DISSERTAO-NATHALIA_FINAL (1).pdf
Documento PDF (2.5MB)

Exibir conteúdo Baixar

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

NATHÁLIA BISSAQUE PESSOTA

UMA ABORDAGEM HÍBRIDA DINÂMICO-ESTATÍSTICA PARA A
PREVISÃO CLIMÁTICA DO NORDESTE DO BRASIL

MACEIÓ – AL
2024

NATHÁLIA BISSAQUE PESSOTA

UMA ABORDAGEM HÍBRIDA DINÂMICO-ESTATÍSTICA PARA A
PREVISÃO CLIMÁTICA DO NORDESTE DO BRASIL

Trabalho de Dissertação apresentado como requisito para
obtenção de aprovação no Mestrado Acadêmico do
Programa de Pós-Graduação em Meteorologia, do Instituto
de Ciências Atmosféricas, da Universidade Federal de
Alagoas.
Orientador: Professor Dr. Fabrício Daniel dos Santos Silva.
Co-Orientador: Dra. Rafaela Lisboa Costa.

MACEIÓ – AL
2024

UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
COORDENAÇÃO DO MESTRADO EM METEOROLOGIA

ATA DE APRESENTAÇÃO PÚBLICA DE DISSERTAÇÃO DE MESTRADO

Aos trinta dias do mês de abril do ano de dois mil e vinte e quatro, às catorze horas, por
Videoconferência, Campus A. C. Simões da Universidade Federal de Alagoas (UFAL), perante a Banca
Examinadora composta pelo Prof. Dr. Fabrício Daniel dos Santos Silva– Orientador, Profa. Dra. Rafaela
Lisboa Costa – Coorientadora, Prof. Dr. Helber Barros Gomes - Membro Interno e Profa. Dra. Sandra
Isay Saad - Membro Externo, a senhora Nathália Bissaque Pessota sob a orientação do Prof. Dr.
Fabrício Daniel dos Santos Silva–, apresentou publicamente uma dissertação intitulada:“UMA
ABORDAGEM HÍBRIDA DINÂMICO-ESTATÍSTICA PARA A PREVISÃO CLIMÁTICA DO NORDESTE
DO BRASIL.” número de série, MET-UFAL-MS-204 como requisito para a obtenção do Grau de Mestre em

Meteorologia, área de concentração: Processos de Superfície Terrestre. Após a apresentação, e, seguindo

o regimento do Programa de Pós-Graduação em Meteorologia da UFAL no seu Artigo 19, a Banca
Examinadora considerou a senhora Nathália Bissaque Pessota aprovada. Ainda de acordo com o
parágrafo único do Artigo 19, o Diploma de Mestre em Meteorologia - área de concentração Processos
de Superfície Terrestre será expedido a requerimento do concluinte, anexado a no mínimo 07 (sete)
cópias da versão definitiva da dissertação, satisfeitas as modificações indicadas pelos relatores e Banca
Examinadora. Eu, Helber Barros Gomes, Coordenador do Curso de Mestrado em Meteorologia da
UFAL, lavrei a presente ata, que vai assinada por mim e pelos componentes da Banca Examinadora.

Maceió, 30 de abril de 2024.
Prof. Dr. Helber Barros
Gomes
(Coordenador/Membro
Interno)

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

Profa. Dra. Rafaela Lisboa Costa
(Coorientadora)

DEDICATÓRIA

Dedico primeiramente a Deus essa grandiosa conquista, por me conceder saúde,
graça e sabedoria todos os dias da minha vida.
Ao meu esposo Marcos Alves por todo apoio, paciência, incentivo e amor que sem
dúvidas me impulsionou a chegar até aqui, todo o meu carinho a você.
A minha Mãe Liliane Bissaque por todo seu ensino, zelo e discernimento,
acreditando no meu potencial e olhando sempre para o alvo final, me encorajando nos
momentos difíceis e sendo todos os dias minha melhor amiga.
Ao meu Pai Silvio Medeiros, por sempre proteger nossa família se sacrificando
imensamente e não medindo esforços para o meu melhor, essa vitória também é sua.
Ao meu irmão Samuel Bissaque pelo carinho e amor que temos um pelo outro,
mantenho minha realização de irmã mais velha em você e espero que essa vitória seja
orgulho e respaldo para sua vida acadêmica/profissional.
Aos meus avós Miguel e Mariza, incluo aqui também meu Tio Mateus, pelo apoio
incondicional e imerecido que sempre obtive por eles, seja por palavras de conforto e
encorajamento, ou por orações fortificadas na palavra de Cristo que sempre me manteve
de pé, essa vitória é de vocês também.
A toda minha família Bissaque e Pessota, o apoio e a força que obtive por vocês
foram cruciais até essa chegada, todo meu amor e respeito.

AGRADECIMENTOS

Agradeço ao meu Deus por tudo, toda honra, glória e louvor seja a Ele para
sempre. Obrigada meu amor Marcos Alves por se dedicar pelo nosso futuro todos os dias,
me dando apoio e incentivo, você foi fundamental para essa conquista se concretizar, te
amo imensamente.
Agradeço aos meus pais Silvio e Liliane, e ao meu irmão Samuel, por serem minha
base e sempre me ajudarem nos meus sonhos, com certeza sem vocês seria impossível
concluir essa missão, obrigada por todo incentivo.
A toda minha família, em especial meus avós Miguel e Mariza, Sadi e Elza e ao
meu tio Mateus, meu eterno agradecimento, por todo carinho nessa jornada, sei que toda
oração chegou ao trono do Pai Celestial e me impulsionou a chegar até aqui, a vocês todo
meu carinho e amor.
A minha amiga de turma Maiane Rodrigues, que Deus colocou no meu caminho
para ser minha companheira nas horas difíceis e parceira constante nos dias de alegria,
compartilho contigo essa conquista pois tens parte dela, meu muito obrigada sempre.
Agradeço ao meu orientador Fabrício Daniel dos Santos Silva, por todos os seus
ensinamentos, compreensão e paciência, sua dedicação foi de fundamental importância
para a realização dessa pesquisa, obrigada.
Agradeço a FAPEAL pela contemplação da bolsa cota CAPES, tal incentivo
ajudou na árdua jornada ao longo de todo o curso do mestrado. Sou grata a todos que
participaram direta e indiretamente para a realização deste.

Consagre ao Senhor tudo o que você faz e seus planos serão bem sucedidos.

Provérbios 16:3

RESUMO
A previsão climática ganha cada vez mais protagonismo em atividades de planejamento
relacionadas a diferentes setores econômicos, como agricultura, energia, recursos
hídricos, transporte e turismo. Há diferentes modelos climáticos e diferentes técnicas para
levar essa informação até a sociedade, que demanda por previsões que possibilitem
tomadas de decisões. No entanto, apesar dos avanços ainda se faz necessário pesquisar
metodologias que consigam melhorar e aumentar a confiabilidade de previsões climáticas
provenientes de modelos. Diante disso, essa pesquisa teve como principal objetivo aplicar
uma técnica de pós-processamento à saídas dos modelos climáticos que compõem o
projeto North-Amerian MultiModel Ensemble (NMME). A área de estudo é a região
Nordeste do Brasil (NEB), e a técnica usada para calibrar as previsões foi a Análise de
Correlações Canônicas (ACC). A ACC foi empregada para calibrar as previsões mensais
da precipitação acumulada para o NEB, usando a previsão do modelo como variável
preditora e a precipitação observada como o preditando, confrontando um hindcast de 30
anos de previsão com as observações do mesmo período, de 1991 a 2020. Os resultados
mostram que as saídas diretas das previsões dos modelos do NMME apresentam vieses
significativos quando se compara a climatologia dos modelos e a observada, e que após
a calibração com ACC, esses vieses são corrigidos e as correlações entre previsões e
observações aumenta significativamente, além de haver redução nos erros das previsões.
Após essa etapa, verificou-se para uma defasagem de até três meses de previsão para
determinado mês, quais modelos apresentaram melhores resultados, a fim de combinálos em um conjunto limitado de modelos para gerar previsões mais confiáveis para o
NEB. Tais médias de conjuntos (ensembles) mostraram uma correlação ainda maior que
a dos modelos individuais mesmo após o pós-processamento com ACC.

Palavras-chave: Previsões climáticas, NMME, Precipitação, ensembles.

ABSTRACT
Climate forecasting is gaining more and more prominence in planning activities related
to different economic sectors, such as agriculture, energy, water resources, transport and
tourism. There are different climate models and different techniques to convey this
information to society, which require variations to enable decision-making. However,
despite advances, it is still necessary to research methodologies that can improve and
increase the reliability of specific climate variation in models. Therefore, the main
objective of this research was to apply a post-processing technique to the outputs of the
climate models that make up the North-American MultiModel Ensemble (NMME)
project. The study area is the Northeast region of Brazil (NEB), and the technique used
to calibrate the variations was the Canonical Correlation Analysis (CCA). The CCA was
used to calibrate the monetary variations of the accumulated variations for the NEB, using
the model forecast as the predictor variable and the observed occurrences as the predictor,
comparing a hindcast of 30 years of forecast with observations from the same period,
from 1991 to 2020. The results show that the direct outputs of NMME model corrections
present significant views when comparing model and observed climatology, and that after
flexibility with ACC, these views are corrected and correlations between observations
and observations increase significantly, in addition. there will be a reduction in variation
errors. After this step, a lag of up to three months of forecasting for a given month was
provided, which models presented the best results, in order to combine them into a limited
set of models to generate more specific efficiency for the NEB. Such ensemble media
(ensembles) showed an even greater demonstration than that of individual models even
after post-processing with CCA.
Keywords: Climate predictions, NMME, Rainfall, ensembles.

LISTA DE FIGURAS
Figura 1 - Unidades federativas da região Nordeste ..................................................... 18
Figura 2 - (a) Centróides dos municípios do NEB e (b) Distribuição geográfica das 96
estações meteorológicas convencionais nos estados do NEB ........................................ 32
Figura 3 - Esquema ilustrativo das etapas utilizadas para a calibração e previsão da
precipitação para o NEB a partir da precipitação do NMME......................................... 41
Figura 4 - Climatologia mensal da precipitação (mm) no NEB com dados do INMET no
período 1991-2020 .......................................................................................................... 47
Figura 5 - Climatologia mensal da precipitação (mm) no NEB com dados da análise
gradeada de Xavier no período 1991-2020..................................................................... 48
Figura 6 - Diferença entre a climatologia mensal obtida com dados da análise gradeada
de Xavier e observações do INMET para a precipitação no NEB no período 1991-2020
........................................................................................................................................ 49
Figura 7 - (a) Viés, (b) Correlação, (c) MAE e (d) RMSE, calculados entre observações
e análise gradeada de Xavier para a precipitação mensal do NEB no período 1991-2020
........................................................................................................................................ 50
Figura 8 - Painel de comparação das climatologias de Xavier (observada) e bruta dos
modelos para o mês de abril no período de 1991 a 2020. .............................................. 53
Figura 9 – Painel comparativo de correlação com os dados de Xavier (1991 a 2020),
coluna da esquerda são os modelos brutos e coluna da direita os modelos calibrados com
ACC. ............................................................................................................................... 58
Figura 10 - Painel de correlação global mensal dos modelos calibrados ...................... 62

LISTA DE TABELAS
Tabela 1 - Relação entre eventos ENOS e Secas no Nordeste do Brasil. ...................... 22
Tabela 2 - Classificação dos intervalos de correlação e definição da relação entre os dados
simulados por um modelo e os dados observados .......................................................... 43
Tabela 3 - Meses do ano x Melhor lag de previsão ....................................................... 63
Tabela 4 - Participação de cada modelo nas 3 maiores correlações .............................. 63
Tabela 5 - Correlação dos Ensembles ............................................................................ 64

LISTA DE ABREVIATURAS E SIGLAS
ACC

Análise de Correlações Canônicas

ACGMs

Modelos de Circulação Global Atmosférico

ACP

Análise de Componentes Principais

BS

Brier Score

CC

Cargas canônicas

CCC

Cargas Canônicas Cruzadas

CCSM4

Community Climate System Model version 4

CFSv2

Climate Forecast System versão 2

CGMs

Modelos de Circulação Global

CMC

(Canadian Meteorological Centre).

CMC1

CanCM3

CMC2

CanCM4

CPC

Climate Prediction Center

Cov

Covariância

ECMWF

European Centre for Medium-Range Weather Forecasts

ENSO

El niño-Oscilação Sul

EOF

Empirical Orthogonal Function

ETA

Regional model CPTEC and NCEP .

EUA

Estados Unidos da América

FOE

Função ortogonal empírica

GDPFS

Sistema Global de Processamento de Dados e Previsão

GEEs

Gases do efeito estufa

GEOS-5

Goddard Earth Observing System versão 5

GFDL

Geophysical Fluid Dynamics Laboratory

GFDL_FLOR

Forecast-oriented Low Ocean Resolution.

GFDL_SPEAR

Seamless System for Prediction and EARth System Research.

HCM

Hybrid Coupled Models

HSS

Heidke Skill Score

IMD

Departamento Meteorológico da Índia

INMET

Instituto Nacional de Meteorologia

IPCC

Painel Intergovernamental sobre Mudanças Climáticas

IRI

International Research Institute for Climate Society

ISMR

Indian Summer Monsoon Rainfall

KMA

Korea Meteorological Agency

MAE

Erro médio absoluto

MBE

Mean Bias Error

MJO

Oscilação Madden-Julian

MM5

Mesoescale Model 5

NASA-GEOSS2S

Goddard Earth Observing System AOGCM

NAO

Oscilação do Atlântico Norte

NASA

National Aeronautics and Space Administration

NCAR

National Center for Atmospheric Research

NCEP

National Centers for Environmental Prediction

NE

Nordeste

NEB

Nordeste do Brasil

NMME

North American Multi-Model Ensemble

NPO

Oscilação do Pacífico Norte

NOAA

National Oceanic and Atmospheric Administration

OMM

Organização Meteorológica Mundial

OS

Oscilação do Sul

PBMC

Painel Brasileiro de Mudanças Climáticas

PNA

Pacífico Norte-Americano

r

Coeficiente de correlação de Pearson

RAMS

Regional Atmospheric Modeling System

RCOFs

Fóruns Regionai de Perspectivas Climáticas

RLM

Regressão Linear Múltipla

RMSE

Erro quadrático médio

RSM

Reynolds Stress Model

SEALBA

Sergipe, Alagoas e Bahia

TAO

Oceano de Atmosfera Tropical

TOGA

Oceanos Tropicais e Atmosfera Global

TSM

Temperatura da Superfície do Mar

VC

Variável canônica

WMO

World Meteorological Organization

ZCIT

Zona de Convergência Intertropical

SUMÁRIO

1.

2.

3.

4.

5.

INTRODUÇÃO ................................................................................................................... 6
1.1

OBJETIVO GERAL ................................................................................................... 9

1.2

OBJETIVOS ESPECÍFICOS .................................................................................... 9

REVISÃO BIBLIOGRÁFICA ......................................................................................... 10
2.1

Previsões Climáticas Sazonais: evolução histórica ................................................. 10

2.2

Componentes da Variabilidade Climática .............................................................. 13

2.3

Mudanças Climáticas ................................................................................................ 15

2.4

Nordeste brasileiro .................................................................................................... 17

2.5

El Niño-Oscilação Sul e os efeitos no Nordeste brasileiro...................................... 20

2.6

Modelos Empíricos .................................................................................................... 22

2.7

Análise de Correlações Canônicas (ACC) ............................................................... 23

2.8

Modelos dinâmicos ..................................................................................................... 24

2.9

Downscaling ............................................................................................................... 27

2.10

Abordagem híbrida de previsões climáticas ........................................................... 29

MATERIAL E MÉTODOS .............................................................................................. 31
3.1

Dados observados ...................................................................................................... 31

3.2

Dados do NMME ....................................................................................................... 32

3.2.1

Modelos individuais do NMME .......................................................................... 33

3.2.2

Hindcasts do NMME .......................................................................................... 34

3.2.3

Organização dos dados para calibração do NMME ............................................ 35

3.2.4

Calibração de previsões climáticas com ACC..................................................... 36

3.3

Fundamentação teórica da ACC .............................................................................. 37

3.4

Ferramenta de previsibilidade ................................................................................. 39

3.5

Índices de verificação ................................................................................................ 41

3.5.1

Erro Médio Absoluto (MAE) .............................................................................. 42

3.5.2

Erro quadrádico médio (RMSE).......................................................................... 42

3.5.3

Correlação de Pearson (r) .................................................................................... 43

RESULTADOS .................................................................................................................. 45
4.1

Análise dos dados de Xavier para o Nordeste. ........................................................ 45

4.2

Climatologia bruta dos modelos NMME................................................................. 50

4.3

Calibração dos modelos com ACC .......................................................................... 55

4.4

Matrizes de correlação com técnica ACC ............................................................... 60

CONCLUSÕES ................................................................................................................. 65

REFERÊNCIAS BIBLIOGRÁFICAS .................................................................................... 67

6

1. INTRODUÇÃO

Previsões precisas podem salvar vidas, apoiar o gerenciamento de emergências,
bem como, mitigar os efeitos advindos do clima, evitando perdas econômicas de alto
impacto, além de gerar receitas financeiras substanciais – por exemplo, nos ramos de
energia, agricultura, transporte e lazer. Os benefícios superam em muito os custos de
investimento em pesquisa científica essencial, instalações de supercomputação, satélites
e outros programas observacionais necessários para produzir tais previsões climáticas
(BAUER et al., 2015).
Nos últimos quarenta anos, o progresso nos sistemas e melhorias observacionais,
a compreensão e modelagem dos vários componentes da Terra, os avanços contínuos de
computação em previsão do clima têm tomado lugar em grandes centros operacionais do
mundo todo (BAUER et al., 2015).
É importante destacar que podemos avaliar objetiva e quantitativamente a precisão
das previsões climáticas mais confiáveis, uma vez que podemos comparar diariamente as
previsões com o que realmente acontece. Por exemplo, a capacidade de prever o tempo
com antecedência de 3 a 10 dias está em constante evolução. A cada década, observamos
um aumento de aproximadamente um dia nesse intervalo de previsão. Isso significa que
a precisão da previsão de 6 dias de hoje é equivalente à precisão da previsão de 5 dias
realizada há dez anos. A preditiva habilidade nos hemisférios Sul e Norte é quase igual
hoje, graças ao efetivo uso de informações observacionais de dados de satélite fornecendo
cobertura global (WMO, 2019).
No Brasil, as variações dos regimes de precipitação se estendem de norte a sul,
devido à grande extensão territorial do país, onde encontramos uma enorme diversidade
de climas e características regionais. A região Nordeste do Brasil (NEB) é suscetível às
variações climáticas, pois apresenta longos períodos de escassez de água devido às secas.
O regime de precipitação pluvial nessa área depende de vários sistemas atmosféricos que
atuam na costa leste do Nordeste, sendo mais frequentes os seguintes: zona de
convergência intertropical, brisas marítimas e terrestres, vórtices ciclônicos de altos
níveis e distúrbios ondulatórios de leste (UVO, 1989; MOLION e BERNARDO., 2002;
REBOITA et al., 2002; CARVALHO e OYAMA., 2013; COSTA et al., 2014; GOMES

7

et al., 2015; GOMES et al., 2019; ANJOS et al., 2019; LYRA et al., 2020;
CAVALCANTE et al., 2020; VEBER et al., 2020; REPINALDO et al., 2020).
Para Diaz et al. (1998) determinadas regiões da América do Sul possuem
variabilidade climática relacionada em parte à variabilidade interanual da Temperatura
da Superfície do Mar (TSM) nos Oceanos Pacífico e Atlântico, podendo influenciar
diretamente na produtividade agrícola anual, causando perdas ou ganhos em diferentes
regiões. No nordeste do Brasil, as anomalias na Temperatura da Superfície do Mar
(TSM) nos oceanos Pacífico Equatorial e Atlântico Tropical têm um impacto
significativo no padrão de circulação atmosférica global, conhecido como Célula de
Walker. Essas anomalias afetam a intensidade e o padrão dos ventos alísios e também
deslocam latitudinalmente a Zona de Convergência Intertropical (ZCIT). Como
resultado, ocorrem mudanças nos padrões de precipitação na região nordeste do Brasil.
Estudos como os de Nobre et al. (1986), Marengo (2006) e Kayano e Andreoli (2009)
têm destacado essa relação entre as anomalias de TSM e as mudanças nos acumulados
de precipitação nessa região.
Os avanços na previsão do tempo e do clima complementam os destaques da
ciência e infraestrutura operacional para previsões em prazos mais longos. Em meados de
1990 as primeiras gerações de sistemas dinâmicos de previsão sazonal foram
implementadas em centros operacionais (JI et al., 1994; STOCKDALE et al., 1998).
Previsões climáticas sazonais de rotina nos níveis global e regional agora
fornecem informações críticas para o bem-estar econômico da sociedade, igualmente,
para mitigar perdas de vida e propriedade, principalmente em setores que irão
potencialmente usar essas previsões e responder às suas necessidades (TROCCOLI et al.,
2008).
Segundo o World Meteorological Organization (WMO) edição 2019, o
desenvolvimento de previsões sazonais e a infraestrutura associada preenche a
necessidade do usuário de informações preditivas sobre escalas de tempo sazonais que
podem ser usadas para fins de tomada de decisão. No entanto, previsões mais precisas de
precipitação acumulada e temperatura média para os próximos três meses representam
um desafio para os principais centros que desenvolvem previsões climáticas globais. Os
benefícios de previsões mais confiáveis são estratégicos para os setores de recursos
hídricos, bem como para a tomada de decisão dos gestores de emergência no

8

planejamento e mitigação dos impactos de secas e enchentes, por exemplo. A incerteza
da previsão climática leva a uma cadeia de incertezas em relação à produtos específicos
que a utilizam como principal entrada, como os relativos à modelagem hidrológica e à
previsão de safras (CLARK e SLATER, 2006; KAVETSKI et al., 2006; ESQUIVEL et
al., 2018).
Nesse sentido, iniciativas de agregação de modelos (ex: produtos de previsões
climáticas do North American Multi-Model Ensemble - NMME) ou aprimoramento de
sistemas de modelagem de ambientes terrestres (ex: produtos de previsões climáticas do
European Centre for Medium-Range Weather Forecasts - ECMWF) constituem os mais
recentes avanços na tentativa de melhorar cada vez mais a confiabilidade das previsões,
bem como seu horizonte de previsibilidade (previsões para mais de três meses/trimestres
à frente) e resolução temporal (previsões sazonais para intra-sazonais). Mesmo com
avanços notáveis nessas duas direções, ainda existem várias incertezas nos resultados de
previsão (MA et al., 2014; NAJAFI e MORADKHANI, 2015; AHMADALIPOUR et al.,
2017) que dão espaço para o desenvolvimento/aplicação de técnicas de pósprocessamento que permitem aumentar a confiabilidade dessas previsões (BARNSTON
e TIPPET, 2017).
Nesse sentido, será aplicada nessa pesquisa a técnica de Análise de Correlações
Canônicas (ACC), como método de downscaling estatístico para calibração e validação
de previsões mensais do NMME (BECKER et al., 2013; 2020) para as precipitações
acumuladas mensais da região Nordeste do Brasil. A ACC é uma técnica de estatística
multivariada que correlaciona dois conjuntos de dados, de tal forma que essa correlação
seja maximizada pelas componentes principais de cada conjunto de dados. A vantagem
da técnica de ACC está no fato de a mesma possibilitar a busca de padrões de oscilação
conjunta entre dois ou mais campos físicos.
Assim, o principal objetivo deste trabalho é avaliar os viéses das previsões brutas
da precipitação acumulada mensal do NMME para o NEB e a melhoria imposta nessas
previsões após pós-processamento com ACC. Os dados observados de superfície usados
nas etapas de treinamento e verificação são oriundos na análise gradeada de Xavier et al.
(2022), uma vez que há muitos problemas em séries pluviométricas de estações
meteorológicas, os principais relacionados à controle de qualidade insuficiente, falhas e

9

interrupção no funcionamento das estações, limitando a continuidade de séries temporais
(CARVALHO, 2020; SILVA et al., 2022).

1.1

OBJETIVO GERAL

Regionalizar previsões climáticas de modelos do projeto norte-americano NMME
para o NEB, reduzindo os viéses sistemáticos e aumentando a precisão para fins de
prognósticos operacionais de precipitação mensal, com até três meses de antecedência.

1.2

OBJETIVOS ESPECÍFICOS

(a) Identificar o nível de diferenças entre a climatologia observada e a dos
modelos individuais do NMME, e analisá-las por meio de diferentes parâmetros
estatísticos;
(c) Verificar quais modelos apresentam o melhor desempenho após o pósprocessamento com ACC, para cada mês do ano, e com quantos meses de antecedência;
(d) Analisar se a combinação de previsões oriundas dos melhores modelos gera
uma previsão com menores vieses e menores erros.

10

2.

REVISÃO BIBLIOGRÁFICA

2.1

Previsões Climáticas Sazonais: evolução histórica
A previsão climática sazonal ou comumente conhecida como previsão climática

de longo prazo, fornece informações úteis sobre as condições climáticas médias esperadas
para o período de 1 a 6 meses, distinguindo-se, desta forma, da previsão de tempo que
fornece informações das condições atmosféricas para escalas de horas a dias. Portanto,
em termos sazonais, não há habilidade em prever o dia que uma dada localidade terá
precipitação, tempestade, temperaturas extremas, passagens de sistemas frontais, entre
outros fenômenos, mas sim, habilidade em prever anomalias médias para períodos de 3
meses, pois, as previsões sazonais são probabilísticas, com probabilidades que podem ser
estimadas a partir de um conjunto de previsões obtidas de modelos climáticos, dinâmicos
(global e regional) ou estatísticos (WMO, 2019).
Em termos de evolução, a primeira previsão sazonal operacional de chuvas de
monções de verão indiano para a região que cobre toda a Índia e Birmânia aconteceu após
uma fome devastadora durante o final da década de 1870, emitida em 4 de junho de 1886
usando um método empírico por Henry Francis Blanford, o primeiro chefe do
Departamento Meteorológico da Índia (IMD) estabelecido em 1875.
A suposição utilizada para esta primeira previsão foi baseada na extensão e
espessura da neve do Himalaia, que por sua vez, influencia as condições climáticas sobre
as planícies do noroeste da Índia (BLANFORD, 1884). Blanford usou essa relação para
preparar previsões sazonais experimentais de 1882 a 1885 antes de tentar a primeira
previsão operacional em 1886. Após esse marco, a previsão sazonal de chuvas de
monções tornou-se uma responsabilidade operacional do IMD.
Em 1895 John Eliot sucedeu Blanford como chefe do IMD, em sua trajetória
aplicou os métodos como a análise de ano análogo para a previsão sazonal de chuvas de
monções de verão indiano (Indian Summer Monsoon Rainfall - ISMR) e no período de
1904-1924 com esforços para melhorar tais previsões o então diretor Geral do IMD,
Gilbert T. Walker, percebendo as complexidades do problema de previsão, iniciou
estudos sistemáticos para desenvolver técnicas mais precisas para previsão sazonal
(WALKER, 1908).
Nos anos 1910, 1914 e 1923, Walker realizou também extensos estudos de
variações mundiais para parâmetros climáticos, como chuva, temperatura, pressão e

11

assim por diante. A busca por preditores levou Walker a identificar três variações em
grande escala nos padrões de pressão global: a Oscilação do Atlântico Norte (NAO), a
Oscilação do Pacífico Norte (NPO) e a Oscilação do Sul (SO). Walker também introduziu
o conceito de correlação e regressão pela primeira vez na previsão sazonal para remover
a subjetividade das técnicas anteriores. A primeira previsão objetiva oficial foi emitida
em 1909 para a precipitação sazonal das monções em toda a Índia com base na técnica de
regressão.
A SO trata-se de uma gangorra entre a pressão do nível do mar no Taiti e Darwin,
foi mais posteriormente ligada ao aquecimento incomum das águas superficiais no leste
do Oceano Pacífico tropical, ou El niño, por JACOB Bjerknes na década de 60
(BJERKNES, 1966, 1969). Bjerknes, e posteriormente outros, definiram esses fenômenos
ligados a oceano-atmosfera como El Niño-Oscilação Sul (ENSO).
Podemos mencionar que, após os eventos de El Niño de 1972/1973, bem como os
de La Niña de 1973/1974, observou-se fases opostos do ENOS e que geraram impactos
significativos nos padrões de temperatura e precipitação em todo o mundo, sendo mais
pronunciados nas regiões tropicais. Já o evento de El Niño de 1982/1983 e suas anomalias
climáticas regionais associadas (ROPELEWSKI E HALPERT, 1987; RASMUSSON E
CARPENTER, 1983) resultaram no reconhecimento de que o fenômeno ENSO acoplado
oceano-atmosfera é o modo dominante da variabilidade climática interanual da Terra
(GODDARD et al., 2001).
Foram essas observações apoiadas por vários estudos teóricos (CHARNEY E
SHUKLA, 1981; PALMER E ANDERSON, 1994; BARNSTON et al., 1999), por fim,
sugeriram que a habilidade preditiva em escalas de tempo sazonais está ligada à evolução
lenta das condições de contorno do sistema climático, como temperatura da superfície do
mar, cobertura de neve, umidade do solo, gelo marinho e assim por diante.
A identificação de teleconexões climáticas globais estatisticamente significativas
associadas ao ENSO resultou em parâmetros correlacionados com outros fatores
climáticos de variação lenta, sendo usados como preditores em modelos de previsão
empíricos/estatísticos para anomalias de temperatura e precipitação de superfície em
grande escala em muitos países em todo o mundo (BARNSTON, 1994; DROSDOWSKY
E CHAMBERS, 2001; RAJEEVAN et al., 2007; PAI et al., 2017).

12

Os modelos estatísticos forneceram uma referência para avaliar a habilidade dos
modelos dinâmicos globais de circulação geral (GCMs) de última geração, agora
comumente usados para previsão climática sazonal.
Já as primeiras ações para uma previsão climática sazonal com base em modelos
dinâmicos foram dadas por Norman Phillips em 1956, quando desenvolveu um modelo
matemático para simular padrões de circulação troposférica mensal e sazonal. Em
seguida, houve esforços direcionados por vários grupos de pesquisa para desenvolver
modelos de circulação geral.
A previsão da variabilidade do ENSO com um modelo dinâmico simples acoplado
oceano-atmosfera foi demonstrada pela primeira vez por ZEBIAK e CANE (1987). O
trabalho subsequente apoiado pelo estabelecimento de um projeto internacional de dez
anos (1985-1994) de Oceanos Tropicais e Atmosfera Global (TOGA) e a implementação
do sistema de observação oceânica no Pacífico equatorial levaram ao desenvolvimento
dos sofisticados sistemas operacionais de previsão ENSO de hoje (ANDERSON, D.T et
al., 1998; MCPHADEN et al., 2010).
À vista disso, houve uma melhoria notável na habilidade preditiva de modelos
dinâmicos durante as últimas décadas, principalmente devido aos avanços na estimativa
inicial das condições oceânicas e atmosféricas, bem como avanços na física do modelo e
nas capacidades de computação (BAUER et al., 2015). Tal melhoria se dá pelo aumento
de interesse e demanda por serviços climáticos desencadeados pelo forte evento de El
Niño de 1997/1998 sendo o mais intenso do século XX.
O El Niño de 97/98 forneceu um exemplo dramático dos efeitos das variações
climáticas em curto prazo na sociedade e o valor potencial de prevê-las. O período de
1997 a 1998 também coincidiu com a campanha bem-sucedida de observações oceânicas
da matriz ancorada do Oceano de Atmosfera Tropical (TAO) em todo o Pacífico
equatorial e o desenvolvimento de vários modelos de previsão oceânica usando dados do
TAO.
Por consequência à resposta positiva dos Fóruns Regionais de Perspectivas
Climáticas (RCOFs), que foram estabelecidas pela primeira vez em 1996 em uma reunião
realizada em Victoria Falls ao evento El Niño de 1997/1998, deu um impulso para o
desenvolvimento do conceito de RCOFs. O El Niño de 1997/1998, no entanto, não
reproduziu os padrões clássicos de anomalias climáticas globais, como as observadas no

13

evento de 1982/1983 (o segundo evento mais forte do século XX). Essa discrepância
colocou em questão a noção de que diferentes eventos do El Niño podem levar a impactos
semelhantes no clima global.
Essas observações no padrão do El Niño forneceram suporte para a visão de que
o impacto da temperatura da superfície do mar (TSM) no clima diário não é
determinístico, pois mesmo uma pequena incerteza na condição inicial pode levar a
incerteza na previsão sazonal além de um período de uma semana ou mais (LORENZ,
1969). Foi justamente a necessidade de comunicar a incerteza na previsão que resultou
na introdução do conceito de abordagens probabilísticas e de conjunto para previsão
meteorológica e sazonal.
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 aparecer em cena, 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 WMO designou
centros de previsão com a responsabilidade obrigatória de gerar e entregar previsões
sazonais (com cobertura global), incluindo informações de verificação associadas.
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 pelos National Centers for Environmental Prediction (NCEP). Isso
facilitou o acesso mundial aos dados de previsões sazonais baseadas em conjuntos de
vários modelos.

2.2

Componentes da Variabilidade Climática
A variabilidade nos componentes do sistema terrestre, por exemplo, o oceano e a

atmosfera ocorrem em todas as escalas de tempo e em diferentes escalas espaciais. As
variações temporais ocorrem em escalas de segundos a séculos (turbulência atmosférica)

14

e são organizadas em escalas espaciais de centímetros para ondas planetárias atmosféricas
de mais de milhares de quilômetros (WILLIAMS et al., 2017).
Em escalas de tempo meteorológicas, ciclones nos trópicos e sistemas de escala
sinótica nos extratrópicos dominam a variabilidade atmosférica. A estrutura espacial da
variabilidade em escalas de tempo semanais pode ser discernida como o padrão Pacífico
Norte-Americano (PNA) (WALLACE E GUZTLER, 1981) ou a Oscilação do Atlântico
Norte/Oscilação do Ártico (BARNSTON E LIVEZEY, 1987; THOMPSON E
WALLACE, 1998).
Já a interação de escala entre os modos de variabilidade atmosférica, por exemplo,
o padrão PNA e a variabilidade sinótica, altera a trajetória das tempestades sinóticas
extratropicais, o que, por sua vez, ajuda a manter a primeira (PINTO et al., 2011). É
reconhecido que a variabilidade atmosférica em escalas de tempo meteorológicas não
pode ser prevista além de um lead time de 15 dias (LORENZ, 1969; HOSKINS, 2013).
Para o contexto das previsões de longo prazo e do potencial para realizá-las
habilidosamente, temos que os modos de variabilidade em escalas de tempo subsazonais
e sazonais que desempenham um papel crítico. Além disso, à medida que a escala
temporal de variabilidade aumenta, os modos preferidos de variabilidade envolvem
interações entre vários componentes do sistema terrestre, por exemplo, oceano, terra e
atmosfera.
Em escalas de tempo subsazonais e escalas espaciais globais, o modo dominante
de variabilidade atmosférica é a Oscilação Madden-Julian (MJO), que se propaga ao
longo da zona equatorial em escalas de tempo de 30 a 60 dias (MADDEN E JULIAN,
1971; ZHANG, 2005). A presença da MJO modula a variabilidade atmosférica em
diferentes partes do globo, incluindo a frequência de furacões no Atlântico tropical e
precipitação sobre o oeste dos Estados Unidos, América do Sul, África, Continente
Marítimo e outros locais (por exemplo, ZHOU et al., 2012).
Já em escalas de tempo sazonais a interanuais, o modo de variabilidade mais
importante é o El Niño-Oscilação Sul (ENSO) e envolve a interação ar-mar acoplada no
Pacífico tropical equatorial. As influências locais do ENSO incluem variações na
Temperatura da superfície do mar (TSM) no Pacífico equatorial central e oriental.
Variações nas TSM, por sua vez, modulam a localização da convecção profunda sobre
áreas adjacentes. Mudanças na vazão de nível superior resultam em mudanças na

15

circulação de nível superior tropical que, através de ondas de Rossby que se propagam
meridionalmente, alteram a variabilidade atmosférica a jusante em regiões extratropicais
(HOREL E WALLACE, 1981; SARDESHMUKH E HOSKINS, 1988; TRENBERTH et
al., 1998).
As influências remotas do ENOS, juntamente com a inércia térmica oceânica, ou
seja, o fato de a TSM variar em escala de tempo mais longa fornece o potencial para
previsões sazonais hábeis. De fato, essas ligações foram o impulso para o início do
programa TOGA e o aprimoramento do sistema de observação oceânica no Pacífico
tropical equatorial, seguido pelo desenvolvimento inicial de sistemas operacionais de
previsão sazonal acoplados em meados da década de 1990 (apud MCPHADEN et al.,
2010).

2.3

Mudanças Climáticas
Segundo o Painel Intergovernamental sobre Mudanças Climáticas (IPCC) 2018,

estima-se que as atividades humanas tenham causado um aquecimento global de 1,0°C
acima dos níveis pré-industriais e que esse aumento pode atingir 1,5°C entre 2030 e 2052
caso continue no ritmo atual. O aquecimento causado por emissões antrópicas desde o
período pré-industrial até o presente persistirá por séculos e milênios, e continuará
causando mudanças em longo prazo no sistema climático, como aumento dos níveis dos
oceanos, com impactos associados, mas é improvável que apenas essas emissões
isoladamente causarão um aquecimento global de 1,5°C.
Modelos climáticos projetam diferenças robustas nas características climáticas
regionais entre os dias atuais e o aquecimento global de 1,5°C, e entre 1,5°C e 2°C. Essas
diferenças incluem aumentos: em temperatura média na maioria das regiões terrestres e
oceânicas, nos extremos de calor na maioria das regiões habitadas, na ocorrência de chuva
intensa em diversas regiões e na probabilidade de seca e déficits de chuva em algumas
regiões (IPCC, 2018).
As distintas modificações e consequências provocadas pela ação humana no
sistema climático estão sendo observadas constantemente, e as causas mais discutidas são
as mudanças nas concentrações de gases de efeito estufa (GEEs), no uso da terra, nas
quantidades de aerossóis na atmosfera, etc. Essas modificações têm impactos no clima,
tanto regionalmente quanto globalmente (IPCC, 2007; IPCC, 2013).

16

Devido à vulnerabilidade às mudanças climáticas, algumas regiões necessitam de
maior busca por conhecimento e estudos mais direcionados acerca do seu clima, como o
Nordeste do Brasil e a Amazônia, sujeitas a alterações na distribuição de eventos
extremos, veranicos, disposição espacial de chuvas, etc., com diversos sistemas
contribuindo para a variabilidade climática e possivelmente a alterações climáticas
naturais e antrópicas (RIBEIRO et al., 1996; OYAMA e NOBRE, 2003; PBMC, 2012;
KAYANO e ANDREOLI, 2016).
Os efeitos de desertificação, por exemplo, pode ser encontrado no semiárido
brasileiro, sendo este o espaço geográfico mais vulnerável, compreendendo 11,53% do
território nacional, predominantemente na região nordeste (56,46% - INSA, 2012), o
regime de chuvas irregularmente distribuídas no espaço e no tempo propiciam este
cenário, outrossim, há precipitações em torno de 800 mm ao ano, concentradas em
períodos de três a cinco meses e elevadas médias anuais de temperatura (27 °C) e
evapotranspiração potencial (2.000 mm/ano), apresentando balanço hídrico negativo em
grande parte do ano, com solo ralo e bioma Caatinga (LIMA et al., 2011).
A vida da caatinga se encontra entre os mais suscetíveis em um cenário de
mudanças na cobertura vegetal da porção tropical da América do Sul (OYAMA e
NOBRE, 2003), pois o aumento da temperatura, associado a atividades antrópicas de
remoção da vegetação de Caatinga, propicia a ocorrência de aridização e desertificação.
Dentre as projeções climáticas, um estudo de MARENGO (2009) mostra que para
o século 21, os Modelos de Circulação Geral (MCGs) utilizados no AR4, apontam
aquecimento em todo o Brasil. No NEB, os MCGs divergem nos resultados projetados
para a precipitação, entre aumento e diminuição, mas a média dos modelos indica maior
probabilidade de redução de chuvas - possível decorrência do aquecimento global; assim
citado também: “Para o Nordeste, a tendência é de redução de chuvas acompanhada de
aumento da temperatura para finais do século XXI” (MARENGO e VALVERDE, 2007).
Neste cenário brasileiro, as projeções do PBMC (Painel Brasileiro de Mudanças
Climáticas) para o NEB são de decréscimo entre 10% e 20% da precipitação e aumento
de 0,5 a 1 °C da temperatura do ar durante as próximas três décadas (até 2040), com
aumento gradual de temperatura de 1,5 a 2,5 °C e diminuição entre 25% e 35% nos
padrões de chuva no período de 2041-2070, tais mudanças e alterações podem

17

desencadear o processo de desertificação da caatinga (PBMC, 2012) como já citado
anteriormente.
Já o relatório PMBC 2014, observou uma marcante concentração dos registros das
mudanças climáticas abruptas na Região Nordeste do Brasil e no oceano adjacente,
identificou, por exemplo, alguns fatores que contribuem para tal concentração, como a
alta amplitude do sinal das mudanças climáticas abruptas nesta região do continente e
oceano, em função do impacto da ZCIT (Zona de convergência intertropical) no clima
regional e de sua relação com processos de degelo em latitudes elevadas do hemisfério
norte associados a tais alterações.
Ainda sobre os problemas climáticos no Nordeste brasileiro, durante séculos, as
secas nesta região causaram vários impactos ambientais, sociopolíticos e econômicos.
Dentre os impactos ambientais, podem-se citar prejuízos às plantas, aos animais e aos
peixes, alteração na qualidade da água e do ar, aumentando a quantidade de poeira e de
poluentes, perda do solo (por erosão, salinização, alcalinização), além de alterações na
paisagem (CGEE e ANA, 2012).
Na área dos impactos sociopolíticos podemos incluir problemas de saúde (como,
por exemplo, associados ao uso de águas provenientes de açudes ou poços, com qualidade
inferior), impacto na vida da população afetada (apud CGEE e ANA, 2012), mortes
humanas por fome, desnutrição e doenças e migração de pessoas (MARENGO et al.,
2017). Os danos econômicos, por sua vez, podem ser representados por perdas na
produção agrícola, na produção de carne de laticínios, na produção de madeira, nos lucros
com recreação, além de uma desorganização das atividades econômicas existentes (apud
CGEE e ANA, 2012; apud MARENGO et al., 2017).
Desta maneira, sobre o Nordeste Brasileiro, que é diretamente assolado com
períodos de seca, projeções para o clima futuro são fundamentais para estratégias de
adaptação e combate à vulnerabilidade, sendo esta região o foco do presente estudo.

2.4

Nordeste brasileiro
O Nordeste Brasileiro (NEB) possui uma grande extensão territorial,

aproximadamente 1.600.000 km², seguido de um regime pluviométrico irregular. A
região do NEB ocupa a posição norte-oriental do país, entre 1° e 18°30’ de latitude Sul e
34°30’ e 40°20’ de longitude Oeste de Greenwich, abrangendo nove estados: Maranhão,

18

Piauí, Ceará, Rio Grande do Norte, Paraíba, Pernambuco, Alagoas, Sergipe e Bahia
(CIRILO et al., 2007).

Figura 1 - Unidades federativas da região Nordeste

Fonte: Autora, 2022.

Segundo ARAÚJO COSTA (2014) a porção semiárida do Nordeste do Brasil
compreende uma área aproximada de 936.993 km2 e atinge na média mais de 50% da
área total; esta porção conta com históricos de secas desde o século XVI, atingindo a
sobrevivência de boa parte dos moradores da região.
As características climáticas do NEB representadas pela variabilidade das chuvas
e sazonalidade da precipitação acondiciona uma relação direta com o comportamento
fluvial (ZANELLA, 2014). O NEB possui registros pluviométricos entre (800mm1.200mm) com períodos prolongados de estiagens e secas extremas, essa condição traz
grandes impactos para a população que reside nessa localidade, além de problemas
socioeconômicos (DOS SANTOS et al. 2017; DE OLIVEIRA, et al. 2018; DA ROCHA
JÚNIOR et al., 2019; 2020).

19

Podemos identificar três climas diferentes distribuídos ao longo da região
nordeste, no litoral, sul da Bahia e no centro do Maranhão o clima predominante é o
tropical, sendo caracterizado pela presença de uma estação chuvosa bem definida, já o
clima equatorial úmido encontra-se em uma área no oeste do Maranhão, apresentando
altas temperaturas e grande pluviosidade. Por fim, tem-se o clima semiárido,
característico da região central do Nordeste (sertão nordestino), no qual a precipitação é
baixa e irregular, gerando períodos de estiagem (COSTA et al., 2020).
Existe uma região no Nordeste que é mais regularmente afetada pelas secas,
conhecida como Polígono das Secas, possuindo ainda uma sub-região semiárida
conhecida como Sertão, que abrange uma área de cerca de 912.200 km² (MARENGO e
BERNASCONI, 2015), caracterizada pela presença de rios intermitentes e de um solo
pedregoso e pobre (apud CGEE e ANA, 2012).
A presença da região semiárida foi explicada por Moura e Shukla (1981) por
alguns fatores, primeiro, está localizada na vizinhança de uma inversão de ventos alísios
e, em razão de sua geografia, uma parte de sua área encontra-se na zona de influência
permanente da alta subtropical do Atlântico Sul, segundo o albedo diferencial e os efeitos
locais da topografia também influenciam nos padrões climáticos. Outros elementos que
podem contribuir é a existência na região de solos rasos, que possuem pouca capacidade
de armazenamento hídrico, e de altas taxas de evaporação, em combinação com o fato
das precipitações serem concentradas em uma época do ano (apud CGEE e ANA, 2012).
Igualmente, os impactos causados por secas intensas configuram-se, portanto
como um dos principais desastres climáticos dos trópicos em função das grandes perdas
econômicas e problemas sociais que causam (HASTENRATH et al., 1984;
HASTENRATH, 1990). Apenas em 1958, por exemplo, aproximadamente 10 milhões de
pessoas abandonaram suas residências em função da seca, enquanto a seca de 1979-1983
custou cerca de 7,8 bilhões de dólares para o governo (apud CGEE e ANA, 2012; apud
MARENGO et al., 2017).
As causas apontadas para as secas remontam ao clima predominantemente
semiárido, com alta variabilidade interanual e espacial da precipitação, chegando a menos
de 400 mm por ano em algumas áreas (KOUSKY, 1979), e à grande vulnerabilidade da
região, em especial por parte da população mais carente. Apesar do investimento em
medidas mitigatórias de infraestrutura, a população, especialmente os mais pobres, ainda

20

sofre com as consequências desse fenômeno natural, lidando, por exemplo, com o risco à
segurança alimentar, hídrica e energética (ANDERSON et al., 2015).
A dinâmica espaço-temporal das chuvas no Nordeste é complexa e seu
entendimento científico, assim como de mecanismos de teleconexões climáticas
associadas, remonta da década de 1970. Foram encontradas relações entre o desastre
natural e alguns mecanismos climáticos, tais como a temperatura da superfície do mar
(TSM) no Oceano Atlântico (apud HASTENRATH, 1990; apud HASTENRATH et al.,
1984; HASTENRATH e HELLER, 1977), a posição da Zona de Convergência
Intertropical (ZCIT) (apud HASTENRATH, 1990; apud MOURA e SHUKLA, 1981;
BRAHMANANDA RAO et al., 1993), a pressão ao nível do mar nos Oceanos Atlântico
e Pacífico tropical (apud HASTENRATH e HELLER, 1977; HASTENRATH, 1978), os
ventos alísios (NAMIAS, 1972; KOUSKY, 1980), o fenômeno El Niño (apud
MARENGO et al., 2017) e as frentes frias (apud KOUSKY, 1979).
Estudos prévios investigaram como a distribuição das chuvas ocorre e quais os
mecanismos associados aos padrões anômalos (BONAVITA et al., 2016; GELARO et
al., 2017; ESCOBAR, 2019; KELLEY et al., 2020), a exemplo do El Niño-Oscilação Sul
que provocam impactos na qualidade do regime de chuva dependendo de sua fase
(CAVALCANTI 2012; HASTENRATH, 2012; MARENGO et al., 2017; SOUZA et al.,
2018; SILVA et al., 2020). Nesse sentido, estudos de modelagem numérica podem
auxiliar tanto a diagnosticar quanto a prever os impactos das variabilidades climáticas em
determinada região.

2.5

El Niño-Oscilação Sul e os efeitos no Nordeste brasileiro
Os termos El Niño e La Niña provêm do espanhol e referem-se à presença de

águas quentes ou frias, respectivamente, que, todos os anos, aparecem na costa norte do
Equador e Peru na época de Natal. Os pescadores desses países chamaram a esta presença
de águas mais quentes de Corriente de El Niño em referência ao Niño Jesus ou Menino
Jesus (DE ARAÚJO COSTA, 2014).
El Niño-Oscilação Sul (ENOS) é um modo natural do sistema acoplado oceanoatmosfera na região do Pacífico Tropical, caracterizado por flutuações irregulares de 2 a
7 anos, aproximadamente e entre as fases quentes (El Niño) e a fria (La Niña). Em tese,
o ENOS compreende o sinal climático mais intenso na escala interanual com implicações

21

significativas na circulação atmosférica tropical, afetando os ecossistemas, a agricultura,
o abastecimento de água doce, a frequência e intensidade de eventos climáticos severos
como furacões em todo o mundo (ALEXANDER et al., 2002).
O aquecimento do oceano e o consequente enfraquecimento dos ventos geram
mudanças na circulação atmosférica nos níveis baixos e altos, determinando alterações
nos padrões de transporte de umidade e, portanto, variações na distribuição das chuvas
em regiões tropicais e de latitudes médias e altas; observa-se também, em algumas regiões
do globo, o aumento ou queda de temperatura (FUNCEME, 2009).
O ENOS opera nos trópicos através de variações nas células de Walker e Hadley
(ZHOU e LAU, 2001), e nos extratrópicos por meio de onda de Rossby (NOGUÉSPAEGLE et al., 2002). O El Niño causa seca na faixa equatorial da América do Sul,
incluindo o nordeste brasileiro e que são associadas a uma célula de Walker deslocada
para leste cujo ramo descendente se posiciona nas longitudes desta faixa (RAO e HADA,
1990).
No Nordeste Brasileiro, as secas não correspondem à mera estiagem. A rigor, elas
constituem um complexo fenômeno socioeconômico, no qual as oscilações de volume e
a distribuição temporal das precipitações pluviométricas redundam em desorganização da
atividade econômica. É possível mencionar que existe uma relação direta de causa e efeito
entre o fenômeno El Niño e as secas no Nordeste do Brasil, pelo menos no prolongamento
do período seco além do normal, uma vez que, a mudança anômala na circulação da
atmosfera superior e a consequente alteração na dinâmica dos centros de altas e baixas
pressões bem como na modificação das células do ar atmosférico constituem,
mecanismos que explicam a ocorrência das grandes secas no Nordeste do Brasil (DE
ARAÚJO COSTA, 2014).
Esta relação está claramente determinada e exposta na Tabela 1 onde se constata
a coincidência, não fortuita, dos dois eventos. Nota-se, sobretudo, a coincidência dos fatos
relativos aos eventos das grandes e devastadoras secas de 1877, 1982/3 e de 1997.

22

Tabela 1 - Relação entre eventos ENOS e Secas no Nordeste do Brasil.
FENÔMENO
SECAS
ENOS

1877
1965
1877
1965

1914
1970
1914
1970

Anos de Ocorrência
1932
1945
1982
1993
1932
1945
1982
1993

1948

1953
1997

1948

1953
1997

Fonte: DE ARAÚJO COSTA, 2014.

Os atuais modelos do sistema climático global dispõem de modelos oceânicos e,
portanto, há a necessidade de avaliar o quanto estes modelos acoplados do sistema
climático reproduzem as características desses diferentes tipos de ENSO, assim como os
seus impactos na distribuição global da precipitação (VIEGAS, 2019).
Os modelos climáticos, embora tenham algumas limitações, podem contribuir
para complementar as informações do sistema climático acoplado juntamente com os
registros das observações, igualmente, fornecerá subsídios para avaliar os aspectos do
acoplamento oceano-atmosfera que pode levar ao entendimento das características
específicas dos modos de variabilidade do ENSO. Simulações com alterações nas
forçantes oceânicas juntamente com condições não-forçadas, são úteis para entender a
gênese dos diferentes regimes de atividade do ENSO (apud VIEGAS, 2019).

2.6

Modelos Empíricos
Os modelos de base empírica que são os modelos estatísticos (WU et al., 1994;

HASTENRATH et al., 2009), são construídos através de observações do clima passado.
A utilização de ferramentas estatísticas no prognóstico climático, em acréscimo às
previsões fornecidas pelos modelos dinâmicos, mostra-se como uma possibilidade
bastante promissora, especialmente em regiões geográficas onde os recursos
computacionais necessários para a implementação de modelos dinâmicos não se
encontram disponíveis ou os modelos dinâmicos disponíveis ainda apresentam
habilidades insuficientes.
Os modelos empíricos apresentam características que estabelecem relações
empíricas dentro de um conjunto de dados experimentais conhecidas e se ajustam a um
conjunto de equações simultâneas sobre as séries do passado de modo completamente
experimental, apresentando atributos como, eficiência em predições, modelos

23

essencialmente descritivos, relacionamento entre variáveis, necessitam de um número
reduzido de variáveis, usam de modelos matemáticos simples e são sempre dependentes
do tamanho da série de observações;
Afim de obter informações a respeito de um grupo de variáveis ou um conjunto
total dos dados de uma região, é usual recorrer-se à análise multivariada. Estas técnicas
estatísticas são utilizadas para reduzir ao máximo o número de variáveis envolvidas em
um problema com uma pequena perda de informações, tendo como principais objetivos
a: - Redução da dimensão de interpretação de uma matriz de dados; - Investigação do
comportamento espacial e temporal das variáveis consideradas; - Obtenção de grupos
homogêneos das variáveis. Assim sendo, existem várias técnicas de manejo de dados
muito úteis na Análise Multivariada como, por exemplo, a Regressão Linear Múltipla
(RLM), a Análise de Componentes Principais (ACP) e a Análise de Correlação Canônica
(ACC) que será utilizada neste trabalho, entre outras (DA ROCHA JÚNIOR et al., 2021).

2.7

Análise de Correlações Canônicas (ACC)
A análise de correlações canônicas (ACC) é um método estatístico multivariado e

que consiste em associar índices a cada um dos conjuntos de dados (X: variável
explicativa e Y: resposta), definidos como combinações lineares dos valores em cada um
dos conjuntos (Empirical Orthogonal Function - EOF), de forma a maximizar a correlação
entre os dois índices, igualmente, retém ao máximo a informação contida nas variáveis
originais.
O método canônico pode ser visto como a medida da existência e a intensidade da
associação entre dois grupos de variáveis ou caracteres de importância; existindo duas ou
mais variáveis dependentes (DA SILVA, 2007).
A introdução da ACC aconteceu em 1936 por Hotelling, sendo muito pouco
explorada no passado. Dentro dos campos meteorológicos, GLAHN (1968) foi o primeiro
a desbravar esta aplicação. Mais detalhes sobre a ACC é fornecido em BARNETT e
PREISENDORFER (1987), GRAHAM et al. (1987a, 1987b), BARNSTON e
ROPELEWSKI (1992), BARNSTON (1994), e suas referências. Breve tratamentos
matemáticos são encontrados no apêndice do BARNETT e PREISENDORFER (1987) e
na seção 3b de GRAHAM et al. (1987a).

24

A ACC foi estimada como medida de associação conforme considerações gerais
de CRUZ e CARNEIRO (2003) e refere-se às correlações lineares entre variáveis de tal
modo que as combinações sejam máximas.
A ACC está no topo da hierarquia de modelagem de regressão (BARNETT e
PREISENDORFER, 1987), devido aos campos do preditor e do preditando conterem um
grande número de variáveis altamente correlacionadas e poucas observações,
determinando a melhor combinação linear de dois conjuntos de dados (preditor, por
exemplo, TSM, e o preditando, precipitação observada).
Por outro lado, a correlação canônica é usada também com eficiência na descrição
de dados, verificação de modelos numéricos e construção de modelos estatísticos de
previsão, proporcionando o conhecimento de quais configurações tendem a ocorrer
simultaneamente entre dois ou mais campos distintos e qual o grau de conexão entre eles.
Como uma ferramenta de previsão, o ACC tem várias vantagens sobre outras
técnicas convencionais, tais como a regressão linear múltipla. Como um modelo linear,
no entanto, ACC não explica completamente as relações não lineares.
Neste trabalho, quando da construção do modelo empírico de previsão, ela será
utilizada para identificar os campos de precipitação (X) mais altamente correlacionados
com padrões de anomalia de TSM (Y). Ao ser usado como ferramenta de correção do
downscaling dinâmico, a variável explicativa passa a ser a precipitação simulada pelo
modelo dinâmico, sendo que a resposta continua a ser a precipitação observada.

2.8

Modelos dinâmicos
Os modelos dinâmicos são modelos computacionais de previsão numérica

desenvolvidos para simular/prever o comportamento da atmosfera. Existe um sistema
complexo de equações matemáticas nas formas mais complexas e completas, baseadas
em leis físicas de modo a prever o estado futuro da atmosfera partindo de condições
iniciais específicas e que são resolvidas por esses modelos dinâmicos e termodinâmicos.
Ademais, processos físicos, como a radiação, nuvens, precipitação e trocas à superfície
são representadas no modelo utilizando esquemas de parametrizações.
No modelo dinâmico temos a divisão do planeta em várias camadas verticais que
representam níveis da atmosfera, e divide a superfície do planeta numa malha de caixas

25

horizontais separadas por linhas similares às linhas de latitude e longitude. Com isso o
planeta é coberto por uma malha tri-dimensional.
Os modelos dinâmicos possuem algumas vantagens em relação aos modelos
empíricos, uma delas trata-se da representação de processos físicos, como parametrização
de convecção e radiação, com o objetivo de melhorar a qualidade das previsões. Outro
benefício dinâmico é o fato de que tais modelos assumem a não estacionaridade do clima,
enquanto que a maioria dos modelos empíricos assume a estacionariedade do clima, valese expor que os modelos dinâmicos são computacionalmente mais caros em relação aos
modelos empíricos dificultando entre partes, sua utilização.
A comunidade científica têm se dedicado as melhorias dos processos físicos nos
modelos dinâmicos para uma satisfatória representação das condições climáticas
presentes e futuras.
Para realizar uma previsão, os modelos partem de um conjunto de condições
iniciais, sendo suas equações integradas no tempo para prever o estado da atmosfera num
tempo futuro. Podem ocorrer pequenos erros nas condições iniciais e que se amplificam
à medida que a simulação avança no tempo, de modo que a diferença entre as condições
atmosféricas prevista e as condições reais da atmosfera aumenta ao longo da previsão,
isto torna inviáveis previsões de tempo com mais do que duas semanas de antecedência,
no entanto, as previsões climáticas seguem outro princípio: estatísticas de conjuntos
(ensembles) de simulações forçadas por condições de contorno (como a TSM).
Do passado para o presente e para o futuro previsível, secas e inundações
acontecem com frequência (ROSER e ORTIZ-OSPINA, 2016). A previsão de
precipitação como o principal componente do sistema climático (ciclo da água), pode ser
muito eficaz na redução dos potenciais danos dos desastres naturais, embora possa ser
essencial na construção de resiliência ao clima (recursos hídricos extremos, planejamento
e gestão).
Durante a última década, respondendo a esta necessidade, numerosos modelos
dinâmicos de previsão de precipitação (AL ZAWAD e AKSAKAL, 2010; FENTA
MEKONNEN e DISSE, 2018; HATTERMANN et al., 2017; PENG et al., 2018) foram
desenvolvidos e explorados. Esses modelos são geralmente classificados na categoria de
Modelos de Circulação Global (GCMs). Entre os diferentes GCMs existentes, o modelo
North American Multi-Model Ensemble (NMME) é um modelo de precipitação sazonal

26

eficaz para modelos de acoplamento de previsão de precipitação dos EUA e centros
canadenses de modelagem climática, e é capaz de fornecer informações sazonais de
previsão de precipitação desde 2007 com facilidade de acesso aos dados (BECKER et al.,
2020; ROY et al., 2020; SLATER et al., 2019). Desde então, encontrar a relação entre os
dados observados e os dados previstos inspiraram muitos pesquisadores em todo o mundo
a avaliar as habilidades de previsão do modelo NMME.
O North American Multi-Model Ensemble (NMME) foi desenvolvido para
melhorar a habilidade das previsões meteorológicas sazonais (BECKER et al., 2013;
KIRTMAN et al., 2014). Oferece oportunidades valiosas para caracterizar a incerteza do
modelo e das condições iniciais usando um grande número de modelos contribuintes,
cada um consistindo em vários membros do conjunto. O projeto NMME está sendo
utilizado operacionalmente por, por exemplo, o CPC (Climate Prediction Center) e o IRI
(International Research Institute for Climate and Society). Além disso, vários estudos
avaliaram o desempenho de NMME no contexto de previsões ENSO (por exemplo,
TIPPETT et al., 2019; LANDMAN et al., 2019), bem como, previsões mensais europeias
de temperatura e precipitação (RODRIGUES et al., 2019) e previsões climáticas extremas
(SLATER et al., 2019). Sendo todas as saídas do modelo uma resolução de 1º × 1º e
prazos de entrega previstos de pelo menos até 9 meses.
Os modelos de previsão numérica são classificados segundo a sua escala espacial,
sendo o modelo global com a resolução da ordem de várias dezenas a poucas centenas de
quilômetros, visa identificar o comportamento geral da atmosfera sobre uma área extensa;
estes modelos são apenas capazes de identificar fenômenos meteorológicos de grande
escala (sinóticos); já o modelo regional (ou local) possui resolução espacial típica de
quilômetros a dezenas de quilômetros, visa identificar com maior detalhe o
comportamento da atmosfera sobre uma região específica, sendo apropriados para
identificar fenômenos meteorológicos de menor escala (ditos de mesoescala), como
brisas, interação entre o escoamento atmosférico, topografia, etc.
Os modelos globais se destinam a descrever movimentos atmosféricos sobre o
planeta como um todo, também denominados Modelo de Circulação Geral Atmosférico
(MCGA) ou Modelo de Circulação Geral (MCG) e podem ser acoplados a modelos
oceânicos e/ou a modelos de outros componentes do clima.

27

Os MCGs podem ser configurados para previsão de tempo ou para estudos
climáticos, quando da previsão de tempo, o modelo é executado por um tempo físico de
alguns dias (entre uma e duas semanas) e tem em vista 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.
Como variáveis de saída, os modelos globais fornecem temperatura do ar,
velocidade do vento em várias direções, cobertura de nuvens, precipitação, umidade do
solo, cobertura de neve, radiação solar, pressão e temperatura na superfície do mar, entre
outras. A baixa resolução desses modelos deve-se ao poder computacional exigido para
a execução dos mesmos, pois quanto maior a resolução espacial requerida, maior será o
tempo de computação necessário.
Já os modelos locais ou regionais, são aqueles cujo espaçamento de grade é menor
do que aquele usado em modelos globais, permitindo assim a representação de fenômenos
de mesoescala. Normalmente, tais modelos se aplicam a estudos ou previsões de tempo
em escala regional e local. Como sua grade não cobre toda a extensão da superfície
terrestre (como os modelos globais), mas somente a atmosfera sobre uma dada área, são
também chamados de modelos de área limitada. Esses modelos permitem a representação
de fenômenos que dificilmente são simulados em modelos globais, como a evolução de
sistemas de tempo de mesoescala, a influência da topografia, etc. Isso se dá graças à
melhor resolução dos modelos de mesoescala, cujo espaçamento de grade varia entre
menos de uma a algumas dezenas de quilômetros.
Do ponto de vista de suas aplicações, recentemente os modelos de área limitada
têm não somente servido para fins de previsão de tempo (como os modelos ETA, RAMS,
MM5, RSM, etc., em diversos centros de meteorologia do Brasil e do exterior), mas
também têm encontrado uso em estudos climáticos, através da técnica conhecida como
downscaling dinâmico.

2.9

Downscaling
Os MCGs conseguem representar, como ferramenta de previsão sazonal, e de

maneira significativa os padrões de grande escala, porém os mesmos modelos apresentam

28

baixa resolução (resolução espacial da ordem de 100 a 40 200 km), lhes faltando, por
exemplo, antever prognósticos mais detalhados da distribuição espacial da chuva na
escala intrasazonal (controlada por fatores com escala tipicamente bem menor), além da
própria variabilidade temporal dessa distribuição de precipitação.
Portanto, como forma de solucionar o problema da diferença entre a escala para a
qual são realizadas as previsões por MCGs e a escala da região onde se deseja empregálas, tem-se usado técnicas de transferência da informação meteorológica para as escalas
menores, as chamadas, técnicas de downscaling, desenvolvidas pela necessidade de se ter
uma informação mais detalhada no tempo e no espaço dos produtos de previsão numérica
de tempo e clima.
Resumidamente, o downscaling trata do uso dos resultados de uma modelagem de
grande escala para alimentar um modelo de menor escala, seja um modelo numérico
regional de área limitada, com uma resolução da ordem de dezenas de quilômetros
(DICKINSON et al., 1989), seja um modelo empírico.
As técnicas de downscaling podem ser classificadas em duas categorias, sendo
downscaling dinâmico a que envolve o uso de modelos numéricos de escalas global e
regional, e requer informação climática (de superfície) detalhada, assim como uma alta
disponibilidade computacional. Por outro lado, as empíricas empregam métodos
estatísticos, sendo que os mais empregados são os métodos de regressão (lineares e não
lineares), geradores de tempo (análises de componentes principais, análises de correlação
canônica, redes neurais artificiais) e os estocásticos (teoria fuzzy – conjuntos nebulosos,
algoritmos genéticos, etc).
No downscaling dinâmico, usa-se um modelo meteorológico de resolução mais
alto (regional), com espaçamento de grade da ordem de algumas dezenas de quilômetros,
alimentado nas fronteiras pelas condições produzidas pelo modelo global (ou até por
dados observados). Por representar com maior detalhe os processos que agem
regionalmente, acredita-se que os modelos regionais podem produzir previsões de tempo
e clima com maior precisão.
Vale-se dizer que há um custo computacional necessário para executar as
simulações históricas das previsões, a existência de uma boa rede de observação é crucial
para a validação dos dados a partir de modelos de alta resolução no downscaling
dinâmico. Já a vantagem do uso do downscaling estatístico é que ele oferece uma solução

29

imediata a um baixo custo computacional e, consequentemente, pode ser rapidamente
implementado em centros operacionais.
Durante muito tempo, diversas abordagens menos complexas e menos onerosas
como o downscaling estatístico davam resultados sistematicamente comparáveis ou
mesmo superiores aos do downscaling dinâmico. No entanto, os modelos dinâmicos
ganharam espaço e as técnicas estatísticas, ao invés de se contraporem a estes, têm
passado a cumprir um papel complementar, seja como modelos de previsão autônomos,
seja como corretores dos modelos dinâmicos.

2.10

Abordagem híbrida de previsões climáticas
As condições dos preditores climáticos para qualquer modelo empírico de

previsão climática sazonal nos trópicos devem ser baseadas no princípio de que, nessa
região, as condições de contorno na superfície (como a exemplo, a temperatura da
superfície do mar - TSM) condicionam as características estatísticas significativas do
clima. Montar um modelo linear de previsão consiste em construir uma equação de
regressão linear múltipla com fortes relações estatísticas; por isso a relevância em
escolher um bom conjunto de preditores. A TSM apresenta uma relação significativa com
a precipitação sobre a região NE do Brasil, e por sua influência nas chuvas é que podemos
utilizar a TSM como um preditor da precipitação.
A modelagem híbrida e/ou combinada consiste na integração de métodos
preditivos individuais (DE BRITO PEREIRA et al., 2016), diversos aspectos da não
linearidade do clima não podem ser representados por modelos estatísticos simples,
particularmente aqueles baseados em relações lineares, como os que utilizam regressões
lineares múltiplas, análise de componentes principais ou análise de correlações canônicas.
Por isso, a ideia de combinar o conhecimento estatístico com a modelagem dinâmica será
usada neste trabalho, assim como foi proposto por MADDEN (1981): a formulação de
um modelo híbrido simples.
A combinação de modelos estatísticos (obtidos da análise estatística de dados
observados) com modelos dinâmicos (obtidos das leis físicas) surgiu em resposta ao papel
fundamental exercido pelo oceano no fenômeno ENSO. Tal acontecimento constituiu os
chamados modelos acoplados híbridos (hybrid coupled models- HCM), um termo
aparentemente proposto por NEELIN (1989, 1990).

30

Tais modelos são compostos de um modelo de circulação geral oceânico (MCGO)
acoplado a um modelo atmosférico mais simples, de complexidade muito aquém de um
modelo de circulação geral da atmosfera (MCGA). Um exemplo de tal modelo pode ser
encontrado em LATIF e FLÜGEL (1991). Em CHANG et al. (2001) e em BARNETT et
al. (1993) o HCM provou ser uma ferramenta extremamente valiosa na modelagem nos
estudos de interação oceano-atmosfera tropical.

31

3. MATERIAL E MÉTODOS

3.1

Dados observados
Desde 2016, Xavier et al. (2016) lançaram um conjunto de dados meteorológicos

de análise gradeada referente ao período 1980-2013 a fim de prover informações de
diversas variáveis para todo o território brasileiro. Essa grade tem resolução espacial de
0,25° x 0,25° e foi utilizada em diversos estudos como base confiável de observação da
superfície (DA ROCHA JR et al., 2019; PAREDES-TREJO et al., 2019; SILVA et al.,
2019; SILVA et al., 2023).
No entanto, Xavier et al. (2022) atualizaram essa análise gradeada tanto na
resolução temporal, de 1961 até 2020, quanto na espacial com 0,1 x 0,1°. Em relação à
precipitação, essa foi a variável que contou com a maior quantidade de observações de
superfície para a construção da grade, com um incremento de 316% de postos
pluviométricos a mais do que na análise disponibilizada para 1980-2013. A maior parte
dos dados pluviométricos foram oriundos do INMET, ANA e agencias estaduais de
Meteorologia espalhadas pelos estados brasileiros. Apesar do aumento no número de
dados, a BLA contou, por exemplo, com uma média de um pluviômetro a cada 76 km
para os anos de 1991-2020, ante um pluviômetro a cada 150 km para os anos de 19611980. Como descrito em seu trabalho, os dados foram expostos a um rigoroso controle de
qualidade e em seguida interpolados seguindo os melhores resultados obtidos via
validação cruzada entre os métodos de ponderação de distância inversa (IDW) e
ponderação de distância angular (ADW), para geração de uma grade em alta resolução de
0.1° x 0.1°.
Dessa forma, foi possível extrair 1.794 séries temporais de dados diários de
precipitação para cada município do NEB (Figura 2a), que foram então acumulados em
séries mensais. Apesar da disponibilidade de dados de 1961 a 2022, utilizou-se o período
1991-2020 para coincidir com o período de hindcast disponibilizado pelo NMME.
Para demonstrar a confiabilidade dos dados dessa análise gradeada, foram
utilizados dados de precipitação das 96 estações meteorológicas convencionais do
Instituto Nacional de Meteorologia (INMET) no NEB (Figura 2b), e respectivamente,
dados da análise para as mesmas coordenadas dessas estações para comparar-se a
climatologia observada do período 1991-2020 com a da análise gradeada, as respectivas

32

diferenças e parâmetros estatísticos como a correlação de Pearson (r), o viés (bias), e a
raiz do erro quadrático médio (RMSE), que são melhor descritos no tópico sobre índices
de verificação.

Figura 2 - (a) Centróides dos municípios do NEB e (b) Distribuição geográfica das 96
estações meteorológicas convencionais nos estados do NEB

Fonte: Autor, 2024.

3.2

Dados do NMME
O North American Multi-Model Ensemble (NMME) é um sistema de previsão

sazonal que acoplou modelos de renomados centros dos Estados Unidos e Canadá, como
NOAA (National Oceanic and Atmospheric Administration), NCEP (National Centers
for Environmental Prediction), GFDL (Geophysical Fluid Dynamics Laboratory),
NCAR (National Center for Atmospheric Research), NASA (National Aeronautics and
Space Administration) e CMC (Canadian Meteorological Centre).
Além dos modelos individuais para cada um dos centros mencionados, o NMME
é um produto único resultante da integração da previsão de todos os modelos disponíveis.
O NMME surgiu da necessidade de avaliar previsões e previsibilidades climáticas intrasazonais e interanuais, para atender às necessidades regionais específicas de previsões
sazonais e para apoiar a tomada de decisões por uma grande comunidade de usuários de
informações climáticas. O NMME prova ser mais eficaz em comparação com qualquer

33

um dos modelos individuais que o compõem. O CPC (Climate Prediction Center) da
NOAA é o órgão responsável por disponibilizar gratuitamente aos usuários tanto os
hindcasts quanto as previsões de cada modelo individual, bem como o ensemble
(NMME). Centros de previsão climática de todo o mundo utilizam dados do NMME de
forma cada vez mais operacional (KIRTMAN et al., 2014).

3.2.1 Modelos individuais do NMME
O NMME está atualmente em sua segunda fase. Esta fase inclui os seguintes
modelos:
1) CFSv2 (Climate Forecast System versão 2): Este modelo representa uma
interação global entre oceanos, terra e atmosfera e é operado pela NOAA/NCEP. É um
modelo totalmente acoplado que é executado quatro vezes por dia, fornecendo dados
horários com resolução de até meio grau para muitas de suas variáveis de saída. O CFSv2
usa técnicas recentes de assimilação de dados para consumir observações de diferentes
fontes de dados, incluindo observações de superfície, radiossondas, aeronaves e
observações de satélite. Mais informações sobre o modelo podem ser encontradas em
SAHA et al. (2014).
2) GEOS-5 (Goddard Earth Observing System, versão 5): Operado pela NASA, é
um modelo do sistema terrestre que envolve um conjunto de diferentes componentes em
uma estrutura modular. O primeiro módulo é um modelo da circulação geral da atmosfera;
o segundo módulo é um modelo de circulação geral dos oceanos; o terceiro módulo acopla
os dois primeiros em um modelo de circulação geral atmosfera-oceano que inclui uma
representação da criosfera, bem como uma representação de aerossóis atmosféricos; além
de um módulo de química do clima, que permite conectar a composição química e a
circulação geral atmosférico-oceânica, e um modelo de transporte químico, que permite
o cálculo de reações químicas em um sistema baseado nas condições esperadas de ventos,
temperaturas, umidade e distribuição de nuvens. Informações detalhadas podem ser
encontradas em VECCHI et al. (2014).
3) CCSM4 (Community Climate System Model versão 4): Operado pelo NCAR, é
um modelo climático acoplado para simular o sistema climático da Terra. Composto por
cinco modelos separados que simulam simultaneamente a atmosfera da Terra, oceano,
terra, gelo terrestre e gelo marinho, além de um componente de acoplamento central, o

34

CCSM permite que os pesquisadores realizem experimentos sobre os estados climáticos
passados, presentes e futuros da Terra. Informações detalhadas podem ser encontradas
em INFANTI e KIRTMAN. (2016).
4) Modelos operados pelo GFDL (Geophysical Fluid Dynamics Laboratory):
Existem duas versões do modelo GFDL para o NMME, o GFDL CM2.1 (DELWORTH
et al., 2006) e o GFDL_FLOR (Forecast-oriented Low Ocean Resolution). Em fevereiro
de 2021, essas duas versões foram substituídas pelo GFDL_SPEAR (Seamless System for
Prediction and EARth System Research). Esta versão foi desenvolvida para previsões
sazonais e projeções multidimensionais. O GFDL_SPEAR possui um modelo
atmosférico com resolução de 1° e 33 níveis verticais e simulação de aerossóis, um
modelo oceânico com resolução de 1 a 4° e 75 níveis, um modelo de gelo marinho com
transferência radioativa compatível com o modelo oceânico e um modelo terrestre de
cobertura da terra com vegetação dinâmica. Segundo HELD et al. (2019), esta versão
apresenta uma simulação muito boa da climatologia atual e da variabilidade do ENOS (El
Niño Oscilação Sul).
5) Modelos Canadenses: Operados pelo Centro Meteorológico Canadense, os
modelos CMC1-CanCM3 e CMC2-CanCM4 foram descontinuados e substituídos por
CanCM4i e GEM_NEMO a partir de agosto de 2019. São modelos climáticos acoplados
que assimilam melhor as condições iniciais do clima, gelo e temperatura da superfície do
mar. O GEM_NEMO é um modelo acoplado global atmosfera-oceano baseado em um
modelo numérico de previsão do tempo recentemente desenvolvido. Mais informações
podem ser encontradas em MERRYFIELD et al. (2013) e LIN et al. (2020).

3.2.2 Hindcasts do NMME
Cada modelo, além do próprio NMME, fornecia um conjunto completo de
hindcasts para 1982-2010 por até seis meses/trimestres a partir do mês de sua
inicialização. Recentemente, os hindcasts foram atualizados e estão disponíveis para o
período 1991-2020, a fim de concordar com a última normal climatológica oficial da
OMM e continuar oferecendo 30 anos de dados históricos de previsões. Essas previsões
retrógradas são usadas para calibração de modelos e estudos aplicados. As previsões em
tempo real para cada mês, disponibilizadas a partir de 2021, são feitas pelo CPC/NCEP e
estão disponíveis entre os dias 8 e 11 de cada mês, com três variáveis disponíveis:

35

temperatura da superfície do mar, temperatura média a 2 metros e taxa de precipitação,
em resolução global de 1,0° x 1,0° de latitude/longitude, para todos os membros
(modelos) do conjunto (NMME).
Para o hindcast de um mês/trimestre típico, haverá 7 arquivos de precipitação e 7
para temperatura média de cada modelo e do NMME, o que contabiliza um total de 168
arquivos de hindcasts para os doze trimestres do ano no período 1991-2020. Em nível
mensal (três meses individuais de cada trimestre), tem-se 504 arquivos de hindcasts de
precipitações e temperaturas médias mensais para os doze trimestres do ano no período
1991-2020.
A tarefa operacional consiste em calibrar os dados brutos dos modelos NMME
com os arquivos de dados observados de precipitação oriunda da análise gradeada de
Xavier et al. (2022), a fim de comparar e identificar quais os modelos mais confiáveis
para a produção de previsões climáticas quando comparadas aos resultados obtidos com
as observações.

3.2.3 Organização dos dados para calibração do NMME
O NMME fornece dados agregados de modelos dinâmicos individuais (descritos
no tópico 3.2.1), de hindcasts e previsões, em formatos binário e ascii (descritos no tópico
3.2.2). Os dados do NMME estão disponíveis para download via ftp, em escalas de tempo
mensais e sazonais, atualizados mensalmente.
Para configurar um esquema automatizado para gerar essas previsões, as seguintes
etapas foram realizadas:
1.

Download

dos

dados

dos

hindcasts

e

das

previsões

do

link:

https://ftp.cpc.ncep.noaa.gov/International/nmme/;
2. Combinações dos hindcasts e previsões de um determinado mês/trimestre em
um único arquivo;
3. Criação uma base de dados de precipitação observadas mensalmente a partir de
dados em grade regular (XAVIER et al. 2022).
4. Download dos dados da grade de Xavier, em formato netcdf e gerar séries
temporais de precipitação, com a mesma resolução do NMME (1° x 1°), ou superior, para
comparação direta com o histórico dos modelos.

36

5. Obtenção de séries temporais de precipitação mensal para cada município do
NEB para a etapa de pós-processamento dos resultados do NMME, calibrando as
previsões retrógradas do NMME, e de seus modelos individuais, usando a técnica de
ACC, para 30 anos de hindcast (1991/2020);
6. Gerar quatro produtos principais de previsão, apresentados em formatos de
mapa e/ou metadados para pontos de estação e/ou pontos de grade:
(a) Correlação entre previsões calibradas e observações (hindcast calibrado para
o período 1991-2020);
(b) Previsão de precipitação acumulada mensal;
(c) Desvio da precipitação prevista em relação à climatologia de referência
coincidindo com o período de hindcast (1991/2020);
(d) Previsão probabilística, em tercis, da precipitação do mês/trimestre.

3.2.4

Calibração de previsões climáticas com ACC
O NMME reúne resultados de centros de referência internacionais na produção de

previsões climáticas. No entanto, mesmo esses sistemas não estão imunes às incertezas
decorrentes da natureza caótica da atmosfera e dos erros associados às condições iniciais.
Previsões brutas de um modelo climático global podem exibir tendências indesejáveis
(viés) e muitas vezes não mostram poder superior a uma simples previsão baseada em
climatologia (SHUKLA e LETTENMAIER, 2013; SCHEPEN e WANG, 2014).
Portanto, há benefícios significativos na aplicação de metodologias de pósprocessamento às previsões climáticas. Várias técnicas podem ser utilizadas para resolver
tais problemas, buscando extrair o máximo de habilidade das previsões (ZHAO et al.,
2017). Essas técnicas vão desde combinar diferentes modelos usando uma abordagem
Bayesiana para obter melhores resultados (COELHO et al., 2006; COELHO et al., 2007),
regressão por conjuntos (UNGER et al., 2009; OU et al., 2016; COLLINS, 2017;
OSMAN et al., 2021), modelos de probabilidade conjunta (WANG et al., 2009; WANG
e ROBERTSON., 2011), entre outros métodos estatísticos de pós-processamento ou
calibração (GNEITING et al., 2005; WILKS e HAMILL., 2007; SACHINDRA et al.,
2013; SCHEPEN et al., 2014; BENESTAD et al., 2015; ZHANG et al., 2017;
NARAPUSETTY et al., 2018). Dentre as diversas técnicas existentes para correção de
erros sistemáticos nos modelos, utilizaremos a ACC.

37

A ACC é um método estatístico que identifica um par de padrões em dois
conjuntos de dados multivariados e gera variáveis transformadas que projetam os padrões
da série original. ACC é aplicado como um método de downscaling e correção de viés
dos resultados do modelo, melhorando suas previsões usando relações estatísticas entre
as variáveis observadas e previstas pelo modelo. Muitas vezes, essas relações estatísticas
têm uma base física, absorvendo sinais de fenômenos de grande escala (por exemplo, fase
ENOS), que influenciam as previsões.
A ACC pode ser usada de duas maneiras, primeiro como um modelo de previsão
puramente estatístico que relaciona padrões de anomalias em observações (por exemplo,
anomalias de temperatura da superfície do mar) a padrões de anomalias climáticas nos
próximos meses ou trimestres (por exemplo, anomalias de precipitação) baseado em um
longo período de anos, sem envolver nenhum modelo dinâmico (CHU e HE., 1994; CHU.
1998; LANDMAN e MASON., 1999; COLLINS et al., 2004; CHOWDHURY et al.,
2007; JUNENG e TANGANG., 2008). A segunda forma de utilização da ACC, e que
será usada nesta pesquisa, é relacionar os dados brutos da previsão de precipitação
oriundas de um modelo para um determinado mês, com a correspondente observação da
variável de interesse em um período retrospectivo (BUSUIOC et al., 2008; LIM et al.,
2011; apud BARNSTON e TIPPETT., 2017). Os dados brutos do modelo são os
preditores e as observações são os preditandos.

3.3

Fundamentação teórica da ACC
A ACC é um método linear multivariado utilizado para comparar dois conjuntos

de dados: um independente X, também conhecido como variáveis explicativas
(preditores), e outro dependente Y, também conhecido como variáveis de resposta
(preditandos), composta por um número p de variáveis Xi e q variáveis Yi,
respectivamente.
É um método utilizado para identificar a influência de uma variável sobre outra
variável, a fim de encontrar a melhor combinação linear e a máxima correlação entre as
duas variáveis. O ACC está acima da hierarquia dos modelos de regressão (apud
BARNETT e PREISENDORFER, 1987), tendo como vantagem sobre a regressão linear
múltipla a possibilidade de estudar as inter-relações entre conjuntos de múltiplas variáveis
dependentes e múltiplas variáveis independentes, podendo prever simultaneamente

38

múltiplas variáveis dependentes a partir de múltiplas variáveis independentes (WILKS,
2011; SINGH et al., 2012). É particularmente útil em situações em que várias medidas de
resultados devem estar disponíveis, como em previsões meteorológicas (DÍAZ e
VILLEGAS, 2015).
Na ACC, são criadas combinações lineares x* e y*, chamadas variáveis canônicas
(VC), com ao menos duas variáveis de cada conjunto:
𝑝

𝑞

𝑥 ∗ = 𝑋𝛼 = ∑ 𝛼𝑖 𝑥𝑖 ; 𝑦 ∗ = 𝑌𝛽 = ∑ 𝛽𝑗 𝑦𝑗
𝑖=1

(1)

𝑗=1

os vetores α e β deverão maximizar a correlação entre x* e y*, e cada VC deve
conter variância e não estar correlacionada com outra VC:
𝑟 ,𝑘 = 𝑀
∗]
𝐶𝑜𝑟𝑟[𝑥𝑘∗ 𝑦𝑀
={𝑐
}
0, 𝑘 ≠ 𝑀

(2)

onde rc é a correlação canônica. O cálculo da VC é realizado a partir das matrizes
de variância e covariância [Sc] das variáveis iniciais X e Y:
[𝑆𝑐 ] = [

[𝑆𝑥𝑥 ](𝑝𝑥𝑝)

[𝑆𝑥𝑦 ](𝑝𝑥𝑞)

[𝑆𝑦𝑥 ](𝑞𝑥𝑝) [𝑆𝑦𝑦 ](𝑞𝑥𝑞)

]

(3)

[Sxx] e [Syy] são as matrizes de variância e covariância das p variáveis em X e as
q variáveis em Y; [Sxy] y [Syx] são as matrizes de covariância entre os elementos de X e
os elementos de Y. As correlações canônicas rc entre os diferentes VC são dadas pela raiz
quadrada dos valores inteiros, diferentes de zero nas matrizes.
[𝑀𝑥 ] = [𝑆𝑥𝑥 ]−1 [𝑆𝑥𝑦 ] [𝑆𝑦𝑦 ]
−1

[𝑀𝑦 ] = [𝑆𝑦𝑦 ]

−1

[𝑆𝑦𝑥 ]

(4)

[𝑆𝑦𝑥 ] [𝑆𝑥𝑥 ]−1 [𝑆𝑥𝑦 ]

(5)

e os vetores α e β serão os respectivos vetores típicos das matrizes que satisfaçam:
[𝑀𝑥 ]𝛼 = 𝑟𝑐2 𝛼

(6)

[𝑀𝑦 ]𝛽 = 𝑟𝑐2 𝛽

(7)

Os valores de α e β revelam quais variáveis têm maior força explicativa dentro da
correlação e são importantes na construção de um modelo preditivo (apud WILKS, 2011;
apud SINGH et al, 2012). Além de α e β na ACC, as cargas canônicas (CC) e as cargas
canônicas cruzadas (CCC) também são calculadas. As CC permitem conhecer a
contribuição de cada variável observada xi e yi para seus respectivos VC x* e y*. As CCs
independentes são as correlações lineares entre xi e x*, e as CC dependentes entre yi e y*.

39

As CCCs fornecem informações mais significativas sobre a relação entre as variáveis
observadas e as novos VCs (KATZ et al., 2003). Os CCCs independentes são as
correlações lineares entre xi e y* y as CCC dependentes entre yi e x*. Por fim, na ACC, é
calculado o coeficiente de redundância, que permite estabelecer o percentual de variância
explicada no conjunto de variáveis dependentes, com base no conjunto de variáveis
independentes (apud KATZ et al., 2003).

3.4

Ferramenta de previsibilidade
Para o nosso propósito, o ACC limita-se a associar índices a cada um dos

conjuntos de dados (X: explicativo (preditor) e Y: resposta (preditando), definidos como
combinações lineares dos valores em cada um dos conjuntos (Função ortogonal empírica
- FOE), maximizando a correlação entre os dois índices, retendo o máximo de informação
possível das variáveis originais. Nesta pesquisa, a variável explicativa é a precipitação
simulada pelos modelos NMME, e a variável resposta será a precipitação observada.
Aplicações semelhantes podem ser encontradas em STUDZINSKI (1995), DIAZ et al.
(1998), REPELLI e NOBRE (2004), apud DA ROCHA JÚNIOR et al., (2021).
Existem algumas possibilidades de softwares e pacotes estatísticos disponíveis
para aplicação da técnica de ACC, destacando-se: SPSS Statistics, Phyton e R Statistics.
Nesta pesquisa foi utilizado o software CPT (Climate Predictability Tool), versão 15.6.3.
Alguns trabalhos foram desenvolvidos utilizando esta ferramenta de previsibilidade
climática (LUCIO et al., 2010; KIPKOGEI et al., 2017; ESQUIVEL et al., 2018;
LANDMAN et al., 2019). O CPT é um software desenvolvido pelo IRI (International
Research Institute for Climate and Society – Columbia University), voltado para
construção de modelos de previsão climática sazonal, simulações e validações de modelos
(MASON e TIPPETT, 2017; IRI, 2019).
O CPT utiliza dois conjuntos de dados nas simulações. O primeiro conjunto de
dados contém as "variáveis X", chamadas de "preditores", "variáveis independentes" ou
"variáveis explicativas". Essas variáveis X são usadas para prever as variáveis no segundo
conjunto de dados, que deve conter as "variáveis Y", que são chamadas de "preditandos",
"variáveis dependentes" ou "variáveis de resposta".
Neste trabalho foram utilizados os dados mensais de chuva dos modelos do
NMME como variáveis explicativas, ou preditoras (X) e as observações mensais como

40

variáveis de resposta, ou preditando (Y). Ambos os campos são pré-filtrados com Funções
Ortogonais Empíricas (FOE) para eliminar ruídos dos dados originais (Horel, 1981).
Nesse processo, as FOE de X e Y são calculadas separadamente, estabelecendo-se um
modelo que retenha em torno de 70% a 80% da variância original de cada variável a partir
de um número de autovetores. Esse processo força a ACC a enfatizar os modos de
variabilidade dominantes de X e Y. Em seguida, uma matriz de correlação cruzada é
construída com as séries das componentes principais de X e Y, que tem suas dimensões
reduzidas ao número de modos retidos pelo preditor e pelo preditando, obtendo-se
autovetores e autovalores canônicos para X e Y dessa matriz transposta.
Encontra-se a função canônica do preditor a partir das combinações lineares entre
os autovetores canônicos e as séries das componentes principais do preditor para cada
modo. Apesar de poder-se utilizar um número limitado de modos baseado na análise de
explicação da variância, recomenda-se estabelecer como limites para o software um
mínimo de 1 modo até um máximo de 10 modos, isto é recomendável pois permite que o
mesmo encontre de forma automatizada o número ótimo de modos baseado em um
coeficiente de bondade do modelo (goodiness index), esse índice ajusta o número de
modos de acordo com a correlação obtida a partir da testagem de vários modelos com
diferentes combinações de modos para X e Y, o que geralmente limita o número de modos
entre 3 a 6, respectivamente. A equação de regressão expressa pelos modos canônicos
deriva das variáveis originais, convertendo-se a função temporal canônica do preditor em
função temporal canônica do preditando.
Por fim, a equação preditiva é obtida para relacionar preditor ao preditando, ou X
a Y, e as simulações históricas e/ou previsões, podem ser realizadas. A Figura 3 ilustra
de forma esquemática as etapas necessárias para as simulações da precipitação
regionalizada para o NEB (preditando Y) em função dos campos de precipitação
acumulada mensais simuladas pelo NMME e modelos que o compõem (preditor X).

41

Figura 3 - Esquema ilustrativo das etapas utilizadas para a calibração e previsão da
precipitação para o NEB a partir da precipitação do NMME

Fonte: Autor, 2023.

3.5

Índices de verificação
Os prognósticos climáticos possuem muitas incertezas associadas, já que não

dependem exclusivamente das lentas variações de certas condições observadas na
superfície terrestre, como a temperatura da superfície dos oceanos e umidade dos solos.
Nesse sentido é fundamental descrever e implementar procedimentos de verificação dos
prognósticos, antes e depois do pós-processamento com ACC, a fim de mensurar os
ganhos impostos por essa técnica de downscaling estatístico.

42

As previsões calibradas possuem duas saídas, a determinística e a probabilística.
Nessa pesquisa, trabalhou-se com as saídas determinísticas por acreditar-se que essas têm
mais utilidade para a tomada de decisões por diferentes setores da sociedade do que
previsões probabilísticas.
Nesse sentido, é um objetivo específico da pesquisa disponibilizar um conjunto
de métricas de verificação que permita avaliar a performance do NMME e de cada modelo
que o compõe, para as previsões de precipitação mensal. Para as previsões
determinísticas, foram calculados o coeficiente de correlação de Pearson (r), o erro médio
absoluto (MAE) e o erro quadrático médio (RMSE). Cada índice é descrito em detalhes
a seguir.
3.5.1

Erro Médio Absoluto (MAE)
Mede a magnitude média dos erros em um conjunto de previsões,

independentemente de sua direção. 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: caso não seja obtido um valor absoluto, o MAE passa a ser
MBE (Mean Bias Error) e neste caso serve como parâmetro para medir a tendência média
do modelo. O MBE transmite informações úteis, mas deve ser interpretado com cautela,
pois erros positivos e negativos tendem a se anular em amostras imparciais.
𝑁

1
𝑀𝐴𝐸 = ∑|𝑃𝑖 − 𝑂𝑖 |
𝑁

(8)

𝑖=1

onde N é o número total de elementos na amostra, p = pronósticos e o = observações em
cada momento i.
3.5.2 Erro quadrádico médio (RMSE)
É uma pontuação ao quadrado que também mede a magnitude média do erro. É a
raiz quadrada da média das diferenças quadradas entre a previsão e a observação real.
𝑁

1
𝑅𝑀𝑆𝐸 = √ ∑(𝑃𝑖 − 𝑂𝑖 )2
𝑁

(9)

𝑖=1

-

Comparação entre MAE e RMSE:

Semelhanças: Tanto o MAE quanto o RMSE expressam o erro médio de predição
do modelo em unidades da variável de interesse. Ambas as métricas podem variar entre

43

0 e ∞ e são indiferentes à direção dos erros. Estas são pontuações com viés negativo, 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 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.
3.5.3

Correlação de Pearson (r)
O coeficiente de correlação de Pearson mede a força da relação linear entre

observações e previsões (Equação 10). Varia entre [-1,1]. Pontuação perfeita: 1. O
coeficiente de correlação de Pearson entre duas variáveis (observações (o) e previsões
(p)) é definido como a covariância das duas variáveis (Cov (o, p)) dividida pelo produto
de seus desvios padrão (𝜎(𝑜, 𝑝)).
𝑟𝑜,𝑝 =

𝐶𝑜𝑣(𝑜, 𝑝)
𝜎(𝑜, 𝑝)

(10)

Como forma de auxiliar na 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 2 - Classificação dos intervalos de correlação e definição da relação entre os
dados simulados por um modelo e os dados observados
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

Fonte: Devore (2006).

Para garantir que o valor de r realmente expresse a concordância entre
observações e simulações, será utilizado o teste t-Student paramétrico (AL-ACHI., 2019)
para avaliar o grau de relacionamento entre as variáveis em questão. Uma premissa para

44

a utilização do teste é que o tamanho da amostra, N, a partir do qual o valor do coeficiente
de correlação, r, é obtido, seja igual ou maior que 6, então o valor de t é dado pela
(Equação 11):
𝑡=

𝑟
(1 − 𝑟 2 )
√
(𝑁 − 2)

(11)

A Equação 11 é uma distribuição para t com N-2 graus de liberdade. A aplicação
desta 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 extrair o coeficiente de correlação crítica (rc), que é um valor
para o qual se aceita ou não a hipótese estatística de que existe uma correlação entre os
dados simulados e observados, rc é dado por:

𝑡2
𝑟𝑐 = √
(𝑁 − 2) + 𝑡 2

(12)

45

4. RESULTADOS

4.1 Análise dos dados de Xavier para o Nordeste.
Um dos principais critérios usados na avaliação de desempenho de qualquer fonte
de dados é se a condição histórica observada pode ser ou não replicada em termos médios.
Portanto torna-se indispensável que determinado conjunto de dados gere séries temporais
que tenham as mesmas propriedades dos dados meteorológicos observados, resultando
em boa correlação entre ambos e que apresentem habilidade em caracterizar a
climatologia de um período de referência (COSTA et al., 2020; COSTA et al., 2021).
A Figura 4 mostra o ciclo médio anual da precipitação acumulada no período
1991-2020 no NEB com as observações do INMET, e obtida da análise gradeada de
Xavier (Figura 5), para as mesmas coordenadas das estações do INMET. Percebe-se a
forte coerência entre as climatologias, um forte indicativo da confiabilidade dos dados de
Xavier, devido a sua eficiência na representação do ciclo anual climatológico da
precipitação acumulada mensal.
Devido à baixa densidade de estações, suas coordenadas geográficas foram usadas
para extrair da análise gradeada de Xavier, séries para essas mesmas coordenadas por
meio do método de interpolação bilinear simples (DA ROCHA JÚNIOR et al., 2019).
Esse método calcula um valor um valor para as coordenadas das estações de interesse,
atribuindo pesos característicos a cada um dos quatro pontos de grade que circundam a
localização geográfica de uma estação, com pesos maiores quanto mais próximo estiver
o ponto de grade da coordenada da estação (LIU et al., 2015). Isso permite uma
comparação realística entre dados de estações meteorológicas e provenientes de análises
gradeadas. Essa verificação quantitativa da precipitação observação x análise gradeada é
utilizada em muitos estudos que tem atestado a sua eficácia (MICHOT et al., 2018;
RODRIGUES et al., 2021; HERDIES et al., 2023; SILVA et al., 2023).
O período mais chuvoso no norte do NEB de janeiro a abril, no leste do NEB entre
abril e junho, e no oeste do NEB de novembro a março, assim como os respectivos
períodos mais secos, foram muito bem representados na climatologia obtida a partir da
análise gradeada de Xavier.
No entanto, é preciso verificar as possíveis diferenças entre essa base de dados e
as observações. Dessa forma, a Figura 6 mostra as diferenças entre as climatologias de

46

cada mês. Percebe-se uma diferença predominantemente negativa, com destaque para o
leste do NEB de janeiro a julho, com valores entre 5mm a 25mm, e no oeste do NEB de
novembro a março, mostrando que os dados de Xavier têm uma leve inclinação a
subestimar a precipitação na maior parte do NEB.
Para sintetizar os resultados da análise dos índices de verificação, mostra-se na
Figura 7 o viés, a correlação, o MAE e o RMSE das séries contínuas, ou seja, não são
resultados discreteados para um determinado mês do ano, mas que representam todos os
meses em geral. O viés (Figura 7a), reflete a média das diferenças mensais apresentadas
na Figura 5, com a vantagem de evidenciar mais claramente as áreas onde os dados de
Xavier tendem a subestimar de forma sistemática a precipitação, que são nos extremos
noroeste e oeste do Maranhão, em torno de 5 a 10 mm/mês, no nordeste do NEB entre os
estados do Ceará, Rio Grande do Norte, Paraíba e Pernambuco de 5 a 25 mm/mês, e em
núcleos isolados no centro e sul da Bahia, com subestimativa de 5 a 10 mm/mês. A
Correlação média mensal (Figura 7b) evidencia a qualidade da análise gradeada no
comportamento da variabilidade temporal dos dados observados, com correlações que
superam 0,8 em todo o NEB. A MAE (Figura 7c) e o RMSE (Figura 7d) mostram que os
erros da análise gradeada de Xavier são de fraca magnitude em relação as observações,
alcançando máximos entre 25 a 50 mm no parâmetro MAE em porções do litoral
nordestino entre Rio Grande do Norte e Alagoas, sul da Bahia e noroeste do Piauí e na
maior parte do Maranhão, enquanto em relação ao parâmetro RMSE, se situa na maior
parte do NEB com valores entre 25 a 50mm, e de 50 a 75mm no norte do Maranhão.

47

Figura 4 - Climatologia mensal da precipitação (mm) no NEB com dados do INMET
no período 1991-2020

Fonte: Autor, 2023

48

Figura 5 - Climatologia mensal da precipitação (mm) no NEB com dados da análise
gradeada de Xavier no período 1991-2020

Fonte: Autor, 2023

49

Figura 6 - Diferença entre a climatologia mensal obtida com dados da análise gradeada
de Xavier e observações do INMET para a precipitação no NEB no período 1991-2020

Fonte: Autor, 2023

50

Figura 7 - (a) Viés, (b) Correlação, (c) MAE e (d) RMSE, calculados entre observações
e análise gradeada de Xavier para a precipitação mensal do NEB no período 1991-2020

Fonte: Autor, 2023

4.2 Climatologia bruta dos modelos NMME
Neste segmento, aborda-se uma análise detalhada da climatologia bruta resultante
das previsões dos modelos do NMME (North American Multi-Model Ensemble),
comparando-as com as observações reais (referenciadas como Xavier). Utilizamos uma
amostra específica dos resultados gerados para exemplificar os demais, facilitando assim
a visualização e compreensão do processo analítico, conforme apresentado na Figura 8.
Esta amostra representa a previsão para o mês de abril, obtida a partir dos hindcasts
(dados históricos) com início em janeiro. Ou seja, recorremos ao lag3, referente aos meses
anteriores (março/lag 1 – fevereiro/lag 2 – janeiro/lag 3), a fim de avaliar se os dados
previstos se alinham com as observações reais.
Para garantir a comparabilidade e coerência nos resultados, foi necessário
padronizar o grau de resolução das saídas dos modelos para 1° de latitude por 1° de

51

longitude. Isso exigiu um processo de equalização de resolução, através de um
forçamento (regride), para assegurar que os programas de análise captassem as entradas
de maneira uniforme, gerando os resultados necessários para esta análise.
O NEB experimenta três períodos distintos de chuvas, como identificado por
Molion e Bernardo (2002). Eles observaram a formação de uma zona de convergência
sobre o Oceano Atlântico, direcionada à costa leste do NEB entre os meses de abril a
junho. Essa convergência, combinada com frentes frias e massas de ar úmido do Oceano
Atlântico, resulta em um período de chuvas intensas na costa leste do Nordeste. Este
período é seguido por outra fase de chuvas intensas, mais prevalentes no norte do NEB
entre fevereiro, março e metade de abril, e no centro-oeste do NEB de novembro a janeiro.
Portanto, o mês de abril assume importância crucial para o estudo em questão,
influenciando as chuvas no norte do NEB e contribuindo significativamente para as
condições pluviométricas no leste do NEB.
Na porção setentrional do Nordeste do Brasil, a ZCIT é o principal sistema de
produção de chuvas. Formada pela confluência dos ventos alísios do Hemisfério Norte
(alísios de nordeste) e os do Hemisfério Sul (alísios de sudeste), a ZCIT constitui-se no
movimento ascendente do ar carregado de umidade que, ao se elevar, sofre resfriamento
e condensação resultante na nebulosidade persistente na zona equatorial onde ocorrem as
precipitações mais elevadas do planeta. Sua influência na pluviometria do Nordeste
setentrional ocorre principalmente nos meses de março e abril, podendo em alguns anos
se antecipar para fevereiro e/ou se prorrogar até maio. A ausência da ZCIT na região
acima da bacia do rio São Francisco nos meses mencionados reduz a precipitação desde
Pernambuco até a porção leste semiárida do estado do Piauí (SARMENTO, 2021).
O diagrama apresentado na Figura 8 ilustra um painel comparativo climatológico
entre modelos de previsão e observações de precipitação para a região do Nordeste do
Brasil. A análise diferencia as discrepâncias entre o que é previsto pelos modelos (coluna
2) e os dados observados (coluna 1).
No primeiro modelo, CFSV2, é notável uma tendência pronunciada de
superestimar a precipitação no centro da Bahia. Enquanto as observações indicam valores
de 50-75 mm para abril, o modelo prevê valores substancialmente superiores. A análise
das diferenças entre as climatologias do modelo bruto e observado evidencia uma
superestimação geral de 100 a 300 mm na maior parte do NEB.

52

O modelo CMC1, por sua vez, mostra uma tendência de subestimação no leste do
NEB e superestimação no centro-oeste. Essa disparidade é mais evidente onde as
observações registram menor precipitação, como no lado oeste da Bahia. A comparação
das climatologias revela uma subestimação notável no leste, norte e centro-oeste do NEB
e uma superestimação significativa no interior. Quanto ao modelo CMC2, há uma
subestimação de chuvas no nordeste do NEB, abrangendo os estados do RN até o extremo
norte da Bahia, enquanto valores mais elevados são previstos na parte oeste da região. As
diferenças entre a climatologia observada e a do modelo bruto destacam essa disparidade,
com subestimação nas regiões mencionadas e superestimação no oeste e interior do NEB.
O modelo GFDL estima valores mais altos de precipitação no noroeste do NEB,
coincidindo com áreas já mais chuvosas nas observações. No entanto, também
superestima a precipitação no centro da Bahia e em outras regiões do NEB, refletindo-se
na discrepância entre as climatologias, com uma superestimação generalizada, exceto por
uma parte do leste da Bahia. Já o modelo NASA, por sua vez, apresenta uma
superestimação considerável em todo o NEB, especialmente no norte, com destaque para
o estado do Maranhão, onde são previstos valores de até 400 mm além das observações.
A análise das diferenças entre as climatologias destaca essa superestimação, evidenciando
discrepâncias expressivas.
O modelo NCAR demonstra uma maior proximidade visual com as observações,
especialmente no centro da Bahia, onde historicamente há menos chuvas. No entanto,
apresenta tendência de superestimação mais acentuada no estado do Maranhão. A análise
das diferenças revela uma menor superestimação ou subestimação em regiões específicas,
representadas por áreas mais neutras no mapa.
Por fim, o modelo NMME, representando a média dos seis modelos, também
mostra uma tendência de superestimação em toda a região do NEB, com ênfase no
noroeste (Maranhão e Piauí). A comparação das climatologias indica uma subestimação
leve no leste da Bahia e no extremo norte do Maranhão, contrastando com a
superestimação de até 300 mm no restante do NEB.
A análise detalhada dos modelos brutos em relação às observações de precipitação
na região do NEB evidencia discrepâncias substanciais e variações significativas entre as
projeções dos modelos e os dados reais. Essa análise crítica oferece justificativas sólidas

53

para a necessidade de regionalização (calibração) dos modelos, visando aprimorar a
precisão das previsões climáticas nesta área específica.
Já sabe-se que os cenários de mudanças climáticas apontam para uma redução
significativa da precipitação pluviométrica de março a maio no norte do Nordeste, de abril
a junho no leste do Nordeste, e de outubro a fevereiro no oeste da região. Esses meses
coincidem com o período chuvoso destes setores específicos da região Nordeste
indicando uma projeção de acentuado déficit de chuvas acumulada anual para a região
até o final do século. (COSTA, et al., 2021).

Figura 8 - Painel de comparação das climatologias de Xavier (observada) e bruta dos
modelos para o mês de abril no período de 1991 a 2020.
CLIMATOLOGIA
OBSERVADA

CLIMATOLOGIA DOS
MODELOS

DIFERENÇA
(VIÉS)

54

55

Fonte: Autor, 2023

4.3 Calibração dos modelos com ACC
Foi documentado que modelos dinâmicos apresentam aptidão para fornecer
previsões sazonais mais precisas do que a climatologia, especialmente em regiões
tropicais (STOCKDALE et al., 1998). Entretanto, estudos também demonstraram que a
habilidade de previsão de precipitação pode ser aprimorada por meio da aplicação de
técnicas estatísticas para corrigir os resultados do modelo bruto.
Os modelos climáticos regionais exibem competência na previsão de anomalias em
torno de valores médios, contudo, revelam desvios relativamente elevados que requerem
correção. Essa necessidade de correção é essencial para a utilização apropriada desses
resultados na previsão climática (WANG et al., 2004; WOOD et al., 2002; LEUNG et
al., 1999).
Diversos erros podem ser corrigidos por meio de abordagens estatísticas que
procuram realizar uma análise dos erros com base em séries temporais de dados

56

observados e modelados. Steed, R. C. e Mass (2004) elucidaram e compararam diversos
métodos para a eliminação de erros sistemáticos em modelos de previsão climática. Cada
um desses métodos adota uma definição estatística de viés como sendo a discrepância
média de um parâmetro.
Métodos de correção estatística são capazes de mitigar as deficiências do modelo
ao incorporar detalhes de grande escala com padrões identificados na natureza. Essas
abordagens têm sido empregadas para corrigir as anomalias de precipitação no modelo
simulado (SMITH E LIVEZEY, 1999; FEDDERSEN et al., 1999) e em previsões
sazonais (MO E STRAUS, 2002).
No presente estudo, analisamos os ganhos de precisão das previsões dos modelos
climáticos após a calibração com a técnica de Análise de Correlações Canônicas (ACC),
usando como referência o índice estatístico de correlação. A legenda das imagens
representa a significância estatística das correlações para o período de 30 anos: tons 'azuis'
indicam áreas com correlações de 0,3 ou mais, consideradas estatisticamente correlativas,
refletindo dados confiáveis para previsões dos modelos.
Para o modelo CFSV2, os dados brutos exibem correlações majoritariamente
baixas, com exceções limitadas no extremo norte e sudoeste do Maranhão e sudeste da
Bahia (0,3 a 0,4). Após a calibração, observa-se uma melhora substancial, com as
correlações anteriormente abaixo de 0,3 agora variando de 0,3 a 0,7, indicando melhorias
significativas nas previsões. A região sudeste da Bahia, que já apresentava melhor
correlação, avança para 0,7 a 0,8, reforçando a confiabilidade desses dados.
O modelo CMC1 mostra, em sua forma bruta, áreas com correlações baixas no
interior do NEB e correlações acima de 0,3 no norte, nordeste e leste, destacando-se o
norte do Maranhão com correlações de 0,7 a 0,8. Após a calibração, há melhorias
significativas, exceto na porção leste do NEB (BA, SE, AL e PE), onde as correlações
permaneceram abaixo de 0,3, indicando dados menos confiáveis mesmo após a aplicação
com ACC. O modelo CMC2 exibe correlações muito baixas em sua forma bruta,
principalmente na porção leste do NEB, incluindo a Bahia. Após a calibração, há
melhorias significativas em toda a região, especialmente na faixa de 0,7 a 0,8 na divisa
dos estados do Maranhão e Piauí.
O modelo GFDL apresenta correlações mais altas apenas no extremo norte e
nordeste do NEB, enquanto o restante da região exibe correlações abaixo de 0,3. Após a

57

calibração, há melhorias em todo o quadrante de baixas correlações, com exceções em
alguns pontos na Bahia, Sergipe, Alagoas e Pernambuco. Destaca-se uma significativa
melhoria no extremo sul da Bahia, alcançando valores entre 0,6 a 0,7. O modelo NASA
mostra correlações dispersas na forma bruta, com pequenas áreas acima de 0,3 em todos
os estados. Após a calibração, há melhorias substanciais em todo o modelo.
O modelo NCAR exibe correlações baixas na forma bruta em grande parte do NEB,
com exceção de alguns pontos ao norte (MA, PI, CE e RN). Após a calibração, há
melhorias significativas em toda a região nordeste, especialmente onde as correlações
eram extremamente baixas. O modelo NMME revela uma distinção clara entre o norte e
sul do NEB, com correlações acima de 0,3 no norte e correlações baixas (entre 0,3 e -1)
no sul, especialmente na Bahia. Após a calibração, há melhorias gerais em toda a região,
exceto no noroeste da Bahia, onde as correlações permaneceram abaixo de 0,3.
Em resumo, a calibração dos modelos através da ACC resulta em melhorias
consideráveis nas previsões em comparação com os dados observados de Xavier ao longo
dos 30 anos analisados. Esses resultados evidenciam a importância fundamental de
aplicar técnicas estatísticas para previsões climáticas, aumentando substancialmente a
confiabilidade dos dados em praticamente todo o NEB.

58

Figura 9 – Painel comparativo de correlação com os dados de Xavier (1991 a
2020), coluna da esquerda são os modelos brutos e coluna da direita os modelos
calibrados com ACC.

Correlação dos modelos

Correlação dos modelos

brutos

calibrados

59

60

Fonte: Autor, 2023

4.4 Matrizes de correlação com técnica ACC
Este segmento do trabalho, tem por objetivo verificar se há algum padrão
sistemático de que as melhores previsões ocorrem sempre no lag 1, o que é exatamente
no mês anterior ao previsto, avaliando essa possibilidade e também analisando de que
outras formas podem-se combinar as previsões entre os lags afim de gerar melhores
resultados.
Nas matrizes de correlação global a seguir já foi aplicado a técnica de ACC e,
portanto, analisamos os dados reais de cada município e de cada modelo NMME dentro
do NEB. A Figura 10 mostra o painel das correlações mensais para cada modelo calibrado
e para cada lag, sendo o dado observado da base de Xavier.
É deste painel de correlação global que conseguimos através da média, averiguar
em quantos meses o lag 1, lag 2 e lag 3 apresentou melhor performance, como destacado
na Tabela 3, onde observamos que o lag 1, que se refere ao mês anterior ao da previsão
(exemplo, a previsão para janeiro possui lag1 – dezembro), teve a melhor performance
em 6 meses do ano, ou seja, 50% do ano a melhor previsão foi feita exatamente no mês
anterior ao da previsão, são eles, fevereiro, março, abril, maio, agosto e setembro, seguido
do lag 3 com 4 meses, sendo eles janeiro, junho, julho e dezembro e lag 2 com 2 meses,
outubro e novembro.
Outro resultado obtido pelas matrizes de correlações, nos revela um ranking em
relação aos modelos do NMME que obtiveram maior participação entre os 3 maiores
valores de correlação global. A Tabela 4 mostra que os 2 modelos de maior participação
foi o CMC2 e o NCAR com 20 posições, seguido do GFDL com 17 e CMC1 com 16.

61

Vale destacar que para o estudo em questão não utilizamos o NMME como apenas uma
composição dos demais, mas sim como um dos modelos analisados, pois sabendo disso,
esperava-se mais participações, porém notamos que independente de usarmos o NMME,
o NCAR e o CMC2 se saiu melhor para as previsões do NEB pois obtiveram maior
participação no ranking.
Ainda nesse contexto das matrizes, encontramos outra resultante que é os
ensembles, verificado na Tabela 6, onde foi extraído da correlação global para cada mês
do ano os 3 maiores valores de cada lag, exemplo, para março nós temos no lag1, que são
aquelas realizadas em fevereiro, o CMC1, CMC2 e NCAR com os maiores valores de
correlação, portanto é realizado uma média dos 3 modelos comparada a observação de
março e se obtêm a correlação desse ensemble com valor de 0,64, faz-se a seguinte
análise, se esse valor de correlação é maior do que cada modelo que o compôs então
mostramos que dá pra fazer combinações com as 3 melhores performances e aumentar a
correlação geral de cada modelo individual e isso é observado em todas as situações.
Na sequência também foi calculado o ensemble dos 3 lags, coluna laranja da Tabela
5, basicamente é a combinação dos 3 melhores modelos que saíram no lag 1, no lag 2 e
no lag 3, ou seja, é a combinação de 9 resultados. Exemplo, a melhor previsão para março
utilizou os modelos CMC1, CMC2 e NCAR rodado em fevereiro (lag 1), para a rodada
em janeiro (lag 2) utilizou os modelos CMC2, GFDL e NASA, e para o lag 3 que é rodado
em dezembro utilizou os modelos CMC1, NASA e NCAR, gerando um resultado de 0,76,
dessa forma tendemos a melhorar a performance histórica dos resultados em relação a
observação, aumentando a confiança na previsão.
Portanto, quando usamos de técnicas estatísticas, como ACC utilizada neste estudo,
calibramos os modelos e confrontamos diretamente com a realidade (dados observados)
melhoramos significativamente a performance e estabelecemos novas metodologias que
possibilitem previsões mais confiáveis para o Nordeste Brasileiro.

62

Figura 10 - Painel de correlação global mensal dos modelos calibrados

Fonte: Autor, 2023

63

Tabela 3 - Meses do ano x Melhor lag de previsão

Fonte: Autor, 2023

Tabela 4 - Participação de cada modelo nas 3 maiores correlações

Fonte: Autor, 2023

64

Tabela 5 - Correlação dos Ensembles

Fonte: Autor, 2023

65

5. CONCLUSÕES
O Nordeste brasileiro é suscetível às variações climáticas, uma vez que apresenta
longos períodos de escassez de água devido às secas. Neste estudo abordamos esse
cenário afim de avaliar os vieses das previsões brutas de precipitação do NMME e
examinar as melhorias com o pós-processamento por meio do método ACC. Para mostrar
a confiabilidade dos dados de análise gradeada de Xavier foram usadas 96 estações
meteorológicas convencionais do INMET afim de compará-las. Nesse ponto percebeu-se
a forte coerência entre as climatologias indicando assim a confiabilidade dos dados de
Xavier devido a sua eficiência na representação da precipitação acumulada mensal.
Os dados de Xavier tendem a subestimar a precipitação na maior parte do
Nordeste, com variações de 5 a 25 mm em diferentes regiões. Os índices de verificação,
como o viés e a correlação média mensal, confirmam essa tendência. Os erros de Xavier
são geralmente baixos em relação às observações, com máximos de 25 a 50 mm em
algumas áreas.
A avaliação de modelos NMME para a previsão de abril, iniciando em janeiro,
comparou as climatologias brutas dos sete modelos com as observações reais de Xavier.
O modelo CFSV2 mostrou uma tendência acentuada de subestimar a precipitação no
NEB, enquanto CMC1 e CMC2 também subestimaram no leste, norte e noroeste, mas
superestimaram no interior. Por outro lado, o modelo GFDL superestimou em quase todo
o NEB, exceto no extremo leste da Bahia. O modelo da NASA também superestimou em
todo o NEB, com diferenças de até 400mm em relação a Xavier. O modelo NCAR foi o
mais próximo das observações, mostrando mais áreas neutras. Já o NMME tende a
superestimar o NEB, com destaque para o noroeste do Maranhão e Piauí.
São essas discrepâncias que oferecem justificativas sólidas na necessidade de
regionalizar (calibrar) os modelos, afim de aprimorar a precisão das previsões climáticas.
Os resultados pós processamento usando como referência o índice estatístico de
correlação mostrou melhorias consideráveis nas previsões ao longo dos 30 anos
analisados, uma vez que, valores de 0,3 ou mais representam significância
estatisticamente relevante.
Outrossim, avaliamos as matrizes de correlação global dos modelos e seus
respectivos lags para averiguar melhor performance, notou-se que o lag 1 teve melhor

66

desempenho em 6 meses do ano, ou seja, 50% do ano a melhor previsão foi feita
exatamente no mês anterior ao da previsão, seguido do lag 3 com 4 meses e lag 2 com 2
meses. Estruturamos um ranking dos modelos NMME que obtiveram maior participação
entre os 3 maiores valores de correlação global sendo CMC2 e NCAR com 20 posições,
seguido do GFDL com 17 e CMC1 com 16. Nota-se que independente de usarmos o
NMME como um dos modelos analisados, o NCAR e o CMC2 obtiveram melhores
previsões do NEB pois sua participação no ranking foi maior. Outra resultante é os
ensembles onde pôde-se observar que o valor da correlação é maior do que cada modelo
que o compôs, constatou-se então que é possível fazer combinações com as 3 melhores
performances e aumentar a correlação geral de cada modelo individual e isso foi
observado em todas as situações. Por fim calculamos o ensemble dos 3 lags para cada
mês, essa avaliação evidenciou que a combinação dos 3 melhores modelos em cada lag,
ou seja, a combinação de 9 resultados tende a melhorar a performance histórica,
aumentando a confiança na previsão.
Diante dos resultados apresentados, a pesquisa visou verificar os vieses das
previsões brutas da precipitação acumulada mensal do NMME e a melhoria desta após
pós-processamento com ACC para o NEB, sendo assim, foram elencados por meio de
figuras e tabelas as comparações desta avaliação sendo base de justificativa a importância
de calibrar os dados do modelo para previsões mais assertivas.
A dissertação valida a abordagem de comparar as previsões dos modelos com as
observações reais. Embora se esperasse que as previsões para um determinado mês,
iniciadas em meses anteriores, refletissem com precisão o clima histórico, houve
discrepâncias nas previsões iniciadas em janeiro para abril, bem como nas previsões
iniciadas em fevereiro e março. Ou seja, a aproximação do mês de previsão não garantiu
uma melhoria consistente. Isso é evidenciado pelo fato de que o lag 3 (três meses antes
da previsão) apresentou mais casos de melhorias do que o lag 2, enquanto o lag 1 se
destacou em 6 meses do ano, mas não em todos. Portanto, embora o lag 1 seja
significativo, ele não é definitivo em todas as situações.

67

REFERÊNCIAS BIBLIOGRÁFICAS
AHMADALIPOUR, A.; RANA, A.; MORADKHANI, H.; SHARMA, A. Multi-criteria
evaluation of CMIP5 GCMs for climate change impact analysis. Theoretical and
Applied Climatology, v. 128, n. 1, p. 71-87, 2017.
AL-ACHI, A. The student’s t-test: a brief description. Research & Reviews: Journal of
Hospital and Clinical Pharmacy, v. 5, n. 1, p. 1, 2019.
ALEXANDER, M.; BLADE, I.; NEWMAN, M.; LANZANTE, J.; LAU, N.; SCOTT, J.
The atmospheric bridge: the influence of ENSO teleconnections on air-sea interaction
over the global oceans. Journal of Climate, v. 15, n. 16, p. 2205- 2229, 2002.
AL ZAWAD, F.M.; AKSAKAL, A. Impacts of climate change on water resources in
Saudi Arabia. In Global Warming, p. 511-523, 2010.
ANDERSON, D.T.; SARACHIK, E.S.; WEBSTER, P.J.; ROTHSTEIN, L.M. The
TOGA decade: Reviewing the progress of El Niño research and prediction. Journal of
geophysical research, v. 103, n. C7, 1998.
ANDERSON, M. C.; ZOLIN, C. A.; HAIN, C. R.; SEMMENS, K.; YILMAZ, M. T.;
GAO, F. Comparison of satellite-derived LAI and precipitation anomalies over Brazil
with a thermal infrared-based Evaporative Stress Index for 2003–2013. In: Journal of
Hydrology, 526, 287-302, 2015.
ANJOS, M.; LOPES, A. Sea breeze front identification on the northeastern coast of Brazil
and its implications for meteorological conditions in the Sergipe region. Theoretical and
Applied Climatology, v. 137, p. 2151–2165, 2019.
ARAÚJO COSTA, DE J. O fenômeno El Niño e as secas no Nordeste do Brasil. 2014.

BARNETT, T.P.; GRAHAM, N.; LATIF, M.; PAZAN, S.; WHITE, W. ENSO and
ENSO-related predictability. Part I: Prediction of equatorial Pacific sea surface
temperature with a hybrid coupled ocean–atmosphere model. Journal Climate 6, p.
1545–1566, 1993.
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, p.1825-1849, 1987.
BARNSTON, A.G. Linear Statistical short term climate predictive skill in the Northern
Hemisphere. Jornal of Climate, v.7, p. 1513-1564, 1994.
BARNSTON, A.G.; ROPELEWSKI, C.F. Prediction of ENSO episodes using canonical
correlation analysis. Journal of Climate, v. 5, n. 11, p. 1316-1345, 1992.

68

BARNSTON, A.G.; LIVEZEY R.E. Classification, seasonality and persistence of lowfrequency atmospheric circulation patterns. Monthly Weather Review, v. 11, p. 1083–
1126, 1987.
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, 2017.
BARNSTON, A.G, Y. HE, AND M. H. GLANTZ, 1999A: Predictive skill of statistical
and dynamical climate models in forecasts of SST during the 1997-98 El Nino episode
and the 1998 La Nina onset. J. Climate, 12,217-244
BAUER, P.; THORPE, A.; BRUNET, G. The quiet revolution of numerical weather
prediction. Nature, v. 525, n. 7567, p. 47-55, 2015.
BECKER, E.; KIRTMAN, B.P.; PEGION, K. Evolution of the North American Multi‐
Model Ensemble. Geophysical Research Letters, v. 47, n. 9, 2020.
BECKER, E.J.; VAN DEN DOOL, H.; PEÑA, M. M. Extremos climáticos de curto
prazo: habilidade de previsão e previsibilidade. Jornal do clima, v. 26, n. 2, p. 512-531,
2013.
BJERKNES, J. Atmospheric teleconnections from the equatorial Pacific. Monthly
Weather Review, v.97, p. 163-172, 1969.
BJERKNES, J. A possible response of the atmospheric Hadley circulation to equatorial
anomalies of ocean temperature. Tellus, v. 18, p. 820-829, 1966.
BLANFORD, H.F. On the connexion of the Himalayan snow with dry winds and seasons
of droughts in India. Proceedings of the Royal Society of London, v.37, p. 3-22, 1884.
BENESTAD, R. E.; CHEN, D.; MEZGHANI, A.; FAN, L.; PARDING, K. On using
principal components to represent stations in empirical–statistical downscaling. Tellus
A: Dynamic Meteorology and Oceanography, v. 67, n. 1, p. 28326, 2015.
BONAVITA, M.; HÓLM, E.; ISAKSEN, L.; FISHER, M. The evolution of the ECMWF
hybrid data assimilation system. Quarterly Journal of the Royal Meteorological
Society, v, 142, n. 694, p. 287-303, 2016.
BRAHMANANDA, R.V.; DE LIMA, M.C.; FRANCHITO, S.H. Seasonal and
interannual variations of rainfall over eastern northeast Brazil. Journal of climate, v. 6,
n. 9, p. 1754-1763, 1993.
BUSUIOC, A.; TOMOZEIU, R.; CACCIAMANI, C. Statistical downscaling model
based on canonical correlation analysis for winter extreme precipitation events in the
Emilia‐Romagna region. International Journal of Climatology: A Journal of the
Royal Meteorological Society, v. 28, n. 4, p. 449-464, 2008.

69

CARVALHO, L.M.V. Assessing precipitation trends in the Americas with historical data:
A review. WIREs Climate Change, v. 11, p. e627, 2020.
CARVALHO, M.A.V.D.; OYAMA, M.D. Variabilidade da largura e intensidade da
Zona de Convergência Intertropical atlântica: Aspectos observacionais. Revista
Brasileira de Meteorologia, v. 28, p. 305-316, 2013.
CAVALCANTE, L.C.V.; FEDOROVA, N.; LEVIT, V. Influência dos Distúrbios
Tropicais na Formação de Fenômenos Adversos de Atmosfera Estável no Nordeste
Brasileiro. Revista Brasileira de Meteorologia, v. 35, p. 735-743, 2020.
CAVALCANTI, I.F.A. Large scale and synoptic features associated with extreme
precipitation over South America: A review and case studies for the first decade of the
21st century. Atmospheric Research, v. 118, p. 27-40, 2012.
CIRILO, J.A. Integração das águas superficiais e subterrâneas. In: CIRILO, J. A. et al.
(Org.) O uso sustentável dos recursos hídricos em regiões semi-áridas. Recife: ABRH Editora Universitária UFPE, p. 508, 2007.
CGEE e Agência Nacional de Águas - ANA (2012). A Questão da Água no Nordeste.
Brasília, DF.
CHANG, P.; GIESE, B.S.; JI, L.; SEIDEL, H.F. Decadal Change in the South Tropical
Pacific in a Global Assimilation Analysis, Geophysical Research Letters, v. 28, p.
3461–3464, 2001.
CHARNEY, J.G.; SHUKLA J. Predictability of monsoons. Monsoon Dynamics, Editors:
Sir James Lighthill and R.P. Pearce, Cambridge University Press, p. 99–109, 1981.
CHOWDHURY, M.R.; CHU, P.S.; SCHROEDER, T. ENSO e variabilidade sazonal do
nível do mar – uma discussão diagnóstica para as ilhas do Pacífico afiliadas aos
EUA. Climatologia Teórica e Aplicada , v. 88, n. 3, pág. 213-224, 2007.
CHU, P.S.; HE, Y. Long‐range prediction of Hawaiian winter rainfall using canonical
correlation analysis. International Journal of Climatology, v. 14, n. 6, p. 659-669,
1994.
CHU, S. Nobel Lecture: The manipulation of neutral particles. Reviews of Modern
Physics, v. 70, n. 3, p. 685, 1998.
CLARK, M.P.; SLATER, A.G. Probabilistic quantitative precipitation estimation in
complex terrain. Journal of Hydrometeorology, v. 7, n. 1, p. 3-22, 2006.
COELHO, C.A.S.; STEPHENSON, D.B.; DOBLAS-REYES, F.J.; BALMASEDA M.;
GUETTER, A.; VAN OLDENBORGH, G.J.A Bayesian approach for multi-model
downscaling: Seasonal forecasting of regional rainfall and river flows in South
America. Meteorological Applications, v. 13, n. 1, p. 73-82, 2006.

70

COELHO, C.A.; STEPHENSON, D.B.; DOBLAS-REYES, F.J.; BALMASEDA, M.;
GRAHAM, R. Integrated seasonal climate forecasts for South America. CLIVAR
Exchanges, v. 12, p. 13-19, 2007.
COLLINS, D.C. Assessment of ensemble regression to combine and weight seasonal
forecasts from multiple models of the NMME. In Climate prediction S&T digest: NWS
science & technology infusion climate bulletin supplement. Chapter Climate
prediction S&T digest: National Oceanic Atmospheric Administration. Professional
Paper, 2017.
COLLINS, D.C.; REASON, C.J.C.; TANGANG, F. Predictability of Indian Ocean sea
surface temperature using canonical correlation analysis. Climate Dynamics, v. 22, n. 5,
p. 481-497, 2004.
COSTA, R.L.; DE MELLO BAPTISTA, G.M.; GOMES, H.B.; DOS SANTOS SILVA,
F.D.; DA ROCHA JÚNIOR, R.L.; DE ARAÚJO SALVADOR, M.; HERDIES, D.L.
Analysis of climate extremes indices over northeast Brazil from 1961 to 2014. Weather
and Climate Extremes, v. 28, p. 100254, 2020.
COSTA, R. L., GOMES, H. B., SILVA, F. D. D. S., BAPTISTA, G. M. D. M., ROCHA
JÚNIOR, R. L. D., HERDIES, D. L., SILVA, V. D. P. Cenários de Mudanças Climáticas
para a Região Nordeste do Brasil por meio da Técnica de Downscaling
Estatístico. Revista Brasileira de Meteorologia, v. 35, p. 785-801, 2021.
COSTA, R. L.; SOUZA, E. P. D.; SILVA, F. D. D. S. Aplicação de uma teoria
termodinâmica no estudo de um Vórtice Ciclônico de Altos níveis sobre o Nordeste do
Brasil. Revista Brasileira de Meteorologia, v. 29, n. 1, p. 96-104, 2014.
CRUZ, C.D.; CARNEIRO, P.C.S. Modelos biométricos aplicados ao melhoramento
genético. Viçosa: UFV, 2003.
DA SILVA, P.E.; SANTOS E SILVA, C.M.; SPYRIDES, M.H.C.; ANDRADE, L.M.B.
Analysis of climate extreme indices in the Northeast Brazil and the Brazilian Amazon in
the period from 1980 to 2013. Anuário do Instituto de Geociências - UFRJ, v. 42, n. 2,
p. 137-148, 2019.
DA SILVA, P.E.; SILVA, C.M.S.; SPYRIDES, M.H.C.; ANDRADE, L.M.B.
Precipitation and air temperature extremes in the Amazon and northeast Brazil.
International Journal of Climatology, v. 39, n. 2, p. 1-17, 2018.
DA SILVA, J. W., SOARES, L., FERREIRA, P. V., DA SILVA, P. P., & DA SILVA,
M. J. C. Correlações canônicas de características agroindustriais em cana-de-açúcar. Acta
Scientiarum. Agronomy, v. 29, n. 3, p. 345-349, 2007.
DA ROCHA JÚNIOR, R.L.; CAVALCANTE PINTO, D.D.; DOS SANTOS SILVA,
F.D.; GOMES, H.B.; BARROS GOMES, H.; COSTA, R.L.; PEREIRA M.P.S; PENÃ
M.; DOS SANTOS COELHO C.A.; HERDIES, D.L. An Empirical Seasonal Rainfall

71

Forecasting Model for the Northeast Region of Brazil. Water, v. 13, n. 12, p. 1613,
2021.
DA ROCHA JÚNIOR, R.L.; DOS SANTOS SILVA, F.D.; COSTA, R.L.; GOMES,
H.B.; PINTO, D.D.C.; COSTA, R.L.; PEREIRA M.P.S; PENÃ M.; DOS SANTOS
COELHO C.A.; HERDIES, D.L. Avaliação bivariada de períodos e frequência de retorno
de seca no nordeste brasileiro usando distribuição conjunta pelo método de
cópula. Geociências, v. 10, n. 4, p. 135, 2020.
DA ROCHA JÚNIOR, R.L.; DOS SANTOS SILVA, F.D.; LISBOA COSTA, R.;
BARROS GOMES, H.; HERDIES, D.L.; RODRIGUES DA SILVA, V.D.P.; CANDIDO
XAVIER, A. Analysis of the Space–Temporal Trends of Wet Conditions in the Different
Rainy Seasons of Brazilian Northeast by Quantile Regression and Bootstrap
Test. Geosciences, v. 9, n. 11, p. 457, 2019.
DE BRITTO PEREIRA, Ricardo Vela et al. Utilização de modelagem híbrida wavelet
nas previsões de séries temporais como auxílio de compreensão na análise meteorológica,
2016.
DELWORTH, T.L.; BROCCOLI, A.J.; ROSATI, A.; STOUFFER, R.J.; BALAJI, V.;
BEESLEY, J.A.; COOKE W.F.; DIXON K.W.; DUNEE J.; DUNNE K.A.;
DURACHTA, J.W.; ... ZHANG, R. GFDL's CM2 global coupled climate models. Part I:
Formulation and simulation characteristics. Journal of Climate, v. 19, n. 5, p. 643-674,
2006.
DE OLIVEIRA, A.M.; DE AMORIM, R.F.; DA SILVA COSTA, D.F. Implicações das
oscilações climáticas do Quaternário tardio na evolução da fisionomia da vegetação do
semiárido do Nordeste Setentrional. Revista de Geociências do Nordeste, v. 4, p. 50-65,
2018.
DEVORE, J. L. Probabilidade e estatística para engenharia
e ciências. Cengage Learning, 6ª edição. 2006.
DIAZ, A.F.; STUDZINSKI, C.D.; MECHOSO, C.R. Relationships between precipitation
anomalies in Uruguay and southern Brazil and sea surface temperature in the Pacific and
Atlantic Oceans. Journal of Climate, v. 11, n. 2, p. 251-271, 1998.
DÍAZ, D.; VILLEGAS, N. Canonical correlation between large scale climate oscillations
and surface meteorological variables in Colombia. Revista UDCA Actualidad &
Divulgación Científica, v. 18, n. 2, p. 543-552, 2015.
DOS SANTOS, W.M.; SOUZA, R.M.S.; DE SOUZA, E.S.; DE ALMEIDA, A.Q.;
ANTONINO, A.C.D.; Variabilidade espacial da sazonalidade da chuva no semiárido
brasileiro. Journal of Environmental Analysis and Progress, p. 368-376, 2017.
DROSDOWSKY, Wasyl; CHAMBERS, Lynda E. Near-global sea surface temperature
anomalies as predictors of Australian seasonal rainfall. Journal of Climate, v. 14, n. 7,
p. 1677-1687, 2001.

72

ESCOBAR, G.C.J. Classificação Sinótica Durante a Estação Chuvosa do Brasil. Anuário
do Instituto de Geociências, v. 42, n. 2, p. 421-436, 2019.
ESQUIVEL, A.; LLANOS-HERRERA, L.; AGUDELO, D.; PRAGER, S.D.;
FERNANDES, K.; ROJAS, A.; VALENCIA, J.J.; RAMIREZ-VILLEGAS, J.
Predictability of seasonal precipitation across major crop growing areas in
Colombia. Climate Services, v. 12, p. 36-47, 2018.
FENTA MEKONNEN, D.; DISSE, M. Analyzing the future climate change of Upper
Blue Nile River basin using statistical downscaling techniques. Hydrology and Earth
System Sciences, v. 22, n.4, p. 2391-2408, 2018.
FEDDERSEN, H.; NAVARRA, A. & WARD, M.N. “Reduction of Model Systematic
Error by Statistical Correction for Dynamical Seasonal Predictions”, Journal of Climate,
Vol. 12, July, 1974-1989, 1999.
FUNCEME. Fundação Cearense de Meteorologia e Recursos Hídricos. Sistemas
atmosféricos
atuantes
no
Nordeste
do
Brasil.
Disponível
em:
http://www.funceme.br/?p=967. Acesso: 23/02/2022.
GELARO, R.; MCCARTY, W.; SUÁREZ, M.J.; TODLING, R.; MOLOD, A.;
TAKACS, L.; ... ZHAO, B. The modern-era retrospective analysis for research and
applications, version 2 (MERRA-2). Journal of climate, v.30, n.14, p. 5419-5454, 2017.
GLAHN H.R. Canonical correlation analysis and its relationship to discriminant analysis
and multiple regression. Journal of Atmosphere Science, v. 25, n. 1, p. 23-31, 1968.
GNEITING, T.; RAFTERY, A.E. Weather forecasting with ensemble Methods. Science,
v. 310, n. 5746, p. 248-249, 2005.
GODDARD, L.; MASON, S.J.; ZEBIAK, S.E.; ROPELEWSKI, C.F.; BASHER, R.;
CANE, M.A. Current approaches to seasonal to interannual climate predictions. A
Journal of the Royal Meteorological Society, v. 21, n.9, p. 1111-1152, 2001.
GOMES, H.B.; AMBRIZZI, T.; HERDIES, D.L.; HODGES, K.; PONTES DA SILVA,
B.F. Easterly wave disturbances over Northeast Brazil: an observational
analysis. Advances in Meteorology, v. 2015, 2015.
GOMES, H.B.; AMBRIZZI, T.; DA SILVA, B.F.P.; HODGES, K.; DIAS, P.L.S.;
HERDIES D.L.; SILVA M.C.L.; GOMES H.F.B. Climatology of easterly wave
disturbances over the tropical South Atlantic. Climate Dynamics, v. 53, n. 3, p. 13931411, 2019.
GRAHAM, N.E.; MICHAELSEN, J.; BARNETT, T.P. An investigation of the El Niño‐
Southern Oscillation cycle With statistical models: 1. Predictor field
characteristics. Journal of Geophysical Research: Oceans, v. 92, n. C13, p. 1425114270, 1987.

73

GRAHAM, N.E.; MICHAELSEN, J.; BARNETT, T.P. An investigation of the El Niño‐
Southern Oscillation cycle With statistical models: 2. Model results. Journal of
Geophysical Research: Oceans, v. 92, n. C13, p. 14271-14289, 1987.
HASTENRATH, S. Exploring the climate problems of Brazil’s Nordeste: a
review. Climatic Change, v. 112, n. 2, p. 243-251, 2012.
HASTENRATH, S.; WU M.C.; CHU P.S. Towards the monitoring and prediction of
north‐east Brazil droughts. Quarterly Journal of the Royal Meteorological Society, v.
110, n. 464, p. 411-425, 1984.
HASTENRATH, S. Prediction of Northeast Brazil Rainfall Anomalies. Journal of
Climate, v. 3, p. 893-904, 1990.
HASTENRATH, S.; HELLER, L. Dynamics of climatic hazards in northeast
Brazil. Quarterly Journal of the Royal Meteorological Society, v. 103, n. 435, p. 7792, 1977.
HASTENRATH, S.; HELLER, L. Dynamic of Climate Hazards in Northeast Brasil.
Quarterly Journal of Royal Meteorological Society, v. 42, p. 129-151, 2006.
HASTENRATH, S. On Modes of Tropical Circulation and Climate Anomalies. In:
Journal of the Atmospheric Sciences, v. 35, p. 2222-2231,1978.
HASTENRATH, S.; SUN, L.; MOURA, A.D. Climate prediction for Brazil's Nordeste
by empirical and numerical modeling methods. International Journal of Climatology,
v. 29, n. 6, p. 921-926, 2009.
HATTERMANN, F.; KRYSANOVA, V.; GOSLING, S.N.; DANKERS, R.;
DAGGUPATI, P.; DONNELLY, C.; FLÖRKE, M.; HUANG, S.; MOTOVILOV, Y.;
BUDA, S. Cross‐ scale intercomparison of climate change impacts simulated by regional
and global hydrological models in eleven large river basins. Climatic Change, v.141,
n.3, p. 561-576, 2017.
HELD, I.M.; GUO, H.; ADCROFT, A.; DUNNE, J.P.; HOROWITZ, L.W.; KRASTING,
J.; ... ZADEH N. Structure and performance of GFDL's CM4. climate model. Journal of
Advances in Modeling Earth Systems, v. 11, n. 11, p. 3691-3727, 2019.
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.
HOREL, J.D.; WALLACE, J.M. Planetary-scale atmospheric phenomena associated with
the Southern Oscillation. Monthly Weather Review, v. 109, n. 4, p. 813-829, 1981.

74

HOSKINS, B. The potential for skill across the range of the seamless weather‐climate
prediction problem: a stimulus for our science. Quarterly Journal of the Royal
Meteorological Society, v. 139, n. 672, p. 573-584, 2013.
HOTELLING, H. Relations between two sets of variates. Breakthroughs in statistics.
Springer, New York, NY, p. 162-190, 1992.
INFANTI, J.M.; KIRTMAN, B.P. Prediction and predictability of land and atmosphere
initialized CCSM4 climate forecasts over North America. Journal of Geophysical
Research: Atmospheres, v. 121, n. 21, p. 12690-12701, 2016.
IPCC (The Intergovernmental Panel on Climate Change) (2018) Special Report Warming
of 1.5ºC. Disponível em: https://www.ipcc.ch/sr15/. Acesso: 06/03/2022.
IPCC. Summary for Policymakers. In: Climate Change 2007: The Physical Science Basis.
Contribution of Working Group I to the Fourth Assessment Report of the
Intergovernmental Panel on Climate Change [Solomon, S., D. Qin, M. Manning, Z. Chen,
M. Marquis, K.B. Averyt, M. Tignor and H.L. Miller (eds.)]. Cambridge University
Press, Cambridge, United Kingdom and New York, NY, USA, 2007.
IPCC. Climate Change 2013: The Physical Science Basis. Contribution of Working
Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate
Change [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A.
Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.)]. Cambridge University Press,
Cambridge, United Kingdom and New York, NY, USA, 1535 p, 2013.
IRI - INTERNATIONAL RESEARCH INSTITUTE FOR CLIMATE AND
SOCIETY. The
Climate
Predictability
Tool Disponível
em
https://iri.columbia.edu/our-expertise/climate/tools/cpt/, 2019.
JANOWIAK, John E. A gridded data base of daily temperature maxima and minima for
the conterminous United States, 1948-1993. US Department of Commerce, National
Oceanic and Atmospheric Administration, National Weather Service, 1999.
JACINTO, L. V., ELOI, W. M., SAKAMOTO, M. S. Características Climatológicas dos
Sistemas Convectivos de Mesoescala no Nordeste do Brasil. Revista Brasileira de
Meteorologia, v. 37, p. 69-80, 2022.
JI, M.; KUMAR, A.; LEETMAA, A. A multiseason climate forecast system at the
National Meteorological Center. Bulletin of the American Meteorological Society, v.
75, n. 4, p. 569-578, 1994.
JUNENG, L; TANGANG, F.T. Level and source of predictability of seasonal rainfall
anomalies in Malaysia using canonical correlation analysis. International Journal of
Climatology: A Journal of the Royal Meteorological Society, v. 28, n. 9, p. 1255-1267,
2008.

75

KATZ, R.W.; PARLANGE, M.B.; TEBALDI, C. Stochastic modeling of the effects of
large-scale circulation on daily weather in the southeastern US. In: Issues in the Impacts
of Climate Variability and Change on Agriculture. Springer, Dordrecht, p. 189-216,
2003.
KAVETSKI, D.; KUCZERA, G.; FRANKS, S.W. Bayesian analysis of input uncertainty
in hydrological modeling: 2. Application. Water resources research, v. 42, n. 3, 2006.
KAYANO, M. T.; ANDREOLI, R. V. Clima da Região Nordeste do Brasil. In:
CAVALCANTI, I. F. A.; FERREIRA, N. J.; JUSTI DA SILVA, M. G. A.; SILVA DIAS,
M. A. F.(org). Tempo e clima no Brasil, p.135-147, São Paulo: Oficina de Textos, 2009.
KAYANO, M.T.; ANDREOLI, R.V.; SOUZA, R.A.F.; GARCIA, S.R.; CALHEIROS
A.J. El Niño e La Niña dos últimos 30 anos: diferentes tipos. Revista Climanalise.
Edição Comemorativa de, v. 30, p. 7-12, 2016.
KELLEY, M.; SCHMIDT, G.A.; NAZARENKO, L.S.; BAUER, S.E.; RUEDY, R.;
RUSSELL, G.L.; YAO, M.S. GISS‐E2. 1: Configurations and climatology. Journal of
Advances in Modeling Earth Systems, v. 12, n. 8, p. e2019MS002025, 2020.
KIPKOGEI, O.; MWANTHI, A.M.; MWESIGWA, J.B., ATHERU, Z.K.K.;
WANZALA, M.A.; ARTAN. G. Improved seasonal prediction of rainfall over East
Africa for application in agriculture: statistical downscaling of CFSv2 and GFDL-FLOR.
Journal of Applied Meteorology and Climatology, v. 56, n 12, p. 3229-3243, 2017.
KIRTMAN, B.P.; MIN, D.; INFANTI, J.M.; KINTER, J.L.; PAOLINO, D.A.; ZHANG,
Q.; WOOD ,E.F. The North American multimodel ensemble: phase-1 seasonal-tointerannual prediction; phase-2 toward developing intraseasonal prediction. Bulletin of
the American Meteorological Society, v. 95, n. 4, p. 585-601, 2014.
KOUSKY, V.E. Frontal influences on northeast Brazil. Monthly Weather Review, v.
107, n. 9, p. 1140-1153, 1979.
KOUSKY, V.E. Diurnal rainfall variation in northeast Brazil. Monthly Weather
Review, v. 108, n. 4, p. 488-498, 1980.
LANDMAN, W.A.; BARNSTON, A.G.; VOGEL, C.; SAVY, J. Use of El Niño–
Southern Oscillation related seasonal precipitation predictability in developing regions
for potential societal beneft. International Journal of Climatology, v. 39, n. 14, p. 53275337, 2019.
LANDMAN, W.A.; MASON, S.J. Operational long‐lead prediction of South African
rainfall using canonical correlation analysis. International Journal of Climatology: A
Journal of the Royal Meteorological Society, v. 19, n. 10, p. 1073-1090, 1999.
LATIF, M.; FLÜGEL, M. An investigation of short‐range climate predictability in the
tropical Pacific. Journal of Geophysical Research: Oceans, v. 96, n. C2, p. 2661-2673,
1991.

76

LEUNG, L. R.; HAMLET, A. F.; LETTENMAIER, D. P.; KUMAR, A.
“Simulations of the ENSO Hydroclimate Signals in the Pacific Northwest
Columbia River Basin”, Bull. Am. Soc., 80(11), 2313-2329, 1999.
LIM, Y., JO, S., LEE, J., OH, H-S., AND KANG, H-S. An improvement of seasonal
climate prediction by regularized canonical correlation analysis. International Journal
of Climatology, 2011. doi: 10.1002/joc.2368.
LIMA, R.D.C.C; CAVALCANTE, A.D.M.B.; PEREZ-MARIN, A.M. Desertificação e
mudanças climáticas no semiárido brasileiro. Campina Grande: INSA-PB, 2011.
LIN, H., MERRYFIELD, W.J., MUNCASTER, R., SMITH, G.C., MARKOVIC, M.,
DUPONT, F., ROY, F., LEMIEUX, J-F., DIRKSON, A., KHARIN, V.V., LEE, W-S.,
CHARRON, M., AND ERFANI, A. The Canadian Seasonal to Interannual Prediction
System Version 2 (CanSIPSv2). Weather and Forecasting, v. 35, n. 4, p. 1317-1343,
2020.
LIU, B.; LIU, F.; WANG, C.; MEI, S. Unit commitment considering flexibility and
uncertainty of wind power generation. Power System Technology, 39: 730–736, 2015.
LORENZ, E.N. The predictability of a flow which possesses many scales of
motion. Tellus, v. 21, n. 3, p. 289-307, 1969.
LUCIO, P.S., et al Um modelo estocástico combinado de previsão sazonal para a
precipitação no Brasil. Revista Brasileira de Meteorologia, v. 25, n. 1, p. 70-87, 2010.
LYRA, M.J.A.; FEDOROVA, N.; LEVIT, V.; FREITAS, I.G.F.D. Características dos
Complexos Convectivos de Mesoescala no Nordeste Brasileiro. Revista Brasileira de
Meteorologia, v. 35, p. 727-734, 2020.
LYRA, M. J. A. Vórtices ciclônicos de altos níveis do Nordeste brasileiro: sua relação
com o transporte de umidade da América do Sul e sua estrutura termodinâmica. 2022.
MA, F.; LIN, Y.S.; ZHANG, X.; LEE, C. Metamateriais terahertz multibanda
sintonizáveis usando um arranjo ressonador elétrico de anel dividido
reconfigurável. Light: Science & Applications, v. 3, n. 5, p. e171-e171, 2014.
MA, H.-Y., XIE, S., KLEIN, S., WILLIAMS, K., BOYLE, J., BONY, S., DOUVILLE,
H., FERMEPIN, S., MEDEIROS, B., TYTECA, S., WATANABE, M., AND
WILLIAMSON, D. On the Correspondence between Mean Forecast Errors and Climate
Errors in CMIP5 Models. Journal of Climate, v. 27, p. 1781–1798, 2014.
MADDEN, R.A.; JULIAN, P.R. Detection of a 40–50 day oscillation in the zonal wind
in the tropical Pacific. Journal of Atmospheric Sciences, v. 28, n. 5, p. 702-708, 1971.

77

MARENGO, J. A. Mudanças Climáticas Globais e seus Efeitos sobre a Biodiversidade.
Caracterização do Clima Atual e Definição das Alterações Climáticas para o Território
Brasileiro ao longo do Século XXI. Ministério do Meio Ambiente. Secretaria de
Biodiversidade e Florestas. 212 p. MMA, 2006.
MARENGO, J.A. Tempo e clima no Brasil. [CAVALCANTI, I.F.A., FERREIRA, N.J.,
SILVA, M.G.A.J., DIAS, M.A.F.S. (org.)]. Cap. 25. Oficina de Textos, São Paulo, 2009.
MARENGO, J.A.; VALVERDE, M.C. Caracterização do clima no Século XX e Cenário
de Mudanças de clima para o Brasil no Século XXI usando os modelos do IPCCAR4. Revista Multiciência, v. 8, p. 5-28, 2007.
MARENGO, J.A.; BERNASCONI, M. Regional differences in aridity/drought
conditions over Northeast Brazil: present state and future projections. Climatic Change,
v. 129, n. 1, p. 103-115, 2015.
MARENGO, J.A.; ALVES, L.M.; ALVALA, R.C.S.; CUNHA, A.P.; BRITO, S.
MORAES, O.L. Climatic characteristics of the 2010-2016 drought in the semiarid
Northeast Brazil region. Anais da Academia Brasileira de Ciências, v. 90, p. 19731985, 2017.
MARENGO, J.A.; TORRES, R.R.; ALVES, L.M. Drought in Northeast Brazil—past,
present, and future. Theoretical and Applied Climatology, v. 129, n. 3, p. 1189-1200,
2017.
MASON, SIMON J.; TIPPETT, MICHAEL K. Climate Predictability Tool version 15.6.
1. 2017.
MCPHADEN, M.J.; BUSALACCHI, A.J.; ANDERSON,
retrospective. Oceanography, v. 23, n. 3, p. 86-103, 2010.

D.L.T.

A

toga

MERRYFIELD, W.J.; LEE, W.S.; BOER, G.J.; KHARIN, V.V.; SCINOCCA, J.F.;
FLATO, G.M.; AJAYAMOHAN, R.S.; FYFE, J.C.; TANG,Y.; POLAVARAPU, S. The
Canadian seasonal to interannual prediction system. Part I: Models and
initialization. Monthly weather review, v. 141, n. 8, p. 2910-2945, 2013.
MICHOT, V.; VILA, D.; ARVOR, D.; CORPETTI, T.; RONCHAIL, J.; FUNATSU,
B.M.; Dubreuil, V. Performance of TRMM TMPA 3B42 V7 in Replicating Daily
Precipitation and Regional Precipitation Regimes in the Amazon Basin (1998–2013).
Remote Sens. 2018, 10, 1879.
MO, Ruping; STRAUS, David M. Statistical–dynamical seasonal prediction based on
principal component regression of GCM ensemble integrations. Monthly Weather
Review, v. 130, n. 9, p. 2167-2187, 2002.
MOLION, L.C.B.; BERNARDO, S. Uma revisão da dinâmica das chuvas no Nordeste
Brasileiro. Revista Brasileira de Meteorologia, v. 17, n. 1, p. 1-10, 2002.

78

MOURA, A.D.; SHUKLA, J. On the dynamics of droughts in northeast Brazil:
Observations, theory and numerical experiments with a general circulation
model. Journal of the atmospheric sciences, v. 38, n. 12, p. 2653-2675, 1981.
NAJAFI, M.R.; MORADKHANI, H. Hamid. Multi-model ensemble analysis of runoff
extremes for climate change impact assessments. Journal of Hydrology, v. 525, p. 352361, 2015.
NARAPUSETTY, B.; MURTUGUDDE, R.; WANG, H.; KUMAR, A. Ocean–
atmosphere processes associated with enhanced Indian monsoon break spells in CFSv2
forecasts. Climate Dynamics, v. 51, n. 7, p. 2623-2636, 2018.
NEELIN, J.D. Interannual oscillations in an ocean general circulation model coupled to
a simple atmosphere model. Philosophical Transactions of the Royal Society of
London. Series A, Mathematical and Physical Sciences, v. 329, n. 1604, p. 189-205,
1989.
NEELIN, J.D. A hybrid coupled general circulation model for El Niño studies. Journal
of Atmospheric Sciences, v. 47, n. 5, p. 674-693, 1990.
NAMIAS, J. Influence of northern hemisphere general circulation on drought in northeast
Brazil 1. Tellus, v. 24, n. 4, p. 336-343, 1972.
NOBRE, C. A.; CAVALCANTI, I. F. A; GAN, M. A.; NOBRE, P.; KAYANO, M. T.;
RAO, V.B.; BONATTI, J. P.; SATYAMURTY, P.; UVO, C. B.; COHEN, J. C.
Climanálise – Boletim de Monitoramento e Análise Climática. Número Especial.
Aspectos da Climatologia Dinâmica do Brasil. Instituto Nacional de MeteorologiaINMET. Brasília- DF, outubro 1986.
NOGUÉS-PAEGLE, J.; MECHOSO, C.R.; FU, R.; BERBERY, E.H.; CHAO, W.C.;
CHEN, T.C.; ... ZHOU, J. Progress in Pan American CLIVAR research: understanding
the South American monsoon. Meteorologica, v. 27, n. 12, p. 1-30, 2002.
OSMAN, M., COELHO, C. A., & 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.
OU, M.H., CHARLES, M., AND COLLINS, D.C. Sensitivity of calibrated week-2
probabilistic forecast skill to reforecast sampling of the NCEP global ensemble forecast
system. Weather and Forecasting, v. 31, n. 4, p. 1093-1107, 2016.
OYAMA, M.D.; NOBRE, C.A. A new climate-vegetation equilibrium state for Tropical
South America. Geophysical Research Letter, v. 30, n. 23, p. 2199, 2003.
PAI, D.S.; RAO, A.S.; SENROY, S.; PRADHAN, M.; PILLAI, P.A.; RAJEEVAN, M.
Performance of the operational and experimental long-range forecasts for the 2015
southwest monsoon rainfall. Current Science, p. 68-75, 2017.

79

PALMER, T.N.; ANDERSON, D.L.T. The prospects for seasonal forecasting—A review
paper. Quarterly Journal of the Royal Meteorological Society, v. 120, n. 518, p. 755793, 1994.
PAREDES-TREJO, F.; BARBOSA, H.; DOS SANTOS, C.A.C. Evaluation of the
performance of SM2RAIN-derived rainfall products over Brazil. Remote Sensing, v. 11,
n. 9, p. 1113, 2019.
PBMC. Sumário Executivo do Volume 1 - Base Científica das Mudanças Climáticas.
Contribuição do Grupo de Trabalho 1 para o 1° Relatório de Avaliação Nacional do Painel
Brasileiro de Mudanças Climáticas. Volume Especial para a Rio+20. Rio de Janeiro,
Brasil, p. 34, 2012.
PENG, Y.; ZHAO, X.; WU, D.; TANG, B.; XU, P.; DU, X.; WANG, H. Spatiotemporal
variability in extreme precipitation in China from observations and projections. Water,
v. 10, n. 8, p. 1089, 2018.
PINTO, J.G.; REYERS, M.; ULBRICH, U. The variable link between PNA and NAO in
observations and in multi-century CGCM simulations. Climate dynamics, v. 36, n. 1, p.
337-354, 2011.
RAJEEVAN, M.; PAI, D.S.; ANIL KUMAR, R.; LAL, B. New statistical models for
long-range forecasting of southwest monsoon rainfall over India. Climate Dynamics, v.
28, n. 7, p. 813-828, 2007.
RAO, V.B.; HADA, K. Characteristics of rainfall over Brazil: Annual variations and
connections with the Southern Oscillation. Theoretical and applied climatology, v. 42,
n. 2, p. 81-91, 1990.
RAO. V. B.; LIMA, M.; FRANCHITO, S. H. Seazonal and Interannual Variations of
Rainfall over Eastern Northeast Brazil. Journal of Climate, v. 6, p. 1754-1763, 1993.
RASMUSSON, E.M.; CARPENTER, T.H. The relationship between eastern equatorial
Pacific sea surface temperatures and rainfall over India and Sri Lanka. Monthly Weather
Review, v. 111, n. 3, p. 517-528, 1983.
REBOITA, M.S.; PINTO, S.S.; KRUSCHE, N. Variação climatológica não-sazonal
através da análise de componentes principais, 2002.
REBOITA, M. S.; GAN, M. A.; ROCHA, R. P.; AMBRIZZI, T. Regimes de
precipitação na América do Sul: uma revisão bibliográfica. Revista Brasileira de
Meteorologia, 25, 185-204, 2010.
REPELLI, C.A.; NOBRE, P. Statistical prediction of sea‐surface temperature over the
tropical Atlantic. International Journal of Climatology: A Journal of the Royal
Meteorological Society, v. 24, n. 1, p. 45-55, 2004.

80

REPINALDO, H.F.B.; FEDOROVA, N.; LEVIT, V.; REPINALDO, C.R.D.R. Vórtice
Ciclônico em Altos Níveis e Corrente de Jato do Nordeste Brasileiro sobre o Estado de
Alagoas: Padrões de Circulação e Precipitação. Revista Brasileira de Meteorologia, v.
35, n. spe, p. 745-754, 2020.
RIBEIRO, A.; VICTORIA, R.L.; PEREIRA, A.R.; VILLA NOVA, N.A.;
MARTINELLI, L.A.; MORTATTI, J. Análise do Regime pluviométrico da região
Amazônica a partir de dados de onze localidades. Revista Brasileira de Meteorologia,
v. 11, n. 1, p. 25-26, 1996.
RODRIGUES, D.T.; SILVA, C.M.S.; REIS, J.S.; PALHARINI, R.S.A.; CABRAL
JÚNIOR, J.B.; SILVA, H.J.F.; MUTTI, P.R.; BEZERRA, B.G.; GONÇALVES, W.A.
Evaluation of the Integrated Multi-SatellitE Retrievals for the Global Precipitation
Measurement (IMERG) Product in the São Francisco Basin (Brazil). Water, 13, 2714,
2021.
RODRIGUES, L.R.L.; DOBLAS-REYES, F.J.; COELHO, C.A.S. Calibration and
combination of monthly near-surface temperature and precipitation predictions over
Europe. Climate Dynamics, v. 53, n. 12, p. 7305-7320, 2019.
ROPELEWSKI, C.F.; HALPERT, M.S. Global and regional scale precipitation patterns
associated with the El Niño/Southern Oscillation. Monthly weather review, v. 115, n. 8,
p. 1606-1626, 1987.
ROSER, M.; ORTIZ-OSPINA, E. LITERACY. Our World in Data, 2016.
ROY, T.; HE, X.; LIN, P.; BECK, H.E.; CASTRO, C.; WOOD, E.F. Global evaluation
of seasonal precipitation and temperature forecasts from NMME. Journal of
Hydrometeorology, v. 21, n. 11, p. 2473-2486, 2020.
SACHINDRA, D.A.; HUANG, F.; BARTON, A.; PERERA, B.J.C. Redução estatística
das saídas do modelo de circulação geral para precipitação – parte 1: calibração e
validação. Revista Internacional de Climatologia , v. 34, n. 11, p. 3264-3281, 2013.
SAHA, S.; MOORTHI, S.; WU, X.; WANG, J.; NADIGA, S.; TRIPP, P.; BEHRINGER,
D.; HOU, Y.; CHUANG, H.Y; IREDELL, M.E;K.M.; MENG, J.;YANG, R.; MENDEZ,
M.P.; DOOL, H.V.D.; ZHANG, Q.; WANG, W.; CHEN, M.; BECKER, E. The NCEP
climate forecast system version 2. Journal of climate, v. 27, n. 6, p. 2185-2208, 2014.
SARDESHMUKH, P.D.; HOSKINS, B.J. The generation of global rotational flow by
steady idealized tropical divergence. Journal of the Atmospheric Sciences, v. 45, n. 7,
p. 1228-1251, 1988.
SARMENTO, F. J. Previsibilidade De Eventos Hidrológicos No Semiárido Brasileiro–
Parte I. XXIV Simposio brasileiro de Recursos Hídricos, 21 a 26 de novembro, belo
Horizonte, Minas Gerais 2021.

81

SCHEPEN, A.; WANG, Q.J. Ensemble forecasts of monthly catchment rainfall out to
long lead times by post-processing coupled general circulation model output. Journal of
Hydrology, v. 519, p. 2920-2931, 2014.
SCHEPEN, A.; WANG, Q.J.; ROBERTSON, D.E. Seasonal forecasts of Australian
rainfall through calibration and bridging of coupled GCM outputs. Monthly Weather
Review, v. 142, n. 5, p. 1758-1770, 2014.
SHUKLA, S.; LETTENMAIER, D.P. Multi‐RCM ensemble downscaling of NCEP CFS
winter season forecasts: Implications for seasonal hydrologic forecast skill. Journal of
Geophysical Research: Atmospheres, v. 118, n. 19, p. 10,770-10,790, 2013.
SILVA, EMERSON. R. M. DA; BARBOSA, IVAN C. DA C.; SILVA, HELDER J. F.
DA; COSTA, LUIZ GONZAGA DA S; ROCHA, EDSON J. P. DA. Análise do
Desempenho da Estimativa de Precipitação do Produto CHIRPS para Sub-Bacia do Rio
Apeú. Revista Brasileira de Geografia Física, Castanhal-PA, v. 13, n. 3, 2020.
SILVA, E.H.D.L.; SILVA, F.D.D.S.; JUNIOR, R.S.D.S.; PINTO, D.D.C.; COSTA, R.
L.; GOMES, H.B.; JUNIOR J.B.C.; DE FREITAS I.G.F.; AND HERDIES, D.L.
Performance Assessment of Different Precipitation Databases (Gridded Analyses and
Reanalyses) for the New Brazilian Agricultural Frontier:vter, v. 14, n. 9, p. 1473, 2022.
SILVA, M. P. D. C. D., Pinto, J. E. S. D. S., & Castelhano, F. J. Análise da variabilidade
pluvial e sua contribuição para o estudo do clima urbano do município de Feira de
Santana-BA. Geopauta, v. 6, 2023.
SINGH, A., ACHARYA, N., MOHANTY, U.C., AND MISHRA, G. Performance of
Multi Model Canonical Correlation Analysis (MMCCA) for prediction of Indian summer
monsoon rainfall using GCMs output. Computes Rendus Geoscience, v. 345, n. 2, p.
62-72, 2012.
SILVA, F.F.; DOS SANTOS, F.D.A.; DOS SANTOS, J.M. Índice de anomalia de chuva
(iac) aplicado ao estudo das precipitações no município de caridade, ceará, brasil. Revista
Brasileira de Climatologia, v. 27, 2020.
SLATER, L.J.; VILLARINI, G.; BRADLEY, A.A. Evaluation of the skill of NorthAmerican Multi-Model Ensemble (NMME) Global Climate Models in predicting average
and extreme precipitation and temperature over the continental USA. Climate Dynamics,
v. 53, n. 12, p. 7381-7396, 2019.
SMITH, R. E.; LIVEZEY, R. E., Covariability of aspects of North American
Climate with Global Sea Surface Temperatures on Interannual to Interdecadal
Timescales. Journal of Climate, 12, 289-302, 1999.
SOUZA, A.C.D.; CANDIDO, L.A.; ANDREOLI, R.V. Variabilidade interanual da
precipitação e fluxo de umidade sobre a Amazônia usando o QTCM. Revista Brasileira
de Meteorologia, v. 33, p. 41-56, 2018.

82

SOUZA, S. S.; TOMASELLA, J.; GRACIA, M. G.; AMORIM, M. C.; MENEZES, P. C.
P.; PINTO, C. A. M. O Programa de monitoramento climático em tempo real na área de
atuação da SUDENE – PROCLIMA Boletim da Revista Brasileira de Meteorologia,
v. 25 n. 1, p. 15-24, 2001.
STEED, R.C., C.F. MASS, 2004: Bias removal on a mesoscale forecast grid. [Available
online from http://www.mmm.ucar.edu/mm5/workshop/ws04/Session2/ Steed.Rick.pdf]
STOCKDALE, T.N.; ANDERSON, D.L.; ALVES, J.O.S.; BALMASEDA, M.A. Global
seasonal rainfall forecasts using a coupled ocean–atmosphere model. Nature, v. 392, n.
6674, p. 370-373, 1998.
STUDZINSKI C.D. Um estudo da precipitação na região Sul do Brasil e sua relação com
os oceanos Pacífico e Atlântico Tropical Sul. São José dos Campos, Dissertação
(Mestrado em Meteorologia) – INPE, p.79, 1995.
THOMPSON, D.W.J; WALLACE, J.M. The Arctic Oscillation signature in the
wintertime geopotential height and temperature fields. Geophysical research letters, v.
25, n. 9, p. 1297-1300, 1998.
TIPPETT, M.K.; RANGANATHAN, M.; L’HEUREUX, M.; BARNSTON, A.G.;
DELSOLE, T. Assessing probabilistic predictions of ENSO phase and intensity from the
North American Multimodel Ensemble. Climate Dynamics, v. 53, n. 12, p. 7497-7518,
2019.
TRENBERTH, K.E.; BRANSTATOR, G.W.; KAROLY, D.; KUMAR, A.; LAU, N.C.;
ROPELEWSKI, C. Progress during TOGA in understanding and modeling global
teleconnections associated with tropical sea surface temperatures. Journal of
Geophysical Research: Oceans, v. 103, n. C7, p. 14291-14324, 1998.
TROCCOLI, A.; HARRISON, M.; COUGHLAN, M.; WILLIAMS, J.B. Seasonal
forecasts in decision making. In: Seasonal climate: forecasting and managing risk.
Springer, Dordrecht, p. 13-41, 2008.
UNGER, D.A.; VAN DEN DOOL, H.; O’LENIC, E.; COLLINS, D. Ensemble
regression. Monthly Weather Review, v. 137, n. 7, p. 2365-2379, 2009.
UVO, C.R.B. A Zona de Convergência Intertropical (ZCIT) e sua relação com a
precipitação da Região Norte do Nordeste Brasileiro. Dissertação (Mestrado em
Meteorologia) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos,
Brasil, 81f, 1989.
VEBER, M.E.; FEDOROVA, N.; LEVIT, V. Desenvolvimento de Atividades
Convectivas Sobre a Região Nordeste do Brasil, Organizada Pela Extremidade Frontal.
Revista Brasileira de Meteorologia, v. 35, p. 995–1003, 2020.

83

VECCHI, G. A., DELWORTH, T., GUDGEL, R., KAPNICK, S., ROSATI, A.,
WITTENBERG, A. T., ... & ZHANG, S. On the seasonal forecasting of regional tropical
cyclone activity. Journal Clim. 27, 7994_8016, 2014.
VIEGAS, J.; ANDREOLI, R.V.; KAYANO, M.T.; CANDIDO, L.A.; SOUZA, R.A.F.D.;
HALL, D.H.; ... VALENTIN, W.I.D. Caracterização dos diferentes tipos de El Niño e
seus impactos na América do sul a partir de dados observados e modelados. Revista
Brasileira de Meteorologia, v. 34, p. 43-67, 2019.
WALKER, G.T. Correlation in seasonal variation of climate (Introduction). Memoirs
of India Meteorological Department, v. 20, p. 117–124, 1908.
WALKER, G.T. Correlation in seasonal variations of weather, II, Memoirs
of India Meteorological Department, v. 21, p. 22-30, 1910.
WALKER, G.T. A further study of relationships with Indian monsoon rainfall, II,
Memoirs of India Meteorological Department, v. 23, p. 123-129, 1914.
23:123–129.
WALKER, G.T. Correlation in seasonal variations of weather, VIII, A preliminary study
of world weather, Memoirs of India Meteorological Department, v. 24, p. 75–131,
1923.
WALLACE, J.M.; GUTZLER, D.S. Teleconnections in the geopotential height field
during the Northern Hemisphere winter. Monthly weather review, v. 109, n. 4, p. 784812, 1981.
WANG, Y.; LEUNG, L. R.; McGREGOR, J. L.; LEE, D. K.; WANG, W. C.;
DING, Y.; KIMURA, F. “Regional Climate Modeling: Progress, Challenges, and
Prospects”, Journal of Meteorological Society of Japan, 82 (6), 1599-1628, 2004.
WANG, Q.J.; ROBERTSON, D.E. Multisite probabilistic forecasting of seasonal flows
for streams with zero value occurrences. Water Resources Research, v. 47, n. 2, 2011.
WANG, Q.J.; ROBERTSON, D.E.; CHIEW, F.H.S. Uma abordagem de modelagem de
probabilidade conjunta Bayesiana para previsão sazonal de vazões em vários
locais. Pesquisa de Recursos Hídricos. v. 45, n. 5, 2009.
WILKS, D.S. Statistical methods in the atmospheric sciences. Academic press, 2011.
WILKS, D.S.; HAMILL, T.M. Comparison of ensemble-MOS methods using GFS
reforecasts. Monthly weather review, v. 135, n. 6, p. 2379-2390, 2007.
WILLIAMS, P.D.; ALEXANDER, M.J.; BARNES, E.A.; BUTLER, A.H.; DAVIES,
H.C.; GARFINKEL, C.I.; ... ZHANG, C. A census of atmospheric variability from
seconds to decades. Geophysical Research Letters, v. 44, n. 21, p. 11,201-11,211, 2017.
WOOD, A. W.; MAURER, E. P.; KUMAR, A.; LETTENMAIER, D. P. Longrange

84

experimental hydrologic forecasting for the eastern United States. Journal
of Geophysical Research. V.107, n.20, p.6(1-15). 2002.
WU, D.H.; ANDERSON, D.L.T.; DAVEY, M.K. ENSO prediction experiments using a
simple ocean‐atmosphere model. Tellus A, v. 46, n. 4, p. 465-480, 1994.
XAVIER, A.C.; KING, C.W.; SCANLON, B.R. Daily gridded meteorological variables
in Brazil (1980–2013). International Journal of Climatology, v. 36, n. 6, p. 2644-2659,
2016.
Xavier, A. C., Scanlon, B. R., King, C. W., & Alves, A. I.. New improved Brazilian daily
weather gridded data (1961–2020). International Journal of Climatology, v. 42, n. 16, p.
8390-8404, 2022.
ZANELLA, M.E. Considerações sobre o clima e os recursos hídricos do semiárido
nordestino. Caderno Prudentino de Geografia, v. 1, n. 36, p. 126-142, 2014.
ZEBIAK, S.E.; CANE, M.A. A model el niñ–southern oscillation. Monthly Weather
Review, v. 115, n. 10, p. 2262-2278, 1987.
ZHANG, YUEFEN; WU, CHUANHAO; YEH, PAT J.-F.; LI, JIANZHU; HU, BILL X.;
FENG, PING; JUN, CHANGHYUN. Evaluation and comparison of precipitation
estimates and hydrologic utility of CHIRPS, TRMM 3B42 V7 and PERSIANN-CDR
products in various climate regimes. Atmospheric Research, v. 265, p. 105881, 2022.
ZHANG, C. Madden-Julian Oscillation. Reviews of Geophysics, v. 43, p. 1–36, 2005.
ZHANG, H.; CISSE, M.; DAUPHIN, Y.N.; LÓPEZ -PAZ, D. mixup: Beyond empirical
risk minimization. arXiv preprint arXiv:1710.09412, 2017.
ZHAO, T., BENNETT, J., WANG, Q.J., SCHEPEN, A., WOOD, A., ROBERTSON, D.,
AND RAMOS, M-H. How suitable is quantile mapping for post-processing GCM
precipitation forecasts? Journal of Climate, v. 30, p. 3185-3196, 2017.
ZHOU, J.; LAU, K.M. Principal modes of interannual and decadal variability of summer
rainfall over South America. International Journal of Climatology: A Journal of the
Royal Meteorological Society, v. 21, n. 13, p. 1623-1644, 2001.
ZHOU, S.; L’HEUREUX, M.; WEAVER, S.; KUMAR, A. A composite study of the
MJO influence on the surface air temperature and precipitation over the continental
United States. Climate dynamics, v. 38, n. 7, p. 1459-1471, 2012.