DISSERTAO_GEIZA-VERSO_FINAL_APROVADA_-_FICHA_CATALOGRFICA (1).pdf
Documento PDF (4.9MB)

Exibir conteúdo Baixar

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

GEIZA THAMIRYS CORREIA GOMES

DOWNSCALING ESTATÍSTICO APLICADO A PREVISÃO CLIMATICA DE
PRECIPITAÇÃO PARA A BACIA HIDROGRÁFICA DO RIO MUNDAÚ

MACEIÓ – AL
2023

GEIZA THAMIRYS CORREIA GOMES

DOWNSCALING ESTATÍSTICO APLICADO A PREVISÃO CLIMATICA DE
PRECIPITAÇÃO PARA A BACIA HIDROGRÁFICA DO RIO MUNDAÚ

Dissertação de mestrado apresentada ao
Programa de Pós-graduação em Meteorologia
da Universidade Federal de Alagoas, como
parte do requisito para o grau de mestre em
meteorologia.
Orientador: Professor Dr. Fabrício Daniel dos
Santos Silva.
Co-Orientador: Professora Dra. Maria Luciene
Dias de Melo.

MACEIÓ – AL
2023

RESUMO
Produzir previsões climáticas sub sazonais é crucial para muitos setores econômicos e tem
grande relevância para a sociedade como um todo. Diferentes eventos climáticos atuam na
região Nordeste do Brasil condicionando sucesso ou fracasso em atividades agrícolas, impactos
nos recursos hídricos e períodos de extremos secos ou úmidos. A Bacia Hidrográfica do Rio
Mundaú (BHM), é uma das mais importantes para os estados de Alagoas e Pernambuco, de
clima tropical/semiárido onde o curso d’água e extensão territorial da bacia cruza e divide os
dois estados. Nessa bacia há ocorrências cíclicas de grandes períodos de estiagens e enxurradas
severas. Diante desta problemática, o objetivo deste estudo foi regionalizar as previsões
climáticas do modelo francês Méteo-France System 7 (MFS7) para a BHM utilizando a técnica
de Análise de Correlações Canônicas (ACC), que permite recalibrar as previsões climáticas
retrógradas de um modelo confrontando-as com as observações em uma área, e avaliar a sua
destreza após isso. A previsão de cada mês foi obtida com até cinco meses de antecedência no
período 1993-2016 e analisada de forma determinística por meio da correlação entre valores
simulados e observados, mostrando como principal resultado que a previsão para determinado
mês realizada exatamente com um mês de precedência, geralmente, fornece a previsão mais
precisa, embora essa não seja uma regra para todos os meses do ano. No entanto, percebeu-se
que ao aplicar uma previsão média por conjuntos, a partir da média de todas as cinco previsões
anteriores, as correlações são significativamente aumentadas entre essa previsão média e as
observações, além da diminuição dos erros relativos à previsão. A rede de observações na BHM
não é ampla e a fonte dos observada utilizada foi do Climate Hazards Group InfraRed
Precipitation with Station data (CHIRPS), que se mostrou eficiente para estimativa das chuvas
acumuladas mensais na BHM quando comparada as poucas séries observadas. Após avaliação
das previsões recalibradas com ACC, um estudo de caso foi realizado aplicando a previsão por
conjuntos para todos os meses do ano de 2020, com resultados que indicaram previsões
climáticas condizentes com as observações desse mesmo ano, demonstrando o potencial
operacional de utilização dos dados climáticos do MFS7 para gerar previsões climáticas
confiáveis para a BHM.

Palavras-chave: Previsões climáticas, Precipitação acumulada mensal, CHIRPS, BHM,
MFS7.

ABSTRACT
Producing sub-seasonal climate forecasts is crucial for many economic sectors and has great
relevance for society as a whole. Different climatic events act in the Northeast region of Brazil,
conditioning success or failure in agricultural activities, recharge or shortage of water resources,
periods of dry or humid extremes. The Mundaú River Basin (BHM) is one of the most important
for the states of Alagoas and Pernambuco, with a tropical/semi-arid climate where the
watercourse and territorial extension of the basin crosses and divides the two states. In this basin
there are cyclic occurrences of long periods of drought and severe floods. Faced with this
problem, the objective of the present study was to regionalize the climate forecasts of the French
model Méteo-France System 7 (MFS7) for the BHM using the Canonical Correlation Analysis
(ACC) technique, which allows recalibrating the retrograde climate forecasts of a model
confronting them with observations in one area, and evaluating their dexterity after that. The
forecast for each month was obtained up to five months in advance in the period 1993-2016 and
analyzed deterministically through the correlation between simulated and observed values,
showing as the main result that the forecast for a given month was carried out exactly one month
in advance, generally provides the most accurate forecast, although this is not a rule for every
month of the year. However, it was noticed that when applying an average prediction by sets,
from the average of all five previous predictions, the correlations are significantly increased
between this average prediction and the observations, in addition to the decrease of errors
related to the prediction. The network of observations in the BHM is not extensive and the
source of the observations used was from the Climate Hazards Group InfraRed Precipitation
with Station data (CHIRPS), which proved to be efficient for estimating the monthly
accumulated rainfall in the BHM when compared to the few observed series. After evaluating
the recalibrated forecasts with ACC, a case study was carried out applying the set forecast for
all months of the year 2020, with encouraging results that indicated climate forecasts consistent
with the observations of that same year, demonstrating the operational potential of using the
weather data from the MFS7 to generate reliable weather forecasts for the BHM.

Keywords: Climate forecasts, Monthly cumulative precipitation, CHIRPS, BHM, MFS7.

LISTA DE FIGURAS
Figura 1 – Domínio do preditor X e do preditando Y (acima) e (abaixo) processo de
redução do número de variáveis (pontos de grade) para obter séries independentes
(ortogonais entre si). ................................................................................................................. 8
Figura 2 – Localização da Bacia Hidrográfica do rio Mundaú (BHM). ........................... 13
Figura 3 – Distribuição espacial dos pontos extraídos do CHIRPS na BHM, com
resolução espacial de 0,05°. .................................................................................................... 14
Figura 4 – Componentes do modelo CNRM-CM do sistema de previsão sazonal. .......... 15
Figura 5 – Domínio usado no CPT. .......................................................................................... 19
Figura 6 – Exemplo de construção do diagrama de Taylor. ............................................... 23
Figura 7 – Diagrama de dispersão entre valores mensais observados em estações da
ANA na BHM, e estimados pelo CHIRPS para as coordenadas geográficas dessas
estações em dias com ocorrência de precipitação. ............................................................... 24
Figura 8 – Climatologia anual, 1981 a 2020. ........................................................................ 25
Figura 9 – Climatologia sazonal. ........................................................................................... 26
Figura 10 – Climatologia mensal........................................................................................... 27
Figura 11 – Correlações entre observações e previsões geradas para o mês de janeiro
variando de um a cinco meses de antecedência (dezembro a agosto do ano anterior). ... 30
Figura 12 – Idêntica a figura 18, mas para fevereiro. ......................................................... 31
Figura 13 – Idêntica a figura 18, mas para março. ............................................................. 32
Figura 14 – Idêntica a figura 18, mas para abril. ................................................................ 32
Figura 15 – Idêntica a figura 18, mas para maio. ................................................................ 33
Figura 16 – Idêntica a figura 18, mas para junho. .............................................................. 34
Figura 17 – Idêntica a figura 18, mas para julho. ............................................................... 35
Figura 18 – Idêntica a figura 18, mas para agosto. ............................................................. 36
Figura 19 – Idêntica a figura 18, mas para setembro.......................................................... 36
Figura 20 – Idêntica a figura 18, mas para outubro. .......................................................... 37
Figura 21 – Idêntica a figura 18, mas para novembro. ....................................................... 37
Figura 22 – Idêntica a figura 18, mas para dezembro. ...................................................... 38
Figura 23 – MAE da média das previsões de cada mês do ano. ........................................ 39
Figura 24 – RMSE da média das previsões de cada mês do ano. ....................................... 40
Figura 25 – Aplicação do diagrama de Taylor representando graficamente as estatísticas
relativas as observações e previsões obtidas até cinco meses antes do mês atual, para
janeiro, fevereiro, março, abril, maio e junho. .................................................................... 42
Figura 26 – Aplicação do diagrama de Taylor representando graficamente as estatísticas
relativas as observações e previsões obtidas até cinco meses antes do mês atual, para
julho, agosto, setembro, outubro, novembro e dezembro. .................................................. 43
Figura 27 – Correlações entre observações e previsões por conjunto para cada mês do
ano. ........................................................................................................................................... 45
Figura 28 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para janeiro de 2020 (painel inferior). .............................................. 48
Figura 29 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para fevereiro de 2020 (painel inferior)............................................ 48
Figura 30 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para março de 2020 (painel inferior). ............................................... 49

Figura 31 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para abril de 2020 (painel inferior). .................................................. 49
Figura 32 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para maio de 2020 (painel inferior). ................................................. 50
Figura 33 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para junho de 2020 (painel inferior). ................................................ 50
Figura 34 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para julho de 2020 (painel inferior). ................................................. 51
Figura 35 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para agosto de 2020 (painel inferior). ............................................... 51
Figura 36 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para setembro de 2020 (painel inferior). .......................................... 52
Figura 37 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para outubro de 2020 (painel inferior). ............................................ 52
Figura 38 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para novembro de 2020 (painel inferior). ........................................ 53
Figura 39 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para dezembro de 2020 (painel inferior). ......................................... 53

LISTA DE ABREVIATURAS E SIGLAS
ACC

Análise de Correlações Canônicas

ACP

Análise de Componentes Principais

AGCMs

Modelo Dinâmico de Circulação Geral Global Atmosféricos

ANA

Agência Nacional de Águas e Saneamento Básico

BAM

Modelo Atmosférico Global Brasileiro

BHM

Bacia Hidrográfica do rio Mundaú

CELMM

Complexo Estuarino Lagunar Mundaú-Manguaba

CGCMs

Modelo Dinâmico de Circulação Geral Global Acoplados

CHIRPS

Climate Hazards Group InfraRed Precipitation with Station data

CHPClim

Climate Hazards Center’s Precipitation Climatology

CNRM

Centre National de Recherches Météorologiques

Cov

Covariância

CP

Componentes Principais

CPC

Climate Prediction Center

CPTEC

Centro de Previsão de Tempo e Estudos Climáticos

CPT

Climate Predictability Tool

DOL

Distúrbio Ondulatório de Leste

ECMWF

European Centre for Medium-Range Weather Forecasts

ENOS

El Niño-Oscilação do Sul

EOF

Empirical Orthogonal Function
EURO-BRazilian Initiative for Improving South American Seasonal

EUROBRISA Forecasts
GCMs

Modelos de Circulação Global

GTS

Sistema Global de Telecomunicações

INMET

Instituto Nacional de Meteorologia

INPE

Instituto Nacional de Pesquisas Espaciais

IRI

International Research Institute for Climate Society

KMA

Korea Meteorological Agency

MAE

Erro Médio Absoluto

MFS7

Meteo-France-System 7

NCDC

National Climatic Data Center

NCEP

National Center for Environmental Prediction

NEMO

Nucleus for European Modeling of the Ocean

NMME

North American Multi-Model Ensemble

NOAA

National Oceanic and Atmospheric Administration

OMM

Organização Mundial de Meteorologia

r

Coeficiente de correlação de Pearson

RLM

Regressão Linear Múltipla

RMSE

Root Mean Squared Error (Erro quadrático médio)

SEALBA

Sergipe, Alagoas e Bahia

SURFEX

Surface Externalisée

TSM

Temperatura da Superfície do Mar

VCAN

Vórtice Ciclônico de Altos Níveis

ZCIT

Zona de Convergência Intertropical

Sumário

1.

2.

3.

TRODUÇÃO............................................................................................................ 1
1.1

OBJETIVO GERAL ............................................................................................................. 2

1.2

OBJETIVOS ESPECÍFICOS .............................................................................................. 2

REVISÃO BIBLIOGRÁFICA ............................................................................... 2
2.1

Previsão Climática................................................................................................................. 2

2.2

Modelos Dinâmicos ............................................................................................................... 4

2.3

Modelos Empíricos ................................................................................................................ 5

2.4

Downscaling estatístico ......................................................................................................... 9

2.5

CHIRPS .................................................................................................................................. 9

2.6

Clima e Variabilidade da Precipitação no Nordeste do Brasil ........................................ 10

MATERIAL E MÉTODOS .................................................................................. 12
3.1

Caracterização da Área de Estudo .................................................................................... 12

3.2

Dados de Chuva Estimados pelo CHIRPS ........................................................................ 13

3.3

Climatologia na BHM ......................................................................................................... 14

3.4

Meteo-France - System 7 .................................................................................................... 15

3.4.1

Modelo atmosférico ASPERGE V6.4 .............................................................................. 16

3.4.2 Modelo oceânico NEMO V3.6 e modelo de gelo marinho GELATO V6 .......................... 16
3.4.3 Modelo de superfície terrestre Surfex V8 e modelo de escoamento fluvial CTRIP .......... 17
3.4.4 Precipitação do MFS7 ......................................................................................................... 17
3.5 Software Climate Predictability Tool (CPT) ...................................................................... 18

4. RESULTADOS ......................................................................................................... 23
4.1 Dados de chuva estimados pelo CHIRPS ............................................................................ 23
4.2 Climatologia da BHM ........................................................................................................... 24
4.3 Previsão climática do MFS7 via ACC – análise das correlações mensais ........................ 29
4.4 Previsão climática do MFS7 via ACC – análise dos erros ................................................. 38
4.5 Análise de diagramas de Taylor ........................................................................................... 41
4.6 Previsão climática por conjunto do MFS7 via ACC – análise das correlações................ 43
4.7 Previsões por conjunto para o ano de 2020 – estudo de caso. ........................................... 46

5

CONCLUSÕES....................................................................................................... 54

6

REFERENCIAS BIBLIOGRAFICAS ................................................................. 55

1

1.

TRODUÇÃO

Prever o clima não é uma tarefa trivial. Envolve diferentes conceitos e objetivos.
Conceitualmente, por décadas, houve divergência quanto à melhor forma de prever o clima com
menos erros possíveis. Objetivamente, a grande questão era o alcance temporal e espacial
confiável de uma previsão climática. De certa forma, essas duas questões evoluíram nas últimas
décadas com o desenvolvimento de previsões climáticas produzidas por diversos centros em
diferentes Países. Mas há de se ter cuidado ao nos referirmos as previsões climáticas,
principalmente no que tange ao tempo, sendo estas sazonais ou subsazonais, que são previsões
com determinadas condições médias de algumas variáveis, principalmente precipitação e
temperatura, tenderão a se comportar nos próximos trimestres - sazonais (BARNSTON et al.,
2010; SAHA et al., 2014; BOROVIKOV et al., 2019; JOHNSON et al., 2019; DA ROCHA
JÚNIOR et al., 2021) ou no próximos meses a semanas - subsazonais (VITART et al., 2017;
MARIOTTI; RUTI; RIXEN, 2018; MARIOTTI et al., 2020; MERRYFIELD et al., 2020).
Atualmente, previsões sazonais são produzidas regularmente pelos principais centros de
previsão operacional do mundo e.g. Climate Change Servisse, com sistemas de previsões
geralmente baseadas em conjuntos dinâmicos. Previsões por conjuntos são baseadas na média
de diferentes membros sob distintas condições iniciais para um mesmo modelo, ou da média de
mais de um modelo numérico onde são calculados conjuntos de previsões determinísticas, com
cada membro do conjunto representando um resultado plausível do futuro. Tais previsões
determinísticas são comparadas a um período de referência histórico (climatologia observada),
que permitem desenvolver estatisticamente uma típica previsão probabilística, que ainda é a
forma mais usual de divulgação da previsão climática, como feito pelo Centro de Previsão de
Tempo e Estudos Climáticos (CPTEC) do Instituto Nacional de Pesquisas Espaciais (INPE).
No entanto, há vieses tanto nas condições iniciais quanto nos próprios modelos de previsão
dinâmica, sendo necessário avaliar as previsões geradas para um período no passado, conhecido
pelo termo em inglês hindcast, que possam ser comparáveis as observações permitindo
conhecer em detalhes as incertezas do modelo (KHARIN et al., 2012; BATTÉ et al., 2019).
Assim, quanto mais extenso o conjunto de hindcast, maior a qualidade das inferências acerca
da confiabilidade das previsões dos modelos.

2

Previsões de precipitação sazonal tem destaque para diversas atividades socioeconômicas
(ARAME TALL; JEANNE Y. COULIBALY; MOUSTAPHA DIOP, 2018; ESCADA et al.,
2021; ORDOÑEZ et al., 2022)
. Precipitação abaixo da média na estação de crescimento e/ou intensa na época da
colheita tem grande potencial para a frustração de safras. Agricultura e recursos hídricos são
particularmente afetados por chuvas excessivas ou secas, influenciando os sistemas de seguros
agrícolas e de abastecimento humano/animal e pleno funcionamento industrial (OSGOOD et
al., 2008; STAINFORTH, 2014; CEGLAR; TORETI, 2021; DARON; MILLER et al., 2021).
Para essa pesquisa, tem-se como objetivo avaliar as previsões subsazonais de precipitação
do Meteo-France, em sua versão 7, para a área da Bacia Hidrográfica do rio Mundaú (BHM),
entre os estados de Pernambuco e Alagoas, na região Nordeste do Brasil com até 5 meses de
antecedência. As previsões do Meteo-France-System 7 (MFS7) foram avaliadas de acordo com
scores (pontuações) determinísticas. Foi usada uma técnica de regionalização estatística, a
Análise de Correlações Canônicas (ACC), para melhoria do desempenho das previsões do
MFS7 na BHM, usando diferentes fontes de dados de precipitação para todos os municípios da
BHM. O objetivo detalhado, a apresentação do referencial teórico, as descrições das fontes de
dados de superfície, do modelo, da metodologia, assim como a descrição e discussão dos
resultados e conclusões obtidas, são mostradas nos tópicos subsequentes.

1.1

OBJETIVO GERAL
Avaliar a destreza e viabilidade operacional das previsões climáticas mensais da

precipitação acumulada com até cinco meses de antecedência na BHM do modelo MFS7 após
aplicação de uma técnica de pós processamento estatístico.

1.2

OBJETIVOS ESPECÍFICOS
(a) validar os dados de precipitação estimados pelo Climate Hazards Group InfraRed

Precipitation with Station data (CHIRPS) na área da BHM.
(b) quantificar as diferenças da destreza das previsões da precipitação mensal prevista
pelo MFS7 antes e depois da aplicação da previsão por conjuntos.

2.

REVISÃO BIBLIOGRÁFICA

2.1

Previsão Climática

3

As previsões de clima precisas e acuradas dão suporte ao planejamento de atividades de
diversas esferas da sociedade (REBOITA et al., 2018). O prognóstico de características futuras
das variáveis meteorológicas é o objeto de muitos estudos, e vários métodos são utilizados.
Diante de um apropriado grau de precisão, é possível planejar futuras ações tendo como foco a
sociedade como um todo (MOURA et al., 2020).
De acordo com Tucci; Leite; Dias, (2002), os prognósticos climáticos são realizados por
métodos estatísticos ou através da simulação climática em computadores de alto desempenho
com complexos modelos hidrodinâmicos dos processos atmosféricos.
Na previsão de tempo, deseja-se tomar ciência de como serão as condições atmosféricas
nos próximos dias, já a previsão climática indica como uma dada estação do ano se comportará
diante da média climatológica, mais quente ou mais fria etc., bem como a intensidade das
anomalias em relação à média (YNOUE et al., 2017).
As previsões climáticas atendem a um período de, no mínimo, um mês, mas na maioria
das vezes se estendem por períodos de três meses, tendo como objetivo a suavização da
variabilidade intra-sazonal (RIBEIRO FILHO, 2009).
Os padrões e mecanismos globais responsáveis pela ocorrência de precipitação têm uma
relação direta com a circulação atmosférica, a qual é determinada principalmente pela diferença
de temperatura da superfície terrestre e dos oceanos e distribuição dos continentes (FERREIRA;
MELLO, 2005).
Atualmente, os centros de previsão operacionais usam modelos dinâmicos de circulação
geral global (GCMs) acoplados ao oceano-atmosfera de última geração para gerar previsões
sazonais. Embora os GCMs atmosféricos (AGCMs) tenham sido os primeiros a surgir com a
finalidade de prever as condições climáticas sazonais, os GCMs acoplados (CGCMs) ganharam
preferência sobre os AGCMs porque se espera que representem melhor as interações entre os
diferentes componentes do sistema climático atmosfera, oceano, criosfera e assim por diante
(WMO, 2019).
Desde 2006, como parte do desenvolvimento de uma infraestrutura para seu Sistema
Global de Processamento de Dados e Previsão (GDPFS), a Organização Mundial de
Meteorologia (OMM) designou centros de previsão com a responsabilidade obrigatória de gerar
e entregar previsões sazonais (com cobertura global), incluindo informações de verificação
associadas (COELHO et al., 2006). Existem atualmente 13 desses chamados Centros de
Produção Global para Previsões de Longo Prazo. Em 2009, a OMM endossou formalmente o
Lead Center for Long-Range Forecast Multi-Model Ensemble, organizado conjuntamente pela
Korea Meteorological Agency (KMA) e pelo National Center for Environmental Prediction

4

(NCEP). Isso facilitou o acesso mundial aos dados de previsões sazonais baseadas em conjuntos
de vários modelos (LEE et al., 2022).
O Brasil com suas dimensões continentais e consequente diversidade climática,
necessita de uma rede de observações meteorológicas ampla, e de modelos de previsão de
tempo e clima bem calibrados e parametrizados de acordo com as características próprias dos
solos, vegetação, hidrografia, etc. ((LUIZ SILVA; BARRETO, 2016). Pode-se dizer que o
Brasil acompanha o padrão dos Países desenvolvidos na geração e aplicação de metodologias
e modelos que visam fornecer o que há de mais moderno para a produção de produtos para os
serviços climáticos, possuindo, por exemplo, um modelo inteiramente desenvolvido pelo grupo
de modelagem global do CPTEC/INPE: o Modelo Atmosférico Global Brasileiro - BAM
(HERDIES et al., 2023).
Outras iniciativas podem e devem ser citadas, como o modelo de previsão climática
puramente estatística desenvolvido e aplicado pelo Instituto Nacional de Meteorologia INMET (LÚCIO et al., 2010), disponibilizado mensalmente em seu site para os usuários. O
projeto EURO-BRazilian Initiative for Improving South American Seasonal Forecasts
(EUROBRISA) fornece desde 2005 produtos de previsão climática regionalizados para toda a
América do Sul provenientes de modelos europeus do European Centre for Medium-Range
Weather Forecasts (ECMWF), MetOffice (Reino Unido) e Météo-France (França), em uma
abordagem híbrida empírica que mescla as previsões desses modelos às advindas do uso da
temperatura da superfície do mar (TSM) como principal elemento preditor das chuvas sazonais
(COELHO et al., 2006; COELHO; COSTA, 2010).
No entanto, tais inciativas não esgotam as possibilidades de implementação de
melhorias às previsões de modelos dinâmicos por meio, por exemplo, de abordagens estatísticas
que visam elevar o potencial preditivo desses modelos (DA ROCHA JÚNIOR et al., 2021).
2.2

Modelos Dinâmicos
Os resultados de vários modelos matemáticos que simulam a dinâmica da atmosfera são

chamados

de

modelos

de

previsão

numérica

(modelos

dinâmicos)

(MARTINS;

VASCONCELOS JÚNIOR, 2017). Segundo Ribeiro Filho (2009), eles resolvem um sistema
complexo de equações matemáticas baseadas em leis físicas de modo a prever o estado futuro
da atmosfera partindo de condições iniciais específicas. Suas equações matemáticas são as
formas mais completas e complexas das equações dinâmicas e termodinâmicas.
Ainda de acordo com Ribeiro Filho (2009), a classificação dos modelos de previsão
numérica se dá por sua escala espacial (global e regional). O modelo global possui resolução

5

da ordem de várias dezenas a poucas centenas de quilômetros, possuem o objetivo de identificar
o comportamento geral da atmosfera sobre uma área extensa, no entanto, estes modelos são
apenas capazes de identificar fenômenos meteorológicos de grande escala (ditos sinóticos). Já
o modelo regional/local, possui resolução espacial típica de quilômetros a dezenas de
quilômetros, conseguem identificar com maior detalhe o comportamento da atmosfera sobre
uma região específica, sendo apropriados para identificar fenômenos meteorológicos de menor
escala (ditos de mesoescala).
Ribeiro Filho (2009) destaca que os modelos globais se destinam a descrever
movimentos atmosféricos sobre o planeta como um todo. São também denominados Modelo
de Circulação Geral Atmosférico (MCGA) ou Modelo de Circulação Geral (MCG).
Os MCGA consistem em formulações matemáticas dos processos atmosféricos e das
superfícies terrestre e oceânica. Estas formulações estão baseadas nos princípios físicos
clássicos da hidrodinâmica (FERREIRA DA COSTA, 2005).
Ainda, segundo Ribeiro Filho (2009), tais modelos podem ser configurados para
previsão de tempo ou para estudos climáticos. No tocante da previsão de tempo, o modelo é
executado em uma escala temporal de dias (entre uma e duas semanas) objetivando representar
a formação e a evolução de sistemas de tempo de grande escala da forma mais realista possível.
Já para previsão climática, o modelo não se interessa em sistemas de tempo individuais, mas
nas propriedades estatísticas da circulação atmosférica em escalas de tempo de meses ou mesmo
anos.
Já os modelos regionais são aqueles cujo espaçamento de grade é menor do que aquele
usado em modelos globais, o que permite a representação de fenômenos de mesoescala
(RIBEIRO FILHO, 2009).
Em geral, esses modelos produzem prognósticos mais acurados do que os modelos
globais, já que possuem melhor resolução horizontal e parametrizações físicas mais adequadas
para resolver os processos atmosféricos de mesoescala (REBOITA et al., 2018).
2.3

Modelos Empíricos
As ferramentas estatísticas para suporte na previsão climática provindas de modelos

dinâmicos, se mostram uma possibilidade promissora, principalmente em áreas onde os
modelos dinâmicos disponíveis não apresentam resultados satisfatórios (HASTENRATH; WU;
CHU, 1984).
Estes modelos não se baseiam nas equações físicas que governam o escoamento do
fluido atmosférico, tão-somente constituem relações empíricas dentro de um conjunto de dados

6

experimentais conhecidos. Eles ajustam um conjunto de equações simultâneas sobre as séries
temporais de forma experimental (DA ROCHA JÚNIOR et al., 2021).
Geralmente é necessário recorrer à análise multivariada quando se deseja ter
informações acerca de um grupo de variáveis ou do conjunto total dos dados de uma região.
Este conjunto de técnicas estatísticas é também utilizado para reduzir ao máximo o número de
variáveis envolvidas em um problema com uma pequena perda de informações. Destaca-se
como principais objetivos: reduzir a dimensão de interpretação de uma matriz de dados;
investigar o comportamento espacial e temporal das variáveis consideradas e obter grupos
homogêneos das variáveis (OSMAN; COELHO; VERA, 2021).
Na análise multivariada, existem muitas técnicas de manipulação de dados
climatológicos, destaca-se: a Regressão Linear Múltipla (RLM), a Análise de Componentes
Principais (ACP), a Análise de Correlação Canônica (ACC) entre outras (MANZANAS et al.,
2018).
2.3.1 Regressão Múltipla
A Regressão Múltipla é um dos numerosos modelos estatísticos explanatórios causais
referentes ao tratamento de séries temporais de dados. Sua base estatística advém da Regressão
Linear, que se restringe a duas variáveis e a apenas uma equação funcional do primeiro grau (Y
= a + bX) de ajustamento (MERTLER; VANNATTA, 1984).
A análise de Regressão Múltipla é uma metodologia estatística de previsão de valores
de uma ou mais variáveis de resposta (dependentes) através de um conjunto de variáveis
explicativas (independentes). Esta metodologia pode ser utilizada também para a avaliação dos
efeitos das variáveis explicativas como previsoras das variáveis de resposta (OTTO, 1999).
Sua aplicação é de maneira especial importante por permitir que se estime o valor de
uma variável com base num conjunto de outras variáveis. Quanto mais significativo for o peso
de uma variável isolada, ou de um conjunto de variáveis explicativas, tanto mais se poderá
afirmar que alguns fatores afetam mais o comportamento de uma variável de resposta
especificamente procurada, do que outros (RIBEIRO, 2015).
O formato geral da equação de Regressão Linear Múltipla é apresentado na Equação 1.
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝐾 𝑋𝐾 (Equação 1)
Onde:
Y - é a variável dependente;
a - corresponde a um coeficiente técnico fixo, a um valor de base a partir do qual começa Y;
bk - corresponde aos coeficientes técnicos atrelados às Variáveis Independentes; e

7

Xk - as Variáveis Independentes.
2.3.2 Análise de Componentes Principais (ACP)
A Análise de Componentes Principais (ACP) transforma uma série de variáveis
originais dentro de uma série menor de combinações lineares que explicam a maior parte da
variância da série original de dados. O objetivo da ACP é determinar os valores, ou seja, os
Componentes Principais (CP) de modo a explicar o quanto da variância total da série pode ser
esclarecido com poucos desses fatores (ROSSI, 2018).
A Análise de Componentes Principais (ACP) é um método matemático cujo objetivo é
transformar um conjunto de variáveis originais em outro conjunto chamado de Componentes
Principais. Os componentes apresentam as seguintes características: cada componente principal
é uma combinação linear de todas as variáveis originais, os componentes são independentes
entre si e retém, em ordem de estimação, o máximo de informação relacionada à variação dos
dados originais. A análise permite a redução dimensional de um alto número de variáveis, a
partir da rotação do eixo original dos dados, transformando-os em um novo sistema de
coordenadas (MARONNA, 2011).
2.3.3 Análise de Correlações Canônicas (ACC)
A ACC é um procedimento estatístico multivariado que permite o exame da estrutura
de relações existentes entre dois grupos ou conjuntos de variáveis (PROTÁSIO et al., 2012).
A metodologia da ACC tem sido usada de duas maneiras conforme apresentado por
Barnston & Tippett (2017). O primeiro modo é um modelo de previsão puramente estatístico
que relaciona padrões de anomalias em observações recentes (por exemplo, anomalias na
temperatura da superfície do mar) a padrões de anomalia climática em um trimestre subsequente
(por exemplo, anomalias de precipitação) com base em um período extenso de hindcast, sem
envolvimento de nenhum modelo dinâmico (BARNETT; PREISENDORFER, 1987;
BARNSTON, 1994). A outra maneira de se utilizar ACC, é relacionar os dados brutos da
previsão de precipitação com as observações correspondentes em um período de hindcast.
Assim como descrito em Barnston & Tippett (2017), uma pré-ortogonalização é
realizada utilizando análise de funções ortogonais empíricas (FOE), também denominada por
Componentes Principais, de forma separada aos hindcasts do modelo (variável X, ou preditor)
e nas correspondentes observações (variável Y ou preditando), e o conjunto das séries temporais
de componentes principais de maior importância dessas EOFs é usada como entrada para a
ACC (Figura 1). Esta metodologia reduz o número de variáveis usadas pela ACC preservando
padrões de variabilidade mais coerentes (BARNETT; PREISENDORFER, 1987).

8
Figura 1 – Domínio do preditor X e do preditando Y (acima) e (abaixo) processo de redução do
número de variáveis (pontos de grade) para obter séries independentes (ortogonais entre si).

Fonte: Adaptado de Barnston & Tippett (2017).

De acordo com Rustiana et al., (2017), a ACC é um método para encontrar a melhor
combinação linear entre dois conjuntos de dados multivariados que maximizam o coeficiente
de correlação entre eles. A ACC se concentra apenas na correlação entre uma combinação linear
das variáveis em um conjunto e combinação linear das variáveis em outro conjunto. A ideia é
primeiramente determinar o par de combinações lineares com a maior correlação. Em seguida,
determina o par de combinações lineares tendo a maior correlação entre todos os pares não
correlacionados com o inicialmente par selecionado, e assim por diante. Os pares de
combinações lineares são chamados de variáveis do canônico, e suas correlações são chamadas
de correlação canônica. Isto é particularmente útil para determinar a relação entre as medidas
de critério e o conjunto de revisões de seus fatores explicativos (HAMAKAWA, 2002).
Envolve esta técnica, primeiro, a redução das dimensões dos dois conjuntos de dados
multivariados por projeção, e segundo, o cálculo da relação (medida pela correlação
coeficiente) entre as duas projeções dos conjuntos de dados (LOESCH, 2012). A ideia básica
por trás da previsão com ACC é simples: são construídas regressões lineares simples que
relacionam o preditivo variáveis canônicas (x) para as variáveis canônicas preditoras (y).
Os resultados encontrados por Ribeiro Filho (2009), sugerem que o uso de ACC na
previsão climática sazonal proporciona bons resultados tanto diretamente como modelo
empírico quanto associada a modelos dinâmicos. O trabalho tinha como objetivos: 1) aplicar
um modelo empírico de correlações canônicas para a previsão sazonal de anomalias de

9

precipitação e 2) utilizar o modelo de correlações canônicas como corretor dos resultados de
um modelo dinâmico utilizado na Fundação Cearense de Meteorologia e Recursos Hídricos na
previsão climática sazonal e para agregar à informação gerada por esse modelo a informação
da TSM propriamente dita compondo um modelo de previsão híbrido dinâmico-empírico.

2.4

Downscaling estatístico
Os métodos de downscaling são subdivididos nas categorias dinâmicos e estatísticos, e

tem o propósito de colmatar o problema de baixa resolução dos Modelos Climáticos Globais e
Modelos Climáticos Regionais.
O downscaling dinâmico é uma abordagem numérica que consiste na utilização de
modelos globais ou reanálise como forçadores de modo a obter simulações de dados mais
detalhadas para uma região particular. Já o downscaling estatístico utiliza modelos estatísticos
simples, de modo a estabelecer a relação estatística entre variáveis de grande escala e variáveis
locais.
Hanssen-Bauer et al., (2005), avaliaram cenários climáticos ao longo da Escandinávia,
concluindo que comparações com resultados de modelos climáticos globais e regionais indicam
que tanto a modelagem regional quanto o downscaling estatístico agregam valor aos resultados
dos modelos globais. De acordo com os autores, na maioria dos estudos escandinavos, os
métodos Regressão Linear Múltipla e Análise de Correlação Canônica foram aplicados em
combinação com um passo a passo processo de triagem para escolher o melhor conjunto de
preditores.
A ACC é aplicada como método de downscaling e Model Output Statistics (MOS) em
inúmeros trabalhos (MANZANAS et al., 2018). Wu; Jiang; Ma, (2016) utilizaram a ACC para
downscaling de projeções de precipitação diária para a bacia do rio Yangtze-Huaihe, China.
Tiwari et al., (2019) compararam downscaling proveniente de métodos estatísticos
(ACC) e métodos dinâmicos (Modelo Regional) para o norte da Índia e concluiu que os dois
métodos melhoram significantemente a previsão dos MCGs.

2.5

CHIRPS
Atualmente, o avanço tecnológico possibilita o uso de sensoriamento remoto para

estimativas de chuvas, tornando-se boas alternativas e melhores opções para preencher as
lacunas existentes (GELETA; DERESSA, 2021). De acordo com Fagundes et al., (2020), a
utilização de produtos provindos de satélites meteorológicos e radar podem ser uma ferramenta

10

útil para suprir a falta de informação convencional e subsidiar a análise da ocorrência espacial
e temporal de elementos climáticos.
Os produtos baseados em satélite, ajudam a solucionar a limitação provinda da baixa
densidade espacial da rede de pluviômetros em solo (SOBREIRO; STREHER; SILVA, 2017).
As pesquisas com dados de satélite e radar têm se destacado, por causa da democratização dos
dados meteorológicos por meio de processos de aquisição destes, através de downloads de
diversas plataformas de grandes centros mundiais de pesquisa (DEE; FASULLO; SHEA,
2016).
O CHIRPS (Climate Hazards Group InfraRed Precipitation with Stations) é um conjunto
de dados de chuva quase global desenvolvido pelo United States Geological Survey (USGS) e
pelo Climate Hazards Group at the University of California, Santa Barbara (UCSB). O produto
CHIRPS possui uma resolução espacial de 0,05°, ou aproximadamente 5 km, próximo ao
equador, cobertura geográfica de 50°S a 50°N, com dados a partir de 1981 até os dias atuais e
é disponibilizado em conjuntos de dados diários e mensais (COSTA et al., 2019).
As fontes de dados que são utilizadas para produzir os produtos de chuvas estimadas
pelo CHIRPS são: The Climate Hazards Center’s Precipitation Climatology (CHPClim);
observações de satélite com espectroscopia de infravermelho termal (TIR), geoestacionária
quase global da National Oceanic and Atmospheric Administration (NOAA); Produtos do
Centro de Previsão Climática (CPC) e do National Climatic Data Center (NCDC); Coupled
Forecast System da NOAA, versão 2 (CFSv2) e dados observacionais

de estações

meteorológicas (FUNK et al., 2015).
No contexto do Nordeste brasileiro, o padrão sazonal de precipitação foi bem
representado pelos dados obtidos por sensoriamento remoto por meio do CHIRPS (DOS
SANTOS; CUNHA; RIBEIRO-NETO, 2019).
No estado de Alagoas, LYRA; FREITAS e SANTIAGO, (2020) avaliaram as
estimativas de precipitação com o auxílio do CHIRPS e concluíram que estes dados podem ser
utilizados para extrair informações espaciais a respeito da precipitação, uma vez que
apresentam boa qualidade e valores próximos do observado em estações meteorológicas de
superfície.

2.6

Clima e Variabilidade da Precipitação no Nordeste do Brasil
De acordo com Commar (2020), o regime de precipitação no NEB pode ser classificado

em três: (I) Sua porção sudoeste possui o período chuvoso entre outubro e fevereiro que se deve
às frentes frias advindas do sul do Brasil e a influência do El Niño-Oscilação do Sul (ENOS),

11

região esta onde se localiza o Oeste da Bahia; (II) A porção ao norte do NEB tem o período
chuvoso entre fevereiro e maio, associado ao deslocamento para o sul da ZCIT; além disso é
caracterizada por forte variabilidade interanual, onde ocorrem grandes secas; (III) A porção
leste do NEB é conhecida como Zona da Mata e seu período chuvoso se dá entre os meses de
abril e agosto, e sua ocorrência deriva do contraste de temperatura entre o oceano e continente,
com chuvas predominantemente orográficas.
O clima do NEB é fortemente impactado por três mecanismos climáticos: El Niño
Oscilação Sul (ENOS), Zona de Convergência Intertropical (ZCIT) e efeitos de frente fria
(LAUX et al., 2021).
Em um estudo pioneiro, WALKER (1928) documentou uma notável coincidência do
aquecimento anômalo das águas superficiais no Pacífico equatorial e as secas do nordeste do
Brasil (NEB).
Desde então, muitos estudos que buscam um melhor entendimento dos mecanismos que
causam as anomalias climáticas sobre o NEB têm focalizado no papel que o fenômeno ENOS
exerce em tais anomalias (KAYANO; ANDREOLI, 2007).
O clima do Nordeste tem como principais forçantes a TSM nos Oceanos Pacífico e
Atlântico. A variabilidade nessas forçantes impulsiona variação espacial e flutuações nos
acumulados de precipitação (MARTINS; VASCONCELOS JÚNIOR, 2017).
A componente oceânica do ENOS caracteriza-se pela ocorrência de TSM no Pacífico
equatorial central e leste anomalamente positivas (El Niño) em uma fase e negativas (La Niña)
na fase oposta, dinamicamente relacionada à Oscilação Sul, que se manifesta como uma
gangorra barométrica com centros de ação na Indonésia e no Pacífico Sudeste (RASMUSSON;
CARPENTER, 1982).
Da Silva, (2009), estudou as escalas temporais da variabilidade pluviométrica na Bacia
Hidrográfica do Rio Mundaú (BHM), onde foram utilizados dados de precipitação da bacia
hidrográfica do rio Mundaú, nos Estados de Alagoas e Pernambuco, obtidos da Agência
Nacional de Águas e Saneamento Básico (ANA), de 1955 a 1991. As análises foram feitas para
três regiões desta bacia: Alto Mundaú (AM), Médio Mundaú (MM) e Baixo Mundaú (BM).
No trabalho de Kayano et. al., (2010), verificou-se para a BHM, através da análise de
ondaletas, que principalmente a variabilidade interanual ligada ao ciclo de ENOS, a
variabilidade decenal, bem como a variabilidade interanual curta, influencia na variabilidade
pluviométrica local.

12

3.

MATERIAL E MÉTODOS

3.1

Caracterização da Área de Estudo
O estudo foi realizado na Bacia Hidrográfica do rio Mundaú (BHM), conforme Figura

2. O rio Mundaú nasce no agreste pernambucano no município de Garanhuns e deságua em
Alagoas na laguna Mundaú, Complexo Estuarino Lagunar Mundaú-Manguaba (CELMM). O
rio principal possui uma extensão de aproximadamente 140 km, com uma declividade média
de 3,75 m/km e tempo de concentração médio de 1,57 dias (FRAGOSO JÚNIOR et al., 2010).
A BHM com uma área de aproximadamente 4.105 km² abrange 36 municípios, 17
pernambucanos (53% de área) e 19 municípios alagoanos (47% de área). A importância para
os estados deve-se principalmente: a) ao abastecimento de diversos reservatórios e barragens
localizadas na cabeceira (região semiárida); b) ao abastecimento de água para irrigação de
diversos cultivos (agricultura); c) preservação do CELMM, um dos complexos lagunares mais
produtivos do Brasil (SOUZA et al., 2004).
Monte (2013) relatou os grandes eventos de cheia na BHM que provocaram prejuízos e
catástrofes (e.g. cheias de 1914, 1941, 1969, 1988, 1989, 2000 e 2010). Posterior a este estudo,
destacam-se os eventos de 2017 e 2022.
A geologia da BHM é determinada no alto e no médio pelo Maciço PernambucoAlagoas, baseado em rochas cristalinas (i.e. de formação ígnea ou metamórfica), com menos
capacidade de infiltração, e no baixo curso está situada a Bacia Sedimentar Sergipe-Alagoas,
ocupando uma pequena parte da BHM, tendo maior capacidade de infiltração (MONTE, 2013).
Costa (2014) destaca que a parte alta da Bacia está inserida no bioma Caatinga, tendo
aspecto climático semiárido, estando inclusive no Polígono das Secas, e o bioma Mata Atlântica
na parte baixa estende-se até a foz com clima Tropical.

13
Figura 2 – Localização da Bacia Hidrográfica do rio Mundaú (BHM).

Fonte: Duarte et al., (2016).

3.2

Dados de Chuva Estimados pelo CHIRPS
Os dados CHIRPS vêm de esforços de instituições dos EUA para mapear a precipitação,

especialmente em áreas com poucas observações de superfície e em áreas de terreno complexo,
como cadeias de montanhas (FUNK et al., 2015). O CHIRPS usa todos os dados de uma rede
de observações de superfície para construir uma grade de alta resolução, juntamente com
estimativas de precipitação baseadas em observações infravermelhas de duração de nuvens frias
(HUFFMAN et al., 2007).
As estimativas por satélites são combinadas com as observações de superfície do
Sistema Global de Telecomunicações (GTS) da OMM e são reamostradas em uma grade regular
de 0,05°, levando em conta as características fisiografias da superfície, de 1981 até o presente,
limitada entre as latitudes de 50 °N a 50 °S.
Devido à baixa disponibilidade de dados observados em estações meteorológicas e
postos pluviométricos na BHM, utilizamos o CHIRPS para extrair 323 pontos a cada 0,05° de
distância entre eles, de acordo com a Figura 3. Esses dados foram extraídos em séries temporais
de precipitação diária, e acumuladas mensalmente, de janeiro de 1981 a dezembro de 2020.
Esse período de dados permitiu validar os dados do CHIRPS na BHM versus os dados de alguns
postos pluviométricos disponibilizados pela ANA na BHM, além de permitir a calibração das
previsões do MFS7 entre 1983-2016, e avaliar a performance das previsões desse modelo
calibrado para a BHM para o ano de 2020.

14

Os dados do CHIRPS estão disponíveis em formato netcdf. Para geração das séries
temporal em formato ascii, foram desenvolvidos e utilizados scripts em linguagem R na versão
4.0.3.
Figura 3 – Distribuição espacial dos pontos extraídos do CHIRPS na BHM, com resolução
espacial de 0,05°.

Fonte: autor.

3.3

Climatologia na BHM
Para a determinação da climatologia e das tendências observadas nos extremos

climáticos em uma determinada região é ideal que se tenha longas séries de dados diários das
variáveis a serem analisadas (SILVA; DERECZYNSKI, 2014).
A BHM é influenciada por diferentes sistemas sinóticos a mecanismos de grande escala,
que proporcionam eventos de secas ou enchentes (DA SILVA, 2009). O período seco ocorre
entre setembro e fevereiro e o úmido de março a agosto, com concentração de 70% do regime
pluviométrico anual, sendo que 50% do total precipitado anual entre maio e julho (ALVES,
2016).
De acordo com Kayano. et al., (2010), o principal aspecto sazonal é que a quadra
chuvosa se estende de abril a julho no Médio Mundaú (MM) e Baixo Mundaú (BM), enquanto
no Alto Mundaú (AM) o período chuvoso estende-se de março a julho. Já os meses mais secos
para o BM e MM são de outubro a janeiro enquanto no AM, de setembro a dezembro.
Segundo (MEDEIROS, 2020), a classificação climática de Köppen, é a mais utilizada
em todo o mundo, por critérios geográficos e climáticos. Conforme essa classificação, o clima
da BHM, se mescla entre os tipos: As (clima tropical com estação seca de verão), Am (clima

15

de monção), Csa (clima temperado húmido com verão seco e quente) e Csb (clima temperado
húmido com verão seco e temperado), com predominância do tipo As sobre os demais
(DUBREUIL et al., 2018).
Neste trabalho, foi empregado um código em linguagem R para mapear a climatologia
da BHM, adotando o período de 1981 a 2020 como referência para a caracterização
climatológica da bacia. No entanto, para análise dos hindcasts do MFS7, a climatologia foi
combinada ao período das previsões retrógradas de 1993 a 2016. Esse período foi adotado
porque o modelo da Meteo-France usado para validação para a previsão climática da
precipitação na área da bacia fornece um hindcast 1993-2016, e saídas de previsões de períodos
recentes.
3.4

Meteo-France - System 7
A Météo-France, agência francesa de Meteorologia, está envolvida em atividades de

previsão sazonal desde o final da década de 1990, com um centro imbuído de desenvolver
modelos para previsão numérica de tempo e clima e para projeções futuras de mudanças
climáticas: o Centre National de Recherches Météorologiques (CNRM). Seu sistema de
previsão sazonal evoluiu através do desenvolvimento de várias versões consecutivas, incluindo
os componentes do GCM acoplado e novas técnicas de inicialização e geração de previsões por
conjuntos (MÉTÉO-FRANCE; BATTÉ, 2019).
O MFS7 possui quatro conjuntos de modelagem que são acoplados pelo sistema OASISMCT (Model Coupling Toolkit) versão 3.0 (LARSON; JACOB; ONG, 2005), para trocas
dinâmicas entre os campos de cada modelo, quando precisam de interação entre si (Figura 4).
Figura 4 – Componentes do modelo CNRM-CM do sistema de previsão sazonal.

16

Os quatro componentes independentes do MFS7 são o atmosférico (ASPERGE), o
oceânico (NEMO), o de superfície terrestre (SURFEX), um de escoamento por rios (ISBACTRIP) e o de gelo marinho (GELATO). O MFS7 se utiliza de perturbações estocásticas na
dinâmica e condições iniciais com a técnica de nudging e gerar membros do conjunto (42). A
assimilação de dados observados do modelo se dá a cada 6 horas e são provenientes da reanálise
ERA5, com correção suavizada de viéses pelo cálculo das anomalias assimiladas em relação à
climatologia do modelo (HERSBACH et al., 2020). A seguir, descrição básica dos
componentes do modelo.
3.4.1

Modelo atmosférico ASPERGE V6.4
A versão climática deste modelo foi projetada para experimentos de mudanças

climáticas e previsões sazonais (DÉQUÉ et al., 1994). O MFS7 usa esquemas de
parametrização física desenvolvidos para a versão 6 do modelo CRRM-CM (DECHARME et
al., 2019), chamados de "física prognóstica", baseados na suposição de que os termos diabáticos
são calculados para todas as colunas atmosféricas independentemente, mas com troca
horizontal de variáveis prognósticas como energia cinética turbulenta, velocidade convectiva
vertical, água sólida e líquida em diferentes estados (nuvem, precipitação intensa e convecção).
Essas variáveis são advectadas e memorizadas durante as simulações (CUXART;
BOUGEAULT; REDELSPERGER, 2000; LOPEZ, 2002; GUEREMY, 2011). Nessa versão
uma nova formulação do fluxo de momento da superfície devido a orografia foi introduzida
(BELJAARS; BROWN; WOOD, 2004). Uma apresentação detalhada das equações desse
modelo está disponível na página do National Centre for Meteorological Research.

3.4.2 Modelo oceânico NEMO V3.6 e modelo de gelo marinho GELATO V6
O NEMO (Nucleus for European Modeling of the Ocean) é um modelo de equações
primitivas adaptado à circulação oceânica regional e global, flexível para o estudo do oceano e
de suas interações com outros componentes do sistema climático terrestre em uma ampla gama
de escalas espaço-temporais. As variáveis prognósticas são o campo de velocidade
tridimensional, temperatura e altura não linear da superfície do mar e salinidade. Na direção
horizontal, o modelo usa uma grade ortogonal curvilínea e na direção vertical, uma coordenada
z completa ou parcial, coordenadas ou uma mistura das duas coordenadas. A distribuição das
variáveis é uma grade tridimensional do tipo Arakawa C. Várias opções físicas estão
disponíveis para descrever a física oceânica. Dentro do NEMO, o oceano é conectado com um
modelo de gelo marinho (GELATO V6) e, através do acoplador OASIS, com o modelo

17

atmosférico ARPEGE V6.4. Uma apresentação detalhada do NEMO está apresentada em Salas
Mélia (2002).

3.4.3 Modelo de superfície terrestre Surfex V8 e modelo de escoamento fluvial CTRIP
Surfex (Surface Externalisée, em francês) é uma plataforma de modelagem de superfície
desenvolvida pela Météo-France em cooperação com a comunidade científica. O Surfex é
composto de vários modelos físicos para a superfície natural de terra, áreas urbanizadas, lagos
e oceanos. Também simula processos químicos e de superfície de aerossóis e pode ser usado
para assimilação de variáveis de superfície e próximas à superfície. O Surfex possui seus
próprios procedimentos de inicialização e pode ser usado em modo autônomo e acoplado a um
modelo atmosférico. No Surfex, cada grade do modelo é representada por quatro tipos de
superfície: mar ou oceano, corpos d'água (lagos, ...), áreas urbanas e superfície natural (solo e
vegetação). Cada tipo de superfície é modelado com um modelo específico da superfície e o
fluxo total da grade resulta da soma dos fluxos individuais ponderados por suas respectivas
frações.
Mais detalhes sobre a versão mais recente do Surfex e os modelos de escoamento da
superfície terrestre e fluvial ISBA-CTRIP podem ser encontradas nos trabalhos de
(VOLDOIRE et al., 2017; DECHARME et al., 2019).

3.4.4 Precipitação do MFS7
Desde início dos anos 2010 há um esforço global para disponibilizar a sociedade não
apenas produtos de previsão sazonal, mas os arquivos gerados pelos modelos, para que possam
ser melhor analisados em qualquer região do Planeta, a depender do interesse de uma pesquisa.
Esse esforço foi iniciado pela criação do NMME (North American Multi-Model Ensemble),
que em 2011 disponibilizou pela primeira vez as saídas brutas de previsões climáticas de
modelos norte-americanos de forma frequente e padronizada (KIRTMAN et al., 2014). Esse
projeto evoluiu e hoje a Europa também segue a mesma iniciativa, a exemplo do ECMWF, e
de modelos específicos de alguns Países como Itália, Alemanha, França e do Reino Unido.
Em uma parceria com o CPC, a Universidade de Columbia, responsável por
disponibilizar as versões do software CPT, incluiu uma funcionalidade nas versões mais
recentes em que é possível baixar os dados das previsões de vários modelos diretamente do
software, notadamente a partir de sua versão 17. O MFS7 fornece um conjunto completo de
prognósticos passados de 1983 a 2016 de até cinco meses/trimestres desde o mês de sua
inicialização. São estes hindcasts que podemos utilizar para a calibração de modelos e para

18

estudos aplicados. Associados aos hindcasts, pode-se baixar as previsões em tempo real do
MFS7 a partir de 2017. São disponibilizadas três variáveis: a temperatura da superfície do mar,
a temperatura média a 2 metros e a taxa de precipitação em milímetros por dia, em uma
resolução espacial de 1° x 1° de latitude/longitude, para a média de todos os membros do
conjunto.
Os dados estão disponíveis em dois formatos, binário e ascii. Nessa pesquisa a atividade
inicial foi baixar todos os arquivos de hindcast e de prognósticos do MFS7. Essa atividade nos
informa que, cada um dos doze meses do ano possui 5 hindcasts, ou seja, para 1 ano tem-se 60
hindcasts, o que quer dizer que o mês de junho, por exemplo, tem um hindcast mensal de janeiro
a maio.
3.5 Software Climate Predictability Tool (CPT)
Para aplicar a Análise de Correlações Canônicas (ACC) foi utilizado o software Climate
Predictability Tool (CPT), fornecido pelo International Research Institute for Climate and
Society (IRI). O CPT é projetado para gerar ou pós-processar previsões climáticas sazonais. O
CPT é uma ferramenta fácil de usar com versões para Windows e Linux, com código fonte em
linguagem Fortran 90. O software foi desenvolvido inicialmente para permitir que previsores
em Serviços Meteorológicos Nacionais na África para produzir previsões sazonais atualizadas
para seu país, e para fornecer maior consistência nas contribuições para os Fóruns Regionais de
Perspectivas Climáticas para facilitar a construção de consenso, mas o CPT tem sido usado
amplamente.
De acordo com (HOSSAIN et al., 2017), existem duas abordagens principais para gerar
previsões sazonais: usando modelos de grande escala de atmosfera global, conhecidos como
modelos de circulação geral (GCMs), ou usando uma abordagem para relacionar o clima
sazonal com as mudanças nas temperaturas da superfície do mar, como aqueles associados ao
El Niño ou a outros preditores. No primeiro caso, são feitas previsões para grandes áreas, e
muitas vezes não são muito relevantes para locais específicos. Além disso, por causa da escala
grosseira em que os GCMs operam, a geografia nos modelos é muitas vezes distorcida e,
portanto, localizações geográficas podem ser deslocadas. Essas saídas do GCM, portanto,
precisam ser ajustadas para que que possam ser aplicadas a nível local. A ferramenta CPT foi
projetada para realizar ambas as formas de previsão, ou seja, downscaling da saída do GCM e
previsões puramente estatísticas.
A variável preditora utilizada foi a precipitação provinda do CHIRPS. Foi empregado
um hindcast de 23 anos (1993 a 2016). Na ACC, foram relacionados os dados brutos da previsão

19

de precipitação proveniente do MFS7 com as observações correspondentes em um período de
hindcast do CHIRPS. O domínio preditivo para a BHM foi projetado para ser maior que o NEB,
enquanto o domínio preditor tentou abranger uma área grande suficiente para contemplar a
maior parte dos fenômenos de baixa frequência que atuem sobre a variabilidade climática do
NEB. As áreas do preditando e do preditor foram escolhidas baseadas nos resultados alcançados
no trabalho de Barnston & Tippett (2017) ao utilizar as referidas dimensões de território.
Figura 5 – Domínio usado no CPT.

Fonte: autor.

O CPT aplica o pré-processamento de Função Ortogonal Empírica (FOE ou EOF) antes
do método ACC e depois estima o modelo por um processo de validação cruzada. Ou seja, o
conjunto de dados (hindcast) para estimativa do modelo é particionado em subconjuntos
mutuamente exclusivos que alguns serão usados para estimar o modelo e o conjunto restante
para validação. O método de validação cruzada se caracteriza por esse processo de treino e
validação se repetindo até que todos os conjuntos tenham sido usados em algum momento para
validar o modelo sem ter sido usado para treiná-lo. Esse processo permite a ótima validação de
um modelo utilizando todos os dados disponíveis para estimar os parâmetros (PICARD;
COOK, 1984; STONE, 1978; BROWNE, 2000). É muito útil para validação de previsões
climáticas por ser ter séries de dados muito curtas para validar.
3.6 Avaliação do desempenho
3.6.1 Coeficiente de Correlação de Pearson
Em probabilidade e estatística, correlação, dependência ou associação (dada pela
Equação 1) é qualquer relação estatística entre duas variáveis e correlação é qualquer relação

20

dentro de uma ampla classe de relações estatísticas que envolva dependência entre duas
variáveis, (MARTINS; VASCONCELOS JÚNIOR, 2017).
Para mensurar a associação entre as variáveis previstas e observadas com um único
valor, utilizamos o coeficiente de correlação de Pearson. Quanto mais o valor de r estiver perto
da unidade, maior é a associação entre duas variáveis.
No presente estudo, trata-se da associação entre a chuva observada e aquela estimada
via previsão climática. O coeficiente de correlação é definido como a covariância das variáveis
(Cov (o, p)) dividida pelo produto de seus desvios padrões (σ(o,p)).
𝑟𝑜,𝑝 =

𝐶𝑜𝑣(𝑜, 𝑝)
𝜎(𝑜, 𝑝)

(𝐸𝑞𝑢𝑎çã𝑜 2)

Como forma de auxiliar a análise estatística do coeficiente de correlação, será utilizada
a tabela a seguir, onde é apresentada uma interpretação detalhada do coeficiente de correlação
de Pearson.
Tabela 1. Classificação das faixas de correlação e definição da relação entre os dados
simulados por um modelo e os dados observados. Fonte: Devore (2006).
Limites

Definição

0,00 a 0,19

Correlação muito fraca

0,20 a 0,39

Correlação fraca

0,40 a 0,69

Correlação moderada

0,70 a 0,89

Correlação forte

0,90 a 1,00

Correlação muito forte

Para garantir que o valor de r realmente expresse a concordância entre observações e
simulações, será utilizado o teste paramétrico t-Student Al-Achi (2019) para avaliar o grau de
relacionamento entre as variáveis em questão. Uma premissa para a utilização do teste é que o
tamanho da amostra, N, do qual se obtém o valor do coeficiente de correlação, r, é igual ou
maior que 6, então o valor de t é dado por (Equação 3):
𝑟
𝑡=
(𝐸𝑞𝑢𝑎çã𝑜 3)
(1 − 𝑟 2 )
√
(𝑁 − 2)
A equação 3 é uma distribuição para t com N-2 graus de liberdade. Aplicar esta fórmula
a qualquer valor de r e N testará a hipótese nula de que o valor observado vem de uma população
na qual não há correlação significativa entre os dados. Uma vez obtido o valor de t, pode-se

21

extrair o coeficiente crítico de correlação (rc), que é um valor para o qual se aceita ou não a
hipótese estatística de haver correlação entre os dados simulados e observados, rc é dado por:
𝑟𝑐 = √

𝑡2
(𝑁 − 2) + 𝑡 2

(𝐸𝑞𝑢𝑎çã𝑜 4)

3.6.2 Erro Médio Absoluto (MAE)
Indica a magnitude média dos erros em um conjunto de previsões, independentemente
de sua direção (WILLMOTT; MATSUURA, 2005). É a média sobre uma amostra de
observações e previsões da qual a diferença "previsão-observação" é extraída, com pesos iguais
para todas essas diferenças. Nota: se não for obtido um valor absoluto, o MAE passa a ser MBE
(Mean Bias Error, ou bias (viés)) e neste caso serve de parâmetro para medir a tendência média
do modelo. O MBE transmite informações úteis, mas deve ser interpretado com cautela, pois os
erros positivos e negativos tendem a se anular em amostras imparciais, por isso, não o
utilizaremos como uma das medidas de destreza da previsão determinística.
𝑁

1
𝑀𝐴𝐸 = ∑|𝑃𝑖 − 𝑂𝑖 |
𝑁

(𝐸𝑞𝑢𝑎çã𝑜 5)

𝑖=1

onde N é o número total de elementos da amostra, p = previsões e o = observações em cada
momento i.
3.6.3 Erro quadrático médio (RMSE)
É uma pontuação quadrática que também mede a magnitude média do erro,
(WILLMOTT; MATSUURA, 2005). É a raiz quadrada da média das diferenças ao quadrado
entre a previsão e a observação real.
𝑁

1
𝑅𝑀𝑆𝐸 = √ ∑(𝑃𝑖 − 𝑂𝑖 )2
𝑁

(𝐸𝑞𝑢𝑎çã𝑜 5)

𝑖=1

Comparação entre MAE e RMSE:
Semelhanças: Tanto o MAE quanto o RMSE expressam o erro médio de previsão do
modelo em unidades da variável de interesse. Ambas as métricas podem variar de 0 a ∞ e são
indiferentes à direção dos erros. Essas são pontuações orientadas negativamente, o que significa
que pontuações mais baixas são melhores.
Diferenças: Obter a raiz quadrada dos erros quadráticos médios tem algumas
implicações interessantes para o RMSE. Como os erros são elevados ao quadrado antes de serem

22

calculados, o RMSE atribui um peso relativamente alto a erros grandes. Isso significa que o
RMSE deve ser mais útil quando grandes erros são particularmente indesejáveis.
3.6.4 Diagramas de Taylor
Os diagramas de Taylor foram criados para esquematizar graficamente qual sistema de
valores simulados ou modelados mais se aproxima do valor real (TAYLOR, 2001). Esse
diagrama fornece em um só gráfico o resumo de três importantes parâmetros estatísticos da
observação e simulações: o desvio padrão, a correlação e o erro médio quadrático centralizado
entre todos os dados observados (o) e previstos (p). Para descrever a qualidade do modelo, uma
das estatísticas mais usadas é o RMSE, cujo RMSE centralizado corresponde a uma expansão
do RMSE (Eq. 6):
𝑅𝑀𝑆𝐸 2 = 𝜎𝑝2 + 𝜎𝑜2 − 2𝜎𝑝2 𝜎𝑜2 ∙ 𝑟

(𝐸𝑞𝑢𝑎çã𝑜 6)

onde são os desvios-padrão dos dados previstos e observados, e r o coeficiente de
correlação. Essa equação parte da similaridade com a equação da lei dos cossenos, que relaciona
o ângulo interno de um triângulo com seus lados:
1

O diagrama de Taylor é construído com 2 de círculo (quando se observam correlações
1

negativas) ou 4 de círculo (quando não se observam correlações negativas). Os eixos x e y tem
as medidas do desvio-padrão, com o σ(o) no eixo x, σ(p) representa a distância radial da origem,
e o azimute é proporcional a r.
O valor de R (correlação) dos dados observados e estimados pelo método é o azimute
do ponto. A correlação do ponto de referência com ele próprio é igual a 1 e, logo, localiza-se
no eixo x. Graficamente, quanto mais próximo o ponto de um método à referência, melhor o
método de interpolação. O diagrama de Taylor fornece uma maneira conveniente, gráfica, de
comparar os dados observados e estimados.

23
Figura 6 – Exemplo de construção do diagrama de Taylor.

Fonte: Adaptado de Pereira et al., (2014).

3.6.5 Mapas de anomalias (desvios)
Para a previsão climática é importante avaliar quanto um valor previsto se afasta do
observado no período de referência, ou seja, a climatologia referente ao período de hindcasts
do MFS7. Assim, apesar de termos dados CHIRPS sobre a BHM a partir de 1981, que
motivaram o detalhamento da climatologia 1981-2020 da precipitação mensal, sazonal e anual
mostrada nos resultados, para fins de comparação e obtenção dos desvios previstos em relação
à observação, a referência climatológica foi de 1993-2016 a fim de ter a mesma extensão
temporal do período de hindcast, sendo usado esse período em todas as etapas de avaliação da
destreza das previsões recalibradas quanto na avaliação do estudo de caso para as previsões
realizadas para o ano de 2020.
4. RESULTADOS
4.1 Dados de chuva estimados pelo CHIRPS
A Figura 7 apresenta os dados observados e as estimativas do CHIRPS. O coeficiente
de determinação foi de 0,65, o que significa que em torno de 65% da variabilidade observada
foi bem captada pelas estimativas do CHIRPS. O coeficiente de correlação foi de 0,81, com um
viés (bias) baixo, de apenas 3,5 mm, um erro médio absoluto de 4,3 mm e um erro quadrático
médio de 18,9 mm. Estes números corroboram que o CHIRPS é uma fonte de dados confiável
para a estimativa das chuvas acumuladas na BHM.

24
Figura 7 – Diagrama de dispersão entre valores mensais observados em estações da ANA na
BHM, e estimados pelo CHIRPS para as coordenadas geográficas dessas estações em dias com
ocorrência de precipitação.

Fonte: autor.

O CHIRPS tem boa capacidade de espacialização dos dados quando comparados aos
dos postos pluviométricos, além de apresentar maior série de dados pluviométrico do que um
posto convencional. O CHIRPS é um ótimo produto de espacialização dos dados
pluviométricos na ausência de um número significativo de postos pluviométricos (RABELO;
SANTOS; FILHO, 2022).
Parte da BHM está inserida na nova fronteira agrícola do Brasil, a SEALBA, em estudo
sobre performance de diferentes fontes de dados para essa região entre os estados de Alagoas,
Sergipe e Bahia, Silva et al., (2022) mostraram que o CHIRPS foi a segunda fonte de dados que
apresentava mais similaridade com as observações nessa área do leste brasileiro, perdendo
apenas para a fonte de dados gradeada conhecida pela sigla MERGE, do INPE, o que corrobora
a escolha do CHIRPS como uma boa fonte de dados para o desenvolvimento dessa pesquisa e
avaliação da performance das previsões do MFS7 na BHM.
4.2 Climatologia da BHM
Ao analisar a distribuição espacial da precipitação (Figura 8), percebe-se que os maiores
valores se encontraram próxima a região litorânea do Atlântico no sudeste da bacia. Ainda, à
medida que se afasta da região litorânea, ocorre a redução das chuvas em municípios que estão
na região semiárida. O mesmo foi observado por (SILVA et al., 2018) que estudou a
variabilidade espaço temporal da precipitação na BHM para o período de 1986 a 2016.

25
Figura 8 – Climatologia anual, 1981 a 2020.

Fonte: autor.

A BHM é marcada por forte sazonalidade (Figura 9), com chuvas concentradas no
outono/inverno mais concentradas na porção sudeste da bacia, com acumulados médios que
podem superar os 700mm. A primavera é a estação mais seca, um resultado interessante por ser
a estação que sucede à mais chuvosa, de inverno, mais seca inclusive do que o verão, onde a
atuação de alguns sistemas específicos pode levar alguma precipitação à BHM. Esses resultados
são coerentes com os principais sistemas de precipitação atuantes no leste do Nordeste
brasileiro, tais como: zona de convergência inter-tropical, frentes de nuvens, vórtice
troposférico dos altos níveis, brisa marítima e outros (FERREIRA; MELLO, 2005).
O fenômeno mais expressivo para esse setor da BHM é denominado de Distúrbio
Ondulatório de Leste (DOL), também conhecido por Perturbações Ondulatórias dos Alísios e
Ondas Africanas, são caracterizadas como pacotes de instabilidade que se propagam pelo fluxo
dos ventos Alísios partindo da costa oeste da África até o NEB durante o inverno do hemisfério
sul (FERREIRA; MELLO, 2005). Segundo Coutinho & Fisch (2007) os DOLs ocorrem durante
todo o ano sobre o leste do NEB, porém sua ocorrência é intensificada nos meses de maio a
agosto, marcando o período chuvoso do litoral leste do NEB.
Associado a outros fenômenos tropicais, o chamado Vórtice Ciclônico de Altos Níveis
(VCAN), é outro fenômeno responsável por parte da precipitação anual em alguns setores do

26

NEB (PINHEIRO, 2015). A chuva ocasionada pelo fenômeno depende da sua posição sobre a
região. Como documentado por Morais (2016) e De Souza Ferreira (2020), seu centro é
caracterizado por estabilidade, enquanto os lugares do NEB localizados sobre a periferia do
fenômeno sob recebem toda a chuva da área instável do fenômeno. VCANs pode atuar por até
8 dias e é o principal fenômeno de grande escala que provoca chuva na região central do NEB,
e no caso da BHM, influência de forma dúbia a depender de seu posicionamento, podendo inibir
fortemente as chuvas quando tem seu centro sobre a bacia, ou levando eventos de chuvas a
bacia durante o verão.
Figura 9 – Climatologia sazonal.

Fonte: autor.

Acerca da climatologia mensal (Figura 10), em abril observa-se o aumento da
precipitação, prevalecendo em maio, atingindo seus máximos em junho que é o mês com os
maiores picos na BHM, assim como aquele onde há mais probabilidade de ocorrência de

27

desastres causados por cheias. Junho atinge a sua máxima precipitação na zona da mata e
sudeste alagoano, onde ocorrem valores acima do chovido no litoral alagoano. O mês de julho
é o segundo mais chuvoso da BHM, contribuindo significativamente para o total anual da bacia.
Em agosto se torna perceptível a redução brusca principalmente na região noroeste.
Figura 10 – Climatologia mensal.

28

29

Fonte: autor.

4.3 Previsão climática do MFS7 via ACC – análise das correlações mensais
Poder se antecipar em até 5 meses em relação ao prognóstico climático das chuvas
acumuladas é um dos maiores objetivos dos centros globais de produção de previsões climáticas
mundiais coordenados pela OMM. No entanto, como é conhecido, isso já é possível em nível
global por diferentes modelos, mas ainda sendo necessário que ajustes sejam realizados a fim
de que se possa extrair o que há de melhor do potencial preditivo de cada modelo.
Os mapas das Figura 11 e Figura 22 mostram a análise das correlações obtidas entre a
precipitação simulada com até cinco meses de antecedência com o MFS7 após utilização da
técnica de ACC, para cada mês do ano. Para o mês de janeiro, a Figura 18 mostra a correlação
das previsões obtidas em dezembro, novembro, outubro, setembro e agosto, respectivamente.
As previsões melhor correlacionadas com as observações são as obtidas com um mês de
antecedência, com predomínio da área em tons de cor azul. Devido a extensão do hindcast:
1993-2015, correlações maiores que 0,4 são estatisticamente significantes a um nível de
confiança de 95% pelo teste t-student, e valores abaixo não possuem significância estatística.
Logo, os tons de azul nos dão um indicativo das áreas com maior confiabilidade das previsões.
As previsões para janeiro realizadas em outubro também possuem significância em boa parte
da BHM, destacando-se sua porção centro-sul. Previsões realizadas em novembro possuem
baixa confiança, apenas no extremo sudeste da bacia, e as realizadas em setembro e agosto não
possuem qualquer confiabilidade.

30
Figura 11 – Correlações entre observações e previsões geradas para o mês de janeiro variando
de um a cinco meses de antecedência (dezembro a agosto do ano anterior).

Fonte: autor.

Para o mês de fevereiro, a Figura 12 mostra altas correlações, indicativo de alta
confiabilidade das previsões, para aquelas realizadas com um e quatro meses de antecedência,
respectivamente nos meses de janeiro do ano corrente e outubro do ano anterior. As previsões
realizadas em dezembro, novembro e setembro possuem poucas áreas com correlações
superiores a 0,4, logo as previsões realizadas nesses meses para fevereiro do ano seguinte
possuem baixos índices de acertos. O destaque para esse mês é que as previsões de outubro de
um ano para o fevereiro seguinte possuem as maiores correlações, chegando a ultrapassar 0,8
em parte do centro-sul da BHM, ou seja, com quatro meses de antecedência é possível prever
com boa destreza se os acumulados de precipitação de fevereiro tenderão a se afastar ou não da
média climatológica, assumindo algum desvio positivo ou negativo, ou mesmo se os
acumulados tenderão a valores normais.

31
Figura 12 – Idêntica a figura 18, mas para fevereiro.

Fonte: autor.

Para as previsões de março, a Figura 13 traz um resultado interessante: as maiores
correlações são observadas para a previsão realizada com maior tempo de antecedência, em
outubro do ano anterior, com correlações superiores a 0,5 em toda a área da BHM. Previsões
geradas para março nos meses de janeiro e novembro não possuem significância estatística,
enquanto a confiabilidade das previsões realizadas em fevereiro e dezembro é restrita a
pequenas áreas ao leste da BHM.
Para abril (Figura 14), a maior parte das previsões tem correlações muito baixas
principalmente no centro-norte da BHM. As partes central e sul da BHM possuem correlações
mais altas e significantes para as previsões realizadas nos meses de março e janeiro, esta última
com correlações próximas a 0,7. As previsões realizadas em fevereiro a novembro possuem
pouca ou nenhuma confiabilidade, e as realizadas em dezembro tem correlações que variam de
0,5 a 0,6 também no centro-sul da BHM.

32
Figura 13 – Idêntica a figura 18, mas para março.

Fonte: autor.
Figura 14 – Idêntica a figura 18, mas para abril.

Fonte: autor.

33

As previsões geradas para maio (Figura 15), com exceção da realizada em fevereiro,
possuem valores de correlação muito próximos, de 0,4 a 0,65, com os maiores valores no setor
leste da BHM. Vale ressaltar que a partir de maio observa-se o aumento climatológico do
acumulado de precipitação, logo, previsões realizadas para o período úmido da BHM, de
preferência, deveriam ser aquelas com maior potencial de confiança. Este fator de
confiabilidade é verificado para as previsões dos meses de junho a agosto, que juntamente com
maio, formam a quadra mais chuvosa do ano na BHM.
Figura 15 – Idêntica a figura 18, mas para maio.

Fonte: autor.

Para junho (Figura 16), observa-se altas correlações entre previsões e observações, com
destaque para os setores norte e nordeste da BHM para as previsões realizadas em maio, abril,
março e fevereiro, ultrapassando o valor de 0,8 na previsão de março. O centro-oeste da BHM
tem as melhores correlações na previsão realizada em janeiro, ou seja, cinco meses atrás. Há
áreas com correlações muito baixas no centro-leste da bacia para a previsão de junho realizada
em abril e fevereiro, no entanto, percebe-se que deve-se ficar atento a todas as previsões de
junho desde janeiro no caso de um sistema operacional que por ventura essa metodologia para

34

antever possibilidades de acumulações acima e abaixo da média em um mês que é o mais
chuvoso da BHM.
Figura 16 – Idêntica a figura 18, mas para junho.

Fonte: autor.

Para julho (Figura 17), mês chuvoso na BHM, as previsões mais acuradas são aquelas
realizadas com um e dois meses de antecedência, em junho e maio. Para agosto (Figura 18), as
características das correlações das previsões são similares às observadas para o mês de junho,
com valores moderados a fortes de correlação vistos em cada mês de realização das previsões,
com destaque para o sul da BHM na previsão de junho, e norte da BHM nas previsões de julho,
junho, maio e abril. O centro da BHM possui as áreas com menores correlações em
praticamente todas as previsões realizadas para agosto, com exceção da realizada em abril.
As previsões realizadas para setembro (Figura 19) têm destaques para a mais recente
feita em agosto e a mais distante feita em abril, com correlações moderadas a altas em toda a
BHM, já nas realizadas em julho, junho e maio predominam correlações baixas sem
significância estatística. A Figura 20 mostra as correlações para as previsões realizadas para o
mês de outubro, cujo destaque são as baixas correlações observadas em todas as previsões.
Para novembro (Figura 21), as previsões com três e quatro meses de antecedência são
as que tem as maiores correlações, principalmente no sul da BHM onde estas chegam a 0.8. Já

35

as previsões mais recentes para esse mês realizadas em outubro e setembro tem correlações
muito baixas e a mais distante, realizada em junho tem todas as correlações entre 0,1 e 0,2,
muito baixas.
Já para dezembro (Figura 22), percebe-se características similares as previsões para
outubro, com correlações baixas em quase todos os meses anteriores onde geram-se previsões
para dezembro, com pequenas áreas com correlações que chegam a atingir o valor de 0,5 no
norte da BHM nas previsões geradas com dois e três meses de antecedência, em outubro e
setembro.
Figura 17 – Idêntica a figura 18, mas para julho.

Fonte: autor.

36
Figura 18 – Idêntica a figura 18, mas para agosto.

Fonte: autor.
Figura 19 – Idêntica a figura 18, mas para setembro.

Fonte: autor.

37
Figura 20 – Idêntica a figura 18, mas para outubro.

Fonte: autor.
Figura 21 – Idêntica a figura 18, mas para novembro.

Fonte: autor.

38
Figura 22 – Idêntica a figura 18, mas para dezembro.

Fonte: autor.

4.4 Previsão climática do MFS7 via ACC – análise dos erros
As Figura 23 e Figura 24 mostram o MAE e RMSE, respectivamente, associados à
média das cinco previsões recalibradas obtidas para cada mês. Essa é uma estratégia para
enxugar os resultados em uma única imagem para cada mês. Os erros associados são
proporcionais aos acumulados mensais, ou seja, para meses com baixos valores de precipitação,
menores erros, para aqueles com maiores acumulações maiores erros. No entanto, apesar de
esperado esse resultado mostra-se bastante relevante e erros maiores em meses mais chuvosos
não são um indicativo direto de baixa performance das previsões do modelo.
Para o MAE é perceptível maiores erros no trimestre abril a junho, a partir de 30 a 70
mm/mês em abril, de 30 a 100 mm/mês em maio e de 40 a pouco mais de 150 mm/mês em
junho, com os demais meses com erros absolutos de 0 a 40 mm/mês. Pelo MAE, de abril a
junho espera-se os maiores desvios do modelo em relação as observações, o que pode ser ou
um sinal positivo ou negativo, positivo no sentido do modelo conseguir captar um sinal acima
ou abaixo e acabar estimando um valor superior a anomalia observada, e negativo se essa
anomalia captada pelo modelo for de sentido oposto ao da observação.

39
Figura 23 – MAE da média das previsões de cada mês do ano.

Fonte: autor.

O RMSE pode parecer um índice redundante ao MAE, mas potencializa os erros do
modelo permitindo identificar meses em que os erros podem ser consideráveis e que não são
captados pelo MAE, já que este contabiliza desvios positivos e negativos em um valor absoluto.
O RMSE ao elevar os quadrados das diferenças, permite identificarmos que meses como janeiro
tem comportamento dos erros similar aos de abril, não identificado pelo MAE. Assim como
percebe-se erros de magnitude moderada de previsões realizadas para março, julho, agosto e

40

setembro no centro-sul da BHM. A magnitude dos erros indica que muitas vezes o MFS7 após
recalibração com ACC prevê valores que se distanciam das observações, o que pode ser
encarado de forma positiva pois pode-se inferir que o modelo tem capacidade de simular valores
extremos que se afastam da média climatológica, pois modelos cujas previsões pouco se
afastam da climatologia não tem valor para um sistema de previsão climática operacional.
Figura 24 – RMSE da média das previsões de cada mês do ano.

Fonte: autor.

41

4.5 Análise de diagramas de Taylor
Os diagramas de Taylor permitem sintetizar de forma eficiente as informações
provenientes de três parâmetros: correlação, desvio-padrão e erro quadrático médio. Viu-se das
figuras das correlações que para alguns meses quase todas as previsões iniciadas meses antes
tem o mesmo padrão de correlações, enquanto para outros meses não. Viu-se também que é
preciso mais de uma medida dos erros das previsões para inferir sobre os meses que estes podem
ser maiores em relação as observações. Em um centro operacional o previsor precisa saber em
qual previsão gerada meses atrás para o mês atual tem maior potencial de acerto baseado nos
melhores indicadores (maior correlação e menor erro).
A análise do diagrama de Taylor permite isso, com flexibilidade para identificar qual o
mês mais assertivo para a previsão climática (GU et al., 2018), aumentando a qualidade da
discussão sobre o desempenho e a escolha do melhor resultado do modelo (GOMES et al.,
2022). A Figura 25 mostra os diagramas de Taylor de janeiro a junho, onde nota-se que, para
os dados observados (referencia) tem-se que as melhores previsões em ordem decrescente
realizadas para cada mês, são as de dezembro, outubro, novembro, setembro e agosto para
janeiro, respectivamente; janeiro, novembro, outubro, setembro e dezembro para fevereiro,
respectivamente; fevereiro, janeiro, dezembro, novembro e outubro para março,
respectivamente; dezembro, março, janeiro, novembro e fevereiro para abril, respectivamente;
março, abril, janeiro, fevereiro e dezembro para maio, respectivamente; e janeiro, março, maio,
fevereiro e abril para junho, respectivamente.
A Figura 26 mostra os diagramas de Taylor de julho a dezembro, onde nota-se que, para
os dados observados (referencia) tem-se que as melhores previsões em ordem decrescente
realizada para cada mês são as de maio, junho, abril, fevereiro e março para julho,
respectivamente; abril, junho, março, maio e julho para agosto, respectivamente; agosto, julho,
junho, maio e abril para setembro, respectivamente; maio, agosto, setembro, junho e julho para
outubro, respectivamente; agosto, julho, outubro, setembro e junho para novembro,
respectivamente; e outubro, novembro, setembro, julho e agosto para dezembro,
respectivamente.

42
Figura 25 – Aplicação do diagrama de Taylor representando graficamente as estatísticas
relativas as observações e previsões obtidas até cinco meses antes do mês atual, para janeiro,
fevereiro, março, abril, maio e junho.

Fonte: autor.

43
Figura 26 – Aplicação do diagrama de Taylor representando graficamente as estatísticas
relativas as observações e previsões obtidas até cinco meses antes do mês atual, para julho,
agosto, setembro, outubro, novembro e dezembro.

Fonte: autor.

4.6 Previsão climática por conjunto do MFS7 via ACC – análise das correlações
A previsão por conjuntos (ensemble em seu termo em inglês) é uma forma conhecida
de melhorar a performance de previsões, por meio da imposição de diferentes condições de
inicialização aos modelos. Após obtenção de diferentes previsões, chamadas de membros, a
agregação desses diferentes resultados em um resultado único que pode se dar por diversos
artifícios matemáticos (VAN DEN DOOL, 2006). No entanto, é consenso entre especialistas
que uma das maneiras mais eficientes de obter o resultado único a partir de um conjunto de
previsões se dá pela média simples de todas as previsões (ESQUIVEL‐MUELBERT et al.,
2019).

44

De certo que é salutar em um sistema operacional de previsão do clima se antever com
máximo de tempo sobre o prognóstico de chuvas acumuladas para meses à frente. Mas, vimos
que não há uma linearidade quanto a destreza das previsões, embora predominem entre os
meses melhores previsões no realizadas no mês imediatamente anterior, houve para outros
meses melhores previsões entre todas as realizadas com até cinco meses de antecedência, como
bem demonstrado também na análise dos diagramas de Taylor.
Logo, optou-se por gerar uma previsão a partir da média de todas as cinco previsões
para cada mês e recalcular as correlações, o que, de fato, aumentou consideravelmente os
valores das mesmas. Este resultado é muito importante, pois demonstra que, por exemplo, se
algum órgão de meteorologia operacional de Alagoas ou Pernambuco que pretenda prever o
acumulado de chuvas na BHM, deve de preferência realizar as cinco previsões com condições
iniciais de cada mês retrógrado e após isso, aplicar uma média simples a essas previsões.
A Figura 27 mostra as correlações obtidas do conjunto para cada mês do ano, onde
percebe-se a considerável melhoria dos valores de correlações obtidos entre a simulação por
conjunto e as observações. Com exceção dos meses de outubro e dezembro, nenhum outro mês
possui áreas com correlações inferiores a 0,4, ou seja, sem significância estatística. Fevereiro e
junho destacam-se com áreas de correlações superiores a 0,8, com o máximo de correlação
observada no norte da BHM em agosto, entre 0,85 e 0,9.

45
Figura 27 – Correlações entre observações e previsões por conjunto para cada mês do ano.

Fonte: autor.

46

4.7 Previsões por conjunto para o ano de 2020 – estudo de caso.
Utilizamos a ACC para gerar previsões por conjunto para o ano de 2020, haja visto que
as correlações entre previsões e observações terem melhorado substancialmente com a
aplicação dessa técnica. As Figura 28 a Figura 39 mostram, para janeiro a dezembro de 2020,
a precipitação acumulada mensal e a prevista para o mês, e as respectivas anomalias em relação
à média do período 1993-2016, período de hindcast usado para recalibrar as previsões do MFS7
usando ACC com o CPT.
Para janeiro (Figura 28), a previsão foi de desvios negativos em toda BHM, o que se
concretizou em sua maior área com exceção do norte da bacia onde o desvio de chuva foi
positivo. Para fevereiro (Figura 29), foi previsto desvios levemente positivos nos extremos
norte e sul da bacia, e acumulados próximos a média na grande porção central da BHM. Os
desvios observados concordaram com a previsão para o norte e sul da bacia, embora com
anomalias positivas mais intensas e de maior extensão, enquanto no centro da BHM foram
observados desvios levemente negativos.
A Figura 30, para março, mostra que os desvios positivos previstos para a BHM
ocorreram, embora com valores que subestimaram os valores reais. Característica similar à de
março aconteceu em abril (Figura 31), com previsão generalizada de desvios positivos na BHM
principalmente mais à sul, embora os desvios observados tenham sido mais elevados. Em maio
(Figura 32), a previsão de desvios negativos foi assertiva, embora com menor intensidade que
os valores observados. Para junho (Figura 33), mês mais chuvoso da BHM, foram previstos
desvios positivos em torno de 100 mm no leste da BHM, o que ocorreu nessa área, embora o
modelo não tenha previsto o acentuado déficit de chuvas no oeste da bacia.
Para julho (Figura 34), os desvios previstos foram mais suaves do que os observados,
embora concordantes na maior parte das áreas. Para agosto (Figura 35), previmos acumulados
de chuvas inferiores à média, o que ocorreu, mas de forma mais intensa, previsão está muito
parecida com a de setembro (Figura 36), embora para esse mês os desvios negativos observados
tenham sido menos subestimados pelo modelo. Para outubro (Figura 37), o modelo previu leves
desvios negativos para o centro-norte da BHM, e os desvios observados embora também
negativos, foram mais intensos no centro-sul da bacia. Por fim em novembro (Figura 38) o
modelo previu leves desvios positivos da precipitação acumulada, sinal esse captado em
decorrência da prevalência de desvios positivos observados, embora mais intensos que os
previstos pelo modelo. Em dezembro (Figura 39), mês muito seco, o modelo não conseguiu se
afastar da média, prevendo basicamente os valores climatológicos desse mês, e a observação
mostrou que predominou na BHM acumulados inferiores à média.

47

Estes resultados são animadores, onde de forma determinística analisando acumulados
e desvios mensais, percebe-se que a metodologia imposta a previsão mensal na BHM pode ser
utilizada de forma operacional, pois os resultados mostraram prevalência de acertos e
capacidade do modelo em captar o sinal das acumulações, embora em muitos casos os desvios
observados tenham sido subestimados pelo modelo. Essa não é uma característica incomum, na
verdade, é frequente na literatura científica o esforço mundial em desenvolver modelos que
consigam prever valores que consigam se afastar da média climatológica e captar extremos (DA
ROCHA JÚNIOR et al., 2021).
A previsão climática para a BHM é importante e deve ser sempre desenvolvida, devido
a seu histórico de períodos secos e úmidos que por vezes trouxeram danos a sua população e
não são eficientemente previstas (COMIN et al., 2021). Da Rocha Júnior et al., (2021),
mostraram que a região onde está inserida a BHM possui tendência recente de aumento das
chuvas no trimestre mais seco do ano (de novembro a janeiro), de redução das chuvas no
trimestre de transição entre o período seco e úmido (trimestre de fevereiro a abril), e de aumento
das precipitações acumuladas no trimestre mais chuvoso do ano (maio a julho), além disso,
demonstraram que essa região está sujeita a um período de retorno de secas em torno de 12
meses, com secas moderadas prevalecendo nessa área. Estas características, por si só,
demonstram que os resultados dessa pesquisa podem ser usados para operacionalizar um
sistema de previsão climática para a BHM.

48
Figura 28 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para janeiro de 2020 (painel inferior).

Fonte: autor.
Figura 29 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para fevereiro de 2020 (painel inferior).

Fonte: autor.

49
Figura 30 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para março de 2020 (painel inferior).

Fonte: autor.
Figura 31 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para abril de 2020 (painel inferior).

Fonte: autor.

50
Figura 32 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para maio de 2020 (painel inferior).

Fonte: autor.
Figura 33 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para junho de 2020 (painel inferior).

Fonte: autor.

51
Figura 34 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para julho de 2020 (painel inferior).

Fonte: autor.
Figura 35 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para agosto de 2020 (painel inferior).

Fonte: autor.

52
Figura 36 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para setembro de 2020 (painel inferior).

Fonte: autor.
Figura 37 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para outubro de 2020 (painel inferior).

Fonte: autor.

53
Figura 38 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para novembro de 2020 (painel inferior).

Fonte: autor.
Figura 39 – Precipitação acumulada observada e prevista (painel superior), e anomalias
observada e prevista para dezembro de 2020 (painel inferior).

Fonte: autor.

54

5

CONCLUSÕES
A região Nordeste é caracterizada por grande variabilidade climática interanual, com

longos períodos secos e úmidos intercalados. Diante desse cenário, faz-se cada vez mais
necessário o desenvolvimento de sistemas operacionais de previsão climática subsazonal.
Nesta pesquisa detalha-se uma iniciativa de avaliar e operacionalizar as previsões
climáticas mensais do MFS7 para a BHM, localizada na divisa dos estados de Pernambuco e
Alagoas. Implementou-se um modelo empírico de calibração das previsões brutas do modelo
baseado na técnica de ACC, que permite ajustar previsões de um modelo climático global em
relação a séries de dados observados de uma região de interesse.
Estudos citados no decorrer da dissertação mostraram que modelos empíricos de
naturezas diversas tem se mostrado cada vez mais competitivos em comparação a previsões
climáticas derivadas unicamente de modelos dinâmicos.
O MFS7 fornece um período de hindcast de 1993 a 2016, e previsões a partir de 2017.
Calibramos o período de hindcast do MFS7 confrontando as previsões do modelo em uma área
de domínio superior à da BHM, com as séries extraídas do CHIRPS para essa bacia com
resolução de 0,05 °, totalizando 323 séries temporais de precipitação cumulada. Os dados do
CHIRPS foram validados mediante comparação com postos pluviométricos da ANA na BHM,
demonstrando alta correlação e erros dentro da normalidade.
Para cada mês de interesse, geramos cinco previsões inicializadas nos meses anteriores.
A análise de correlações, erros e diagramas de Taylor mostraram que não há uma linearidade
entre essas previsões, com as melhores previsões ocorrendo de forma aleatória quanto as
defasagens das previsões. Para sanar esse problema, aplicamos a técnica da previsão por
conjuntos, gerando uma previsão única a partir da média das cinco previsões geradas para cada
mês. O resultado demonstrou aumento significativo dos valores das correlações entre a
previsões e observações.
Uma vez demonstrado esse potencial da previsão simples por conjunto, mostramos um
estudo de caso para o ano de 2020, comparando acumulados e desvios previstos com
acumulados e desvios observados em relação a climatologia do período 1993-2016, cujos
resultados apontam para o potencial de captura do sinal da acumulação, anomalias positivas ou
negativas, pelo modelo calibrado, no entanto, ainda com dificuldade em simular a real
magnitude dos desvios observados, subestimando na maior parte dos meses seus valores.

55

6 REFERENCIAS BIBLIOGRAFICAS
AL-ACHI, A. The Student’s t-Test: A Brief Description. [s.l: s.n.].
ALVES, A. L. Efeito de teleconexões climáticas na variabilidade espaço-temporal dos
índices de disponibilidade hídrica em uma bacia hidrográfica sob transição climática
(Tropical/Semiárido). [s.l.] Universidade Federal de Alagoas, 2016.
ARAME TALL; JEANNE Y. COULIBALY; MOUSTAPHA DIOP. Do climate services make
a difference? A review of evaluation methodologies and practices to assess the value of climate
information services for farmers: Implications for Africa. Climate Services, 2018.
BARNETT, T. P.; PREISENDORFER, R. Origins and Levels of Monthly and Seasonal
Forecast Skill for United States Surface Air Temperatures Determined by Canonical
Correlation Analysis. Monthly Weather Review, v. 115, n. 9, p. 1825–1850, set. 1987.
BARNSTON, A. G. Linear Statistical Short-Term Climate Predictive Skill in the Northern
Hemisphere. Journal of Climate, v. 7, n. 10, p. 1513–1564, out. 1994.
BARNSTON, A. G. et al. Verification of the first 11 years of IRI’s seasonal climate forecasts.
Journal of Applied Meteorology and Climatology, v. 49, n. 3, p. 493–520, mar. 2010.
BARNSTON, A. G.; TIPPETT, M. K. Do statistical pattern corrections improve seasonal
climate predictions in the North American Multimodel Ensemble models? Journal of Climate,
v. 30, n. 20, p. 8335–8355, 1 out. 2017.
BATTÉ, L. et al. Documentation of the METEO-FRANCE seasonal forecasting system 7
C3S_330_Météo-France-Operational Seasonal Forecasts. [s.l: s.n.].
BELJAARS, A. C. M.; BROWN, A. R.; WOOD, N. A new parametrization of turbulent
orographic form drag. Quarterly Journal of the Royal Meteorological Society, v. 130, n.
599, p. 1327–1347, 1 abr. 2004.
BOROVIKOV, A. et al. GEOS-5 seasonal forecast system. Climate Dynamics, v. 53, n. 12, p.
7335–7361, 2019.
BROWNE, M. W. Cross-Validation Methods. Journal of Mathematical Psychology, v. 44, n.
1, p. 108–132, mar. 2000.
CEGLAR, A.; TORETI, A. Seasonal climate forecast can inform the European agricultural
sector well in advance of harvesting. npj Climate and Atmospheric Science, v. 4, n. 1, 1 dez.
2021.
COELHO, C. A. S. et al. Toward an Integrated Seasonal Forecasting System for South
America. [s.l: s.n.]. Disponível em: <http://www.ons.org.br>.

56

COELHO, C. A. S. et al. Toward an Integrated Seasonal Forecasting System for South
America. [s.l: s.n.]. Disponível em: <http://www.ons.org.br>.
COELHO, C. A. S.; COSTA, S. M. S. Challenges for integrating seasonal climate forecasts
in user applications. Current Opinion in Environmental Sustainability, dez. 2010.
COMIN, A. N. et al. Extreme rainfall event in the Northeast coast of Brazil: a numerical
sensitivity study. Meteorology and Atmospheric Physics, v. 133, n. 2, p. 141–162, 2021.
COMMAR, L. F. S. A. Avaliação da previsão climática do início da estação chuvosa no
Oeste da Bahia. [s.l.] Universidade Federal de Viçosa, 2020.
COSTA, D. D. Previsão Hidrológica de Longo-Prazo baseada em Componentes Climáticas
em Bacias Hidrográficas Semiáridas / Tropicais Maceió Previsão Hidrológica de LongoPrazo baseada em Componentes Climáticas em Bacias Hidrográficas Semiáridas /
Tropicais Maceió. [s.l.] Universidade Federal de Alagoas, 2014.
COSTA, J. C. et al. VALIDAÇÃO DOS DADOS DE PRECIPITAÇÃO ESTIMADOS PELO
CHIRPS PARA O BRASIL. Revista Brasileira de Climatologia, v. 24, 11 jun. 2019.
COUTINHO, E. C., FISCH, G. Distúrbios Ondulatórios de Leste (Dols) na Região do Centro
de Lançamento de Alcântara-MA. Revista Meteorologia, Brasileira de, 2007.
CUXART, J.; BOUGEAULT, P.; REDELSPERGER, J.-L. A turbulence scheme allowing for
mesoscale and large-eddy simulations. Quarterly Journal of the Royal Meteorological
Society, v. 126, n. 562, p. 1–30, 1 jan. 2000.
DA ROCHA JÚNIOR, R. L. et al. An empirical seasonal rainfall forecasting model for the
northeast region of brazil. Water (Switzerland), v. 13, n. 12, 1 jun. 2021a.
DA ROCHA JÚNIOR, R. L. et al. An empirical seasonal rainfall forecasting model for the
northeast region of brazil. Water (Switzerland), v. 13, n. 12, 1 jun. 2021b.
DA SILVA, D. F. Análise de aspectos climatológicos, agroeconômicos, ambientais e de seus
efeitos sobre a Bacia Hidrográfica do rio Mundaú (AL e PE). [s.l.] UNIVERSIDADE
FEDERAL DE CAMPINA GRANDE – UFCG, 2009.
DARON, J.; STAINFORTH, D. Assessing pricing assumptions for weather index insurance in
a changing climate. Climate Risk Management, v. 1, 11 fev. 2014.
DE SOUZA FERREIRA, G. W. R. M. S. D. R. R. P. Vórtices Ciclônicos de Altos Níveis nas
Cercanias do Nordeste do Brasil: Climatologia e Análise da Vorticidade Potencial Isentrópica.
Anuário do Instituto de Geociências, v. 42, p. 568–585, 2020.
DECHARME, B. et al. Recent Changes in the ISBA-CTRIP Land Surface System for Use in
the CNRM-CM6 Climate Model and in Global Off-Line Hydrological Applications. Journal
of Advances in Modeling Earth Systems, v. 11, n. 5, p. 1207–1252, 1 maio 2019.

57

DEE, D. ; FASULLO, J. ;; SHEA, D. ; W. J. The climate data guide: atmospheric reanalysis:
overview & comparison tables. Disponível em: <m https://climatedataguide.ucar.edu/climatedata/atmospheric-reanalysisoverview comparison-tables>. Acesso em: 10 abr. 2023.
DÉQUÉ, M. et al. The ARPEGE/IFS atmosphere model: a contribution to the French
community climate modelling. Climate Dynamics, v. 10, n. 4, p. 249–266, 1994.
DOS SANTOS, S. R. Q.; CUNHA, A. P. M. DO A.; RIBEIRO-NETO, G. G. AVALIAÇÃO
DE DADOS DE PRECIPITAÇÃO PARA O MONITORAMENTO DO PADRÃO ESPAÇOTEMPORAL DA SECA NO NORDESTE DO BRASIL. Revista Brasileira de Climatologia,
v. 25, 9 ago. 2019.
DUBREUIL, V. et al. Os tipos de climas anuais no Brasil : uma aplicação da classificação de
Köppen de 1961 a 2015. Confins, n. 37, 24 set. 2018.
ESCADA, P. et al. Climate services in Brazil: Past, present, and future perspectives. Climate
Services, v. 24, p. 100276, 2021.
ESQUIVEL‐MUELBERT, A. et al. Compositional response of Amazon forests to climate
change. Global Change Biology, v. 25, n. 1, p. 39–56, 8 jan. 2019.
FAGUNDES, H. DE O. et al. Sediment modeling of a large-scale basin supported by remote
sensing and in-situ observations. CATENA, v. 190, p. 104535, jul. 2020.
FERREIRA, A. G.; MELLO, N. G. DA S. Principais Sistemas Atmosféricos Atuantes Sobre A
Região Nordeste Do Brasil E A Influência Dos Oceanos Pacífico E Atlântico No Clima Da
Região. Revista Brasileira de Climatologia, 2005.
FERREIRA DA COSTA, P. N. Verificação do modelo de circulação geral da atmosfera do
CPTEC/COLA: ciclo hidrológico e processos de superfície. [s.l: s.n.].
FRAGOSO JÚNIOR, C. R.; PEDROSA, V. A.; SOUZA, V. C. Reflexões Sobre a Cheia de
Junho de 2010 nas Bacias do Rio Mundaú e Paraíba. XVI Simpósio Brasileiro de Recursos
Hídricos, p. 1–20, 2010.
FUNK, C. et al. The climate hazards infrared precipitation with stations—a new environmental
record for monitoring extremes. Scientific Data, v. 2, n. 1, p. 150066, 8 dez. 2015.
GELETA, C. D.; DERESSA, T. A. Evaluation of Climate Hazards Group InfraRed
Precipitation Station (CHIRPS) <scp>satellite‐based</scp> rainfall estimates over Finchaa and
Neshe Watersheds, Ethiopia. Engineering Reports, v. 3, n. 6, 22 jun. 2021.
GOMES, H. B. et al. WRF Sensitivity for Seasonal Climate Simulations of Precipitation Fields
on the CORDEX South America Domain. Atmosphere, v. 13, n. 1, 1 jan. 2022.

58

GU, H. et al. High-resolution ensemble projections and uncertainty assessment of regional
climate change over China in CORDEX East Asia. Hydrology and Earth System Sciences,
v. 22, n. 5, p. 3087–3103, 30 maio 2018.
GUEREMY, J. F. A continuous buoyancy based convection scheme: One- and threedimensional validation. Tellus, Series A: Dynamic Meteorology and Oceanography, v. 63,
n. 4, p. 687–706, ago. 2011.
HAMAKAWA, P. J. Análises multivariadas e de séries temporais de elementos
meteorológicos e de parâmetros fenológicos do cacaueiro (Theobroma cacao l.) sob
diferentes estratégias de irrigação. [s.l.] Universidade Federal de Viçosa, 2002.
HANSSEN-BAUER, I. et al. Statistical downscaling of climate scenarios over Scandinavia.
Climate Research, v. 29, p. 255–268, 2005.
HASTENRATH, S.; WU, M.-C.; CHU, P.-S. Towards the monitoring and prediction of northeast Brazil droughts. Quarterly Journal of the Royal Meteorological Society, v. 110, n. 464,
p. 411–425, abr. 1984.
HERDIES, D. L. et al. Evaluation of Surface Data Simulation Performance with the Brazilian
Global Atmospheric Model (BAM). Atmosphere, v. 14, n. 1, p. 125, 6 jan. 2023.
HERSBACH, H. et al. The ERA5 global reanalysis. Quarterly Journal of the Royal
Meteorological Society, v. 146, n. 730, p. 1999–2049, 1 jul. 2020.
HOSSAIN, M. et al. Application of extreme learning machine for short term output power
forecasting of three grid-connected PV systems. Journal of Cleaner Production, v. 167, p.
395–405, nov. 2017.
HUFFMAN, G. J. et al. The TRMM Multisatellite Precipitation Analysis (TMPA): QuasiGlobal, Multiyear, Combined-Sensor Precipitation Estimates at Fine Scales. Journal of
Hydrometeorology, v. 8, n. 1, p. 38–55, 1 fev. 2007.
JOHNSON, S. J. et al. SEAS5: The new ECMWF seasonal forecast system. Geoscientific
Model Development, v. 12, n. 3, p. 1087–1117, 22 mar. 2019.
KAYANO, M. T.; ANDREOLI, R. V. Relations of South American summer rainfall
interannual variations with the Pacific Decadal Oscillation. International Journal of
Climatology, v. 27, n. 4, p. 531–540, 30 mar. 2007.
KHARIN, V. V. et al. Statistical adjustment of decadal predictions in a changing climate.
Geophysical Research Letters, v. 39, n. 19, 16 out. 2012.
KIRTMAN, B. P. et al. The North American multimodel ensemble: Phase-1 seasonal-tointerannual prediction; phase-2 toward developing intraseasonal prediction. Bulletin of the
American Meteorological Society, v. 95, n. 4, p. 585–601, 2014.

59

LARSON, J.; JACOB, R.; ONG, E. The Model Coupling Toolkit: A New Fortran90 Toolkit
for Building Multiphysics

Parallel Coupled Models. The International Journal of

High Performance Computing Applications, v. 19, n. 3, p. 277–292, 1 ago. 2005.
LEE, J. C. K. et al. Weather Prediction for Singapore—Progress, Challenges, and
Opportunities. Meteorology, v. 1, n. 4, p. 394–401, 9 out. 2022.
LOESCH, C. H. M. Métodos estatísticos multivariados. [s.l: s.n.].
LOPEZ, P. Implementation and validation of a new prognostic large-scale cloud and
precipitation scheme for climate and data-assimilation purposes. Quarterly Journal of the
Royal Meteorological Society, v. 128, n. 579, p. 229–257, 1 jan. 2002.
LÚCIO, P. S. et al. UM MODELO ESTOCÁSTICO COMBINADO DE PREVISÃO
SAZONAL PARA A PRECIPITAÇÃO NO BRASILRevista Brasileira de Meteorologia.
[s.l: s.n.].
LYRA, M. J. A.; FREITAS, I. G. F.; SANTIAGO, D. B. Revista Brasileira de Geografia
Física v. [s.l: s.n.].
MANZANAS, R. et al. Dynamical and statistical downscaling of seasonal temperature
forecasts in Europe: Added value for user applications. Climate Services, v. 9, p. 44–56, 2018.
MARIOTTI, A. et al. Windows of opportunity for skillful forecasts subseasonal to seasonal and
beyond. Bulletin of the American Meteorological Society, v. 101, n. 5, p. E608–E625, 1 maio
2020.
MARIOTTI, A.; RUTI, P. M.; RIXEN, M. Progress in subseasonal to seasonal prediction
through a joint weather and climate community effort. npj Climate and Atmospheric Science,
v. 1, n. 1, 1 dez. 2018.
MARONNA, R. Alan Julian Izenman (2008): Modern Multivariate Statistical Techniques:
Regression, Classification and Manifold Learning. Statistical Papers, v. 52, n. 3, p. 733–734,
25 ago. 2011.
MARTINS, E. S. P. R.; VASCONCELOS JÚNIOR, F. DAS C. O clima da Região Nordeste
entre 2009 e 2017: monitoramento e previsão. 2017.
MEDEIROS, R. M. Método da classificação climática de Köppen e Thornthwaite aplicado ao
município de Bom Jesus - PI, Brasil. Brazilian Journal of Agroecology and Sustainability,
6 jan. 2020.
MERRYFIELD, W. J. et al. Current and emerging developments in subseasonal to decadal
prediction. Bulletin of the American Meteorological Society, v. 101, n. 6, p. E869–E896, 26
jun. 2020.

60

MERTLER, C. A.; VANNATTA, R. A. Advanced and Multivariate Statistical Methods:
Practical Application and Interpretation. [s.l: s.n.].
MÉTÉO-FRANCE; BATTÉ, L. Documentation of the METEO-FRANCE seasonal
forecasting system 7: C3S_330_Météo-France-Operational Seasonal Forecasts. [s.l: s.n.].
MILLER, S. et al. Analysis of a short-term and a seasonal precipitation forecast over kenya.
Atmosphere, v. 12, n. 11, 1 nov. 2021.
MONTE, B. E. O. Mapeamento de inundações no município de Rio Largo (AL). [s.l.]
Universidade Federal de Alagoas, 2013.
MORAIS, M. D. C. Vórtices ciclônicos de altos níveis que atuam no Nordeste do Brasil: estudo
observacional e numérico. Instituto Nacional de pesquisas espacias-INPE, v. 1, p. 231, 2016.
MOURA, H. P. et al. A Comparative Study Of Box Jenkins Models And Artificial Neural
Networks In Forecasting Pluviometric Flows And Precipitations Of Araguaia-Tocantins
Basin/Brazil. 2019, [s.d.].
ORDOÑEZ, L. et al. Applying agroclimatic seasonal forecasts to improve rainfed maize
agronomic management in Colombia. Climate Services, v. 28, p. 100333, 2022.
OSGOOD, D. E. et al. Integrating Seasonal Forecasts and Insurance for Adaptation among
Subsistence

Farmers:

The

Case

of

Malawi.

[s.l:

s.n.].

Disponível

em:

<http://econ.worldbank.org.>.
OSMAN, M.; COELHO, C. A. S.; VERA, C. S. Calibration and combination of seasonal
precipitation forecasts over South America using Ensemble Regression. Climate Dynamics, v.
57, n. 9, p. 2889–2904, 2021.
OTTO, M. Chemometrics: Statistics and Computer Application in Analytical Chemistry.
3. ed. [s.l: s.n.].
PICARD, R. R.; COOK, R. D. Cross-Validation of Regression Models. Journal of the
American Statistical Association, v. 79, n. 387, p. 575–583, 1 set. 1984.
PINHEIRO, J. U. Vórtices ciclônicos em altos níveis sobre o nordeste do brasil e mudanças
climáticas: análise para o clima atual e cenários. [s.l.] Universidade Federal do Rio Grande
do Norte, 2015.
PROTÁSIO, T. DE P. et al. Correlações canônicas entre as características químicas e
energéticas de resíduos lignocelulósicos. [s.l: s.n.].
RABELO, D. R.; SANTOS, M. R. DA S.; FILHO, M. R. P. D. S. Análise comparativa dos
dados pluviométricos de satélite e de superfície em bacia hidrográfica semiárida. Revista
Brasileira de Sensoriamento Remoto, v. 3, 2022.

61

RASMUSSON, E. M.; CARPENTER, T. H. Variations in Tropical Sea Surface Temperature
and Surface Wind Fields Associated with the Southern Oscillation/El Niño. Monthly Weather
Review, v. 110, n. 5, p. 354–384, maio 1982.
REBOITA, M. S. 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. 207–224,
jun. 2018.
RIBEIRO FILHO, J. G. Aplicações da Técnica de Análise de Correlações Canônicas na
Previsão Climática Sazonal no Ceará. [s.l.] Universidade Estadual do Ceará , 2009.
RIBEIRO, S. S. Métodos Computacionais Aplicados À Agricultura: Python & Weka. [s.l:
s.n.].
ROSSI, D. M. Estudo da discinese escapular por análise de componentes principais
aplicada aos dados de cinemática tridimensional escapulotorácica. Ribeirão Preto:
Universidade de São Paulo, 6 ago. 2018.
RUSTIANA, S. et al. Rainfall prediction of Cimanuk watershed regions with canonical
correlation analysis (CCA). Journal of Physics: Conference Series, v. 893, p. 012021, out.
2017.
SAHA, S. et al. The NCEP climate forecast system version 2. Journal of Climate, v. 27, n. 6,
p. 2185–2208, 2014.
SALAS MÉLIA, D. A global coupled sea ice–ocean model. Ocean Modelling, v. 4, n. 2, p.
137–172, 2002.
SILVA, D. F. DA; SOUSA, F. DE A. S. DE; KAYANO, M. T. Escalas temporais da
variabilidade pluviométrica na bacia hidrográfica do Rio Mundaú. Revista Brasileira de
Meteorologia, v. 25, n. 3, p. 324–332, set. 2010.
SILVA, E. H. DE L. et al. Performance Assessment of Different Precipitation Databases
(Gridded Analyses and Reanalyses) for the New Brazilian Agricultural Frontier: SEALBA.
Water, v. 14, n. 9, p. 1473, 4 maio 2022.
SILVA, S. D. A. et al. Variabilidade espaço-temporal da precipitação na Bacia Hidrográfica do
rio Mundaú (PE/AL). Revista Brasileira de Climatologia, v. 23, 13 dez. 2018.
SILVA, W. L.; BARRETO, R. Modelagem Climática e Vulnerabilidades Setoriais à
Mudança

do

Clima

no

Brasil.

[s.l:

s.n.].

Disponível

em:

<https://www.researchgate.net/publication/305084250>.
SILVA, W. L.; DERECZYNSKI, C. P. Climatological Characterization and Observed Trends
in Climatic Extremes in the State of Rio de Janeiro. Anuário do Instituto de Geociências UFRJ, v. 37, n. 2, p. 123, 28 nov. 2014.

62

SOBREIRO, J. F. F.; STREHER, A. S.; SILVA, T. S. F. Análise comparativa de produtos
geoespaciais para monitoramento de precipitação em uma região montanhosa tropical. Em: Os
Desafios da Geografia Física na Fronteira do Conhecimento. [s.l.] INSTITUTO DE
GEOCIÊNCIAS - UNICAMP, 2017. p. 2487–2491.
SOUZA, R. C. DE et al. Uma Análise na Dragagem do Complexo Estuarino-Lagunar
Mundaú/Manguaba em Alagoas através de um Modelo Numérico Hidrodinâmico
Bidimensional-Resultados Preliminares. Revista Brasileira de Recursos Hídricos-RBRH, v.
9, p. 21–31, 2004.
STONE, M. Cross-validation:a review 2. Series Statistics, v. 9, n. 1, p. 127–139, jan. 1978.
TAYLOR, K. E. Summarizing multiple aspects of model performance in a single diagram.
Journal of Geophysical Research: Atmospheres, v. 106, n. D7, p. 7183–7192, 16 abr. 2001.
TIWARI, P. R. et al. Comparison of statistical and dynamical downscaling methods for
seasonal-scale winter precipitation predictions over north India. International Journal of
Climatology, v. 39, n. 3, p. 1504–1516, 15 mar. 2019.
TUCCI, C. E. M.; LEITE, P.; DIAS, S. Previsão de médio prazo da afluência de
reservatórios com base na previsão climática Evaluation of Easterly Wave Disturbances
on the tropical South Atlantic in the present climate using the CMIP6 models View project
Combining SWOT observations with modelling for South America water systems studySWOT-MOD

View

project.

[s.l:

s.n.].

Disponível

em:

<https://www.researchgate.net/publication/236588657>.
VAN DEN DOOL, H. Empirical Methods in Short-Term Climate Prediction. [s.l.] Oxford
University Press, 2006.
VITART, F. et al. The subseasonal to seasonal (S2S) prediction project database. Bulletin of
the American Meteorological Society, v. 98, n. 1, p. 163–173, 1 jan. 2017.
VOLDOIRE, A. et al. SURFEX v8.0 interface with OASIS3-MCT to couple atmosphere with
hydrology, ocean, waves and sea-ice models, from coastal to global scales. Geoscientific
Model Development, v. 10, n. 11, p. 4207–4227, 20 nov. 2017.
WALKER, G. T. Ceará (Brazil) famines and the general air movement. Beitrage zur Physik
der freien Atmosphare, v. 14, p. 88–93, 1928.
WILLMOTT, C.; MATSUURA, K. Advantages of the mean absolute error (MAE) over the
root mean square error (RMSE) in assessing average model performance. Climate Research,
v. 30, p. 79–82, 2005.
WMO. WMO Statement on the State of the Global Climate in 2019. [s.l: s.n.]. v. WMONo. 1248

63

WU, D.; JIANG, Z.; MA, T. Projection of summer precipitation over the Yangtze–Huaihe River
basin using multimodel statistical downscaling based on canonical correlation analysis.
Journal of Meteorological Research, v. 30, n. 6, p. 867–880, 17 dez. 2016.
YNOUE, R. Y. et al. Meteorologia: noções básicas. [s.l: s.n.].