. 44-53.
1. Precipitação (Meteorologia) - Variabilidade. 2. Modelo
Atmosférico Global Brasileiro. I. Título.
CDU: 551.508.7

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

CERTIFICADO DE APRESENTAÇÃO
N.º de ordem: MET-UFAL-MS-178.

“AVALIAÇÃO DA VARIABILIDADE CLIMÁTICA NO VERÃO SOBRE
A REGIÃO NORDESTE DO BRASIL SIMULADAS PELO MODELO
GLOBAL BAM.”
FELIPE SOUZA DOS SANTOS
Dissertação submetida ao colegiado do Curso
de Pós-Graduação em Meteorologia da
Universidade Federal de Alagoas - UFAL,
como parte dos requisitos necessários à
obtenção do grau de Mestre em Meteorologia.
Aprovado pela Banca Examinadora composta por:

Prof. Dr. Heliofábio Barros
Gomes(Orientador)

Prof. Dr. Helber Barros Gomes
(Coorientador)

Prof. Dr. Fabrício Daniel dos Santos
Silva(Membro Interno)

Prof. Dr. Dirceu Luis
Herdies(Membro Externo)

Prof. Dr. Silvio Nilo Figueroa Rivero
(Membro
Externo)
Maio/2021

“Nossas virtudes e nossos defeitos são
inseparáveis, assim como a força e a
matéria. Quando se separam, o homem
deixa de existir.”
(Nikola Tesla)

DEDICATÓRIA

Dedico este trabalho a meus pais, Manoel Tributino dos Santos e Cicera
Souza da Silva, por sempre terem me apoiado e incentivado em cada escolha feita
por mim, por nunca me deixar desistir e sempre lutar pelos meus sonhos,
proporcionando todo suporte para que eu seguisse minhas metas.
A minha noiva Maria Karoline de Lucena Rocha, por sempre acreditar nos
meus sonhos, por toda a parceria, cumplicidade, amizade, paciência e
principalmente amor durante todo o período que precisei me ausentar para me
dedicar ao trabalho.

AGRADECIMENTOS

Em primeiro lugar, quero a gradecer a Deus pelo dom da vida e por tudo que ele
fez e faz em minha vida, a todos os meus professores do ICAT que me ajudaram a chegar
até aqui. Gostaria de agradecer em especial ao professor Dr. Heliofábio Barros Gomes, por
ter me acolhido como um pai desde do primeiro semestre da graduação, orientando e
ajudando em tudo no ICAT e laboratório SENSORGEO. Ao professor Dr. Helber Barros
Gomes, pela orientação, parceria, amizade e paciência.
Gostaria de agradecer também aos professores Drs. Dirceu Luis Herdies, Silvio
Nilo Figueroa Rivero e José Fabrício Daniel dos Santos Silva por terem aceitado
participar da Banca Examinadora.
O ICAT me proporcionou a honra de realiza mais que apenas amigos, verdadeiros
irmãos, então gostaria de agradecer também por toda a ajuda, força, companherismos e
amizade o Eli Moises dos Santos Silva, Laurizio Emanuel Ribeiro Alves e Ismael guidson
Farias de Freitas. Agradeço ainda a um irmão que a vida e o Mestrado em Meteorologia
da UFAL me trouxe, Glauber Vinícius Pinto de Barros, você tornou as tardes de ciência no
SENSORGEO muito mais alegres.
A UFAL e ao Programa de Pós-Graduação em Meteorologia do ICAT por me
concederem a oportunidade de formação. Em especial, gostaria de agradecer também ao
projeto Desenvolvimento de modelagem do sistema Terrestre (CAPES) que é coordenado
pelo, Dr. Dirceu Luis Herdies, o qual concedeu-me uma bolsa de estudo.

RESUMO
O Nordeste brasileiro (NEB) sofre com a irregularidade da distribuição das chuvas em todo o
seu território. Essa variabilidade está ligada aos vários sistemas meteorológicos responsáveis
pelos mecanismos que regulam a chuva e temperatura do ar, bem como ocasionam grandes
problemas socioeconômicos para a população. Assim, o objetivo do presente estudo é avaliar
o desempenho do modelo Atmosférico Global Brasileiro (BAM - Brasilian atmospheric
Model) em simular a variabilidade do clima regional no NEB e as características da circulação
atmosférica associadas durante os verões austrais de 2011 (La Niña), 2014 (Normal) e 2016
(El Niño). As simulações do modelo BAM foram obtidas junto ao Centro de Previsão de
Tempo e Estudos Climáticos/Instituto Nacional de Pesquisas Espaciais (CPTEC/INPE). As
análises mostram que o BAM foi hábil em simular os padrões de circulação atmosférica e
temperatura do ar nos baixos e altos níveis da atmosfera sobre o NEB e a variabilidade
interanual durante os verões supracitados, quando comparado as reanálises do ERA5 e
MERRA2, assim como para precipitação, porém comparado às análises do GPCP. As
melhores destrezas foram observadas para o campo de temperatura do ar em todas as áreas
investigadas, relativo ao campo de precipitação, durante os três verões austrais. No entanto,
sobre a região compreendida por grande parte da Bahia e porções sul do Piauí e leste do
Tocantins (região NE2), tanto a variável precipitação como temperatura do ar apresentaram os
maiores valores de BIAS e RMSE.
Palavras-chave: Variabilidade interanual, Modelo BAM, Reanálises, Nordeste do Brasil.

ABSTRACT
The Brazilian Northeast (NEB) suffers from the irregular distribution of rainfall throughout its
territory. This variability is linked to the various meteorological systems responsible for the
mechanisms that regulate rain and air temperature, as well as causing major socioeconomic
problems for the population. Thus, the objective of the present study is to evaluate the
performance of the model (BAM - Brasilian atmospheric Model) to simulate the variability of
the regional climate in the NEB and the associated atmospheric circulation characteristics
during the southern summers of 2011 (La Niña), 2014 (Normal) and 2016 (El Niño). The
simulations of the BAM model were obtained from the Weather Forecast and Climate Studies
Center / National Institute for Space Research (CPTEC / INPE). The analyzes show that
BAM was able to simulate the patterns of atmospheric circulation and air temperature in the
low and high levels of the atmosphere over the NEB and the interannual variability during the
aforementioned summers, when compared to the reanalysis of ERA5 and MERRA2, as well
as for precipitation, however compared to the GPCP analyzes. The best skills were observed
for the air temperature field in all areas investigated, relative to the precipitation field, during
the three southern summers. However, over the region comprised by a large part of Bahia and
portions south of Piauí and east of Tocantins (NE2 region), both the precipitation variable and
the air temperature showed the highest BIAS and RMSE values.
Keywords: Interannual variability, Model BAM, Reanalysis, Northeast of Brazil.

LISTA DE ILUSTRAÇÕES
Figura 1 - Mapa de localização do Nordeste Brasileiro (NEB), e distribuição de altitude (m)..
.................................................................................................................................................. 20
Figura 2 - Arquitetura funcional do modelo ERA-5 ...................... Erro! Indicador não definido.
Figura 3 - Campo médio sazonal do vetor vento (m/s) e intensidade (colorido) no sétimo nível sigma
(~850 hPa) para os verões de 2016 (a, b, c), 2010 (d, e, f) e 2014 (g, h, i): ERA-5 (coluna esquerda),
MERRA-2 (coluna central) e BAM (coluna direita). O intervalo de intensidade é de 2m/s e vetor de
referência de 10 m/s. ................................................................................................................... 32

Figura 4 - Campo médio sazonal do vetor vento (m/s) e intensidade (colorido) no sétimo nível sigma
(~850 hPa) para os verões de 2015 (a, b, c), 2010 (d, e, f) e 2013 (g, h, i): ERA-5 (coluna esquerda),
MERRA-2 (coluna central) e BAM (coluna direita).. ..................................................................... 34

Figura 5 - Campo médio sazonal de temperatura do ar a (~850 hPa), BAM (coluna direita),
ERA-5 (coluna esquerda). As unidades são em ºC................................................................... 36
Figura 6 - Campo de precipitação média sazonal. BAM (coluna esquerda), GPCP (coluna
central) BIAS (coluna direita). As unidades são em mm/dia. .................................................. 38
Figura 7 - Subdivisões das áreas para avaliação objetiva.............................................................. 39

LISTA DE TABELAS
Tabela 1 - Configuração do modelo utilizado nas simulações.. .............................................. 22
Tabela 2 - Atributos e metadados globais associados ao ERA-5... ................................................ 26
Tabela 3 - Atributos e metadados globais associados ao MERRA2.. ..................................... 28
Tabela 4 - Análise estatística da temperatura do ar e precipitação sazonal nas três regiões de
verificação (SE1, SE2, SU1, SU2, CO1, CO2, TOT) através do erro médio (BIAS), raiz do
erro médio quadrático (RMS) e coeficiente de correlação (r)...................................................41

LISTA DE ABREVIATURAS E SIGLAS

Símbolo

Descrição

Unidade

AGCM

Atmospheric Global Circulation Model

ASAS

Alta Subtropical do Atlântico Sul

América do Sul

AER

Atmospheric and Environmental Research, Inc.

Alta da Bolivia

ATSM

Anomalias de Temperatura da Superfície do Mar

°C/K

ADAS

Assimilação de Dados Atmosféricos

ATN

Atlântico Tropical Norte

ATS

Atlântico Tropical Sul

BRAMS

Brazilian developments on the Regional Atmospheric Modeling

System
BAM

Atmosférico Global Brasileiro

BoM

Bureau of Meteorology

BIAS

Erro Médios

BNOA

Baixa do Noroeste Argentino

BCH

Baixa do Chaco

CPTEC

Centro de Previsão de Tempo e Estudos Climáticos

CCM

Complexos Convectivos de Mesoescala

CJNEB

Corrente de jato do Nordeste

CCN

Cloud condensation nuclei

CINE

Energia de Inibição de Convecção

CPC

Climate Prediction Center

Centro-Leste

Dipolo do Atlântico

DOL

Distúrbios Ondulatórios de Leste

ENOS

El niño Oscilação Sul

ESMs

Modelos de sistemas da Terra

ECMWF

European Centre for Medium-Range Weather Forecasts

ERA

ECCC

Environmental and Climate Change Canada

ECVs

Essential Climate Variable

ECMWF

European Centre for Medium-range Weather Forecasts

Grell–Dévényi

GMAO

Global Modeling and Assimilation Office

GEOS

Goddard Earth Observing System

GEWEX

Global Energy and Water Cycle Exchanges

GCOs

Global Climate Observing System

IBIS

Integrated Biosphere Simulator

IPCC

Intergovernmental Panel on Climate Change

JMA

Japan Meteorological Agency

NEB

Nordeste Brasileiro

NASA

National Aeronautics and Space Administration

NCEP

National Centers for Environmental Prediction

NOAA

National Oceanic and Atmospheric Administration

OMM

Organização Meteorológia Mundial

PSL

Physical Sciences Laboratory

QTCM

Quasi-equilibrium Tropical Circulation Model

Coeficiente de Correlação de Pearson

RMSE

Raiz Quadrada do Erro Quadrático Médio

ROC

Radiação de Onda Curta

ROL

Radiação de Onda Longa

Sistemas Frontais

SEAS

Sudeste da América do Sul

TKE

Energia Cinética Turbulenta

TSM

Temperatura de Superfície do Mar

Universidade de Washington

VCAN

Vórtices Ciclônicos de Altos Níveis

ZCAS

Zona de Convergência do Atlântico Sul-

ZCIT

Zona de Convergência Intertropical

WCRP

World Climate Research Program

WRF

Weather Research and Forecasting

Sumário
LISTA DE ILUSTRAÇÕES .................................................................................................. 10
LISTA DE TABELAS ............................................................................................................ 11
LISTA DE ABREVIATURAS E SIGLAS ........................................................................... 12
1.

INTRODUÇÃO .............................................................................................................. 15
OBJETIVOS ........................................................................................................................... 16
1.1.1. ................................................................................................................................................. 16

REVISÃO BIBLIOGRÁFICA ...................................................................................... 17

DADOS E METODOLOGIA ........................................................................................ 20
Dados ....................................................................................................................................... 20
Modelo BAM........................................................................................................................... 22
3.2.1.

Núcleo Dinâmico ................................................................................................................. 23

3.2.2.

Processos da camada de superfície ...................................................................................... 23

3.2.3.

Microfísica de nuvens .......................................................................................................... 24

3.2.4.

Esquema de Radiação .......................................................................................................... 24

3.2.5.

Convecção............................................................................................................................ 25

Reanálise ERA-5..................................................................................................................... 26
GPCP ....................................................................................................................................... 28
Processamento dos dados ...................................................................................................... 29
Validação Estatística .............................................................................................................. 29

RESULTADOS ............................................................................................................... 30
Variabilidade Climática......................................................................................................... 30
4.1.1.

Variabilidade Interanual ...................................................................................................... 31

Validação do Modelo.............................................................................................................. 39
4.2.1.

Precipitação Sazonal ............................................................................................................ 40

4.2.2.

Temperatura do ar Sazonal .................................................................................................. 40

CONCLUSÕES............................................................................................................... 42

RECOMENDAÇÕES PARA TRABALHOS FUTUROS .......................................... 44

REFERÊNCIAS BIBLIOGRÁFICAS ......................................................................... 44

1. INTRODUÇÃO
O

Nordeste

Brasileiro

(NEB)

possui

uma

grande

extensão

territorial,

aproximadamente 1.600.000 km2, seguido de um regime pluviométrico irregular. O NEB
possui registros pluviométricos entre (800mm-1.200mm) com períodos prolongados de
estiagens e secas extremas. Essa condição traz grandes impactos para a população que reside
nessa região, além de problemas socioeconômicos (DOS SANTOS et al. 2017; DE
OLIVEIRA, et al. 2018). Por exemplo 62% da região do NEB que está localizada no polígono
das secas necessita de monitoramento constante devido a importância da chuva para as
atividades agrícolas, especialmente aquelas voltadas a agricultura familiar. Algumas
ferramentas como o monitor de secas projeto dirigido por um acordo de Cooperação Técnica
entre a (ANA, o MI e o INMET) já foram implementadas toda via o aumento dessas
informações proporcionam um monitoramento dessa região. (RODRIGUEZ et al. 2015;
VIEIRA et al. 2015).
Estudos prévios investigaram como a distribuição das chuvas ocorre e quais os
mecanismos associados aos padrões anômalos (BONAVITA et al. 2016; GELARO et al.
2017; ESCOBAR, 2019; KELLEY et al. 2020), a exemplo do El Niño-Oscilação Sul (ENOS),
que provocam impactos na qualidade do regime de chuva dependendo de sua fase
(CAVALCANTI 2012; HASTENRATH, 2012; MARENGO et al. 2017; SOUZA et al. 2018;
SILVA; DOS SANTOS, 2020). Nesse sentido, estudos de modelagem numérica podem
auxiliar, tanto a diagnosticar quanto prever, os impactos das variabilidades climáticas em
determinada região.
Embora exista um progresso substancial nas últimas décadas no desenvolvimento de
Modelos do Sistema Terrestre (ESMs; Earth Systems Models) e, consequentemente, nas
simulações do atual clima global (FIGUEROA et al. 2016), ainda são observadas algumas
limitações na representação de alguns processos físicos da superfície, além de fenômenos nãolineares, como por exemplo a variável precipitação (HIROTA; TAKAYABU, 2013; GROSE
et al. 2014). Dentre os modelos globais que são desenvolvidos em vários centros operacionais
e de pesquisas ao redor do globo, destaca-se o Brazilian Global Atmospheric Model (BAM),
que é desenvolvido pelo Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) do
Instituto Nacional de Pesquisas Espaciais (INPE). Foram adicionadas novas parametrizações
físicas e realizou ajustes visando melhorar o desempenho das previsões de tempo e clima
(FIGUEROA et al. 2016). A melhor qualidade das previsões e simulações desses modelos

trará benefícios imediatos não apenas para a comunidade científica, mas também para os
tomadores de decisão, como por exemplo, defesa civil, planejamentos agrícola, pesca e
transporte, etc. Portanto, uma melhor compreensão da habilidade dos modelos numéricos em
representar os processos dinâmicos e termodinâmicos da atmosfera, especialmente em escala
regional, é essencial para um melhor conhecimento de suas eficiências/limitações e,
consequentemente, para futuros desenvolvimentos.

OBJETIVOS
1.1.1.
Avaliar a habilidade do modelo BAM em simular a variabilidade do clima
regional no NEB e analisar a sua eficiência em reproduzir as características da
circulação atmosférica associadas durante os verões austrais (Dezembro-JaneiroFevereiro; DJF) de 2013-2014 (Normal), 2015-2016 (El Niño) e 2010-2011 (La Niña).
Especificamente este estudo abordará os seguintes itens:
•

Avaliar o desempenho do modelo BAM em simular a variabilidade interanual
da precipitação, temperatura e circulação atmosférica durante os verões
austrais supracitados sobre a América do Sul, mas com ênfase na região do
NEB;

•

A partir da técnica de análise objetiva e métodos estatísticos (viés e RMSE)
avaliar os resultados do modelo no intuito de validá-lo;

2. REVISÃO BIBLIOGRÁFICA
O deslocamento da célula de Walker sobre a América do Sul (AS) está associado
principalmente a ocorrência do fortalecimento do jato subtropical, anomalias e de um possível
trem de ondas que se estende do Pacífico até o sul da América do Sul (CUSTÓDIO, 2017;
VARGAS, 2017). Seu deslocamento para leste, influência o NEB e parte da Amazônia, que são

regiões que ficam sob a ação do ramo descendente dessa célula, (CAVALCANTI, 1996;
VIEGAS et al. 2019). O fortalecimento do jato subtropical ocorre devido ao aquecimento

anômalo na região do Pacífico Equatorial, que provoca um aumento do gradiente meridional
de temperatura (sentido norte – sul) e também um transporte de momentum em altos níveis,
da região de liberação de calor latente tropical, para os ventos de oeste. Sobre o NEB,
observa-se a atuação de diferentes sistemas de circulação atmosférica que tornam a
climatologia complexa e, assim, a precipitação possui uma má distribuição temporal e
espacial no período de um ano (KAYANO E ANDREOLI, 2009).
O tipo de vegetação predominante no NEB é caatinga, mas também fazem parte a
zona da mata, o agreste, os campos cerrados e a zona amazônica (DE OLIVEIRA, et al.
2018). Apesar de possuir uma vegetação resiliente é importante monitora os mecanismos que
contribuem com as chuvas no NEB, uma vez que elas são associadas com a vegetação. Por
exemplo, MARENGO et al. (2016) e VIEIRA et al. (2015) documentaram que o NEB é
vulnerável a atuação de extremos climáticos e que as projeções de mudanças climáticas para o
próximo século indicam que a região pode ser afetada por déficit de chuvas e aumento da
aridez.
Dentre os principais sistemas atmosféricos que atuam no NEB destacam-se Vórtices
Ciclônicos de Altos Níveis (VCAN), Zona de Convergência Intertropical (ZCIT), Distúrbios
Ondulatórios de Leste (DOL), Sistemas Frontais (SF), Alta da Bolívia (AB), Linhas de
Instabilidade (LI) e Complexos Convectivos de Mesoescala (CCM), além de padrões de
teleconexões atmosféricas e eventos de ENSO e dipolo do Atlântico (UVO E
BERNDTSSON, 1996; ALVES et al., 2006; MOSCATI; GAN, 2006; MOURA et al., 2009;
REBOITA et al., 2010; ÁVILA e BRITO, 2015).
Por exemplo, a atuação da AB nos altos níveis da atmosfera modifica o padrão de
circulação dos ventos e está associado com um intenso aquecimento nos baixos níveis
(~850hPa), conhecida como Baixa do Chaco (BC), além de fluxos de calor sensível e latente
(NUNES, 2017). A AB está dinamicamente ligada ao cavado do nordeste em (~200hPa)

(Satyamurty et al. 1998), e estes mecanismos favorecem a formação de VCANs durante o
verão na AS. A AB apresenta uma alta variabilidade anual, com sua posição sobre o oeste da
Amazônia Bolívia em outubro e Amazônia central em abril. Esse deslocamento está associado
ao deslocamento latitudinal do Sol. De acordo com MOLION (2004), a convecção de verão
na AS é decorrente de dois fenômenos, a saber: 1) processo termodinâmico, resultante do
aquecimento continental pelo Sol e calor latente, liberado nos movimentos ascendentes e a
divergência que se estabelece nos níveis altos (AB) e 2) processo dinâmico, relacionado com
a penetração de SF do Hemisfério Sul (OLIVEIRA, 2019).
As altas Subtropicais são um dos principais mecanismo que podem interferir na
dinâmica do clima do NEB. Elas estão localizadas em torno de 30º de latitude sobre os
oceanos em ambos os hemisférios e estão associadas à circulação média meridional da
atmosfera, surgindo devido às células de Hadley. No Atlântico Sul, a Alta Subtropical
(ASAS) tem grande papel na modulação do clima da AS. No inverno, além da ASAS inibir a
penetração de SFs até latitudes mais baixas, ela pode contribuir com a inversão térmica e
concentração de poluentes nos principais centros urbanos das regiões sudeste e sul do Brasil
(OLIVEIRA, 2019), enquanto sobre o NEB, a ASAS contribui para o regime de chuvas no
litoral.
Na escala interanual, destaca-se o fenômeno oceânico-atmosférico ENOS. As fases do
ENOS estão ligadas às configurações observadas sobre o oceano Pacífico Equatorial, ou seja,
quando se observa anomalias negativas (positivas) de Temperatura da Superfície do Mar no
Pacífico Equatorial durante 5 meses consecutivos caracteriza-se o evento de El Niño (La
Niña). O impacto do ENOS na região do NEB ocorre de forma inversa, isto é, em anos de EN
(LA) observa-se escassez (abundância) de chuvas. Vários trabalhos (p. ex., KOUSKY;
KAYANO; CAVALCANTE, 1984; PEREIRA; REBOITA; AMBRIZZI, 2017), mostraram
que durante anos de EN ocorreram as secas mais severas, (LUCENA; GOMES; SERVAIN,
2011) da mesma forma relatam que a precipitação sobre as três sub-regiões do NEB apresenta
uma grande variabilidade independente dos episódios El Niño ou La Niña, com uma
predominância de anos secos (chuvosos) nas sub-regiões leste e norte do NEB antes (depois)
de 1976, isto é, quando os episódios de La Niña (El Niño) foram mais numerosos. Utilizando
um modelo climático regional com resolução horizontal de 60 km, GOMES et al. (2019)
também encontraram uma distribuição interanual da precipitação, porém, mais forte quando o
Gradiente meridional (GRADM) é positivo (induzindo secas) ou negativo (períodos
chuvosos) sobre a região NEB, demonstrando uma forte influência climática do Atlântico

versus o Pacífico. Combinando as influências simuladas no Pacífico e Atlântico, bem como os
dados da precipitação observada no período verificou-se que, durante os anos de EN o oceano
tropical é responsável pela variabilidade das chuvas sobre o NEB (especialmente as subregiões Norte e Leste). Por outro lado, durante episódios de La Niña o Oceano Atlântico
tropical é a principal contribuição e a influência do Oceano Pacífico é relativamente modesta
(NOBRE; SHUKLA 1996, MARENGO et al. 2013, 2016).
A distribuição de chuva sobre o NEB não é uniforme. Por exemplo, DA SILVA et al.
(2011) mostram que a região do semiárido nordestino apresenta os menores valores de
precipitação e número de dias com chuva quando comparado as regiões do litoral e agreste. A
variabilidade da precipitação no NEB é menor (maior) durante o período chuvoso (seco),
enquanto a maior frequência de número de dias com chuva ocorre no primeiro semestre do
ano devido a, atuação da ZCIT e DOL.
Um estudo utilizando o modelo global BAM, foi desenvolvido com o intuito de avaliar
as simulações climáticas desenvolvidas pelo modelo, foi executado ao longo do período 19752017 em duas resoluções espaciais, correspondendo a ~ 180 e ~ 100 km, ambos com 42
níveis. Nessa perspectiva, quatro conjunto com diferentes variáveis foram rodados para cada
uma das duas resoluções. Uma série de diagnósticos foi computada para avaliar a capacidade
do modelo de representar a radiação do topo da atmosfera (TOA), temperatura atmosférica,
circulação e características climatológicas da precipitação. O modelo apresentou resultados
satisfatórios em ambas as resoluções reproduziu muitas características climatológicas como
temperatura, circulação atmosférica e precipitação observadas, apesar de vários vieses
identificados (COELHO et al. 2020).
REBOITA et al. (2004) utilizaram dois modelos climáticos globais (CPTEC e CFSv2)
e um modelo climático regional (RegCM4) para estudar o clima sazonal em três sub-regiões
distintas do NEB durante o período 1948 a 1997. Seus resultados mostraram que o modelo
RegCM4 adiciona valor às previsões dos modelos climáticos globais, principalmente, quando
é aninhado às saídas do modelo do CPTEC. Além disso, a região nordeste do Brasil nas duas
versões do RegCM reduz o viés úmido do CPTEC produzindo previsões mais similares aos
valores observados. Nessa região, o RegCM3 subestimava a temperatura do ar, enquanto o
RegCM4 passa a superestimar essa variável. Já a versão mais recente do modelo do CPTEC
produz previsões de temperatura do ar mais similares aos valores observados.

Na mesma perspectiva DA SILVA et al. (2020) utilizando o Ocean Land Atmosphere
Model (OLAMv.3.3) com o objetivo de avaliar o desempenho deste modelo em relação ao
melhor esquema de radiação (Chen ou Harrington) para representar a precipitação na área
Setentrional do Nordeste do Brasil no período de 1982 a 2012, mostra que o modelo, para as
duas parametrizações, conseguiu acompanhar a climatologia da precipitação ao longo do ciclo
anual, mas subestimando as médias observadas, no entanto, o esquema Harrington se mostrou
razoavelmente melhor que o Chen em muitos aspectos. DOS SANTOS GUIMARÃES et al.
(2021) realizou um estudo onde avaliou o desempenho do modelo BAM versão 1.2,
comparando com quatro modelos de projetos de previsão sub-sazonal a sazonal: Japan
Meteorological Agency (JMA), Environmental and Climate Change Canada (ECCC),
European Centre for Medium-range Weather Forecasts (ECMWF) and Australian Bureau of
Meteorology (BoM), os resultados mostram que mesmo o ECMWF sendo o modelo que
apresenta os maiores (menores) valores de correlação (erro quadrático médio, RMSE) entre
todos os modelos examinados, o modelo do CPTEC cruza o limite de correlação bivariada de
0,5 em cerca de 19 dias ao usar a média de 4 membros do conjunto. Dessa forma, o modelo
BAM provou ser competitivo em comparação com os modelos investigados.

DADOS e METODOLOGIA
Dados

Para esse estudo foram utilizados dados de simulações climáticas do modelo BAM
durante o período de 1979 até 2016 e com resoluções espacial de 100 km (aproximadamente)
e resolução temporal diário. Embora o período de dados disponível do BAM seja longo,
foram utilizados apenas os verões austrais (DJF) de 2010-2011 (LA), 2013-2014 (Normal),
2015-2016 (EN), pois o intuito do trabalho é avaliar a variabilidade interanual. Além disso,
como o foco está na região do NEB, mesmo o BAM cobrindo o globo inteiro, o domínio
considerado para as análises dos resultados engloba toda AS e partes dos oceanos Atlântico e
Pacífico (Figura 1). Para esse estudo foram utilizadas as variáveis de precipitação e
temperatura do ar e componentes zonal e meridional do vento em vários níveis da atmosfera.

Figura 1 - Mapa de localização do Nordeste Brasileiro (NEB), distribuição de altitude (m). Fonte:
Autor, 2021.

Os dados de Precipitação utilizados para comparação com os dados do BAM no
presente trabalho, foram obtidos juntos ao GPCP que provém de reanálise da precipitação
global dados de estações pluviométricas, satélites e observações de sondagem foram
combinados para estimar a precipitação mensal em uma grade global de 2,5 graus de 1979 até
o presente. Além da combinação desses conjuntos de dados, as estimativas das incertezas na
análise de chuva são fornecidas como parte dos produtos do GPCP.
Os dados das componentes zonal e meridional foram obtidos pelo produto de reanálise
MERRA2, no formato NetCDF4, esses dados integram um conjunto de reanálises que possui
uma alta resolução espacial (0.5° de latitude por 0.625° longitude), com 42 níveis verticais de
pressão, desde a superfície da Terra até a estratosfera. Os dados são calculados na mesma
resolução espacial que o modelo atmosférico BAM, usando um algoritmo variacional
tridimensional, com ciclos de atualização de 6 horas. Destaca-se que esta atualização é
realizada por meio do sistema global de assimilação de dados da NASA, com ênfase na
estimativa do ciclo hidrológico e uma vasta variedade de informações meteorológicas
GELARO et al. (2017).

Na reanalise ERA5 HERSBACH et al. (2020) foram utilizadas além das componentes
zonal e meridional a temperatura do ar em 850hpa, os dados possuem uma resolução de
0.5x0.5º fornece estimativas de hora em hora de muitas variáveis climáticas atmosféricas,
terrestres e oceânicas. Os dados cobrem a Terra em uma grade de 30 km e resolvem a
atmosfera usando 137 níveis da superfície até uma altura de 80 km. O ERA5 inclui
informações sobre incertezas para todas as variáveis em resoluções espaciais e temporais
reduzidas. Atualizações mensais com garantia de qualidade do ERA5 (de 1979 até o presente)
são publicadas em até 3 meses em tempo real. As atualizações diárias preliminares do
conjunto de dados estão disponíveis para os usuários em até 5 dias em tempo real.

Modelo BAM
Nesse estudo, foi usado a mais recente versão do modelo BAM, com as mudanças o
modelo recebeu um novo núcleo dinâmico e esquemas de parametrização de última geração
bem diferente dos usados no modelo antigo no CPTEC, como o modelo global é utilizado
para processar outros modelos do CPTEC, tais como os de previsões de tempo para América
do Sul, clima sazonal, qualidade do ar, com a mudança gradualmente estas previsões ganhem
maior confiabilidade e qualidade, o modelo entrou em operação 1/1/2016 após sua validação
para a previsão de tempo 1-7 dias. Melhorias deverão ser percebidas, em especial, para as
previsões de eventos extremos, tais como chuvas intensas, períodos de seca, eventos de El
Niño (FIGUEROA et al. 2016; COELHO et al. 2021).
O novo modelo foi desenvolvido para melhorar as previsões de tempo e clima em altas
resoluções no Brasil, para isso foi necessário desenvolver um modelo próprio com uma nova
dinâmica (equações do movimento da atmosfera) e física (radiação, camada limite, processos
de superfície, microfísica, etc.) como pode ser visto na tabela 1, mais adequadas para as
condições da América do Sul, BASTARZ et al. (2015), onde o principal intuito é incrementar
e melhorar as previsões do modelo, dessa maneira, aumentando a capacidade das tomadas de
decisões.
Tabela 1 - Configuração do modelo utilizado nas simulações.
Dinâmica

Euleriano (Espectral)

Convecção Profunda

Arakawa Schubert Simplificado
calibrada no CPTEC (HAN and PAN.,
2011)

Convecção Rasa

Tieldke (Tieldke ,1989)

Microfísica
Camada Limite Planetária
Arrasto de onda de gravidade
Superfície
Radiação de onda Curta
Radiação de onda Longa

Morrison (Morrison, 2005)
PBL Seca (Hostlag e Boville, 1992)
GMB (KIM; DOYLE, 2005)
IBIS-2.6-CPTEC (Kubota; 2012)
CliRad (TARASOVA,2007)
CliRad (TARASOVA,2007)

Fonte: FIGUEROA et al. (2016), adaptado pelo autor.
O modelo BAM foi acoplado com um novo núcleo dinâmico e esquemas de
parametrização de última geração diferente das parametrizações usadas no modelo antigo do
CPTEC. Nas subseções a seguir, são descritos alguns processos físicos incorporados no
BAM, principalmente o núcleo dinâmico e as parametrizações do modelo.
3.2.1. Núcleo Dinâmico
O BAM é um modelo espectral semi-implícito hidrostático, baseado em uma
formulação U - V, com uma coordenada vertical sigma/híbrida, com um esquema semiLagrangiano monotônico de dois níveis para o transporte tridimensional de umidade,
microfísico e com intuito de rastrear variáveis prognósticas, esse esquema de transporte, usa
as opções euleriano e semi-lagrangiano para a dinâmica, é realizado na grade do modelo, com
variáveis de umidade sem representação espectral. Esse núcleo dinâmico foi projetado para
ser usado na previsão de clima com resoluções horizontais de 200 a 10 km, (FIGUEROA et
al., 2016).
3.2.2. Processos da camada de superfície
Para analisar os processos que ocorrem na camada de superfície, foi usado um modelo
dinâmico de vegetação global, o esquema usado para a superfície terrestre é o Integrated
Biosphere Simulator versão 2.6 (IBIS v.2.6), descrito por FOLEY et al. (1996) e KUCHARIK
et al. (2000), e que anos depois foi aprimorado no CPTEC por KUBOTA (2012).
Esse esquema representa uma ampla gama de processos, incluindo física da superfície
terrestre, fisiologia de dossel, fenologia de plantas, dinâmica e competição de vegetação e
ciclagem de carbono e nutrientes. Estudos usando esse esquema foram utilizados na
Amazônia, por exemplo, COSTA et al. (2010), COSTA e PIRES (2007) e Cunha et al. (2013)

para o NEB. Eles mostraram a eficácia desse esquema para representar os processos físicos,
fisiológicos e ecológicos que ocorrem na vegetação e nos solos.
3.2.3. Microfísica de nuvens
O esquema de Morrison para microfísica baseado na concentração prevista de
gotículas e acoplamento com os espectros de núcleos de condensação de aerossol e
condensação de nuvens (CCN) MORRISON et al. (2005, 2009). Este esquema prevê as
razões de mistura de massa e número de cinco categorias de hidrometeoros: i) gotículas em
nuvens, ii) chuva, iii) gelo nas nuvens, iv) neve e v) precipitação de neve. As distribuições de
tamanho são representadas por funções gama:
𝜇𝑥

𝑁𝑥 (𝐷𝑥 ) = 𝑁𝑜𝑥 𝐷𝑥 𝐸𝑥𝑝(−𝜆𝑥 𝐷𝑥 )

(1)

Em que, Dx, é o diâmetro das partículas e 𝑁𝑜𝑥2 , 𝜆𝑥 e 𝜇, e são os parâmetros de
interceptação, inclinação e forma da distribuição de tamanho, respectivamente. O parâmetro
shape é assumido como zero (𝜇 = 0) para gelo nas nuvens e espécies de precipitação. Para
gotículas de nuvens, μ é calculado em função da concentração do número de gotículas
seguindo Martin et al. (1994). Os parâmetros de inclinação e interceptação são derivados da
massa prevista 𝑞𝑥 e número 𝑁𝑥 razões de mistura e especificado 𝜇𝑥 . Equações para as
tendências temporais de 𝑞𝑥 e 𝑁𝑥 são semelhantes aos de MORRISON et al. (2005), exceto a
precipitação de neve, 𝑞𝑔 e 𝑁𝑔 são dados por REISNER et al. (1998). Esse esquema é acoplado
ao esquema de mistura turbulenta, que fornece uma velocidade vertical da sub-grade para
ativação de gotículas e mistura das proporções de gotículas de nuvem e número de gelo, bem
como para o esquema de radiação descrito na próxima seção usando os raios previstos de
efetividade de gotículas de nuvem e gelo.
3.2.4. Esquema de Radiação
O esquema de radiação de ondas curtas (ROC) e ondas longas (ROL) usado no BAM é
o Modelo de Transferência Radiativa Rápida para GCMs RRTMG; IACONO et al. (2008),
desenvolvido na Atmospheric and Environmental Research, Inc. (AER), que é uma versão
modificada do Modelo de Transferência Radiativa Rápida RRTM; MLAWER et al. (1997).
Este esquema inclui a técnica de aproximação de coluna independente de Monte Carlo
(McICA) PINCUS et al. (2003), que é um método estatístico eficiente para a caracterização
de nuvens de sub-grade. Os esquemas RRTMG-SW e RRTMG-LW calculam fluxos e taxas

de aquecimento para as ondas curtas (14 bandas, de 0,2 a 12,2 μm) e as ondas longas (16
bandas, de 3,1 a 1,0 μm) radiação, respectivamente.
Os efeitos da absorção gasosa e da dispersão de partículas no RRTMG-SW incluem
vapor de água, dióxido de carbono, ozônio, metano, oxigênio, nitrogênio, nuvens, aerossóis e
dispersão de Rayleigh, enquanto as espécies moleculares tratadas no RRTMG-LW são vapor
de água e dióxido de carbono (CO2), ozônio (O3), metano (CH4), óxido nitroso (NO2),
oxigênio (O2), nitrogênio (N2) e os halocarbonetos CFC11 e CFC12. Por outro lado, as
propriedades da nuvem (profundidade ótica da nuvem, emissividade etc.) usadas neste novo
modelo são semelhantes às usadas no NCAR Community Atmosphere Model (CAM 5.0)
descrito por NEALE et al. (2012). As propriedades ópticas do aerossol são especificadas.
Novas atualizações para o modelo já estão sendo implementadas, como aerossol
climatológicos e dinâmicos no BAM que está em andamento e espera-se que esteja disponível
na próxima versão do modelo.
3.2.5. Convecção
O esquema de convecção superficial no BAM é de PARK e BRETHERTON (2009),
desenvolvido na Universidade de Washington (UW). O fluxo de massa da base da nuvem é
calculado usando energia cinética turbulenta (TKE) e energia de inibição de convecção
(CINE), e o arrastamento para as correntes de ar cumulus são calculados usando um algoritmo
de classificação de flutuabilidade. Dois esquemas de convecção profunda foram
implementados no BAM: o esquema (Grell–Dévényi) GD de múltiplas faixas e o esquema
GDM modificado desenvolvido no CPTEC / INPE. Abaixo, descrevemos brevemente o
esquema GD, com foco no fluxo de massa baseado na nuvem.
Após ARAKAWA e SCHUBERT (1974), daqui em diante AS, é a função de trabalho
em nuvem A é a taxa de geração de energia cinética devido ao trabalho realizado pela força de
flutuação B, ou uma medida integral da força de empuxo com pesagem por um perfil de fluxo
de massa normalizado 𝜼. A mudança de A pode ser escrita como:
𝜕𝐴(𝑡)
𝜕𝑡

𝜕𝐴(𝑡)

= [ 𝜕𝑡 ] 𝐿𝑠 + [ 𝜕𝑡 ] 𝐶𝑈 𝑚𝑏

(2)

Em que, os subscritos LS e CU representam alterações na função de trabalho devido
aos efeitos do forçamento em larga escala F e devido às nuvens convectivas K normalizado
pelo fluxo de massa baseado na nuvem 𝑚𝑏 , respectivamente. O fechamento de Grell (Grell
1993; G1) faz a suposição de quase-equilíbrio convectivo AS entre forçamento e convecção

em larga escala. Essa suposição de quase-equilíbrio do AS requer que

𝜕𝐴(𝑡)
𝜕𝑡

≪ 𝐹. Isso

significa que as tendências convectivas são rápidas em comparação com a tendência líquida
ou observada, 𝜕𝐴(𝑡)/𝜕𝑡 ≈ 0; então, 𝑚𝑏 no fechamento G1 pode ser calculado como:
𝐹

𝑚𝑏 = − 𝐾 = −

[𝐴′ (𝑛+1)−𝐴(𝑛)]

(3)

𝐾Δ𝑡

Dessa forma, A’ é a função de trabalho calculada com atualização (na etapa de tempo
n+1), variáveis termodinâmicas

𝜓 𝑛+1 após modificações por tendências do modelo

(radiação, superfície e processos e dinâmica de PBL), A é calculado a partir de variáveis
termodinâmicas no estado atual 𝜓 𝑛 e K é calculado como em G1. O esquema GD
implementado no BAM usa cinco métodos diferentes para calcular 𝑚𝑏 . Três são fechamentos
de estabilidade. Primeiro, G1 é descrito acima. Segundo, para o AS, o fechamento do
conjunto de física GFS é usado, empregando funções de trabalho em nuvem climatológica em
vez de calcular A. Terceiro, o tipo Kain – Fritsch (KF) remove a estabilidade por um período
de tempo especificado usado em KAIN e FRITSCH (1992). Em seguida, o tipo Kuo usa um
fechamento do tipo KRISHNAMURTI et al. (1983), relacionando a advecção vertical
integrada da umidade à 𝑚𝑏 . O fechamento final usa uma relação entre ômega de baixo nível e
𝑚𝑏 Brown (1979). Três perturbações são aplicadas para G1, KF_type, Kuo_type e ômega, e
quatro perturbações para AS. É permitido que eles interajam com nove membros do controle
estático (três eficiências de precipitação e três pontos fortes de cap), resultando em um total
de 144 membros da sub-grade.

Reanálise ERA-5
O ERA-5 é a quinta geração da reanálise do ECMWF. Atualmente, os dados são
disponíveis a partir de 1950, divididos em Climate Data Store para o período de 1950-1978 e
de 1979 até o presente. O ERA-5 substitui a versão anterior da reanálise ERA-Interim
(HERSBACH et al. 2020). A reanálise combina dados de modelo com observações de todo o
globo em um conjunto de dados globalmente completo e consistente usando as leis da física.
Este método, chamado de assimilação de dados, é baseado no sistema usado pelos centros de
previsão numérica do tempo, onde a cada tantas horas (6 horas no ECMWF) uma previsão
anterior é combinada com as novas observações disponíveis de uma forma ideal para produzir
uma nova melhor estimativa do estado da atmosfera, chamado de análise, a partir do qual uma
previsão atualizada e melhorada é disponibilizada HERSBACH et al. (2020).

Uma representação gráfica é fornecida na Figura 2 que apresenta o diagrama de
assimilação para ERA ‐ Interim e ERA5 em relação à atmosfera, incluindo ozônio (ATMO),
superfície terrestre (LAND), ondas do mar (WAVE), temperatura da superfície do mar (SST)
e gelo marinho (ICE). Caixas grandes representam integrações de loop externo (trajetórias)
onde os domínios indicados são acoplados. Os triângulos representam a assimilação dos
dados terrestres (LDAS) e a interpolação ótima das ondas oceânicas (OI), enquanto os
círculos correspondem aos loops internos 4D-Var. A assimilação de OI das ondas oceânicas é
realizada apenas dentro da trajetória final. Para ERA5, a assimilação de LDAS é um exemplo
de acoplamento fraco (PENNY et al. 2017) onde a influência da superfície da terra e outras
observações são apenas misturadas na próxima janela de análise por meio da previsão curta
acoplada da análise atual.

Figura 2 – Arquitetura funcional do modelo ERA-5. Fonte: HERSBACH, 2020.

Os dados foram refeitos para uma grade lat-lon regular de 0,25 graus para a reanálise e
0,5 graus para a estimativa de incerteza (0,5 e 1 grau, respectivamente, para as ondas do
oceano). Existem quatro subconjuntos principais: produtos horários e mensais, tanto em
níveis de pressão (campos de ar superiores) quanto em níveis únicos (atmosférica, ondas
oceânicas e quantidades da superfície terrestre). A entrada atual do ERA5, são dados horários

em níveis de pressão de 1979 até o presente, as principais informações estão descritas na
tabela 2.

Tabela 2 - Atributos e metadados globais associados ao ERA-5.

DATA DESCRIPTION
Data type
Projection

Gridded
Regular latitude-longitude grid

Horizontal coverage

Horizontal resolution

Temporal coverage

Global
Reanalysis: 0.25° x 0.25°
(atmosphere), 0.5° x 0.5° (ocean
waves)
Mean, spread and members: 0.5° x
0.5° (atmosphere), 1° x 1° (ocean
waves)
1979 to present

Temporal resolution
File format
Update frequency

Hourly
GRIB
Daily

Fonte: HERSBACH et al. (2020), adaptado pelo autor.

GPCP
O Projeto Global de Climatologia de Precipitação (GPCP) já existe há mais de vinte
anos como parte da atividade Global Energy and Water Cycle Exchanges (GEWEX) no
âmbito do World Climate Research Program (WCRP). O GPCP é formado por um consórcio
internacional de pesquisadores e cientistas operacionais do governo e de universidades que
fornecem conjuntos de dados, produtos e técnicas que são usados para fornecer uma análise
mesclada de precipitação baseada em observação.
A análise mensal do GPCP é uma combinação cuidadosa de estimativas de
precipitação baseadas em satélite que fornece a análise mais completa da precipitação
disponível até o momento sobre os oceanos globais e adiciona os detalhes espaciais
necessários às análises de precipitação sobre a terra (BECKER et al. 2013). As estimativas
baseadas em satélite são uma combinação de estimativas de micro-ondas passivas sobre o

oceano (CHIU e CHOKNGAMWONG, 2010), estimativas de micro-ondas passivas sobre a
terra (VILA et al. 2013) e estimativas de IR / sondas de micro-ondas, contribuindo em
latitudes mais altas (acima de 40 ° de latitude). Mais detalhes sobre os algoritmos de entrada e
dados e o processo de fusão podem ser encontrados nos documentos do GPCP (BECKER et
al. 2013). Um esforço significativo é feito para tornar homogêneos os conjuntos de dados de
entrada e a análise mesclada resultante durante o período de análise (1979 até o presente).

Processamento dos dados
A fim de verificar os resultados das simulações, do ponto de vista qualitativo, foi feita
uma comparação entre os dados do BAM e os dados do ERA-5, MERRA2 e GPCP. Devido a
resolução do modelo BAM ser diferente dos demais dados, foi aplicado um método de
interpolação nos dados supracitados no intuito de modificar a resolução do ERA-5, MERRA2
e GPCP para a resolução do BAM. Para tal, foi utilizado a interpolação bilinear do Climate
Data Operators (CDO), através da função REMAPBIL, baseado no software Grid Analysis
and Display System (GRADS Version 2.0.2.ago.2), foi realizado os tratamentos dos dados,
permitindo a visualizações e compreensão de todas as informações afim de melhor interpretar
os resultados obtidos.

Validação Estatística
Para verificar a eficiência do modelo, foram calculados os seguintes cálculos estatísticos:
Correlação de Pearson (r), Erro Médio (BIAS), a Raiz do Erro Quadrático Médio (RMSE),
conforme descrito abaixo (WILKS, 2011).
O coeficiente de correlação de Pearson (r) possibilita medir o grau da correlação e a
direção dessa correlação, este coeficiente assume valores entre -1 e 1. Ao passo que 1
significa correlação perfeita positiva entre as duas variáveis, quando -1 significa correlação
negativa perfeita entre as duas variáveis, dessa forma, se uma aumenta, a outra sempre
diminui e quando 0 significa que as duas variáveis não dependem linearmente uma da outra.
Descrito através da Equação 04:

𝑟=

′
∑𝑁
𝑡=1(𝑋𝑀𝑖 −𝑋 𝑀𝑖 )(𝑋0𝑖 −𝑋′0𝑖 )
′
2 𝑁
′
2
√∑𝑁
𝑖=1(𝑋𝑀𝑖 −𝑋 𝑀𝑖 ) ∑𝑡=1(𝑋0𝑖 −𝑋 0𝑖 )

Onde 𝑋′ indica a média em cada ponto, obtido através da Equação 05:

(4)

𝑋 ′ = 𝑁 ∑𝑁
𝑖=1(𝑋𝑖 )

(5)

O BIAS, considera uma determinada variável (X) com um sub-índice (M), mostrando o
valor simulado (XM) e o valor observado O (XO). Dessa forma, o BIAS para a variável de
interesse (X), será calculada para determina área através da (Equação 6):
1

𝑏 = 𝑁 ∑𝑁
𝑖=1(𝑋𝑀𝑖 − 𝑋0𝑖 )

(6)

No qual i representa o índice do ponto de grade e N o número total de pontos avaliados.
O RMSE calcula a dimensão dos erros, obtido de acordo com a Equação 07:
1

𝑅𝑀𝑆𝐸 = √𝑁 ∑𝑁
𝑖=1(𝑋𝑀𝑖 − 𝑋0𝑖 )

(7)

O desempenho do modelo em simular os padrões observados de precipitação é
avaliado pelo cálculo do viés absoluto (precipitação simulada – observada). No presente
trabalho, valores de viés entre -15 e +15 indicam boa concordância do modelo com os dados
reais, enquanto valores positivos e negativos maiores do que ±2 indicam superestimativa e
subestimativa do modelo, sobre a precipitação e TST, respectivamente.

RESULTADOS
Variabilidade Climática

Constantes observações apontam que a variabilidade interanual da Temperatura da
Superfície do Mar (TSM) nas áreas dos oceanos Pacífico Equatorial e Atlântico Tropical,
associada aos fenômenos El Niño, La Niña, ou a variabilidade no oceano Atlântico Tropical
Norte (ATN) e Atlântico Tropical Sul (ATS), tem forte influência no balanço hídrico e clima
regional da América do Sul (SOUZA et al. 2018). Um dos mais importantes modos de
variabilidade climática do acoplamento oceano-atmosfera é fenômeno El Niño-Oscilação Sul
(ENOS), pois afeta a circulação atmosférica global, alterando a precipitação e temperatura do
ar em diferentes níveis e lugares do planeta como, por exemplo, na América do Sul
(PEREIRA et al. 2017; ANDREOLI et al., 2016).

4.1.1. Variabilidade Interanual
A Figura 3 apresenta o campo médio do vetor vento e intensidade no nível (~850 hPa)
para os verões de 2010, 2013 e 2015 a partir da reanálise do ERA5 - (d, e, f) e modelo BAM (a, b, c). Comparando os verões estudados é possível observar uma diferença na intensidade
da ASAS e no escoamento de noroeste em baixos níveis a leste dos Andes (Figura 3). Quando
os resultados do BAM (Figura 3a) são comparados com a reanálise ERA5 (Figura 3d) é
possível observa um deslocamento tanto na ASAS quando no escoamento de noroeste. No
verão de 2015, ano de ocorrência de uma El Niño esses sistemas apresentaram maior (menor)
intensidade com o sistema de Alta pressão penetrando o continente e estendendo-se até o
centro da AS (Figuras 3a,d), já o escoamento de noroeste ganha intensidade chegando
próximo ao Norte-Nordeste do Paraguai (Figuras 3a,d). O modelo BAM (Figura 3a) consegui
reproduzir com eficiência tanto a intensidade quanto a direção dos sistemas no verão de 2015.
(PEREIRA et al. 2017) também observou que em anos de incidência de El Niño, existe uma
modificação nos padrões de deslocamento das células walker e hadley, isso favorece o
deslocamento e intensificação do jato de baixos níveis (JBN) a leste dos Andes da região
tropical para o sudeste da AS.
Um forte gradiente é observado na reanálise ERA5 (Figura 3d) de Leste para Oeste
junto com o avanço da ASAS no NEB favorecendo para a diminuição dos mecanismos de
formação de nuvens afetando diretamente o regime pluviométrico. Trabalhos como MENDES
(2019); DE ALMEIDA et al. (2017) e NETO et al. (2019) apontam que no NEB e Atlântico
tropical o aumento do gradiente provocado pela ASAS junto com o ramo de subsidente,
contribuem para intensificar os movimentos descentes e para tornar a atmosfera mais seca
nessa região. MARENGO et al. (2018) já haviam relatado que durante o verão de eventos El
Niño há um ramo de correntes descendentes próximo à costa da região nordeste do Brasil,
fato que inibe a precipitação.
Os verões de 2010 (Figuras 3b,e) e 2013 (Figuras 3c,f), ambos sob influência de fases
distintas do ENOS (La Niña e Neutro) respectivamente, não apresentam a mesma intensidade
observada no verão de 2015 (Figuras 3a,d), de acordo com estudos realizados por DOS
SANTOS; REBOITA, (2018) essa configuração também é observada no posicionamento e
intensidade da ASAS e na ocorrência dos JBN, indica que há certa correlação linear entre a
maior frequência de JBNs com episódios de El Niño. Essa relação observada entre os sistemas
indica que nos eventos El Niño há intensificação dos ventos alísios de nordeste sobre o
continente o que, consequentemente, favorece os JBNs. Associa-se a maior frequência de

JBNs com eventos de El Niño devido à maior intensidade e frequencia de anomalias
ciclônicas em baixos níveis da atmosfera, próximas ao sudeste da América do Sul. A principal
contribuição das anomalias ciclônicas para a maior frequência dos JBNs está associada à
intensificação do escoamento de noroeste, da região central da Bolívia para o sul do Brasil
(SILVA et al. 2019; ESCOBAR, 2019; BORSATO; MASSOQUIM, 2018).
O estudo da variabilidade interanual da circulação atmosférica sobre a AS e
Principalmente o NEB, torna-se importante visto que, a interação desses mecanismos nas
diferentes escalas (tamanho e tempo), são responsáveis por interferir no regime de
precipitação tanto da AS quando do NEB nas escalas sazonal e interanual (CARDOSO et al.
2019; SILVA et al. 2019). Os longos períodos de estiagem, influenciados pelo El Niño
(HASTENRATH, 2012; CAVALCANTI, 2012), ocasionam danos irreparáveis à população
da região, àqueles que retiram seu sustento da atividade agrícola, em especial a agricultura
familiar (RODRIGUEZ et al. 2015). Os diferentes sistemas de circulação atmosférica que
atuam nessa região tornam a climatologia complexa, refletindo em uma grande variabilidade
climática, com eventos de precipitação variando no tempo e no espaço (SANTOS et al. 2017).

Figura 3 - Campo médio sazonal do vetor vento (m/s) e intensidade (colorido) no sétimo nível sigma
(~850 hPa) para os verões de 2015/El Niño (coluna esquerda), 2010/La Niña (coluna central) e
2013/neutro (Coluna direita). BAM (a, b, c), ERA5 (d, e, f). O intervalo de intensidade é de 2m/s e
vetor de referência de 10 m/s. Fonte: Autor, 2021.

De modo geral, a climatologia sinótica indica três sistemas em altos níveis típicos
sobre a América do Sul: VCAN de origem extratropical, a Alta da Bolívia (AB) e o Cavado
do Nordeste Brasileiro (NUNES, 2017), especialmente com relação a Alta da Bolívia e a sua
interação com cavado do nordeste brasileiro, juntos compõem a climatologia de verão em
altos níveis na América do Sul, (LIMA e NUNES, 2018). Nos verões estudados (Figura 4), é
evidente a presença da AB e seu acoplamento com o cavado que aparece sobre o Nordeste,
essa interação é bem representada pela reanálise ERA5 (Figura 4d,e,f), o modelo BAM não
representou com clareza esses sistemas supracitados no verão de 2015 como mostra a (Figuras
4,c), no entanto, pode-se observa tanto no modelo quanto na reanálise um padrão bem
definido com relação a ASAS sobre o oceano atlântico nos verões de 2010, 2013 e 2015. Ó
modelo também representou com clareza um forte gradiente no campo de linhas de correste
ao Norte do Nordeste representando bem a corrente de jato do Nordeste (CJNEB). Costa et al.
(2010), observou que a distribuição do CJNEB com sentido de Leste-Oeste meridional foi
frequente o ano todo, e esteve associado em sua maioria ao cavado do nordeste e AB,
possuindo maior (menor) intensificação no verão.
A intensidade dos ventos alísios de sudeste está diretamente associada a ASAS
(CARPENEDO; AMBRIZZI, 2020), no verão a ASAS é mais fraca e retraído para leste,
contribuindo com condições mais úmidas e ventos mais fracos (SUN et al. 2017; REBOITA
et al. 2019). No verão de 2015 a AB foi observada mais a noroeste da AS (Figuras 4a, d),
relacionado com 2010 e 2013, no entanto, para os verões (2010 e 2013) o modelo BAM
(Figuras 4b,c) apresentou uma configuração da AB bem próxima da reanálise ERA5.
PEREIRA (2019) em um estudo realizado no sul do Brasil aponta que a AB contribui para a

precipitação nas regiões Norte e Centro-Oeste do Brasil. Segundo NUNES (2017), a posição
do seu centro e a configuração deste anticiclone modifica-se ao longo do verão. O sistema
está associado a esta circulação existente nos baixos níveis da atmosfera, uma região de baixa
pressão e convergência do ar Baixa do Chaco (PEREIRA, 2019).
A variabilidade interanual dos três sistemas de pressão em altos níveis típicos sobre a
América, AB e o Cavado do Nordeste foi bem simulada pelo BAM (Figuras 4a, b, c), com o
cavado do nordeste mais intenso (menos) durante os de 2010 e 2013, sendo estes
representados de forma coerente pelo modelo. O modelo BAM ainda se mostrou hábil para
reproduzir a variabilidade interanual dos jatos de altos níveis (JAN) (Figura 4; coluna
esquerda), onde apresenta maior intensidade em 2015.

Figura 4 – Campo médio sazonal do vetor vento (m/s) e intensidade (colorido) no vigésimo nível
sigma (~200 hPa) para os verões de 2015/El Niño (coluna esquerda) 2010/La Niña (coluna central) e
2013/neutro (Coluna direita). BAM (a, b, c), ERA5 (d, e, f). Fonte: Autor, 2021.

O campo Médio da temperatura do ar em 850 (hPa) é apresentado na Figura 5 ERA-5
(coluna esquerdo) e BAM (coluna direito), desta fora, pode-se observa que os maiores
gradientes térmicos encontram-se nas regiões subtropical e extratropical da AS, em
comparação com o verão de 2015, onde apresentou as temperaturas mais elevadas (Figuras
5a,b), 2010 foi relativamente mais frio (Figuras 5b,c). De modo geral, toda estrutura do
gradiente de temperatura foi simular de forma satisfatória pelo modelo BAM (Figura 5;
coluna esquerda). O verão de 2015 (Figuras 5a,b) apresenta temperaturas superiores a 21ºC
cobrindo uma maior extensão de área comparado com os outros verões estudados. Quando
comparado com os resultados da reanalise ERA5 (coluna direita) o modelo BAM simulou
essa variabilidade interanual de forma coerente (Figuras5; coluna esquerda). Contudo, as
simulações da estrutura térmica reproduzidas pelo BAM foram mais (menos) intensas e com
maior (menor) extensão, quando comparados a os resultados do ERA-5.
Segundo (ROCHA, 2018; DORNELES, RIQUETTI; NUNES, 2020) dois mecanismos
podem ser responsáveis por esse aquecimento, A Baixa do Noroeste Argentino (BNOA) e A
Baixa do Chaco (BCH), embora apareçam nos mapas médios imersas em uma grande área de
baixa pressão, apresentam diferenças significativas na sua estrutura dinâmica e
termodinâmica, o que inclui o tipo de massa de ar nas quais elas estão embebidas, a estrutura
dinâmica e termodinâmica da atmosfera, o grau de baroclínia, a instabilidade convectiva e
variabilidade diária e diurna (SELUCHI; SAULO 2012). Estudos realizado por IDALINO et

al. (2020) para a região de Aisén – Chile, aponta que a presença de anomalias de temperatura
tanto positivas quanto negativas, estão ligadas ao surgimento do ENOS e alcança seus
maiores picos na fase positiva e também neutra do sistema.
Analisar a temperatura em baixos níveis da atmosfera é importante, pois ela interage
com outros mecanismos de média e grade escala (ROCHA 2018; GUIMARÃES e DOS REIS
2017). No NE é observado que em anos de El Niño existe um aumento na temperatura do ar

nessa região, como observado na (Figuras 5a,b), por exemplo, PEREIRA; REBOITA;
AMBRIZZI, (2017) mostram que esse mecanismo em SON causa anomalias positivas de
precipitação no sudeste da AS e anomalias negativas entre o leste da Amazônia e nordeste do
Brasil. A interação dos diversos mecanismos presentes na AS, alteram todo o regime de
distribuição da temperatura do ar e precipitação, mecanismo como BNOA e BCH inserido em
uma troposfera

verticalmente

mais

estendida

apresentam

uma

estrutura

mais

barotrópica, típica de latitudes tropicais influencia tanto em alto, médio e baixos níveis os
padrões de circulação da Atmosfera, acarretando nas condições do tempo no centro-norte da
Argentina, sul da Bolívia, no Paraguai e nas Regiões Sul e Sudeste e em parte das Regiões
Centro-Oeste e a interação com a Alta da Bolívia pode influenciar o tempo no Norte e
Nordeste do Brasil (MARENGO et al. 2016; VIEIRA et al. 2015; ÁVILA; BRITO, 2015;
OLIVEIRA, 2019).
Com o objetivo de identificar a variabilidade espacial dos dados de precipitação sobre
a AS, a (Figuras 6; coluna direita) apresenta o erro médio para a região, observa-se que os
maiores desvios estão localizados sobre a porção (Norte, Sul e parte do Oceano pacifico),
regiões onde teve os menores valores de precipitação observados. (FREITAS et al. 2020)
usando o modelo RegCM4.7 observou em um estudo na AS, que os maiores desvios foram
observados sobre os subdomínios Amazônia e Centro-Oeste (AMZ) e SUL, onde os totais de
precipitação foram mais intenso. De modo geral, as demais regiões apresentaram menores
amplitudes, ou seja, desvios positivos em quase toda a AS. Observa-se ainda que a região do
NEB apresentou desvios positivos em sua grande parte com exceção da porção norte do NEB
onde subestimou (superestimando) os valores encontrados pelo GPCP. De acordo com
ALVES; MARENGO (2010); COSTA et al. (2021) e BRITO et al. (2019), apesar do modelo
simular corretamente o posicionamento dos sistemas, a precipitação associada a este sistema
não consegue adentrar de forma direta ao continente, resultando em possíveis desvios
negativos e positivos de precipitação no extremo norte da América do Sul durante o trimestre
de DJF.

Figura 5 – Campo médio sazonal de temperatura do ar a (~850 hPa), para os verões de 2015 (a,
b, c), 2010 (d, e, f) e 2013 (g, h, i): BAM (coluna esquerda), ERA5 (coluna central) e BIAS

(coluna direita). As unidades são em ºC. Fonte: Autor, 2021.
A Figura 6 apresenta a precipitação média zonal e o BIAS (coluna direita) para os
verões de 2010, 2013 e 2015 obtidos através do BAM (coluna esquerda) e da reanalise ERA-5
(coluna central). a variabilidade interanual da precipitação é observada principalmente sobre a
ZCIT, ZCAS e nas regiões subtropicais e extratropicais da AS (Figuras 6). Durante o verão de
2010 ano de La Niña, grande parte da AS principalmente (Norte, Nordeste e Centroeste) do
Brasil apresentaram valores de precipitação superiores aos anos de 2013 e 2015. Estudos
como o de SOUSA et al. (2018) mostram a influência do Atlântico Tropical como modulador
da precipitação nas regiões norte e nordeste da AS, mesmo coincidindo com a época de anos
extremos de ENOS, enfatizando a importância das duas bacias oceânicas sobre o clima da AS.
A variabilidade interanual da precipitação pelo modelo BAM (Figuras 6; coluna esquerda),
está presente em praticamente todo o domínio. Os padrões foram representados de forma
coerente pelo BAM, entretanto, com uma pequena variação e deslocamento abaixo dos
valores da analise GPCP (Figura 6; coluna central). Por exemplo a distribuição da
precipitação sobre o NEB (Figura 6,a) o modelo BAM subestima (superestimou) os valores

comparado com o GPCP, no entanto, o modelo foi eficiente em reproduzir a Banda de
convecção da ZCAS, evidenciando a maior atividade convectiva localizada na região CentroOeste do Brasil. PEDRO et al (2020); MARRAFON; REBOITA (2020) e STEIL; DE QUADRO
(2019) relatam que as principais forçantes são as anomalias de TSM no Atlântico oeste, que

influenciam diretamente a localização e a intensidade da ZCAS, modulando a precipitação no
Centro-Leste (CL) do Brasil e no Sudeste da América do Sul (SEAS). Entretanto, existem
tendências de que a variabilidade interanual de TSM no Atlântico esteja associada às
perturbações remotas, como os eventos El Niño – Oscilação Sul.
A precipitação sazonal simulada pelo BAM (Figuras 6; coluna esquerda) mostra-se
menos (mais) intensa a leste dos Andes, quando comparado a análise do GPCP (Figura 6;
coluna central). Apesar do modelo subestima (superestima) a precipitação nesta região, a
reprodução desses máximos na climatologia do modelo é um indicativo da representação da
dinâmica dessa região, de modo geral, o modelo representou de forma satisfatória os efeitos
do ENOS acoplados aos sistemas atuantes no NEB, onde ouve um amento da precipitação no
verão de 2010 (La Niña) e uma redução em 2015 (El Niño). Estes resultados estão em
conformidade com recentes trabalhos de simulações climáticas sobre AS, como, (SOUZA et
al. 2018; SILVA; DOS SANTOS, 2020; MARENGO et al. 2017) para NEB a diferença dos
compostos mostra que o impacto do El Niño em reduzir a precipitação é mais intenso que o da
La Niña em intensificar a precipitação. vários estudos têm evidenciado como os recursos
hídricos na região Nordeste vem sendo afetados em anos com marcantes anomalias de
precipitação (MARENGO et al. 2017; MARTINS et al. 2017; BRITO et al. 2018; AZEVEDO
et al. 2018 e RODELL et al. 2018). Por exemplo, os efeitos observados desse sistema acabam
favorecendo ou desfavorecendo as atividades convectivas, sendo assim, foi observado que na
sub-região 1 (norte do NEB), em anos de EN, é bem caracterizado por anomalias negativas
(período de secas) como descritas na literatura (MOLION; BERNARDO, 2002; PEZZI;
CAVALCANTI, 2001). Em anos de LN, observa-se, na sub-região 1 e 2, dois períodos com
impactos contrastantes, antes de 1976, com predomínio de anomalias de precipitação
negativas (redução das chuvas), e após este ano, anomalias positivas (chuvas acima da média
climatológica).
Com o objetivo de identificar a variabilidade espacial dos dados de precipitação sobre
a AS, a (Figuras 6; coluna direita) apresenta o erro médio para a região, observa-se que os
maiores desvios estão localizados sobre a porção (Norte, Sul e parte do Oceano pacifico),
regiões onde teve os menores valores de precipitação observados. (FREITAS et al. 2020)

usando o modelo RegCM4.7 observou em um estudo na AS, que os maiores desvios foram
observados sobre os subdomínios Amazônia e Centro-Oeste (AMZ) e SUL, onde os totais de
precipitação foram mais intenso. De modo geral, as demais regiões apresentaram menores
amplitudes, ou seja, desvios positivos em quase toda a AS. Observa-se ainda que a região do
NEB apresentou desvios positivos em sua grande parte com exceção da porção norte do NEB
onde subestimou (superestimando) os valores encontrados pelo GPCP. De acordo com
ALVES; MARENGO (2010); COSTA et al. (2021) e BRITO et al. (2019), apesar do modelo
simular corretamente o posicionamento dos sistemas, a precipitação associada a este sistema
não consegue adentrar de forma direta ao continente, resultando em possíveis desvios
negativos e positivos de precipitação no extremo norte da América do Sul durante o trimestre
de DJF.

Figura 6 – Campo de precipitação média sazonal. para os verões de 2015 (a, b, c), 2010 (d, e, f) e
2013 (g, h, i): BAM (coluna esquerda), GPCP (coluna central) e BIAS (coluna direita). As

unidades são em mm/dia. Fonte: Autor, 2021.

Validação do Modelo
A área de estudo é afetada anualmente por uma distribuição irregular e complexa da
precipitação, com elevadas temperaturas ao longo do ano e um índice de precipitação que
varia de 300 a 2000 mm conta com a presença de quatro tipos de climas bem marcantes: clima
equatorial úmido, clima litorâneo úmido e clima tropical semiárido (MARENGO et al. 2017;
SANTOS et al. 2017; DE OLIVEIRA, et al. 2018; GOMES; FREITAS, 2018). No intuito de
avaliar a destreza em termos quantitativos entre as simulações do modelo BAM e análise do
(ERA-5 e GPCP), e também a amplitude do erro entre ambos na escala de tempo interanual
para todo o período (3 verões). Devido à grande área ocupada pelo NEB, é importante realizar
subdivides, pois, a região responde de maneira diferente com a influência dos diversos
sistemas que atuam na região. Dessa maneira, foi utilizado o domínio com resolução de 20 km
em três regiões (Figura 6): NE1 que engloba os Estados (Maranhã, Piauí e parte do Ceara e
Pernambuco), NE2 (Grande parte da Bahia, uma pequena porção sul do Piauí e uma parte do
leste do Tocantins), já o domínio CO1 cobre toda costa do NEB (Rio Grande do Norte,
Paraíba, grande parte de Pernambuco, Alagoas, Sergipe e a Porção costeira da Bahia).

CO1
NE1

NE2

Figura 6 - Subdivisões das áreas para avaliação objetiva. NE1 (Maranhã, Piauí e parte do Ceara e

Pernambuco), NE2 (Grande parte da Bahia, uma pequena porção do Piauí e uma parte do

Tocantins) e CO1 (Rio Grande do Norte, Paraíba, grande parte de Pernambuco, Alagoas,
Sergipe e a Porção costeira da Bahia). Fonte: Autor, 2021.
4.2.1. Precipitação Sazonal
A tabela 4 apresenta os valores das análises estatísticas da precipitação e temperatura
do ar sazonal, para as três áreas de verificação (NE1, NE2 e CO1), analisando o verão de
2010 (Tabela 4) é possível observa que, para a precipitação sazonal, o menor valores de RMS
foi de 2,87mm para o domínio NE1 já para o BAIS o menor valor foi observado sobre o
domínio CO1 (Tabela 4). O maior valor encontrado no RMS foi sobre toda costa do NEB,
área do CO1, enquanto para o erro médio os valores mais expressivos foram na área NE2.
Para o coeficiente de correlação, o melhor resultado para a correlação espacial foi observado
na região NE1 com (53%). No verão de 2013, o menor valor de RMS é encontrado no
domínio NE1 onde apresentou 2,48mm enquanto o BIAS este valor foi de -0,54 também para
a região NE1. Por outro lado, os maiores valores RMS e BAIS foram de 4,19mm e 4,35,
respectivamente para o domínio NE2, que também apresentou o maior valor do coeficiente de
correlação espacial (56%), a região NE1 também apresentou uma boa correlação espacial
(55%).
Em 2015, os domínios CO1 (2,97mm) e NE1 (0,02) tiveram os menores valores de
RMS e BIAS, já o domínio NE2 apresentou os maiores valores tanto para o RMS (8,92mm)
quanto BIAS (3,46). Além disso, é observado a melhor correlação no mesmo domínio NE2
com um valor de 52%. Este resultado corrobora com os estudos encontrados por (MENDES
2020; SOUSA et al. 2018; SOUSA et al. 2019; BRITO et al 2019 e ALVES 2018) usando
modelos como WRF, RegCM-4.6.1 e QTCM encontram predominância de viés positivo, ou
úmido, em grande parte da Amazônia, um maior viés positivo sobre o setor sudoeste de
(centro do Peru, Bolívia e centro-sul do Brasil). As maiores correlações significativas foram
observadas durante DJF (valores superiores a 0.7) são encontrados na área com o menor viés
nesta estação, localizadas principalmente sobre o norte-nordeste da AS e ao longo da área de
influência da ZCIT no oceano Atlântico.
4.2.2. Temperatura do ar Sazonal
Analisando a temperatura do ar sazonal (Tabela 4), nos três verões, observa-se de
maneira geral que tanto o RMS como o BIAS apresentaram temperaturas inferiores a ± 2,5ºC
em todas as áreas verificadas, com exceção da região NE2. Valores que são esperados para a
região de acordo com a literatura (KOUSKY; KAYANO; CAVALCANTE, 1984; SALES et

al. 2015). Estudos como o de (COSTA et al. 2021; GUIMARÃES et al. 2016; RODRIGUES
et al. 2019) para as sub-regiões norte e sul do NEB, observaram que na porção norte do NEB
na média anual, em relação ao CRU, o RAMS apresenta valores negativos para o BIAS (1,016 ºC) comparado ao HadGEM2-ES. Já na porção sul, o modelo regional mantém o viés
menos frio (-1,398 ºC) comparado ao modelo global (-1,613 ºC), concordando com os valores
do BIAS dentro do limiar ± 2,5ºC. A ocorrência de anomalias de chuva e temperatura estão
associadas a ocorrência dos eventos EL Niño e La Niña e são a principal fonte de
variabilidade interanual para a AS (IDALINO et al. 2020; PEREIRA et al. 2018; SOLMAN;
BLÁZQUEZ 2019).

Na maior parte dos casos, observa-se que o modelo está simulando a temperatura do ar
e precipitação sazonal de forma coerente, quando comparado a análise do ERA-5 e GPCP, no
entanto entre a precipitação sazonal e a temperatura do ar, nota-se que o padrão espacial deste
último é melhor, assim como as correlações. É importante destacar que pelas análises a região
NE2 foi à área que obteve a maior destreza, tanto na precipitação como temperatura, quando
comparado às outras regiões, em parte isso pode ser explicado devido sua posição geográfica,
que favorece a chega de sistemas tanto da faixa tropical quanto extratropical, interferindo
diretamente na sensibilidade ao esquema convectivo e resolução horizontal do modelo, o novo
núcleo dinâmico e esquemas de parametrização de última geração está influenciando as
maiores destrezas do modelo em função da alta resolução do mesmo.
Tabela 4 - Análise estatística da temperatura do ar e precipitação sazonal nas três regiões de
verificação (NE1, NE2 e CO1) através do erro médio (BIAS), raiz do erro médio quadrático
(RMS) e coeficiente de correlação (r).
NEUTRO (2013-2014)

El NIÑO (2015-2016)

r
0,53
0,38
-0,47

RMS
2,48
4,19
2,80

BIAS
-0,54
4,35
-1,22

r
0,55
0,56
-0,33

RMS
3,87
8,92
2,97

BIAS
0,02
3,46
0,54

r
0,39
0,52
-0,02

NE1
1,70
-0,92 0,24
NE2
2,79
-1,13 0,05
CO1
1,99
0,51
0,01
Fonte: Autor (2021). Fonte: Autor, 2021.

2,10
3,06
2,02

-0,63
-1,08
1,22

0,39
0,01
-0,01

2,13
3,26
2,27

1,08
0,87
2,46

0,25
-0,07
-0,13

LA NIÑA (2010-2011)

Variáveis Regiões RMS
PREC
NE1
2,87
NE2
2,99
CO1
3,57
TEMP

BIAS
0,51
7,58
-0,53

5. CONCLUSÕES
Neste trabalho foram apresentados resultados referentes a avaliação do desempenho do
modelo Atmosférico Global Brasileiro (BAM) durante os verões austrais de 2013-2014
(Normal), 2015-2016 (El Niño) e 2010-2011 (La Niña), com o intuito de simular a
variabilidade do clima regional no NEB, dessa maneira, analisar a eficiência do modelo em
reproduzir as características da circulação atmosférica e os padrões de precipitação e
Temperatura do ar.
Em baixos níveis, é possível observar uma diferença na intensidade da ASAS, e no
escoamento de noroeste em baixos níveis a leste dos Andes, o modelo BAM simulou com
eficiência a variabilidade interanual nos três verões estudados quando comparado com os
resultados do ERA-5. Porém no verão de 2015, ano de ocorrência de uma El Niño, tanto a
ASAS quando o escoamento de noroeste apresentou maior intensidade. Tendo em vista que o
sistema de Alta pressão penetra o continente e se estende até o centro da AS, já o escoamento
de noroeste ganha intensidade chegando próximo ao NNE do Paraguai. Notou-se que em anos
de El niño em baixos níveis da atmosfera, esse modo de variabilidade favorece o
deslocamento e intensificação do jato de baixos níveis (JBN) a leste dos Andes da região
tropical para o sudeste da AS. Um forte gradiente é observado na reanálise ERA5 de Leste
para Oeste junto com o avanço da ASAS no NEB, favorecendo para a diminuição dos
mecanismos de formação de nuvens afetando diretamente o regime pluviométrico.
Em altos níveis a principal característica observada, é a presença da AB que está
ligado ao cavado que aparece sobre o Nordeste, representado melhor pelo modelo ERA-5. O
modelo BAM não representou com clareza esses sistemas supracitados no verão de 2015, no
entanto, pode-se observar nos três modelos uma concordância com relação a ASAS sobre o
oceano atlântico nos verões de 2010, 2013 e 2015. A climatologia sinótica indica três sistemas
em altos níveis típicos sobre a América do Sul: VCAN de origem extratropical, a Alta da
Bolívia (AB) e o Cavado do Nordeste Brasileiro. No verão de 2015 a AB foi observada mais a
noroeste da AS, relacionado com 2010 e 2013, o sistema está associado a esta circulação
existe, nos baixos níveis da atmosfera, uma região de baixa pressão e convergência do ar
Baixa do Chaco. O modelo BAM ainda se mostrou hábil para reproduzir a variabilidade
interanual dos jatos de altos níveis (JAN) (Figura 4; coluna direita), onde apresenta maior
intensidade em 2015.

Com relação a temperatura do ar médio em 850 (hPa), em comparação com o verão de
2015, onde apresentou as temperaturas mais elevadas, 2010 foi relativamente mais frio. De
modo geral, pode-se observar que os maiores gradientes térmicos se encontram nas regiões
subtropical e extratropical da AS, onde a estrutura do gradiente de temperatura foi simular de
forma satisfatória pelo modelo BAM. O verão de 2015 apresenta temperaturas superiores a
21ºC cobrindo uma maior extensão de área comparado com os outros verões estudados. O
modelo simulou essa variabilidade interanual. Contudo, as simulações da estrutura térmica
reproduzidas pelo BAM foram mais intensas e com maior extensão, quando comparados a os
resultados do ERA-5.
A variabilidade interanual da precipitação é observada principalmente sobre a Zona de
Convergência Intertropical (ZCIT), Zona de convergência do Atlântico Sul (ZCAS) e nas
regiões subtropicais e extratropicais da AS. Durante o verão de 2010 ano de La Niña, grande
parte da AS principalmente (Norte, Nordeste e Centro-oeste) do Brasil apresentaram valores
de precipitação superiores aos anos de 2013 e 2015, isso pode ser explicado pela influência do
Atlântico Tropical como modulador da precipitação nas regiões norte e nordeste da AS,
mesmo coincidindo com a época de anos extremos de ENOS, enfatizando a importância das
duas bacias oceânicas sobre o clima da AS. A variabilidade interanual da precipitação
observada pelo modelo BAM, está presente em praticamente todo o domínio. Os padrões
foram representados de forma coerente pelo BAM, entretanto com uma pequena variação e
deslocamento abaixo dos valores da analise GPCP. Por exemplo a distribuição da precipitação
sobre o NEB, o BAM subestima os valores comparado com a reanalise, no entanto o modelo
foi eficiente em reproduzir a Banda de convecção da ZCAS, evidenciando a maior atividade
convectiva localizada na região Centro-Oeste do Brasil. Entretanto, existem tendências de que
a variabilidade interanual de TSM no Atlântico esteja associada às perturbações remotas,
como os eventos El Niño – Oscilação Sul. O modelo representou de forma satisfatória os
efeitos do ENOS acoplados aos sistemas atuantes no NEB, onde ouve um amento da
precipitação no verão de 2010 (La Niña) e uma redução em 2015 (El Niño).
Em adição, foram realizadas análises estatísticas da precipitação e temperatura do ar
sazonal, para as três áreas de verificação (NE1, NE2 e CO1). Na maior parte dos casos,
observa-se que o modelo está simulando a temperatura do ar e precipitação sazonal de forma
coerente, quando comparado a análise do ERA-5 e GPCP, no entanto entre a precipitação
sazonal e a temperatura do ar, nota-se que o padrão espacial deste último é melhor, assim
como as correlações. É importante destacar que pelas análises a região NE2 foi à área que

obteve a maior destreza, tanto na precipitação como temperatura, quando comparado às outras
regiões, em parte, isso pode ser explicado devido sua posição geográfica, que favorece a
chega de sistemas tanto da faixa tropical quanto extratropical, o novo núcleo dinâmico e
esquemas de parametrização aumentando a eficiência do modelo, dessa forma, interferindo
diretamente na sensibilidade, esquema convectivo e a alta resolução do mesmo.
O estudo da variabilidade interanual da circulação atmosférica sobre a AS e
Principalmente o NEB, torna-se importante visto que, a interação desses mecanismos nas
diferentes escalas (tamanho e tempo), são responsáveis por interferir no regime de
precipitação tanto da AS quando do NEB nas escalas sazonal e interanual (CARDOSO et al.
2019; SILVA et al. 2019). Estes resultados trará um suporte para os centros operacionais de
meteorologia, uma vez que, o conhecimento com meses de antecedência dos padrões
atmosféricos e oceânicos que possam explicar como será a evolução e possível previsão ao
longo da estação chuvosa, pode-se contribuir para a melhoria do planejamento
socioeconômico de cada região, minimizando os impactos de situações de eventos extremos

6. Recomendações para trabalhos futuros
A partir deste trabalho é possível o desenvolvimento de novos estudos. À
implementação e analise de outras variáveis como TSM, UMIDADE, FLUXO DE CALOR
SENSÍVEL

LATENTE,

RADIAÇÃO

ONDA

LONGA

CURTA

EVAPOTRASPIRAÇÃO em conjunto com uma série temporal maior, trará suporte para
resultados mais consistentes e previsões cada vez mais eficientes.

7. REFERÊNCIAS BIBLIOGRÁFICAS
AZEVEDO, S.C.; Cardim, G.P.; Puga, F.; Singh, R.P. & Silva, E.A. Analysis of the 20122016 drought in the northeast Brazil and its impacts on the Sobradinho water reservoir.
Remote Sensing Letters, 9(5): 439 – 447, 2018.
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.

ALVES, L. M. e MARENGO, J. A. Assessment of regional seasonal predictability using
the PRECIS regional climate modeling system over South America. Theoretical and Applied
Climatology, v. 100, p. 337–350, 2010.
ALVES, Lincoln Muniz. Análise da variabilidade climática e eventos extremos de
precipitação sazonal com o modelo climático RegCM-4.6. 1 sobre o sudeste do Brasil. 2018.
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, 2009.
ÁVILA, P. L. R.; BRITO, J. I. Relação Entre a Oscilação Decadal do Pacífico e a
Variabilidade da Precipitação de Campina Grande, PB. Ciência e Natura, v. 37, p. 159-162,
2015.
ANDREOLI, R.V.; OLIVEIRA, S.S.; KAYANO, M.T.; VIEGAS, J.; SOUZA, R.A.F.;
CANDIDO, L.A. The influence of different El Niño types on the South American rainfall.
International Journal of Climatology, v. 37, p. 1374-1390, 2016.
BASTARZ, Carlos Frederico; SAPUCCI, Luis Fernando; BONATTI, José Paulo. SISTEMA
DE PREVISÃO POR CONJUNTO GLOBAL NO CPTEC: ESTADO ATUAL E PLANOS
FUTUROS, 2015.
BECKER, Andreas et al. A description of the global land-surface precipitation data products
of the Global Precipitation Climatology Centre with sample applications including centennial
(trend) analysis from 1901–present. Earth System Science Data, v. 5, n. 1, p. 71-99, 2013.
BRITO, S.S.B.; Cunha, A.P.M.A.; Cunningham, C.C.; Alvalá, R.C.; Marengo, J.A. &
Carvalho, M.A. Frequency, duration and severity of the drought in the Semiarid Northeast
Brazil region. International Journal of Climatology, 23: 200-213, 2018.
BRITO, Adriane Lima et al. Avaliação do Desempenho dos Modelos HadGEM2-ES e Eta a
partir de Indicadores de Extremos Climáticos de Precipitação para a Bacia Amazônica.
Revista Brasileira de Meteorologia, v. 34, n. 2, p. 165-177, 2019.
BONAVITA, M., Hólm, E., Isaksen, L. and Fisher, M. The evolution of the ECMWF hybrid
data assimilation system. Quarterly Journal of the Royal Meteorological Society, 142(694),
pp.287-303, 2016.

BORSATO,

Victor

Assunção;

MASSOQUIM,

Nair

Gloria.

SISTEMAS

ATMOSFÉRICOS E OS EVENTOS CLIMÁTICOS EXTREMOS NA REGIÃO DE
CAMPO MOURÃO-PR. Revista Brasileira de Climatologia, v. 23, 2018.
CARPENEDO, Camila Bertoletti; AMBRIZZI, Tércio. Anticiclone Subtropical do Atlântico
Sul Associado ao Modo Anular Sul e Impactos Climáticos no Brasil. Revista Brasileira de
Meteorologia, v. 35, n. 4, p. 605-613, 2020.
CAVALCANTI, Iracema FA. Episódios El Niño/Oscilação Sul durante a década de 1986 a
1996 e suas influências sobre o Brasil. Climanálise Especial, 1996.
CAVALCANTI, I. F. A. Large scale and synoptic features associated with extreme
precipitation over South America: A review and case studies for the first decade of the 21st
century. Atmospheric Research, v. 118, p. 27-40, 2012.
CARDOSO, Letícia Karyne da Silva et al. Aspectos climáticos das posições da zona de
convergência intertropical e dos anticiclones semipermanentes do Atlântico Sul e do Pacífico
Sul: relações com regimes de chuva no nordeste do Brasil. 2019.
CHIU, Long S.; CHOKNGAMWONG, Roongroj. Microwave emission brightness
temperature histograms (METH) rain rates for climate studies: Remote Sensing Systems
SSM/I version-6 results. Journal of applied meteorology and climatology, v. 49, n. 1, p. 115123, 2010.
COSTA, Micejane da Silva et al. Vórtice ciclônico em altos níveis associados à corrente de
jato no nordeste brasileiro nos anos de 1998-2007. 2010.
COSTA, MH e GF Pires: Efeitos dos cenários de desmatamento da Amazônia e do Brasil
central na duração da estação seca no arco do desmatamento. Int. J. Climatol, v. 30, p. 1970 –
1979, 2010.
COSTA, T. C. e 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, 2007.
COSTA, Rafaela Lisboa et al. Cenários de Mudanças Climáticas para a Região Nordeste do
Brasil por meio da Técnica de Downscaling Estatístico. Revista Brasileira de Meteorologia, n.
AHEAD, 2021.

COELHO, Caio AS et al. Evaluation of climate simulations produced with the Brazilian
global atmospheric model version 1.2. Climate Dynamics, v. 56, n. 3, p. 873-898, 2021.
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, 2013.
CUSTÓDIO, Lady Layana Martins et al. Análise da precipitação pluvial da pré-estação e da
estação chuvosa de Roraima e do leste do Nordeste do Brasil. 2017.
DA SILVA, Vicente PR et al. Análise da pluviometria e dias chuvosos na região Nordeste do
Brasil. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 15, n. 2, p. 131-138,
2011.
DA SILVA, Maria Leidinice et al. Avaliação do Modelo OLAMv. 3.3 na Simulação da
Precipitação sobre o Nordeste Setentrional Brasileiro. Anuario do Instituto de Geociencias, v.
43, n. 3, 2020.
DE OLIVEIRA, Alisson Medeiros; DE AMORIM, Rodrigo Freitas; DA SILVA COSTA,
Diógenes Félix. Implicações das oscilações climáticas do Quaternário tardio na evolução da
fisionomia da vegetação do semiárido do Nordeste Setentrional. Revista de Geociências do
Nordeste, v. 4, p. 50-65, 2018.
DE ALMEIDA, Hermes Alves; MEDEIROS, Everton Araújo. Variabilidade no regime
pluvial em duas mesorregiões da Paraíba e sua relação com o fenômeno El Niño Oscilação
Sul. Journal of Environmental Analysis and Progress, p. 177-185, 2017.
DOS SANTOS, Diego Felipe; REBOITA, Michelle Simões. Jatos de baixos níveis a leste dos
andes: comparação entre duas reanálises. Revista Brasileira de Climatologia, v. 22, 2018.
DOS SANTOS, Wagner Martins et al. Variabilidade espacial da sazonalidade da chuva no
semiárido brasileiro. Journal of Environmental Analysis and Progress, p. 368-376, 2017.
DORNELES, Viviane Rodrigues; RIQUETTI, Nelva Bugoni; NUNES, André. Forçantes
Dinâmicas e Térmicas Associadas a um Caso de Precipitação Intensa Sobre o Rio Grande do
Sul, Brasil. Revista Brasileira de Climatologia, v. 26, 2020.
DOS SANTOS GUIMARÃES, Bruno et al. An inter-comparison performance assessment of
a Brazilian global sub-seasonal prediction model against four sub-seasonal to seasonal (S2S)
prediction project models. Climate Dynamics, v. 56, n. 7, p. 2359-2375, 2021.

ESCOBAR, Gustavo Carlos Juan. Classificação Sinótica Durante a Estação Chuvosa do
Brasil. Anuário do Instituto de Geociências, v. 42, n. 2, p. 421-436, 2019.
FREITAS, Ismael Guidson Farias de et al. Downscaling Dinâmico através do Modelo RegCM
para Diferentes Inicializações Utilizando Dados do CFSv2. Revista Brasileira de
Meteorologia, n. AHEAD, 2020.
FIGUEROA, S. N., and Coauthors: The Brazilian Global Atmospheric Model (BAM):
Performance for tropical rainfall forecasting and sensitivity to convective scheme and
horizontal resolution. Wea. Forecasting, 31, 1547–1572, 2016.
FOLEY, JA, IC Prentice, N. Ramankutty, S. Levis, D. Pollard, S. Sitch e A. Haxeltine: Um
modelo de biosfera integrado de processos de superfície terrestre, balanço de carbono terrestre
e dinâmica da vegetação. Global Biogeochem. Cycles, v. 10, p. 603 - 628, 1996.
GELARO, Ronald et al. The modern-era retrospective analysis for research and applications,
version 2 (MERRA-2). Journal of climate, v. 30, n. 14, p. 5419-5454, 2017.
GOMES, Lorena de Moura Joia; FREITAS, Ana Carolina Vasques. Alterações na Circulação
de Hadley Regional e na Alta Subtropical do Atlântico Sul em um Cenário de Aquecimento
Global. Anuário do Instituto de Geociências, v. 43, n. 3, p. 227-239, 2018.
GUIMARÃES, Sullyandro Oliveira et al. Projeções de Mudanças Climáticas sobre o
Nordeste Brasileiro dos Modelos do CMIP5 e do CORDEX. Revista Brasileira de
Meteorologia, v. 31, n. 3, p. 337-365, 2016.
GUIMARÃES, Daniel P.; DOS REIS, Ruibran. Impactos do fenômeno Enos sobre a
temperatura no Brasil. Revista Espinhaço| UFVJM, p. 34-40, 2017.
HASTENRATH, S. Exploring the climate problems of Brazil’s Nordeste: a review. Climatic
Change, v. 112, n. 2, p. 243-251, 2012.
HERSBACH, Hans et al. The ERA5 global reanalysis. Quarterly Journal of the Royal
Meteorological Society, v. 146, n. 730, p. 1999-2049, 2020.
HIROTA, Nagio; TAKAYABU, Yukari N. Reproducibility of precipitation distribution over
the tropical oceans in CMIP5 multi-climate models compared to CMIP3. Climate dynamics,
v. 41, n. 11-12, p. 2909-2920, 2013.

IACONO, M. J. Delamere, E. Mlawer, M. Shephard, S. Clough e W. Collins: Forçamento
radiativo por gases de efeito estufa de longa duração: Cálculos com os modelos de
transferência radiativa AER. J. Geophys. Res. 113, 2008.
IDALINO, Filipe Daros et al. Variabilidade de precipitação e temperatura média superficial
do ar no norte da região de Aisén, Chile, no período de 1950-2017. Revista GeoUECE.
Programa de Pós-Graduação em Geografia da Universidade Estadual do Ceará, 2020. Vol. 9,
nesp. 2 (2020), p. 6-23, 2020.
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, p. 213-233, 2009.
KELLEY, Maxwell et al. GISS‐E2. 1: Configurations and climatology. Journal of Advances
in Modeling Earth Systems, v. 12, n. 8, p. e2019MS002025, 2020.
KRISHNAMURTI, TN, S. Low-Nam e R. Pasch: Parametrizações do cúmulo e taxas de
precipitação II. Seg. Wea. Rev, 111, 815 - 828, 1983.
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, v.
36, p. 490-504, 1984.
LIMA, Mônica Vaz; NUNES, André Becker. Comportamento climático do balanço do vento
térmico na América do Sul de acordo com os eventos ENOS: Estudo preliminar. Revista
Brasileira de Geografia Física, v. 11, n. 03, p. 728-744, 2018.
LUCENA, Daisy Beserra; GOMES FILHO, Manoel F.; SERVAIN, Jacques. Avaliação do
impacto de eventos climáticos extremos nos Oceanos Pacífico e Atlântico sobre a estação
chuvosa no nordeste do Brasil. Revista Brasileira de Meteorologia, v. 26, n. 2, p. 297-312,
2011.
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, 2013.
MARTINS, ESPR; MAGALHÃES, Antonio Rocha; FONTENELE, Diógenes. A seca
plurianual de 2010–2017 no Nordeste e seus impactos. Parc. Estrat, v. 22, p. 17-40, 2017.
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.

MARENGO, J.A.; Alves, L.M.; Alvala, R.C.S.; Cunha, A.P.; Brito, S. & Moraes, O.L.L.
Climatic characteristics of the 2010-2016 drought in the semiarid Northeast Brazil region.
Anais da Academia Brasileira de Ciências, 23: 1-13, 2017.
MARENGO, José A. et al. Climatic characteristics of the 2010-2016 drought in the semiarid
Northeast Brazil region. Anais da Academia Brasileira de Ciências, v. 90, n. 2, p. 1973-1985,
2018.
MARTINS, E.S.P.R.; Coelho, C.A.S.; Haarsma, R.; Otto, F.E.L.; King, A.; Oldenborgh,
G.J.V.; Kew, S.; Philip, S.; Vasconcelos Jr., F.C. & Cullen, H. A multimethod attribution
analysis of the prolonged Northeast Brazil hydrometeorological drought (2012-16). Bulletin
of the American Meteorological Society, 99: 65-69, 2017.
MARRAFON, Vitor Hugo; REBOITA, Michelle Simões. Características da precipitação na
América do Sul reveladas através de índices climáticos. Revista brasileira de climatologia, v.
26, 2020.
MATIOLA, Cleusa; RIBEIRO, Eduardo Augusto Werneck. ANÁLISE EXPLORATÓRIA
DOS DADOS CLIMÁTICOS E SUA INFLUÊNCIA NO Aedes aegypti, NO MUNICÍPIO
DE CHAPECÓ/SC: RESULTADOS PARCIAIS. Hygeia-Revista Brasileira de Geografia
Médica e da Saúde, v. 15, n. 33, p. 29-41, 2019.
MENDES, Marcus Vinícius. O fenômeno El Niño oscilação Sul. Revista Marítima Brasileira,
v. 139, n. 01/03, 2019.
MENDES, Marcus Vinícius. Relações de larga escala entre a Temperatura da Superfície do
Mar do Oceano Atlântico Sul e a precipitação continental na América do Sul no período de
1901 a 2010. 2020.
MOLION, L.C.B.; BERNARDO, S.O. Uma revisão da dinâmica das chuvas no Nordeste
Brasileiro. Revista Brasileira Meteorologia, 17(1)1-10, 2002.
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, 2004.
MORRISON, G. G. Thompson e V. Tatarskii: Impacto da microfísica das nuvens no
desenvolvimento de precipitação estratiforme à direita em uma linha de instabilidade
simulada: Comparação de esquemas de um e dois momentos. Seg. Wea, Rev. 137, p. 991 –
1007, 2009.

MOSCATI, M. C. L.; GAN; M. A. Rainfall variability in the rainy season of semiarid zone of
Northeast Brasil (NEB) and its relation to wind regime. International Journal of
Climatology, v. 27, n. 4, p. 493-512, 2006.
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.
MLAWER, EJ, SJ Taubman, PD Brown, MJ Iacono e SA Clough, Transferência radiativa
para atmosferas não homogêneas: RRTM, um modelo correlacionado-k validado para ondas
longas. J. Geophys. Res. v.102, p. 16 663-16 682, 1997.
NEALE, RB e co-autores: Descrição do NCAR Community Atmosphere Model (CAM 5.0).
NCAR Tech. Nota NCAR / TN-486 + STR, 274, 2012.
NETO, Nabor Figueirêdo. AVALIAÇÃO DOS IMPACTOS DO EVENTO EL NIÑO
SOBRE A VEGETAÇÃO DO MUNICÍPIO DE PATOS-PB. Revista Craibeiras de
Agroecologia, v. 4, n. 2, 2019.
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.
NUNES, André Becker. Estudo de Caso de Sistemas Meteorológicos em Altos Níveis Sobre a
América do Sul: Análise Sinótica. Anuário do Instituto de Geociências [online], v. 40, 2017.
OLIVEIRA, Reumally Nunes de et al. A variabilidade da chuva na Amazônia Central: El
Niño e La Niña. 2019.
PARK, S. e CS Bretherton: Os esquemas de convecção superficial e turbulência úmida da
Universidade de Washington e seu impacto nas simulações climáticas com o Modelo de
Atmosfera Comunitária. J. Clima, v. 22, p. 3449 – 3469, 2009.
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. 293-3010, 2017.
PEREIRA, Vaneza Barreto. O Registro paleoclimático em um testemunho de gelo do Nevado
Illimani (Bolívia) e a variabilidade da precipitação no sul do Brasil. 2019.

PEREIRA, Heloisa Ramos; REBOITA, Michelle Simões; AMBRIZZI, Tércio. Características
da atmosfera na primavera austral durante o El Niño de 2015/2016. Revista Brasileira de
Meteorologia, v. 32, n. 2, p. 293-310, 2017.
PEREIRA, Gabriel et al. ANÁLISE DA VARIABILIDADE DA PRECIPITAÇÃO PARA O
ESTADO DE MINAS GERAIS (1981-2017). Revista Brasileira de Climatologia, v. 1, 2018.
PEDRO, Daniele Fernanda Pazini; FREITAS, Ana Carolina Vasques; BELOTTI, Fernanda
Maria. A Influência da Zona De Convergência do Atlântico Sul (Zcas) Na Ocorrência de
Deslizamentos de Massa Em Belo Horizonte e Cidades Vizinhas. Revista Brasileira de
Climatologia, v. 27, 2020.
PEZZI, L.P.; CAVALCANTI, I.F.A. The relative importance of ENSO and tropical Atlantic
sea surface temperature anomalies for seasonal precipitation over South America: A
numerical study. Climate Dynamics, 17: 205-212, 2001.
PENNY, S. G., S. AKELLA, O. Alves, C. Bishop, M. BUEHNER, M. CHEVALLIER, F.
Counillon et al. Coupled data assimilation for integrated earth system analysis and prediction:
Goals, challenges and recommendations. Rap. tech. 3. In World Meteorological Organization,
World Weather Research Programme, International workshop on coupled data assimilation
(18-21 Octobre 2016, Toulouse). 2017.

PINCUS, R. HW Barker e J.‑J. Morcrette: Uma técnica rápida, flexível e aproximada para
calcular a transferência radiativa em campos de nuvem não homogêneos. J. Geophys. Res. V.
108, p. 4376, 2003.
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.
REBOITA, Michelle S. et al. Análise sinótica e numérica de um VCAN no Nordeste do
Brasil. Revista Brasileira de Geografia Física, v. 10, n. 01, p. 041-059, 2017.
REBOITA, Michelle Simões et al. Previsão climática sazonal para o Brasil obtida através de
modelos climáticos globais e regional. Revista Brasileira de Meteorologia, v. 33, n. 2, p. 207224, 2018.

REBOITA, M.S.; AMBRIZZI, T.; SILVA, B.A.; PINHEIRO, R.F.; ROCHA, R.P. The South
Atlantic subtropical anticyclone: Present and future climate. Frontiers in Earth Sciences, v. 7,
n. 8, p. 1-15, 2019.
RODRIGUEZ, R. D. G.; SINGH, V. P.; PRUSKI, F. F.; CALEGARIO, A. T. 2015. Using
entropy theory to improve the definition of homogeneous regions in the semi-arid region of
Brazil, Hydrological Sciences Journal, v. 7, p. 2096 – 2109, 2015.
RODRIGUES, Talmo Manhães de França; SENNA, Mônica Carneiro Alves; CATALDI,
Marcio. Simulação dos impactos climáticos da desertificação do Nordeste brasileiro.
Engenharia Sanitaria e Ambiental, v. 24, n. 5, p. 1037-1047, 2019.
RODELL, M.; Famiglietti, J.S.; Wiese, D.N.; Reager, J.T.; Beaudoing, H.K.; Landerer, F.W.
& Lo, M.-H. Emerging trends in global freshwater availability. Nature, 557: 651-659, 2018.
ROCHA, Maurício Rebouças et al. A baixa do noroeste argentino e a sela da Argentina:
interações com o transporte de umidade e com sistemas convectivos. 2018.
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. 92-104, 2017.
SALES, Domingo Cassain et al. Projeções de mudanças na precipitação e temperatura no
nordeste brasileiro utilizando a técnica de downscaling dinâmico. Rev. bras. meteorol.
[online]. vol.30, n.4, pp.435-456, 2015.
SOLMAN, Silvina A.; BLÁZQUEZ, Josefina. Multiscale precipitation variability over South
America: analysis of the added value of CORDEX RCM simulations. Climate Dynamics, v.
53, n. 3, p. 1547-1565, 2019.
SELUCHI, Marcelo Enrique and SAULO, Andrea Celeste. Baixa do Noroeste Argentino e
Baixa do Chaco: caracterísitcas, diferenças e semelhanças. Rev. bras. meteorol. online, vol.27,
n.1, pp.49-60, 2012.
SILVA, João Pedro Rodrigues; REBOITA, Michelle Simões; ESCOBAR, Gustavo Carlos
Juan. Caracterização da Zona de Convergência do Atlântico Sul em campos atmosféricos
recentes. Revista Brasileira de Climatologia, v. 25, 2019.
SILVA, Francillene Fernandes; DOS SANTOS, Francílio de Amorim; DOS SANTOS,
Juliana Moreira. ÍNDICE DE ANOMALIA DE CHUVA (IAC) APLICADO AO ESTUDO

DAS PRECIPITAÇÕES NO MUNICÍPIO DE CARIDADE, CEARÁ, BRASIL. Revista
Brasileira de Climatologia, v. 27, 2020.
SOUSA, Aline Corrêa de; CANDIDO, Luiz Antonio; ANDREOLI, Rita Valéria.
Variabilidade interanual da precipitação e fluxo de umidade sobre a Amazônia usando o
QTCM. Revista Brasileira de Meteorologia, v. 33, n. 1, p. 41-56, 2018.
SOUSA, Jeanne Moreira de et al. Avaliação da Habilidade do Modelo WRF em Representar a
Precipitação na Amazônia Usando Diferentes Escalas. Revista Brasileira de Meteorologia, v.
34, n. 2, p. 255-273, 2019.
SUN, X.; COOK, K.H.; VIZY, E.K. The South Atlantic subtropical high: Climatology and
interannual variability. Journal of Climate, v. 30, n. 9, p. 3279-3296, 2017.
STEIL, Monalisa; DE QUADRO, Mário Francisco Leal. Variação da temperatura da
superfície do mar no oceano Atlântico sul durante episódios de zona de convergência do
Atlântico sul oceânica. Metodologias e Aprendizado, v. 2, p. 89-94, 2019.
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, 1996.
VARGAS, Franci Flores; VEIGA, José Augusto Paixão. Padrões atmosféricos e oceânicos
associados a eventos secos na bacia amazônica nos anos de 1982/83, 2004/05 e 2009/10.
Ciência e Natura, v. 39, n. 2, p. 423-435, 2017.
VIEGAS, Juarez et al. Caracterização dos Diferentes Tipos de El Niño e seus Impactos na
América do Sul a Partir de Dados Observados e Modelados. Revista Brasileira de
Meteorologia, v. 34, n. 1, p. 43-67, 2019.
VILA, Daniel et al. The performance of hydrological monthly products using SSM/I–SSMI/S
sensors. Journal of Hydrometeorology, v. 14, n. 1, p. 266-274, 2013.