Denis Pereira (2025)

Dissertação_Denis_P_Santos (1).pdf
Documento PDF (3.2MB)

Exibir conteúdo Baixar

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

DENIS PEREIRA DOS SANTOS

PREVISÃO HISTÓRICA DAS SAFRAS DE CULTURAS DE CICLO CURTO DO
ESTADO DE ALAGOAS COM MODELOS DO CMIP6

MACEIÓ – AL
FEVEREIRO - 2025

DENIS PEREIRA DOS SANTOS

PREVISÃO HISTÓRICA DAS SAFRAS DE CULTURAS DE CICLO CURTO DO
ESTADO DE ALAGOAS COM MODELOS DO CMIP6

Dissertação de mestrado apresentada ao Programa de PósGraduação em Meteorologia da Universidade Federal de
Alagoas, como parte dos requisitos para o grau de mestre
em meteorologia.
Orientador: Prof. Dr. Fabricio Daniel dos S. Silva
Coorientadora: Profa. Dra. Rafaela Lisboa Costa

MACEIÓ – AL
2025

Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecária: Girlaine da Silva Santos – CRB-4 – 1127
S237p Santos, Denis Pereira dos.
Previsão histórica das safras de culturas de ciclo curto do Estado de Alagoas
com modelos do cmip6 / Denis Pereira dos Santos. – 2025.
48 f. : il.
Orientador: Fabricio Daniel dos S. Silva.
Coorientadora: Rafaela Lisboa Costa.
Dissertação (Mestrado em Meteorologia.) – Universidade Federal de
Alagoas, Instituto de Ciências Atmosféricas. Programa de Pós-Graduação em
Meteorologia. Maceió, 2025.
Bibliografia: f. 42 - 48.
1. Mudanças climáticas. 2. Climatologia agrícola (AL). 3. Produtividade
Agrícola. 4. Precipitação(Meteorologia) - Variabilidade. 5. Correlação canônica
(Estatística). I. Título.
CDU: 551.583: 631(813.5)

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

CERTIFICADO DE APRESENTAÇÃO
N.º de ordem: MET-UFAL-MS-211.
“PREVISÃO HISTÓRICA DAS SAFRAS DE CULTURAS DE CICLO CURTO DO ESTADO
DE ALAGOAS COM MODELOS DO CMIP6.”
DÊNIS PEREIRA DOS SANTOS

Dissertação submetida ao colegiado do Curso de
Pós-Graduação em Meteorologia da Universidade
Federal de Alagoas - UFAL, como parte dos
requisitos necessários à obtenção do grau de Mestre
em Meteorologia.
Aprovado pela Banca Examinadora composta por:

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

Profa. Dra. Rafaela Lisboa Costa
(Coorientadora)

Prof. Dr. Heliofábio Barros Gomes
(Membro Interno)

Prof. Dr. Helder José Farias da Silva
(Membro Externo)

Prof. Dr. Kleython de Araújo Monteiro
(Membro Externo)
FEVEREIRO/2025

AGRADECIMENTOS

Primeiramente, agradeço a Deus por ser meu guia.
À minha mãe, Ivone, in memoriam, sou eternamente grato. Sua presença estará sempre
viva em mim. Você foi um exemplo de perseverança diante das dificuldades. E sim, este
trabalho também é para ti.
Ao meu pai, aos meus irmãos e demais familiares, pelo apoio incondicional.
Ao meu orientador, Prof. Dr. Fabrício Daniel dos Santos Silva, e minha coorientadora,
Profa. Dra. Rafaela Lisboa Costa, por serem pessoas incríveis. O meu eterno agradecimento a
vocês.
Aos meus amigos e colegas, que sempre estiveram ao meu lado.
À Fundação de Amparo à Pesquisa do Estado de Alagoas (FAPEAL), pela concessão
de bolsa de Mestrado.

RESUMO
A variabilidade da precipitação é um dos mais importantes fatores de sucesso ou fracasso de
safras agrícolas cultivadas sob regime de sequeiro. Nessa pesquisa, buscou-se compreender a
relação entre a precipitação acumulada no semestre mais chuvoso e a previsibilidade das safras
de feijão, milho e mandioca nas três mesorregiões do estado de Alagoas. Devido a pequena
extensão territorial do estado quando comparado a outros estados brasileiros, e baseado em
literatura científica, constatou-se que a principal estação de crescimento dessas culturas se dá
entre os meses de abril e setembro nas três mesorregiões: sertão, agreste e leste. Foram usados
os dados de produção fornecidos pelo IBGE de cada cultura entre 1974 a 2014 para calibrar um
sistema de previsão baseado na relação entre preditor: precipitação acumulada no semestre
AMJJAS, e preditando: produção agrícola, utilizando para esse fim o método estatístico
multivariado conhecido como análise de correlações canônicas (ACC). Essa técnica foi usada
de duas formas, na primeira como um método simples para previsão de natureza puramente
estatística, e na segunda como um método de correção de viés para calibração da precipitação
estimada por oito modelos do CMIP6 para o Nordeste brasileiro (NEB). Assim como os dados
de precipitação observada no NEB, precipitação obtida dos modelos ACCESS-CM2
(Austrália), BCC-CSM2-MR (China), CNRM-CM6-1-HR (França), GFDL-ESM4 (Estados
Unidos), MIROC6 (Japão), NORESM2-MM (Noruega), INM-CM5-0 (Rússia) e TaiESM1
(Taiwan) no semestre AMJJAS foi usada com e sem correção de viés para prever a produção
das culturas. A precipitação dos modelos mostra-se com fortes vieses em relação à observada,
mas foram coerentemente corrigidas com ACC, diminuindo consideravelmente o viés, os erros
e aumentando a correlação em relação à observada. No entanto, as simulações das culturas
foram apenas levemente mais eficientes usando-se a precipitação corrigida dos modelos. Por
fim, aplicando-se o conceito de ensemble, a melhor simulação da produção das culturas foi a
proveniente da média das simulações obtidas a partir da precipitação original dos modelos, sem
correção de viés com ACC, o que se tornou o resultado mais importante dessa pesquisa.
Palavras-chave: precipitação, análise de correlações canônicas, CMIP6, produtividade
agrícola.

ABSTRACT
Rainfall variability is one of the most important factors in the success or failure of agricultural
crops grown under rainfed conditions. This study sought to understand the relationship between
accumulated rainfall in the wettest semester and the predictability of bean, corn and cassava
harvests in the three mesoregions of the state of Alagoas. Due to the small territorial extension
of the state when compared to other Brazilian states, and based on scientific literature, it was
found that the main growing season for these crops is between the months of April and
September in the three mesoregions: sertão, agreste and leste. Production data provided by the
IBGE for each crop between 1974 and 2014 was used to calibrate a forecasting system based
on the relationship between predictor: accumulated rainfall in the AMJJAS semester, and
predictor: agricultural production, using the multivariate statistical method known as canonical
correlation analysis (CCA). This technique was used in two ways, firstly as a simple method
for purely statistical forecasting, and secondly as a bias correction method for calibrating the
rainfall estimated by eight CMIP6 models for the Brazilian Northeast (NEB). As well as the
observed rainfall data in the NEB, rainfall obtained from the ACCESS-CM2 (Australia), BCCCSM2-MR (China), CNRM-CM6-1-HR (France), GFDL-ESM4 (United States), MIROC6
(Japan), NORESM2-MM (Norway), INM-CM5-0 (Russia) and TaiESM1 (Taiwan) models in
the AMJJAS semester was used with and without bias correction to predict crop production.
The rainfall from the models shows strong biases in relation to the observed rainfall, but they
were consistently corrected with ACC, considerably reducing the bias, the errors and increasing
the correlation in relation to the observed rainfall. However, crop simulations were only slightly
more efficient using the corrected rainfall from the models. Finally, by applying the ensemble
concept, the best simulation of crop production came from the average of the simulations
obtained from the models' original rainfall, without bias correction with ACC, which became
the most important result of this research.
Keywords: rainfall, canonical correlation analysis, CMIP6, agricultural yield.

LISTA DE FIGURAS
Figura 1. Fases do desenvolvimento do feijoeiro. Fonte: EMBRAPA. .................................. 10
Figura 2. Terceira safra de feijão. Fonte: CONAB. ................................................................ 11
Figura 3. Safra do Milho. Fonte: CONAB. ............................................................................. 12
Figura 4.(a) NEB e (b) Alagoas, com suas três mesorregiões com os respectivos municípios,
cujos centroides (pontos azuis), serviram de referência para a construção do banco de dados de
precipitação extraída de Xavier et al. (2022). ........................................................................... 13
Figura 5. Esquema ilustrativo das etapas utilizadas para as simulações da produtividade das
culturas nas mesorregiões do NEB a partir da precipitação acumulada semestral e anual. No
esquema, usa-se o milho para exemplificação (Autor, 2011)................................................... 20
Figura 6. Climatologia da precipitação acumulada no verão (DJF), observada (a) e obtida dos
modelos ACCESS-CM2 (b), BCC-CSM2-MR (c), CNRM-CM6-1-HR (d), GFDL-ESM4 (e),
INM-CM5 (f), MIROC6 (g), NorESM2-MM (h) e TaiESM1 (i). ........................................... 23
Figura 7. Climatologia da precipitação acumulada no outono (MAM), interpolada (a) e obtida
dos modelos ACCESS-CM2 (b), BCC-CSM2-MR (c), CNRM-CM6-1-HR (d), GFDL-ESM4
(e), INM-CM5 (f), MIROC6 (g), NorESM2-MM (h) e TaiESM1 (i). ..................................... 23
Figura 8. Climatologia da precipitação acumulada no inverno (JJA), interpolada (a) e obtida
dos modelos ACCESS-CM2 (b), BCC-CSM2-MR (c), CNRM-CM6-1-HR (d), GFDL-ESM4
(e), INM-CM5 (f), MIROC6 (g), NorESM2-MM (h) e TaiESM1 (i). ..................................... 24
Figura 9. Climatologia da precipitação acumulada na primavera (SON), interpolada (a) e
obtida dos modelos ACCESS-CM2 (b), BCC-CSM2-MR (c), CNRM-CM6-1-HR (d), GFDLESM4 (e), INM-CM5 (f), MIROC6 (g), NorESM2-MM (h) e TaiESM1 (i). .......................... 24
Figura 10. Viés global da precipitação média mensal dos MCGs em relação à observação para
(a) ACCESS-CM2, (b) BCC-CSM2-MR, (c) CNRM-CM6-1-HR, (d) GFDL-ESM4, (e) INMCM5, (f) MIROC6, (g) NorESM2-MM e (h) TaiESM1. ......................................................... 26
Figura 11. MAE da precipitação média mensal dos MCGs em relação à interpolação para (a)
ACCESS-CM2, (b) BCC-CSM2-MR, (c) CNRM-CM6-1-HR, (d) GFDL-ESM4, (e) INMCM5, (f) MIROC6, (g) NorESM2-MM e (h) TaiESM1.. ........................................................ 26
Figura 12. RMSE da precipitação média mensal dos MCGs em relação à interpolação para (a)
ACCESS-CM2, (b) BCC-CSM2-MR, (c) CNRM-CM6-1-HR, (d) GFDL-ESM4, (e) INMCM5, (f) MIROC6, (g) NorESM2-MM e (h) TaiESM1. ......................................................... 27

Figura 13. Correlação (r) da precipitação média mensal dos MCGs em relação à interpolação
para (a) ACCESS-CM2, (b) BCC-CSM2-MR, (c) CNRM-CM6-1-HR, (d) GFDL-ESM4, (e)
INM-CM5, (f) MIROC6, (g) NorESM2-MM e (h) TaiESM1.. ............................................... 27
Figura 14. Variabilidade interanual da produtividade do feijão nas mesorregiões alagoanas.
................................................................................................................................................. .29
Figura 15. Variabilidade interanual da produtividade do milho nas mesorregiões alagoanas..
.................................................................................................................................................. 29
Figura 16. Variabilidade interanual da produtividade da mandioca nas mesorregiões
alagoanas.. ................................................................................................................................ 30
Figura 17. (a) Climatologia da precipitação acumulada observada no período 1961-2014, (b)
obtida a partir do ensemble de modelos do CMIP6 para 1974-2014, e (c) obtida a partir obtida
do ensemble de modelos do CMIP6 para 1974-2014 após correção com ACC....................... 31
Figura 18. Segundo semestre do ano: (a) Climatologia da precipitação acumulada interpolada
no período 1961-2014, (b) obtida a partir do ensemble de modelos do CMIP6 para 1974-2014,
e (c) obtida a partir obtida do ensemble de modelos do CMIP6 para 1974-2014 após correção
com ACC .................................................................................................................................. 31
Figura 19. A cumulado médio anual de precipitação no NEB: (a) Climatologia da precipitação
acumulada interpolada no período 1961-2014, (b) obtida a partir do ensemble de modelos do
CMIP6 para 1974-2014, e (c) obtida a partir obtida do ensemble de modelos do CMIP6 para
1974-2014 após correção com ACC......................................................................................... 32
Figura 20. Viés global da precipitação, em mm, do ensemble dos modelos em relação à
observação antes da calibração com ACC (a), e após a calibração com ACC (b). .................. 33
Figura 21. Correlação (r) da precipitação, em mm, do ensemble dos modelos em relação à
observação antes da calibração com ACC (a), e após a calibração com ACC (b). .................. 33
Figura 22. MAE da precipitação, em mm, do ensemble dos modelos em relação à observação
antes da calibração com ACC (a), e após a calibração com ACC (b). ..................................... 34
Figura 23. RMSE da precipitação, em mm, do ensemble dos modelos em relação à observação
antes da calibração com ACC (a), e após a calibração com ACC (b)........................................34

LISTA DE TABELAS
Tabela 1. Lista de modelos climáticos globais do CMIP6 usados neste estudo. .................... 15
Tabela 2. Preditor X e respectivos Preditados Y, para o passo 1 e passo 2 da pesquisa. ........ 18
Tabela 3. Produtividade média do feijão, milho e mandioca nas mesorregiões de Alagoas no
período de 1974-2014. .............................................................................................................. 28
Tabela 4. Parâmetros estatísticos obtidos a partir da simulação da produção das culturas nas
mesorregiões alagoanas usando como variável preditora a precipitação observada no semestre
AMJJAS. Valores de correlação em azul destacam a significância estatística. ....................... 36
Tabela 5. Parâmetros estatísticos obtidos a partir da simulação da produção das culturas nas
mesorregiões alagoanas usando como variável preditora a precipitação original do modelo
ACCESS-CM2. Valores de correlação em azul destacam a significância estatística. ............. 36
Tabela 6. Parâmetros estatísticos obtidos a partir da simulação da produção das culturas nas
mesorregiões alagoanas usando como variável preditora a precipitação do modelo ACCESSCM2 após correção do viés com ACC. Valores de correlação em azul destacam a significância
estatística.. ................................................................................................................................ 37
Tabela 7. Número de simulações, de acordo com as mesorregiões, que apresentaram
correlações significativas da produção quando comparadas a produção observada. ............... 38
Tabela 8. Parâmetros estatísticos obtidos a partir da simulação da produção das culturas nas
mesorregiões alagoanas usando como variável preditora a precipitação média dos modelos no
semestre AMJJAS sem correção de viés da ACC. Valores de correlação em azul destacam a
significância estatística. ............................................................................................................ 38
Tabela 9. Parâmetros estatísticos obtidos a partir da simulação da produção das culturas nas
mesorregiões alagoanas usando como variável preditora a precipitação média dos modelos no
semestre AMJJAS com correção de viés da ACC. Valores de correlação em azul destacam a
significância estatística. ............................................................................................................ 39
Tabela 10. Parâmetros estatísticos obtidos a partir da média das simulações da produção das
culturas nas mesorregiões alagoanas usando como variável preditora a precipitação média dos
modelos no semestre AMJJAS sem correção de viés da ACC. Valores de correlação em azul
destacam a significância estatística. ......................................................................................... 40
Tabela 11. Parâmetros estatísticos obtidos a partir da média das simulações oriundas dos
modelos calibrados, no semestre AMJJAS. Valores de correlação em azul destacam a
significância estatística..............................................................................................................40

LISTA DE ABREVIATURAS
IPCC – Painel Intergovernamental de Mudanças Climáticas
NEB – Nordeste do Brasil
IBGE - Instituto Brasileiro de Geografia e Estatística
ACC – Análise de Correlações Canônicas
GEE – Emissão de Gases de Efeito Estufa
CMIP – Coupled Model Intercomparison Project
SSP – Shared Socioeconomic Pathways
RCPs – Representative Concentration Pathwhay
EMBRAPA – Empresa Brasileira de Pesquisas Agropecuária
CONAB – Companhia Nacional de Abastecimento
CC – Carga Normal
CCC – Carga de Cisalhamento Normal
ECMWF – European Centre for Medium-Range Weather Forecasts
CORDEX – Coordinated Regional Climate Downscaling Experiment
DCPP – Decadal Climate Prediction Project
INMET – Instituto Nacional de Meteorologia
ANA – Agência Nacional de Água e Saneamento Básico
IDW – Métodos de Ponderação de Distância Inversa
ADW – Ponderação de Distância Angular
SIDRA – Sistema de Recuperação Automática
SEALBA – Sergipe-Alagoas-Bahia
AMJJAS – Abril-Maio-Junho-Julho-Agosto-Setembro
CPT – Climate Predictability Tool
IRI – International Research Institute,
MCG – Modelos de circulação geral
TSM – Temperatura da Superfície do Mar
DJF – Dezembro-Janeiro-Fevereiro
JJA – Junho-Julho-Agosto
SON – Setembro-Outubro-Novembro
MAM – Março – Abril – Maio

SUMÁRIO

INTRODUÇÃO ....................................................................................................... 1

OBJETIVOS ............................................................................................................ 4

2.1

Geral ................................................................................................................. 4

2.2

Específicos ........................................................................................................ 4

REVISÃO DE LITERATURA .............................................................................. 5
3.1

Clima ................................................................................................................ 5

3.2

Mudanças climáticas......................................................................................... 5

3.3

Análise de Correlações Canônicas (ACC)........................................................ 6

3.4

Modelos de clima ............................................................................................. 7

3.4.1
3.5

Modelos de clima na agricultura .................................................................. 8
Safras ................................................................................................................ 9

3.5.1

Mandioca ...................................................................................................... 9

3.5.2

Feijão ............................................................................................................ 9

3.5.3

Milho .......................................................................................................... 11

METODOLOGIA ................................................................................................. 12
4.1

Área de estudo ................................................................................................ 12

4.2

Análise de Correlações Canônicas (ACC)...................................................... 13

4.3

Modelos do CMIP6 ........................................................................................ 14

4.4

Dados observados de precipitação .................................................................. 16

4.5

Dados de produtividade das culturas .............................................................. 17

4.6

Software CPT e modelo de previsão .............................................................. 17

4.7

Avaliação do desempenho do método ............................................................ 20

RESULTADOS ...................................................................................................... 21
5.1

Simulação do clima presente .......................................................................... 21

5.2

Análise de erros dos MCGs para o clima presente ......................................... 24

5.3

Produtividade do milho, feijão e mandioca em Alagoas ................................ 28

5.4

Avaliação da correção de viés dos modelos do CMIP6 com ACC ................ 30

5.5
Simulação da produção das culturas a partir da precipitação observada e
estimada pelos modelos do CMIP6. ........................................................................... 35
6.

CONCLUSÕES ..................................................................................................... 41

REFERENCIAS BIBLIOGRÁFICAS ................................................................ 42

INTRODUÇÃO

O aquecimento global é um dos maiores desafios ambientais da atualidade, ameaçando
a produção de alimentos em escala global. De acordo com Angelo (2022), o aumento da
frequência, intensidade e duração dos eventos climáticos extremos colocará diversos
ecossistemas em risco elevado de perda de biodiversidade, impactando diretamente a
agricultura. Para mitigar esses efeitos e antecipar cenários futuros, os modelos climáticos
tornam-se ferramentas essenciais na análise das condições ambientais. Desenvolvidos por
centros de pesquisa ao redor do mundo, esses modelos fornecem projeções fundamentais para
a formulação de estratégias de adaptação e mitigação diante das mudanças climáticas.
As

mudanças

climáticas

têm

impactado

significativamente

agricultura,

comprometendo a produção de alimentos. Segundo o último relatório do Painel
Intergovernamental sobre Mudanças Climáticas (IPCC, 2021), essas alterações já estão em
curso. Estudos de Costa et al. (2020) indicam que a região Nordeste do Brasil (NEB) apresenta
sinais claros de aquecimento e redução da precipitação. Além disso, as recorrentes secas tornam
o NEB uma das regiões mais vulneráveis aos efeitos adversos das mudanças climáticas,
exigindo medidas urgentes de adaptação e mitigação (da Rocha Júnior et al., 2020).
Neste contexto, localiza-se o estado de Alagoas, situado no leste do Nordeste do Brasil
(NEB), que se caracteriza pela diversidade climática de suas três mesorregiões. O Leste,
influenciado pela proximidade com o oceano, apresenta um clima mais úmido e temperaturas
mais estáveis. O Sertão, por outro lado, registra baixos índices pluviométricos e temperaturas
elevadas. Entre essas duas regiões, o Agreste funciona como uma zona de transição, refletindo
características intermediárias de precipitação e temperatura (Silva et al., 2018).
O IPCC é um relatório global que aborda as mudanças climáticas em andamento,
evidenciando que nenhuma região do planeta está imune aos seus efeitos, incluindo Alagoas. O
aquecimento global e suas consequências já impactam a produção agrícola, levantando
questionamentos sobre os desafios que o estado enfrentará no futuro. Diante desse cenário, uma
análise dos impactos das mudanças climáticas na produção de alimentos em Alagoas torna-se
essencial para o planejamento de estratégias de adaptação e mitigação.
Diante do exposto, este estudo visa regionalizar os cenários climáticos do sexto relatório
do IPCC para Alagoas, a fim de avaliar os impactos das mudanças climáticas na produtividade
das principais culturas agrícolas de subsistência do estado: feijão, milho e mandioca. Para isso,
serão analisadas as relações entre a variabilidade da precipitação e a produtividade dessas

culturas, proporcionando uma compreensão mais precisa dos desafios climáticos e auxiliando
no desenvolvimento de estratégias de adaptação.
Dada a importância social e econômica da agricultura de subsistência em Alagoas e a
vulnerabilidade do estado às mudanças climáticas, esta pesquisa se justifica pela necessidade
de desenvolver métodos preditivos robustos para compreender e antecipar os impactos da
variabilidade da precipitação. Dessa forma, os resultados contribuirão para o aprimoramento
dos modelos de previsão, permitindo a adoção de estratégias mais eficazes de adaptação e
mitigação.
Para alcançar o objetivo principal deste projeto, serão analisadas previsões históricas de
ciclo curto no estado de Alagoas, usufruindo dos modelos climáticos do CMIP6. Os dados
foram obtidos de oito modelos climáticos globais que integraram o sexto relatório do IPCC:
ACCESS-CM2 (Austrália), BCC-CSM2-MR (China), CNRM-CM6-1-HR (França), GFDLESM4 (EUA), MIROC6 (Japão), NorESM2-MM (Noruega), INM-CM5-0 (Rússia) e TaiESM1
(Taiwan). Após o reprocessamento e a calibração desses dados para as condições climáticas de
Alagoas, foi possível comparar com as produtividades reais observadas entre 1974 e 2014,
conforme dados do IBGE. Essa abordagem permitiu examinar as variabilidades climáticas
históricas com a produção agrícola do estado. Assim, oferecendo um entendimento mais sólido
de como o clima tem influenciado a colheita nas décadas anteriores.
A técnica de Análise de Correlações Canônicas (ACC) será empregada com duas
finalidades principais. Primeiramente, servirá para calibrar as séries temporais mensais de
precipitação estimadas pelos modelos climáticos no período de referência desta pesquisa (19742014). Para isso, a precipitação estimada pelos modelos será utilizada como preditor, enquanto
a precipitação observada, derivada da análise gradeada de Xavier et al. (2022) para o NEB, será
a variável predita. Após essa etapa de calibração, a nova base de dados de precipitação ajustada
será utilizada para avaliar o potencial de previsibilidade da produtividade agrícola, no período
histórico.
A ACC busca identificar e quantificar a associação entre dois grupos de variáveis, que
no passo 1 dessa pesquisa será "precipitação dos modelos" x "precipitação observada", e no
passo 2 será "precipitação calibrada dos modelos" x "produtividade". A ACC tem como foco
buscar a correlação ótima entre uma combinação linear de variáveis em um dos grupos com
uma outra combinação linear das variáveis do outro grupo de variáveis, determinando-se assim
as combinações lineares dos dois grupos que possuem a maior correlação. Esse processo
permite criar um modelo que pode ser usado tanto para ajustar uma determinada variável
proveniente de uma determinada fonte em relação a observação verdadeira, e após isso usar

esse mesmo modelo para prever uma variável em um passo de tempo futuro (da Rocha Júnior
et al., 2021).
Esta dissertação está estrutura em introdução: onde trata-se de mostrar o que será
trabalhado, especificando o motivo e os objetivos; objetivos: referente aos objetivos do projeto,
o que se pretende fazer e o que se espera do dito cujo; revisão literária: trabalhará os conceitos
históricos do tema abordado; metodologia: descrição dos métodos aplicados; análise de
resultados: examinar os resultados obtidos através do método aplicado; conclusão e as
referências bibliográficas.

OBJETIVOS

2.1

Geral
Utilizar a técnica de ACC para previsão da produtividade das culturas de milho,
mandioca e feijão para as mesorregiões do estado de Alagoas, examinando a relação
entre a produção histórica (1974-2014) e a precipitação acumulada na estação de
cultivo.

2.2

Específicos
•

Avaliar o quão realistas são os diferentes modelos na simulação da precipitação
do passado recente do NEB;

•

Examinar as semelhanças e diferenças nas climatologias brutas dos modelos;

•

Correlacionar o período de precipitação com a produção das safras;

•

Avaliar o ganho real da previsão de safras a partir da precipitação de modelos
do CMIP6 no período histórico antes e após correção do viés com ACC.

REVISÃO DE LITERATURA

3.1

Clima
Segundo Silva e Silva (2015), o clima pode ser descrito como uma sequência de eventos

médios de tempo demarcando um espaço geográfico durante um intervalo de no mínimo 30
anos. Dessa forma, ele não pode ser descrito como estático, pois haverá mudanças significativas
no tempo meteorológico ao longo do ano, o que torna difícil prever com precisão as condições.
No entanto, ele pode ser medido em termos de condições médias, podendo variar
significativamente de um ano para outro. Segundo Andrade e Basch (2012), o clima é um
conjunto de elementos pertencente a meteorologia, que são variáveis com valores médios
diferentes e por contribuir sobre situações climáticas agravantes. Por isso, para estimar o clima
em uma determinada região é necessário que se estude por vários anos para estimar dados sobre
o local.
Há diversas situações que contribuem para formação do tempo em um determinado
setor, e que são consequências para composição do clima. A latitude, a altitude, a proximidade
do mar, a presença de montanhas, a vegetação e a localização geográfica são alguns dos fatores
que influenciam. Essas informações, segundo Andrade e Basch (2012), estão contidas
nas Normais climatológicas. No entanto, é necessário analisar as escalas, como macro, meso e
microclima.
Os fatores de macroclima estão ligados com as características climáticas de longas
escalas (global ou regional). O mesoclima está ligado ao estudo do espaço em menor escala
(Ribeiro, 1993). Já microclima, são os fatores que modificam o clima em pequena escala, ou
seja, nas proximidades da superfície. Neste cenário é levado em consideração a atuação do
homem no meio.
3.2

Mudanças climáticas
A mudança climática é um processo natural de alteração da temperatura da terra, que

ocorre ao longo de milhares de anos. No entanto, nas últimas décadas o planeta está sofrendo
mudanças em sua temperatura bem superior do que as causas naturais (Nobre et al., 2012).
Muitos cientistas acreditam que a principal causa dessas mudanças é a emissão de gases de
efeito estufa (GEE) resultante da atividade humana.
Todavia, com base em evidências científicas, existe hoje consenso sobre a
forte contribuição da atividade humana para as alterações registadas nas
últimas décadas. Esta influência antropogénica deriva, principalmente, das
alterações na exploração e uso da terra (desflorestação, urbanização,
desertificação, irrigação) e da crescente combustão de combustíveis fósseis
(libertação de aerossóis e gases de estufa), com consequências diretas nos

equilíbrios radiativo e energético terrestres, às escalas local, regional e global.
(ANDRADE, José; BASCH, Gottlieb, 2012, p. 42)

Apesar de ainda não haver uma clara noção do impacto dessas alterações na estabilidade
do clima, é cada vez mais consensual que a atividade humana está contribuindo para um
aquecimento global significativo. Assim, contra fatos não há arguição. Portanto, percebe-se que
é visível a influência humana sobre as alterações climáticas. Essa influência humana está
provocando alterações na concentração dos gases do efeito estufa na atmosfera, causando
aumento de temperatura.
Existe o ambiente com a temperatura e a baixa oscilação térmica necessária
para a vida na Terra. Trata-se de gases como o vapor d’água (H2O), o gás
carbônico (CO2) e o metano (CH4). No entanto, atividades humanas têm
alterado a concentração destes gases na atmosfera, principalmente por
converter estoques de carbono, como petróleo, carvão e florestas em CO2, por
meio da combustão. (Klug et al., 2016, p.305)

Dessa forma, a concentração de CO2 na atmosfera tem aumentado em ritmo acelerado
nos últimos anos, devido ao uso de combustíveis fósseis, como petróleo e carvão, e da
degradação da floresta amazônica. Apesar de ser invisível, o CO2 é um dos gases responsáveis
pelo efeito estufa, que impede a saída de calor do planeta. Assim, aumentando a temperatura
do planeta, tal fenômeno é conhecido como aquecimento global.
O aumento da temperatura atmosférica pode elevar a taxa de respiração das plantas,
afetando diretamente a eficiência fotossintética e o equilíbrio hídrico (Guarda et al., 2014).
Como resultado, a planta perderá mais água para o ambiente, assim levando-a ao estresse
hídrico. Segundo Guarda et al. (2014), a consequência disso é a redução da sua produção,
interferindo em seu crescimento e, em casos extremos, até a morte da planta.
Perante a este quadro, faz-se necessário executar modelos climáticos, tendo em vista
que eles são de suma importância, pois geram informações futurísticas do que poderá acontecer
em nível global ou regional. No entanto, é importante mencionar no trabalho as estatísticas
usadas pelos modelos.
3.3

Análise de Correlações Canônicas (ACC)
A ACC é uma técnica estatística multivariada usada para examinar as relações entre

duas ou mais variáveis em diferentes conjuntos de dados, identificando combinações lineares
dessas variáveis que exibem a melhor interação funcional entre duas combinações (Peixoto,
2021). A ACC é frequentemente usada ao tentar entender a relação entre dois conjuntos de

variáveis que podem estar relacionadas, mas não são diretamente observáveis como entidades
separadas.
A análise de correlação canônica (ACC) é um procedimento estatístico que permite
examinar as relações entre duas ou mais variáveis dependentes com múltiplas variáveis
independentes. A ACC sobressai quando comparada com a regressão linear múltipla, que
modela uma variável dependente com várias variáveis independentes, pois a análise de
correlação canônica permite explorar as múltiplas relações entre os conjuntos de variáveis
(Peixoto, 2021 apud Wilks, 2011; Singh et al., 2012).
A aplicabilidade dessa técnica se dá em diversas áreas de estudos. Mas vale ressaltar
aqui que ela vem se tornando destaque nas últimas décadas. Tornando-se referência na previsão
climática, principalmente em relação a sazonalidade, por exemplo (da Rocha Júnior et al., 2021;
Ham e Jeong., 2021; Miller et al., 2021; Ordoñez et al., 2022). A aplicação dessa técnica se
torna útil na indústria agrícola em regiões onde a temperatura da superfície do mar e a
precipitação é mais direta, como é o caso do nordeste brasileiro, podendo-se desenvolver
modelos usando ACC para previsão de safras (Peixoto, 2021).
3.4

Modelos de clima
Os modelos climáticos são ferramentas computacionais que simulam a evolução da

atmosfera e dos oceanos ao longo do tempo. Esses modelos são importantes para entender e
prever os efeitos do aquecimento global, baseando-se em leis de conservação de massa, energia
e momento. (Meehl et al., 2000).
Mesmo com os avanços tecnológicos, tornando os modelos atuais com mais variáveis,
as projeções de aumento de temperatura nos modelos contemporâneos são muito parecidas com
as antigas. Assim, todos eles mostram um aumento significativo da temperatura na Terra nos
próximos anos (Firpo et al., 2022; Monteverde et al., 2022).
A iniciativa para criação dos modelos matemáticos começa no ano de 1995, quando
cientistas de diversas Universidade se unem e criam um projeto chamado CMIP (Coupled
Model Intercomparison Project) (Meehl et al., 2000). Uma ferramenta muito útil e de baixo
custo, além da sua alta precisão. Os modelos são ferramentas de suma importância, tendo em
vista que são o alicerce do IPCC, que analisa as informações para em seguida publicar seus
relatórios de avaliação.
No presente momento, há seis fases do CMIP. Cada uma delas representam um cenário
futurista e seus impactos climáticos. No entanto, os modelos CMIP3 e CMIP5 são os mais
utilizados. O CMIP6 é a fase atual (Eyring et al., 2016). O CMIP3 está relacionado com cenários
de gases do efeito estufa. Já o CMIP5 representa os cenários de expansão de energia em nível

global, enquanto o CMIP6 engloba os cenários conhecido como SSP (Shared Socioeconomic
Pathways), que continua usando cenários de expansão no sistema de energia global, ou seja, é
uma versão mais completa do modelo anterior.
Os cenários usados no CMIP, também passaram por um processo evolutivo. Os
primeiros cenários tinham a capacidade de analisar 4 caminhos possíveis de emissões de GEE.
Na atualidade, os cenários estão bem desenvolvidos, que são chamados de RCPs (representative
concentration pathwhay) e SSPs (shared socieconomic pathaway), vale ressaltar que este
último é o mais avançado, ou seja, é o mais atual (Masson-Delmotte et al., 2021). Os cenários
analisam os gases do efeito estufa assumindo concentrações distintas dos mesmos, reportando
diferentes usos de uma forçante radioativa (Ortega et al., 2021). Os cenários SSPs são
complementos dos RCPs. Tendo como principal função realizar diferentes estimativas de
cenários de emissões de GEE correlacionando-as com políticas públicas distintas (Almazroui
et al., 2021a-b, Llopart et al., 2021, Lv et al., 2021).
3.4.1 Modelos de clima na agricultura
A modelagem climática para a agricultura é um processo iterativo, no qual são avaliadas
as simulações de crescimento e desenvolvimento da vegetação com dados de precipitação,
temperatura, umidade relativa ar, entre outros, geralmente fazendo-se uso de informações das
estações meteorológicas próxima a área que se pretende estudar (ou dados de satélites).
Além disso, essa modelagem se comporta como uma ferramenta muito importante, no
que se refere as alterações climáticas, visto que tem a capacidade de auxiliar nessas alterações
visando a vegetação. De acordo com Almeida (2021) estes modelos se apresentam de forma
que:
São equações matemáticas, empíricas ou mecanísticas, que visam simular a
realidade e representar o desenvolvimento das plantas, para antever sua
produtividade em função de fatores influentes (Almeida, 2021, p.20).

Dessa forma, as equações levarão a resultados que poderão prever o desenvolvimento
das plantas, e obviamente será constatado informações produtivas consoante com os fatores
agravantes (Oliveira et al., 2021; Lima et al., 2021). Portanto, a modelagem matemática é uma
ferramenta essencial para a agricultura, pois permite antecipar o desempenho das plantas em
função de diversos fatores, inclusive a precipitação, que o é a variável analisada no presente
trabalho.

3.5

Safras
A agricultura é uma atividade econômica que está diretamente ligada à produção de

alimentos. Diante disso, este tópico fala sobre as produções agrícolas, como as safras de feijão,
milho e mandioca.
3.5.1 Mandioca
A mandioca é uma planta anciã que tem sua origem na América do sul, e o seu cultivo
era realizado pelos povos nativos da região tropical do continente (EMBRAPA, 2020). Assim,
desde os primórdios até atualidade está sendo mantida a sua produção, principalmente no
território brasileiro, onde é cultivada em todo país. Tornando-se uma das maiores
socioeconômicas nacional.
A confluência maior no Brasil está localizada na região do NEB. Boa parte da produção
de mandioca no NEB é realizada no semiárido, este que ocupa a faixa territorial de 982.563
km2, segundo o Embrapa (2020). Dessa área, oito estados do NEB estão com diferentes
proporções de terras, equivalente a valores maiores que 50% e menores que 60% (EMBRAPA,
2020). No entanto, esse estudo acontece no estado de Alagoas, onde a produção é menor de
5%.
No semiárido, a temperatura é alta, variando entre 20 ºC e acima de 27 ºC. Para a
germinação da mandioca, a temperatura ideal é entre 20 a 27 ºC, valores fora deste intervalo
podem atrasar o desenvolvimento da cultura (EMBRAPA, 2020). Desse modo, Alagoas possui
condições climáticas adequadas para o plantio da mandioca, pois a mesma faz parte do
semiárido brasileiro, possuindo temperaturas elevadas.
No semiárido, a produção de culturas de ciclo curto é predominante, pelas suas
características (EMBRAPA, 2020). Por isso é importante ficar atento a safra de mandioca, pois
o seu ciclo é anual. Assim, é de suma importância adequar à época de chuvas, no início do
cultivo não pode haver falhas, pois poderão levar a sérios prejuízos na produção da mandioca.
Portanto, em geral, a melhor época do ano para o plantio é na estação chuvosa, de modo que a
umidade e calor sejam elementos de suma importância para brotar, enraizar e estabilização das
plantas no solo. Dessa forma, o melhor período para o plantio em Alagoas é de maio a junho.

3.5.2 Feijão
Apesar de ser uma cultura sensível ao estresse hídrico, o feijoeiro é cultivado em quase
todas as regiões do Brasil, principalmente em lavouras de pequeno e médio porte. O Brasil é
um dos países com maior consumo e produção de feijão no planeta. No ano de 2020 a CONAB,
disponibilizou dados estimados sobre a primeira safra do ano, que é mais de um milhão de

toneladas, assim tendo um saldo superior, 6,1%, em relação ao ano anterior. As demais safras
(segunda e terceira) tiveram um aumento de 2,5%.
O feijão é um alimento de grande importância no cenário ecônomo, além das suas taxas
nutricionais excelentes. Ele é um provimento básico, que se torna importante principalmente
para classe baixa. De tal forma, o dito cujo é substancial na mesa da população brasileiras.
O feijoeiro apresenta ciclo curto que dura em média de 90 dias. Suas fases de
desenvolvimentos estão divididas em 10 (Oliveira e Silva, 1990): germinação (V0); emergência
(V1), folhas primárias (V2), primeira folha composta aberta (V3), terceira folha trifoliolada
aberta (V4), pré-floração (R5), floração (R6), formação de vagens (R7), enchimento das vagens
(R8) e maturação (R9).
A fase inicial V0, como o próprio nome diz, é o início de tudo, ou seja, é onde começa
a semeadura, assim iniciando a germinação. Já a V1, inicia-se quando os cotilédones se tornam
visíveis e termina quando as folhas primárias se separam e se abrem. A V2 se estabiliza na
posição horizontal. V3 e V4, é o momento em que as folhas estão abertas completamente. A
reprodução é iniciada na R5, nas R6 e R7 a vagem é visível. No R8 a vagem se estabiliza em
comprimento e em R9 é o processo de colheita.
Vale ressaltar que o feijão é uma planta que tem seu desenvolvimento de fácil adaptação
a temperatura local. Podendo-se desenvolver entre temperaturas de 18 a 30 ºC. no entanto, com
temperaturas maiores que 35 ºC, há uma queda de produtividade. Outro ponto que deve ser
destacado também é que abaixo de 15 ºC a evolução é retardada do feijoeiro (Guerra et al.,
2000; Hodges et al., 2004; Bennel et al., 2007).

Figura 1. Fases do desenvolvimento do feijoeiro. Fonte: EMBRAPA.

Vale ressaltar aqui que o período de safra do feijão está dividido em três, cada uma delas
é aplicada em cada estado do Brasil. Em Alagoas, objeto de estudo do presente trabalho, o
período de plantio a coleta tem duração em média de 7 meses (como mostra a figura 2 abaixo),
iniciando em abril e concluído em outubro, sendo assim a terceira safra, segundo a CONAB.

Figura 2. Terceira safra de feijão. Fonte: CONAB.

3.5.3 Milho
O milho é uma das safras que é plantada em quase todo território nacional. Assim,
tornando-se de grande importância socioeconômica. A cultura dessa planta é bastante resistente
à seca e apresenta boa produtividade, o que a torna uma das principais culturas da região
Nordeste. Ela se mostra resistente ao estresse hídrico, o que a torna uma cultura de grande
importância em regiões de escassez de água. Em 2006, o milho produzido na região do NEB
representava 13% da produção em todo o Brasil (Araújo et al., 2014). Dentro de sua classe, o
milho é uma das plantas que possuem alta produção, sendo cultivada em diversas regiões do
mundo (Martins et al., 2012). O milho constitui uma atividade econômica relevante,
principalmente, para estados como Alagoas e Bahia, que, em 2006, eram os seus principais
produtores da região Nordeste (Araújo et al., 2014, p.47).
O milho pode ser cultivado em regiões onde a temperatura média anual é de 10 ºC a 30
ºC, com necessidade hídrica de 600 mm. Ele é uma planta anual, cujo ciclo fenológico é
favorecido em temperaturas mais elevadas (sendo assim bastante relevante sua produção em
Alagoas). A Figura 3 mostra o período de safra no estado de Alagoas. Como se pode notar, a
produção de milho no estado está conectada com a segunda safra. Todo o período vai de abril,
início do plantio, a dezembro, fim da colheita. Portanto, a melhor época do ano para o plantio
em Alagoas é na estação de outono, ou seja, em abril. Esta planta está inserida no grupo das
plantas chamadas de C4. Segundo Martins (2012, p.21), este tipo de metabolismo consegue
atingir alta performance quando alcança seu ápice de área foliar (Pereira e Machado, 1987).
Isso acontece porque a produtividade de milho é influenciada diretamente pela quantidade de
luz que a planta recebe.

Figura 3. Safra do Milho. Fonte: CONAB.

METODOLOGIA

4.1

Área de estudo
Área de estudo dessa pesquisa se divide em duas, o NEB para avaliação geral dos

modelos do CMIP6, e o estado de Alagoas para simulação da produtividade das culturas.
Alagoas está situado no leste do NEB. O estado possui uma área de mais de 27.000 km2,
(IBGE,2002, apud BARROS et al., 2012). Seu território está limitado entre os estados de
Pernambuco, Sergipe e Bahia. Ele está dividido em três mesorregiões: leste alagoano, agreste
alagoano e sertão alagoano (IBGE, 2010, apud BARROS et al., 2012). O leste alagoano é a
região úmida do estado, o agreste é uma zona de transição entre úmida e seca, e o sertão é a
região seca do estado, de clima árido e semiárido. Conforme Barros et al. (2012), a localização
do estado faz com que ele possua um clima irregular de chuvas, variação escassa de
sazonalidade da radiação solar, fotoperíodo e de mudanças de temperatura do ar. A sua
proximidade a linha do equador faz com que ele esteja submetido a mais horas de incidência
solar, assim fazendo com que aconteça maior evapotranspiração.
A Figura 4 mostra o NEB com destaque para Alagoas, nas figuras além dos limites
regional e estadual, observam-se os pontos de observações que foram usados para calibração
da precipitação mensal dos modelos do CMIP6 no NEB e os respectivos pontos em Alagoas
usados para as simulações da produtividade das culturas. Tópicos específicos sobre a descrição
dos dados usados vêm na sequência dessa seção.

Figura 4. (a) NEB e (b) Alagoas, com suas três mesorregiões com os respectivos municípios, cujos
centroides (pontos azuis), serviram de referência para a construção do banco de dados de precipitação
extraída de Xavier et al. (2022).

4.2

Análise de Correlações Canônicas (ACC)
A ACC não era uma técnica estatística muito utilizada até o avanço tecnológico que

possibilitou o desenvolvimento de programas computacionais, tornando-se bem mais usada em
diversas áreas da ciência, como na agrometeorologia para a previsão de safras. O objetivo do
ACC é encontrar um modelo linear que melhor se ajusta às observações de dados.
Na ACC, há combinações lineares 𝑥 ∗ 𝑒 𝑦 ∗ , que corresponde as variáveis canônicas:
𝑝

𝑞

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

(1)

𝑗=1

Na equação (1), 𝑋 e 𝑌 são variáveis dependente e independente, respectivamente. 𝛼 e 𝛽
são vetores que maximizam a correlação. E cada correlação canônica deve estar ligada a
variância e não relacionada a outras correlações canônicas:
𝑟 ,𝑘 = 𝑀
∗]
𝐶𝑜𝑟𝑟[𝑥𝑘∗ 𝑦𝑀
={𝑐
0, 𝑘 ≠ 𝑀

(2)

Sabendo que 𝑟𝑐 é a correlação canônica; a determinação das variáveis aleatórias é feita
através das matrizes de variâncias e covariâncias,
[𝑆𝑐 ] = [

[𝑆𝑥𝑥 ](𝑝𝑥𝑝)

[𝑆𝑥𝑦 ](𝑝𝑥𝑞)

[𝑆𝑦𝑥 ](𝑞𝑥𝑝)

[𝑆𝑦𝑦 ](𝑞𝑥𝑝)

]

(3)

Sabendo que [𝑆𝑥𝑥 ] e [𝑆𝑦𝑦 ] são matrizes de variância e covariância respectivamente de
p variáveis em X e as q variáveis em Y. Já [𝑆𝑥𝑦 ] e [𝑆𝑦𝑥 ] são covariantes entre os elementos X
e Y, respectivamente. A raiz quadrada dos valores integrais, que é diferente de zero nas
matrizes, fornecem as correlações canônicas, 𝑟𝑐 , entre as variáveis canônicas.

−1

[𝑀𝑥 ] = [𝑆𝑥𝑥 ]−1 [𝑆𝑥𝑦 ][𝑆𝑦𝑦 ] [𝑆𝑦𝑥 ]
−1

[𝑀𝑦 ] = [𝑆𝑦𝑦 ] [𝑆𝑦𝑥 ][𝑆𝑥𝑥 ]−1 [𝑆𝑥𝑦 ]

(4)
(5)

Seja 𝛼 e 𝛽 vetores que satisfazem a matriz, então se tem
[𝑀𝑥 ]𝛼 = 𝑟𝑐2 𝛼

(6)

[𝑀𝑦 ]𝛽 = 𝑟𝑐2 𝛽

(7)

Ao construir modelos preditivos, os valores de α e β indicam quais variáveis na
correlação têm mais poder explicativo (Wilks, 2011; Singh et al., 2012). A carga normal (CC)
e a carga de cisalhamento normal (CCC) também são calculadas aqui. A correlação linear entre
𝑥𝑖 e 𝑥 ∗ é independente de CC, e a correlação entre 𝑦𝑖 e 𝑦 ∗ é dependente de CC. Os coeficientes
de redundância são calculados na ACC e permitem que a porcentagem de variância explicativa
em uma combinação de variáveis dependentes seja determinada a partir de uma combinação de
variáveis independentes (Katz et al., 2003). A ACC foi escolhida como método de previsão por
ser um dos métodos menos dependentes da periodicidade dos fenômenos climáticos. Além
disso, o uso dessa metodologia parece ser menos dependente de fenômenos climáticos cíclicos,
pois os objetivos da pesquisa são avaliados a partir de resultados que variam em múltiplas
escalas de tempo. Além disso, o uso dessa metodologia é considerado adequado, pois os
objetivos da pesquisa são avaliados por meio de resultados que variam em várias escalas de
tempo.
Este trabalho faz uso da ACC como ferramenta para relacionar a precipitação acumulada
mensalmente, trimestral, semestral, anual e a produtividade observada do feijão, mandioca e
milho em quilogramas por hectares, em Alagoas como histórico produtivo disponível no IBGE.
O período de calibração é de 1974 a 2014.
4.3

Modelos do CMIP6
Nessa pesquisa, usou-se dados históricos de precipitação de 8 modelos climáticos

obtidas no repositório do climate data store pertencente ao projeto copernicus mantido pelo
ECMWF (European Centre for Medium-Range Weather Forecasts), no seguinte link:
https://cds.climate.copernicus.eu/cdsapp#!/dataset/projections-cmip6?tab=form.
A tabela abaixo mostra os respectivos modelos que estão sendo utilizado e informações,
tais como, nome do modelo, país de origem e resolução atmosférica. Estes modelos foram
escolhidos pela sua eficiência em reproduzir características gerais da variável precipitação
(Dantas et al., 2022). É importante frisar aqui que os resultados desses modelos são o valor final

proveniente de seus ensembles, ou seja, do conjunto final de todas as simulações de todos os
membros do modelo.

Tabela 1. Lista de modelos climáticos globais do CMIP6 usados neste estudo.

Ordem Nome do modelo
Instituto/País
1
ACCESS-CM2
CSIRO-ARCCSS/Austrália
2
BCC-CSM2-MR
BCC/China
3
CNRM-CM6-1-HR CNRM-CERFACS/França
4
GFDL-ESM4
GFDL/Estados Unidos
5
MIROC6
MIROC/Japão
6
NORESM2-MM
NCC/Noruega
7
INM-CM5-0
INM/Rússia
8
TaiESM1
NCHC/Taiwan

Resolução Atmosférica
(lon × lat em graus)
1.9° × 1.3°
1.1° × 1.1°
0.5° × 0.5°
1.0° × 1.0°
1.4◦ × 1.4◦
1.0° × 1.0°
2.0° × 1.5°
1.3° × 0.9°

Os modelos do CMIP6 são executados e disponibilizam dois “experimentos”, um
período de referência histórico para comparação com cenários futuros, de 1850 a 2014, e
experimentos de projeção climática seguindo os cenários SSP, fornecendo diferentes caminhos
para o forçamento climático futuro. O período abrangido é tipicamente 2015-2100 (Eyring et
al., 2016).
Nessa pesquisa, serão usados apenas dados de precipitação do período de referência dos
modelos para investigar sua correlação com a precipitação observada e como pode ser a
simulação da produção de culturas de ciclo curto em Alagoas a partir da precipitação desses
modelos. Mesmo não usando dados dos cenários futuros, a título de conhecimento, descreve-se
brevemente a seguir os principais cenários do CMIP6, os SSPs 2.6; 4.5; 6.0; 7.0 e 8.5, de acordo
com O’Neill et al. (2016).
SSP1-2.6: este cenário representa o limite inferior do intervalo de caminhos de
forçamento futuros na literatura científica e atualiza o cenário RCP2.6 do CMIP5. Prevê-se que
produzirá uma média multimodelo de aquecimento significativamente inferior a 2 °C até 2100
e, portanto, pode apoiar as análises de mudanças substanciais no uso da terra (em particular,
aumento da cobertura florestal global). Do ponto de vista otimista, este cenário é altamente
relevante, pois combina baixa vulnerabilidade com baixos desafios para mitigação, bem como
um sinal de baixo forçamento radiativo.
SSP2-4.5: este cenário representa a parte média do intervalo de caminhos de forçamento
futuros e atualiza o cenário RCP4.5. Ele é usado como um experimento de referência, por

exemplo, pelo Coordinated Regional Climate Downscaling Experiment (CORDEX) para
downscaling regional, pelo Decadal Climate Prediction Project (DCPP) para previsões de
curto prazo até 2030, e pelo Detection and Attribution MIP (DAMIP) como uma continuação
das simulações históricas para atualizar as estimativas baseadas em regressão do papel das
forçantes únicas além de 2015 e para executar experimentos de forçamento únicos no futuro,
usando-o como cenário de referência. Nesse cenário o uso da terra e trajetórias de aerossóis não
são extremos em relação a outros cenários, sendo relevante também por ser um cenário que
combina vulnerabilidade com um nível de forçamento intermediário.
SSP4-6.0: este cenário preenche o intervalo de cenários de forçamento médio e atualiza
o cenário RCP6.0. Esse cenário pode ser usado para investigar as diferenças nos impactos dos
cenários de forçamento da média global, mesmo que os efeitos climáticos regionais do uso da
terra e dos aerossóis se mostrem fortes.
SSP3-7.0: este cenário representa a extremidade média a alta da faixa de cenários de
forçamento futuros. Ele preenche uma lacuna nos caminhos de forçamento do CMIP5 que é
particularmente importante porque representa um nível de forçamento semelhante ao do cenário
de linha de base do SSP2. Cenários de linha de base são muito importantes para estudos
interessados em quantificar impactos, vulnerabilidade e adaptação. Esse é um cenário com
mudanças substanciais no uso da terra (em particular diminuição da cobertura florestal global)
e altas emissões de gases (particularmente SO2, aerossóis, precursores troposféricos de O3 e
CH4) e, portanto, desempenha um papel importante abordando questões relevantes sobre a
sensibilidade do clima regional ao uso da terra e aos aerossóis.
SSP5-8.5: este cenário representa o limite superior da gama de caminhos futuros de
emissões, atualiza o cenário RCP8.5 e está planejado para ser usado por vários outros projetos
de intercomparação de modelos para ajudar a abordar suas questões científicas. O SSP5 foi
escolhido para este caminho de forçamento porque é o único cenário SSP com emissões altas o
suficiente para produzir um forçamento radiativo de 8,5 W m-2 em 2100.
4.4

Dados interpolado de precipitação
Foi utilizado o banco de dados estimado de Xavier et al (2022) para o estado de Alagoas.

Esses dados foram alcançados graças ao método da interpolação, que estima valores entre dois
pontos, que foi usado para desenvolver grades de alta resolução de variáveis climáticas de 1974
a 2003. Neste trabalho, o elemento climático em questão é a precipitação. Vale ressaltar que a
escala temporal utilizada foi a de precipitação mensal.
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; Campelo et al, 2020; Silva et al,
2023).
Contudo, 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. Como descrito em seu trabalho, os dados foram expostos a um rigoroso controle de
qualidade e em seguida interpolados seguindo os melhores resultados obtida 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°.
Para cada mesorregião de Alagoas foi identificado o semestre mais chuvoso, que
compreendem a estação de cultivo das culturas de milho e feijão, duas culturas de ciclo curto
que duram, em média 120 e 90 dias. Para as três mesorregiões esse semestre mais chuvoso se
dá de abril a setembro. Para atender a cultura da mandioca, que é anual, utilizar-se-á o total
pluviométrico anual.
4.5

Dados de produtividade das culturas
Os dados de produtividade foram coletados do Banco de Dados Estatístico do Sistema

de Recuperação Automática (SIDRA) do Instituto Brasileiro de Geografia e Estatística (IBGE),
para o período de 1974 a 2014.
Todavia, a base de dados pluviométrica e de produtividade foi trabalhada para um
período em comum a fim de eliminar problemas de continuidade observados no final das séries
de produtividade do milho para as mesorregiões do agreste e leste alagoanos, devido ao efeito
“SEALBA”, como descrito em Silva et al. (2022), que se trata da intensificação da irrigação
em culturas de grãos como o milho elevando sobremaneira a taxa de produtividade, não
permitindo inferir a relação direta entre produtividade e influencia climática.
4.6

Software CPT e modelo de previsão
Como explicado anteriormente, a ACC será utilizada em duas etapas, na primeira a

precipitação mensal de cada modelo do CMIP6 é confrontada a precipitação observada 1, de

O termo utilizado faz referência aos dados interpolados de Xavier et al (2022)

forma a se construir um modelo matemático de regressão baseado em correlações canônicas
que reamostre a precipitação mensal dos modelos de acordo com a aprendizagem imposta pela
ACC. No segundo passo, os dados mensais de chuva dos modelos após a reamostragem são
organizados como séries temporais acumuladas semestralmente para os seguintes períodos:
abril a setembro (AMJJAS) e anual, ou seja, utiliza-se uma série do acumulado semestral de
abril a setembro para compreender toda a estação de cultivo para o milho e feijão, e a série
acumulada anual para compreender a maior parte da estação de cultivo da mandioca. Segundo
Stevens e Ruscher (2014), esta forma de organizar os dados maximiza a possibilidade de
encontrar relações entre a precipitação acumulada e a produtividade da cultura em cada ano
utilizado para hindcast, entre 1974 a 2014.
A Tabela 2 mostra a relação entre preditor2, que chamamos de variável X, e preditando3,
que chamamos de variável Y na ACC, para o passo 1 e passo 2.
Tabela 2. Preditor X e respectivos Preditados Y, para o passo 1 e passo 2 da pesquisa.
Passo 1
Preditor (X)
Preditando (Y)
chuva mensal estimada pelos modelos
chuva mensal observada
Passo 2
Preditor (X)
Preditando (Y)
chuva acumulada no semestre
AMJJAS
produção do feijão e milho de cada mesorregião
chuva acumulada anual
produtividade da mandioca de cada mesorregião

O software utilizado para realizar os cálculos matemáticos da ACC será o CPT (Climate
Predictability Tool), desenvolvido pelo International Research Institute foi Climate and Society
(IRI, 2006). Trata-se de um software livre disponível para as plataformas windows, linux e
python, e que pode ser encontrado em sua versão mais recente no seguinte endereço eletrônico:
https://iri.columbia.edu/our-expertise/climate/tools/cpt/.
A ACC é uma entre as muitas funcionalidades do CPT, que permite realizar correções
estatísticas de previsões climáticas de modelos de circulação geral (MCG), ou produzir
previsões usando campos de TSM ou de preditores semelhantes (altura geopotencial e
componentes do vento em diversos níveis, por exemplo), além de possuir um módulo de
regressão por componentes principais e regressão linear múltipla.
A ACC é amplamente utilizada para gerar previsões climáticas operacionais (Barnston
e Tippett., 2017; Esquivel et al., 2018; Hossain et al., 2019). No CPT, a ACC pode ser usada

2
3

Esta palavra faz referência ao termo predictor
Esta palavra faz referência ao termo predictand

de duas formas (ver a Figura 1 de Barnston e Tippett, 2017), a primeira e que será utilizada no
passo 1 dessa pesquisa é relacionar saídas brutas de modelos dinâmicos à observações, por
exemplo, precipitação acumulada prevista de um mês/trimestre relativo a um período de
referência passado (hindcast) com as observações reais desse período, e assim recalibrar e
corrigir viéses nessas previsões, permitindo aplicar essa correção as futuras previsões dos
modelos. A segunda forma, e utilizada no passo 2 dessa pesquisa, é construir um modelo de
previsão puramente estatístico, relacionando um preditor a um preditando, em nosso caso,
campos de precipitação calibrada dos modelos com dados de produção das culturas nas
mesorregiões de Alagoas. Esta metodologia é similar a previsão sazonal com ACC relacionando
TSM (preditor) com a precipitação (preditando).
Totais de precipitação do semestre AMJJAS e anual, serão os preditores (X), e a
produção média do milho, feijão e mandioca de cada mesorregião de Alagoas os preditandos
(Y). Ambos os campos são pré-filtrados com Funções Ortogonais Empíricas (FOE) para
eliminar ruídos dos dados originais (Barnston e Tippett, 2017). 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. Essa pesquisa se ateve a
simulações históricas da precipitação para o passo 1, e para previsões no passo 2. A Figura 5

ilustra de forma esquemática as etapas necessárias para as simulações da produção (preditando
Y) em função dos campos de precipitação acumulada semestrais (preditor X).

Figura 5. Esquema ilustrativo das etapas utilizadas para as simulações da produtividade das culturas
nas mesorregiões do NEB a partir da precipitação acumulada semestral e anual. No esquema, usa-se o
milho para exemplificação (Autor, 2011).

4.7

Avaliação do desempenho do método
No referido trabalho, será utilizado alguns métodos estatísticos descritos por Hofstra et

al., (2008) e Xavier et al., (2016) para comparar os dados dos modelos versus interpolados,
assim como o desempenho dos modelos após a calibração com ACC. Sejam eles:
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)(𝑌 − 𝑌̅)
𝑅=
∑𝑛𝑖=1 √(𝑋𝑖 − 𝑋̅)2 (𝑌𝑖 − 𝑌̅)2
𝑏𝑖𝑎𝑠 = 𝑌̅ − 𝑋̅
𝑅𝑀𝑆𝐸 = √

∑𝑛𝑖=1(𝑋𝑖 − 𝑌𝑖 )2
𝑛

(1);

(2)
(3);

𝑛

1
𝑀𝐴𝐸 = ∑|𝑋𝑖 −𝑌𝑖 |
𝑛
𝑖=1

(4)

Onde 𝑋̅ e 𝑌̅ são valores médios e 𝑋 e 𝑌 são valores observados e estimados
respectivamente, e 𝑛 é o número de observações analisadas. 𝑅 é a coeficiente de correlação;
𝑅𝑀𝑆𝐸 é a raiz do erro quadrático médio; 𝑀𝐴𝐸 é o erro médio absoluto e 𝑏𝑖𝑎𝑠 é a diferença
entre as médias estimadas e observadas respectivamente. Em outras palavras, 𝑅𝑀𝑆𝐸 e 𝑀𝐴𝐸
medem o desvio (sendo 𝑅𝑀𝑆𝐸 mais suscetível às diferenças) e 𝑏𝑖𝑎𝑠 indica se o modelo
subestima ou superestima os valores observados (Xavier et al., 2022).

RESULTADOS

5.1

Simulação do clima presente
Um dos critérios comumente usados na avaliação de desempenho de qualquer modelo

climático é se a condição histórica (observação) pode ser ou não replicada. Portanto torna-se
indispensável que os dados oriundos das simulações de modelos para análises de qualquer
temática sejam fiáveis, e que apresentem as mesmas propriedades dos dados meteorológicos
observados, resultando em boa correlação entre ambos e que apresentem habilidade ótima em
caracterizar a climatologia de um período de referência.
Os modelos do CMIP6 disponibilizam três categorias de simulações, entre elas a que
analisar-se-á neste momento, que são relativas à experimentos históricos que cobrem todo o
período que existem observações climáticas modernas. Esse período no CMIP6 é de 1850 a
2014. Esses dados servem para mostrar como os MCGs se comportam para o clima passado e
poderão ser usados como comparação para cenários futuros. Nesse sentido, a primeira análise
dessa pesquisa se dará para a comparação direta entre a precipitação acumulada extraída dos
MCGs em relação à observação a fim de identificar a destreza dos mesmos na captura dos
padrões comportamentais médios e suas nuances no NEB.
As Figuras 6 a 9 mostram, para cada estação do ano, a média climatológica do período
1961-2014 de cada MCG usado nessa pesquisa em relação à climatologia observada. A Figura
6 é para o período de verão, onde usou-se a média do trimestre dezembro-janeiro-fevereiro
(DJF), trimestre tipicamente usado para representar o verão no hemisfério sul. A sequência da
Figura 6 começa com a média observada (6a), seguida da média obtida diretamente dos modelos
ACCESS-CM2 (6b), BCC-CSM2-MR (6c), CNRM-CM6-1-HR (6d), GFDL-ESM4 (6e), INMCM5-0 (6f), MIROC6 (6g), NORESM2-MM (6h) e TaiESM1 (6i). A observação (dados
interpolados) mostra precipitações acumuladas inferiores na faixa leste do NEB, variando de 5
0mm 300 mm, e superiores na faixa oeste, variando de 400 mm a 800 mm. Esse padrão é
captado e apresentado nos MCGs, mas com erros evidentes. O ACCESS-CM2 (6b) mostra um

núcleo de precipitação no leste do NEB bem menos intenso que na observação, que se estende
com valores mais baixos que a observação no norte do NEB. Todos os demais MCGs
superestimam fortemente a precipitação acumulada no oeste do NEB, principalmente entre os
estados do MA e PI, além de superestimar também o acumulado de chuvas da faixa leste.
O outono, mostrado na Figura 7, tem sua precipitação acumulada na faixa norte do NEB,
devido principalmente a atuação da ZCIT, com valores inferiores de acumulação histórica no
centro-sul do NEB, envolvendo por exemplo praticamente todo o estado da BA (Figura 7a). Os
MCGs superestimam, sem exceção, a precipitação acumulada tanto no setor norte do NEB
como em seu interior, com maior destaque para os MCGs ACCESS-CM2 (7b), BCC-SCM2
(7c), GFDL-ESM4 (7e), INM-CM5 (7f). Os MCGs MIROC6 (7g), NorESM2-MM (7h) e
TaiESM1 (7i) são os que mais se aproximam do padrão observado nessa estação do ano, mesmo
superestimando os valores. Já o CNRM-CM6 (7d), segue o padrão de superestimativa dos
demais modelos, apesar de sua maior resolução original, aproximando-se mais da observação
no setor do sudoeste baiano.
Para o inverno, trimestre junho-julho-agosto (JJA), a Figura 8 mostra que, com exceção
do extremo leste do NEB que possui elevados índices de precipitação acumulada, podendo
atingir até 800 mm entre PE e AL, e do extremo noroeste do MA que ainda pode atingir 600
mm de acumulação, o normal no interior do NEB são precipitação que atingem no máximo 50
mm nesse período, com valores um pouco mais elevados quanto mais aproxima-se da faixa
litorânea. Esse padrão é captado com mais similaridade pelos modelos CNRM-CM6 (8D) E
INM-CM5 (8F) para o leste do NEB, com a maior parte dos MCGs estendendo os limites mais
secos do interior à faixa litorânea, caso do BCC-CSM2 (8c), GFDL-ESM4 (8e), MIROC6 (8g),
NorESM2-MM (8h) e TaiESM1 (8i).
Por fim, para a primavera, trimestre setembro-outubro-novembro (SON), a Figura 9
exibe padrão semelhante entre observação (9a) e simulações dos MCGs. Esse trimestre marca
o retorno das chuvas no oeste da BA, e sul do MA e PI, contrastando com a época mais seca do
ano no norte do NEB, entre CE, RN, PB, PE e centro-norte baiano. Alguns resultados peculiares
dos MCGs merecem que se tome nota: a subestimativa da área seca no norte do NEB pelo BCCCSM2 (9c), TaiESM1 (9i), CNRM-CM6 (9d) e INM-CM5 (9f), esses dois últimos citados,
inclusive, superestimando a precipitação no leste do NEB e oeste do NEB, respectivamente.

Figura 6. Climatologia da precipitação acumulada no verão (DJF), interpolada (a) e obtida dos modelos
ACCESS-CM2 (b), BCC-CSM2-MR (c), CNRM-CM6-1-HR (d), GFDL-ESM4 (e), INM-CM5 (f),
MIROC6 (g), NorESM2-MM (h) e TaiESM1 (i).

Figura 7. Climatologia da precipitação acumulada no outono (MAM), interpolada (a) e obtida dos
modelos ACCESS-CM2 (b), BCC-CSM2-MR (c), CNRM-CM6-1-HR (d), GFDL-ESM4 (e), INMCM5 (f), MIROC6 (g), NorESM2-MM (h) e TaiESM1 (i).

Figura 8. Climatologia da precipitação acumulada no inverno (JJA), interpolada (a) e obtida dos
modelos ACCESS-CM2 (b), BCC-CSM2-MR (c), CNRM-CM6-1-HR (d), GFDL-ESM4 (e), INMCM5 (f), MIROC6 (g), NorESM2-MM (h) e TaiESM1 (i).

Figura 9. Climatologia da precipitação acumulada na primavera (MAM), interpolada (a) e obtida dos
modelos ACCESS-CM2 (b), BCC-CSM2-MR (c), CNRM-CM6-1-HR (d), GFDL-ESM4 (e), INMCM5 (f), MIROC6 (g), NorESM2-MM (h) e TaiESM1 (i).

5.2

Análise de erros dos MCGs para o clima presente
Para sintetizar a apresentação de tantas imagens, nessa seção serão exibidas figuras que

mostram os resultados relativos a avaliação global de quatro parâmetros: o viés (bias), o erro
médio absoluto (MAE), erro médio quadrático (RMSE) e correlação de Pearson (r), calculados
em relação as observações do período 1961-2014.
A Figura 10 mostra o viés global dos MCGs. Esse resultado é obtido da média de todos
os vieses obtidos mensalmente em todo o período de avaliação. Nota-se a tendência majoritária
de superestimação da precipitação acumulada, principalmente na porção centro-norte do NEB,

com exceção dos modelos MIROC6 (10f) e NorESM2-MM (6g), cujos núcleos positivos estão
um pouco mais deslocados até o oeste baiano e confinado no oeste do NEB entre MA e PI,
respectivamente. São também nesses MCGs que se observa pequenos núcleos de valores
negativos que indicam a tendência de subestimar a precipitação média acumulada mensal, no
extremo noroeste maranhense e extremo leste do NEB, respectivamente. A maior parte dos
modelos, com exceção do ACCESS-CM2 (10a) e MIROC6 (10f), apresenta vieses suaves, entre
-10 a 10 mm, na maior parte da BA e no leste do NEB, com exceção do CNRM-CM6-1-HR
(10c) nesse último setor citado. Nas áreas de superestimativa observada em todos os modelos,
os valores situam-se normalmente entre 50 a 150 mm, podendo ultrapassar 200 mm em algumas
áreas restritas. Esses valores, que representam um viés médio mensal, indica que as diferenças
entre os totais anuais observados e simulados pelos modelos pode superar os 1000 mm em
determinados anos.
Os resultados das Figuras 11 e 12, para MAE e RMSE, são complementares, uma vez
que o RMSE é mais sensível aos erros do que o MAE. O MAE (Figura 11) mostra que para os
modelos ACCESS-CM2 (11a), GFDL-ESM4 (11d), NorESM2-MM (11g) e TaiESM1 (11h),
há uma área de erros maiores numa porção centro-oeste do NEB entre os estados do MA e PI,
de até 175 mm, enquanto o BCC-CSM2-MR (11b) e INM-CM5-0 (11e) mostram uma área de
maiores valores do MAE no nordeste do NEB entre CE, RN, PB e PE, com o CNRM-CM6-1HR (11c) apresentando, em média, os menores erros. A magnitude desses erros é melhor
observada justamente na Figura 12, com o RMSE, onde nota-se que as áreas com valores de
MAE mais pronunciados atingem valores de até 200 mm a 300 mm, notando-se também que,
em média, a área do NEB onde os MCGs erram menos e de forma relativamente concordante,
é no centro-sul da BA.
Após a análise dos mapas de viés e dos erros, na Figura 13 apresenta-se a distribuição
espacial das correlações globais (r) entre as séries contínuas de precipitação da observação
versus cada MCG. Há um padrão muito similar entre os mapas, uma vez que observa-se valores
baixos de r em toda a faixa leste do NEB, do RN ao sul da BA e envolvendo por completo
alguns estados como AL e SE. Do contrário, há valores altos de correlações (estatisticamente
significantes) em todas as áreas em tons de azul, com destaque para o oeste do NEB entre MA
e PI com valores que superam 0,8, só que justamente onde observou-se os maiores valores de
MAE e RMSE, podendo-se atribuir a essa combinação de altos valores de r e altos valores de
erros a questão dessa área ser uma das mais chuvosas do NEB. Entre os modelos, os que
apresentam valores de r um pouco menos baixos para o leste do NEB são o CNRM-CM6-1-HR

(13c), INM-CM5-0 (13e) e o TaiESM1 (13h), com valores majoritariamente entre 0 e 0,3, já os
demais MCGs tem extensas áreas com correlações inclusive negativas.

Figura 10. Viés global da precipitação média mensal dos MCGs em relação à interpolação para (a)
ACCESS-CM2, (b) BCC-CSM2-MR, (c) CNRM-CM6-1-HR, (d) GFDL-ESM4, (e) INM-CM5, (f)
MIROC6, (g) NorESM2-MM e (h) TaiESM1.

Figura 11. MAE da precipitação média mensal dos MCGs em relação à interpolação para (a) ACCESSCM2, (b) BCC-CSM2-MR, (c) CNRM-CM6-1-HR, (d) GFDL-ESM4, (e) INM-CM5, (f) MIROC6, (g)
NorESM2-MM e (h) TaiESM1.

Figura 12. RMSE da precipitação média mensal dos MCGs em relação à interpolação para (a)
ACCESS-CM2, (b) BCC-CSM2-MR, (c) CNRM-CM6-1-HR, (d) GFDL-ESM4, (e) INM-CM5, (f)
MIROC6, (g) NorESM2-MM e (h) TaiESM1.

5.3

Produtividade do milho, feijão e mandioca em Alagoas
Em Alagoas, como em boa parte do NEB, as culturas do feijão, milho e mandioca são

cultivadas majoritariamente em regime de sequeiro, e para subsistência. De acordo com a
Tabela 1, a produtividade média do feijão na mesorregião sertão é de 332 kg/ha, 416 kg/ha na
mesorregião agreste e 456 kg/ha na mesorregião leste, de acordo com a Tabela 3. Esses valores
são um indicativo de uma produtividade baixa, que emprega baixo ou nenhum nível
tecnológico, quando comparados a valores médios observados em outras áreas do País que
empregam mecanização e tecnologia na produção agrícola, haja visto que a produtividade
média alcançada foi de 1.701 kg/ha na região Sudeste na safra 2018/2019 (Coelho e Ximenes,
2020). O mesmo acontece com a produtividade do milho, de apenas 370 kg/ha no sertão, 555
kg/ha no agreste e 543 kg/ha no leste, enquanto a produtividade média do milho no Brasil
atingiu o valor de 4.366 kg/ha na safra 2020/2021, sendo comum produtores com médias acima
de 10.000 kg/ha e até 12.000 kg/ha, chegando a patamares de 15.000 kg/ha (Contini et al.,
2019).
A mandioca apresenta valores médios de produtividade de 8.531 kg/ha no sertão, 10.719
kg/ha no agreste e 10.055 kg/ha no leste, valores próximos aos rendimentos médios anuais da
mandioca no NEB, que atualmente gira em torno de 10.000 kg/ha, valores inferiores no entanto
aos obtidos em outras regiões, que já ultrapassaram 20.000 kg/ka como no caso do sul do Brasil.
A mandioca é cultivada principalmente por pequenos produtores, que em razão do seu uso
eficiente da água e dos nutrientes do solo, da tolerância à seca e a ataques esporádicos de pragas,
fazem com que essa cultura apresente rendimentos razoáveis com utilização de pouco (ou
nenhum) insumo, mesmo em locais com solos pobres e chuvas imprevisíveis (FAO, 2013).
Essas culturas, como já comentado, são basicamente cultivadas em regime de sequeiro,
ou seja, dependem da disponibilidade natural e de uma boa distribuição espaço-temporal da
precipitação, o que devido a variabilidade climática natural, traz aos produtores ao longo do
tempo anos favoráveis e desfavoráveis à produção. As Figuras 14, 15 e 16 mostram,
respectivamente, a distribuição anual da produtividade do feijão, milho e mandioca,
respectivamente, em cada mesorregião, onde percebe-se essas variabilidades interanuais.

Tabela 3. Produtividade média do feijão, milho e mandioca nas mesorregiões de Alagoas no período de
1974-2014.

Produtividade (kg/ha)
Mesorregião
Feijão Milho Mandioca
Sertão
332
370
8531
Agreste
416
555
10719

Leste

456

543

10055

Figura 14. Variabilidade interanual da produtividade do feijão nas mesorregiões alagoanas.

Figura 15. Variabilidade interanual da produtividade do milho nas mesorregiões alagoanas.

Figura 16. Variabilidade interanual da produtividade da mandioca nas mesorregiões alagoanas.

5.4

Avaliação da correção de viés dos modelos do CMIP6 com ACC
Os resultados apresentados no tópico 5.1 mostraram que os modelos do CMIP6 diferem

significativamente das observações, em média, para a precipitação acumulada. A fim de
sintetizar a apresentação dos resultados referentes a correção do viés dessa precipitação,
introduz-se nessa seção o conceito de ensemble. Esse termo em inglês refere-se a média de um
conjunto, em nosso caso, será a média do conjunto de 8 modelos do CMIP6 tratados aqui nessa
pesquisa. Isso reduz a quantidade de figuras e gráficos que seriam mostrados para cada modelo,
sem diminuir por isso a eficácia da análise.
As Figuras 17 e 18 mostram, por exemplo, a comparação entre a climatologia da
precipitação acumulada de cada semestre do ano a partir dos dados observados, do ensemble
dos modelos e desse mesmo ensemble após a correção de viés com ACC. Na Figura 17a, para
o primeiro semestre do ano no NEB, percebe-se da média observada o noroeste mais chuvoso
entre Ceará, oeste do Piauí e todo estado do Maranhão, assim como a faixa leste mais chuvosa
do NEB, com precipitação acumulada que pode ultrapassar 1500 mm, e o interior semiárido
mais seco com núcleos de precipitação acumulada inferiores a 300 mm. De forma contrastante,
a média climatológica para o primeiro semestre obtida de todos os modelos demonstra forte
superestimativa da precipitação acumulada (Figura 17b). Após a correção de viés com ACC
(Figura 17c), embora o período climatológico seja diferente do das observações, nota-se
extrema semelhança entre a climatologia obtida do ensemble dos modelos com a obtida de
observações no período 1961-2014 (Figura 17a). Resultados semelhantes aos do primeiro

semestre são mostrados na Figura 18 para a climatologia da precipitação acumulada do segundo
semestre do ano e na Figura 19 para a média de chuvas acumuladas anuais no NEB. Tais
resultados corroboram que a técnica de ACC foi eficiente em reduzir os desvios dos modelos
em relação as observações.

Figura 17. Primeiro semestre do ano: (a) Climatologia da precipitação acumulada interpolada no
período 1961-2014, (b) obtida a partir do ensemble de modelos do CMIP6 para 1974-2014, e (c) obtida
a partir obtida do ensemble de modelos do CMIP6 para 1974-2014 após correção com ACC.

Figura 18. Segundo semestre do ano: (a) Climatologia da precipitação acumulada interpolada no
período 1961-2014, (b) obtida a partir do ensemble de modelos do CMIP6 para 1974-2014, e (c) obtida
a partir obtida do ensemble de modelos do CMIP6 para 1974-2014 após correção com ACC.

Figura 19. A cumulado médio anual de precipitação no NEB: (a) Climatologia da precipitação
acumulada interpolada no período 1961-2014, (b) obtida a partir do ensemble de modelos do CMIP6
para 1974-2014, e (c) obtida a partir obtida do ensemble de modelos do CMIP6 para 1974-2014 após
correção com ACC.

Esses resultados climatológicos que evidenciam a habilidade da técnica de ACC na
correção do viés da precipitação média acumulada no NEB é destacada pelas métricas
estatísticas usadas nessa pesquisa, sendo elas o viés, a correlação, o MAE e o RMSE. A Figura
20 mostra o viés global representado pela média da precipitação total do período 1971-2014
obtida diretamente do ensemble dos modelos originais do CMIP6 e após o pós-processamento
com ACC. A superestimação dos modelos do CMIP6 é demonstrada mais claramente no mapa
do viés da Figura 20a, entre 50 a 150 mm em média em boa parte do centro-norte do NEB, com
pequenas áreas de subestimação no extremo noroeste do Maranhão e em partes da faixa leste
do NEB, que chegam a ser inferiores a 50 mm. Após a correção desse viés com ACC (Figura
20b), nota-se a clara diminuição da magnitude do viés, reduzindo-se a valores que não chegam
a ultrapassar 50 mm para mais ou para menos em núcleos dispersos por toda a área do NEB.
A Figura 21 demonstra que os modelos do CMIP6 apresentam forte não linearidade para
a precipitação estimada mês a mês no leste do NEB. A média de todos os modelos (Figura 21a)
mostra as baixas correlações nessa porção do NEB que, em determinados casos devido a
extensão territorial dos estados, como Alagoas e Sergipe, representa que nenhuma área possui
correlação estatisticamente significativa, refletida nas figuras por áreas com correlação inferior
a 0,3, cujo p-valor é superior a 0,05 para um intervalo de confiança de 95% relativo ao teste tstudent empregado para avaliar a significância desse parâmetro estatístico. Com a média dos
modelos após o uso da ACC para correção dos vieses sistemáticos dos modelos, a correlação é
aumentada e estatisticamente significante em toda a área do NEB, mesmo nas porções do leste
da Bahia onde os menores valores são encontrados, mas superiores ao limiar crítico de
significância que é de uma correlação maior ou igual a 0,31. Percebe-se, antes e após a

calibração da precipitação dos modelos com ACC, que há um perceptível gradiente leste-oeste
nos valores das correlações (efeito diminuído após a correção com ACC), com as maiores
correlações sendo observadas nos estados do norte do NEB, desde Rio Grande do Norte até o
Maranhão, até o oeste da Bahia. Esse resultado evidencia a dificuldade de modelos do CMIP6
em estimar corretamente o sinal das precipitações acumuladas na faixa leste do NEB.

Figura 20. Viés global da precipitação, em mm, do ensemble dos modelos em relação à observação
antes da calibração com ACC (a), e após a calibração com ACC (b).

Figura 21. Correlação (r) da precipitação, em mm, do ensemble dos modelos em relação à observação
antes da calibração com ACC (a), e após a calibração com ACC (b).

Em relação as medidas de erros dos modelos, tanto o MAE quanto o RMSE foram
significativamente diminuídos após a calibração com ACC (Figuras 22b e 23c) em relação à
média dos dados originais sem qualquer tipo de correção (Figuras 22a e 23a). As áreas com os
erros mais significativos, situados em uma área contínua abrangendo Maranhão, Piauí, Ceará e
oeste de Pernambuco, foi sensivelmente reduzida. Esses resultados finalizam o primeiro grande
objetivo dessa pesquisa, que era atestar se a técnica de ACC seria capaz de aproximar a
precipitação acumulada simulada pelos modelos com as das observações.

Figura 22. MAE da precipitação, em mm, do ensemble dos modelos em relação à observação antes da
calibração com ACC (a), e após a calibração com ACC (b).

Figura 23. RMSE da precipitação, em mm, do ensemble dos modelos em relação à observação antes da
calibração com ACC (a), e após a calibração com ACC (b).

5.5

Simulação da produção das culturas a partir da precipitação observada e estimada

pelos modelos do CMIP6.
Os resultados apresentados no tópico 5.4 mostraram que os modelos do CMIP6 podem
ter sua precipitação original estimada amplamente melhorada se alguma técnica de pós
processamento dessas informações for adotada. A ACC mostrou-se uma metodologia eficaz
para a reamostragem da precipitação dos modelos do CMIP6 no período histórico de 1974 a
2014. Diante disso, a etapa seguinte consiste em analisar o potencial da previsão das principais
safras de Alagoas - feijão, milho e mandioca - considerando as três mesorregiões do estado.
Esta avaliação será conduzida a partir da precipitação interpolada e nas projeções dos modelos,
antes e após calibração com ACC, durante a principal estação de crescimento dessas culturas,
que ocorre entre os meses de abril a setembro.
A ACC é uma técnica de análise multivariada amplamente utilizada para gerar previsões
climáticas operacionais (Mason e Tippett., 2017; Esquivel et al., 2018; Hossain et al., 2019),
mas que também pode ser usada para relacionar saídas brutas de modelos dinâmicos à
observações, por exemplo, precipitação acumulada prevista de um mês relativo a um período
de referência passado (hindcast) com as observações reais desse período, e assim recalibrar e
corrigir viéses nessas previsões, permitindo aplicar essa correção as futuras previsões dos
modelos.
Totais de precipitação do semestre AMJJAS foram os preditores (X), e a produção
média do feijão, milho e mandioca de cada mesorregião de Alagoas os preditandos (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. 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. Essa pesquisa se ateve a

simulações históricas, recomendando-se para pesquisas subsequentes usar os modelos para
estimar a produção futura dessas culturas mediante cenários de mudanças climáticas.
A Tabela 4 mostra os parâmetros obtidos a partir do uso da precipitação interpolada
acumulada de abril a setembro como variável preditora da produção das culturas de 1974 a
2014. Os resultados mostram, para todas as culturas nas três mesorregiões, valores de correlação
estatisticamente significativas, e respectivos valores de erros. As Tabelas 5 e 6 mostram os
mesmos parâmetros obtidos a partir da simulação da produção das culturas com a precipitação
do modelo australiano ACCESS-CM2 antes e após a calibração com ACC.

Tabela 4. Parâmetros estatísticos obtidos a partir da simulação da produção das culturas nas
mesorregiões alagoanas usando como variável preditora a precipitação interpolada no semestre
AMJJAS. Valores de correlação em azul destacam a significância estatística.
Simulação a partir da precipitação observada
Culturas
CORREL BIAS MAE RMSE
Feijão-sertão
0,66
0,0 87
105
Mandioca-sertão
0,66
0,0 608 763
Milho-sertão
0,84
0,0 72
83
Feijão-agreste
0,49
0,0 80
97
Mandioca-agreste 0,84
0,0 668 802
Milho-agreste
0,77
0,0 78
100
Feijão-leste
0,53
0,0 45
63
Mandioca-leste
0,70
0,0 412 536
Milho-leste
0,71
0,0 42
54

Tabela 5. Parâmetros estatísticos obtidos a partir da simulação da produção das culturas nas
mesorregiões alagoanas usando como variável preditora a precipitação original do modelo ACCESSCM2. Valores de correlação em azul destacam a significância estatística.
Simulação a partir da precipitação ACCESS-CM2 sem
ACC
Culturas
CORREL BIAS MAE RMSE
Feijão-sertão
0,38
0,0 106
130
Mandioca-sertão
0,16
0,0 801 1002
Milho-sertão
0,35
0,0 114
144
Feijão-agreste
0,34
0,0
81
104
Mandioca-agreste
0,17
0,0 1167 1472
Milho-agreste
0,38
0,0 115
144
Feijão-leste
0,17
0,0
54
73
Mandioca-leste
0,17
0,0 534
744
Milho-leste
0,10
0,0
57
76

Tabela 6. Parâmetros estatísticos obtidos a partir da simulação da produção das culturas nas
mesorregiões alagoanas usando como variável preditora a precipitação do modelo ACCESS-CM2 após
correção do viés com ACC. Valores de correlação em azul destacam a significância estatística.
Simulação a partir da precipitação ACCESS-CM2 com
ACC
Culturas
CORREL BIAS MAE RMSE
Feijão-sertão
0,55
0,0 104
120
Mandioca-sertão
0,39
0,0 737
946
Milho-sertão
0,48
0,0 113
135
Feijão-agreste
0,43
0,0
76
100
Mandioca-agreste
0,45
0,0 1058 1333
Milho-agreste
0,57
0,0
92
129
Feijão-leste
0,18
0,0
54
73
Mandioca-leste
0,31
0,0 539
720
Milho-leste
0,43
0,0
53
69

Diante dos resultados apresentados nas tabelas 4, 5 e 6, nota-se que seria repetitivo
apresentar todas as tabelas para os demais sete modelos restantes. Dessa forma, a fim de
sintetizar os resultados dos modelos individualmente, mostra-se na Tabela 7 o número de
mesorregiões com culturas cujas simulações apresentaram correlações estatisticamente
significativas. Vê-se na Tabela que, com exceção dos modelos GFDL-ESM4 e NORESM2MM, que apresentaram correlações significativas para todas as culturas em todas as
mesorregiões, em média as simulações com a precipitação dos modelos após calibração com
ACC apresenta número maior de mesorregiões com correlações estatisticamente significantes.
As medidas de erro das estimativas em relação a média das observações, MAE e RMSE,
naturalmente aumentam com as simulações dos modelos antes e após correção do viés com
ACC em relação as simulações usando a precipitação observada do período, o que é natural ao
se tratar de modelagem numérica. No entanto, tais erros são geralmente, inferiores ao valor do
desvio padrão observado.
No entanto, os resultados da Tabela 7 não mostram, em média, um número muito mais
elevado de simulações para as culturas em suas mesorregiões com correlações estatisticamente
significantes em relação as simulações com as precipitações originais dos modelos sem nenhum
tipo de tratamento. Isso demonstra que a técnica em si de previsão usando ACC,
independentemente de haver ou não a correção da precipitação bruta dos modelos, tem a
tendência de tentar ajustar o máximo possível um modelo de regressão que seja condizente
entre a variável preditora (precipitação calibrada ou não) e o preditando (a produção das culturas
nas mesorregiões alagoanas).

Tabela 7. Número de simulações, de acordo com as mesorregiões, que apresentaram correlações
significativas da produção quando comparadas a produção observada.

Mesorregiões com simulações estatisticamente significativas
Modelo
r ≥ 0,3 antes da correção com ACC r ≥ 0,3 após da correção com ACC
ACCESS-CM2
4
8
BCC-CSM2-MR
6
8
CNRM-CM6-1-HR
6
7
GFDL-ESM4
9
8
MIROC6
7
9
NORESM2-MM
6
5
INM-CM5-0
9
6
TaiESM1
8
9
Média
7
8

Os resultados sintetizados da Tabela 7 motivaram a investigação final dessa pesquisa,
que foi avaliar esses mesmos parâmetros, quando obtidos de simulações a partir do ensemble
da precipitação original, e após calibração com ACC, dos oito modelos do CMIP6. Por fim,
esses resultados são comparados aos resultados do ensemble da própria produção simulada
pelos modelos. De forma relativamente surpreendente, ao se usar como variável preditora a
precipitação original média dos modelos sem calibração com ACC, o resultado das simulações
da produção das culturas é um pouco superior aos mesmos resultados obtidos com a variável
preditora sendo a precipitação média dos modelos calibrados com ACC. Isso pode ser visto nas
Tabelas 8 e 9, respectivamente. Na Tabela 8 percebe-se que 8 das 9 simulações usando-se a
precipitação dos modelos sem correção apresentaram correlações estatisticamente
significativas, contra 7 das 9 simulações usando-se a precipitação dos modelos com correção
de viés.

Tabela 8. Parâmetros estatísticos obtidos a partir da simulação da produção das culturas nas
mesorregiões alagoanas usando como variável preditora a precipitação média dos modelos no semestre
AMJJAS sem correção de viés da ACC. Valores de correlação em azul destacam a significância
estatística.
Simulação a partir do ensemble da precipitação
dos modelos sem ACC
Culturas
CORREL BIAS MAE RMSE
Feijão-sertão
0,54
0,0 97
119
Mandioca-sertão
0,34
0,0 764 958
Milho-sertão
0,35
0,0 114 143
Feijão-agreste
0,59
0,0 76
90
Mandioca-agreste
0,31
0,0 1093 1426
Milho-agreste
0,42
0,0 101 142

Feijão-leste
Mandioca-leste
Milho-leste

0,19
0,38
0,36

0,0
0,0
0,0

55
546
54

73
698
71

Tabela 9. Parâmetros estatísticos obtidos a partir da simulação da produção das culturas nas
mesorregiões alagoanas usando como variável preditora a precipitação média dos modelos no semestre
AMJJAS com correção de viés da ACC. Valores de correlação em azul destacam a significância
estatística.
Simulação a partir do ensemble da precipitação
dos modelos com ACC
Culturas
CORREL BIAS MAE RMSE
Feijão-sertão
0,53
0,0 102 121
Mandioca-sertão
0,33
0,0 741 962
Milho-sertão
0,51
0,0 108 133
Feijão-agreste
0,31
0,0 81
105
Mandioca-agreste
0,62
0,0 964 1203
Milho-agreste
0,57
0,0 95
128
Feijão-leste
0,13
0,0 55
74
Mandioca-leste
0,36
0,0 526 703
Milho-leste
0,29
0,0 57
73

Diante dos resultados apresentados, e com a justificativa de se avaliar se os mesmos
parâmetros estatísticos seriam similares aos das Tabelas 8 e 9 usando-se, de forma mais simples,
a média das próprias simulações dos modelos antes e após a calibração com ACC, chega-se ao
resultado mais interessante da pesquisa. Uma vez findadas as simulações com cada modelo,
para cada cultura de respectiva mesorregião, usando-se como variáveis preditoras a precipitação
acumulada dos modelos sem e com correção de viés, tem-se que, tanto para as situações
envolvendo ou não o pós-processamento da precipitação com ACC, os parâmetros são os
melhores encontrados e as simulações tendem, em média, a representarem melhor o
comportamento observado.
Da média das simulações sem calibração da precipitação dos modelos, a menor
correlação entre simulação da produção com as observações foi de 0,74 para o milho da
mesorregião leste de Alagoas, e a maior de 0,85 para o feijão da mesorregião do sertão alagoano.
Já da média de simulações da produção proveniente dos modelos com calibração da
precipitação, a menor correlação foi de 0,64 para a mandioca do leste alagoano e a maior foi de
0,79 para o feijão do sertão alagoano. Esses resultados são apresentados nas Tabelas 10 e 11,
respectivamente.

Tabela 10. Parâmetros estatísticos obtidos a partir da média das simulações da produção das culturas
nas mesorregiões alagoanas usando como variável preditora a precipitação média dos modelos no
semestre AMJJAS sem correção de viés da ACC. Valores de correlação em azul destacam a significância
estatística.
Simulação a partir do ensemble das produções
obtidas sem calibração da precipitação dos
modelos com ACC
Culturas
CORREL BIAS MAE RMSE
Feijão-sertão
0,79
0,0 99
118
Mandioca-sertão
0,75
0,0 693 870
Milho-sertão
0,85
0,0 94
119
Feijão-agreste
0,82
0,0 73
91
Mandioca-agreste
0,77
0,0 1042 1238
Milho-agreste
0,80
0,0 98
127
Feijão-leste
0,80
0,0 47
62
Mandioca-leste
0,82
0,0 453 607
Milho-leste
0,74
0,0 49
62

Tabela 11. Parâmetros estatísticos obtidos a partir da média das simulações oriundas dos modelos
calibrados, no semestre AMJJAS. Valores de correlação em azul destacam a significância estatística.

Simulação a partir do ensemble das produções
obtidas com calibração da precipitação dos
modelos com ACC
Culturas
CORREL BIAS MAE RMSE
Feijão-sertão
0,79
0,0 101 118
Mandioca-sertão
0,69
0,0 683 857
Milho-sertão
0,72
0,0 99
124
Feijão-agreste
0,76
0,0 76
96
Mandioca-agreste
0,74
0,0 1009 1245
Milho-agreste
0,74
0,0 94
130
Feijão-leste
0,67
0,0 47
65
Mandioca-leste
0,64
0,0 482 660
Milho-leste
0,67
0,0 51
65

Em resumo, a correlação média da simulação das produções com modelos não
calibrados foi de 0,79 versus 0,71 das simulações com modelos calibrados. O MAE foi igual
nas duas situações, em torno de 294 kg/ha na média das três culturas em todas as mesorregiões,
enquanto o RMSE foi levemente superior também das simulações com modelos não calibrados,
em torno de 366 kg/ka versus 373 kg/ha.

CONCLUSÕES
Buscou-se nessa pesquisa de dissertação investigas a previsibilidade da produção de três

culturas de ciclo curto nas mesorregiões alagoanas usando-se como variável preditora a
precipitação acumulada no semestre mais chuvoso de tais mesorregiões, que devido a pequena
extensão territorial de Alagoas, é homogênea relativa ao semestre que se estende de abril a
setembro. O período de análise foi de 1974 a 2014, ou 41 anos de dados avaliados.
Utilizando a técnica de análise de correlações canônicas (ACC), demonstrou-se que é
possível prever as safras anuais dessas culturas usando-se como variável preditora a
precipitação do semestre AMJJAS, obtendo-se valores plausíveis aos das observações, com
valores de correlações estatisticamente significantes e erros dentro da normalidade, dentro do
intervalo do desvio padrão das observações.
Em seguida, usou-se a precipitação estimada por oito modelos do CMIP6 de 1974 a
2014 para simular a produção das culturas nas mesorregiões, e com relação ao obtido com os
modelos, tem-se as principais conclusões a seguir.
1- A ACC foi, também, eficiente para corrigir os altos vieses da precipitação dos
modelos em relação as observações;
2- A simulação das produções das culturas usando-se a precipitação dos modelos
corrigidas via ACC foram apenas levemente superiores às mesmas simulações usando-se a
precipitação desses modelos sem nenhuma correção de viés;
3- Aplicando-se o conceito de ensemble, a simulação da produção das culturas usandose como variável preditora a média da precipitação de todos os modelos após calibração com
ACC não foi superior as mesmas simulações usando-se a média da precipitação dos modelos
sem a calibração;
4- Ainda se usando o conceito de ensemble, a melhor simulação da produção das
culturas nas mesorregiões é a proveniente da média simples de cada simulação obtida com cada
modelo, com ou sem calibração da precipitação via ACC.
5- A simulação proveniente da média simples das simulações usando a precipitação sem
calibração dos modelos foi levemente superior as obtidas com calibração.
A síntese desses resultados leva a uma conclusão diferente da hipótese da pesquisa, que
era a de que qualquer simulação da produção das culturas proveniente de modelos com a
precipitação corrigida com ACC superaria as simulações usando-se a precipitação dos modelos
sem qualquer tipo de pós processamento.

Por fim, demonstrou-se que a precipitação tende a ser a variável resposta que melhor
representa a produção de culturas de ciclo curto e de subsistência nas mesorregiões alagoanas,
uma vez que são praticadas basicamente em regime de sequeiro.

REFERENCIAS BIBLIOGRÁFICAS

ALMAZROUI, M.; ASHFAQ, M.; ISLAM, M. N.; RASHID, I. U.; KAMIL, S.; ABID, M. A.;
et al. Assessment of CMIP6 performance and projected temperature and precipitation changes
over South America. Earth Systems and Environment, v. 5, p. 155–183, 2021a.
ALMAZROUI, M.; ISLAM, M. N.; SAEED, F.; SAEED, S.; ISMAIL, M.; EHSAN, M. A.; et
al. Projected changes in temperature and precipitation over the United States, Central America,
and the Caribbean in CMIP6 GCMs. Earth Systems and Environment, v. 5, p. 1–24, 2021b.
ALMEIDA, T.N. Impactos na produtividade do feijão na região Nordeste do Brasil sob
condições do cenário climático RCP 4.5. Dissertação de Mestrado, 77p. Instituto de Ciências
atmosféricas – UFAL, Maceió, 2021.
ANDRADE, J.; BASCH, G. Clima e estado do tempo. Fatores e elementos do clima.
Classificação do clima. In: SHAHIDAN, Shakib. et al. Hidrologia agrícola. 1ª edição. Évora:
ICAAM- ECT Universidade de Évora, 2012, cap. 3.
ANGELO, C. IPCC AR6, WG2: RESUMO. Observatório do Clima, Fonte: IPCC AR6 WG2
Summary

for

Policymakers.

Disponível

em:

https://www.oc.eco.br/wp-

content/uploads/2022/02/OC-IPCC-FACTSHEET21.pdf. Acessado em janeiro 2023.
ARAUJO, P.H.C.; SILVA, F.F.; GOMES, M.F.M.; FÉRES, J.G.; BRAGA, M.J. Uma análise
do impacto das mudanças climáticas na produtividade agrícola da região Nordeste do Brasil.
Revista Econômica do Nordeste, v. 45, n. 3, p. 46-57, 2014.
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.
BENNELL, M.R.; CLEUGH, H.A.; LEYS, J.F.; HEIN, D. The effect of hot dry wind on the
pod set of faba bean (Vicia faba) cv. Fiord: A preliminary wind tunnel study. Australian
Journal of Experimental Agriculture, v. 47, n. 12, p. 1468-1475. 2007.

CAMPELO, L.; SANTOS E SILVA, C.M.; BEZERRA, B.; MUTTI, P.R. Analysis of Climate
Extreme Indices in the MATOPIBA Region, Brazil. Pure and Applied Geophysics, v. 177, n.
4, 2020.
COELHO, J.D.; XIMENES, L.F. Feijão: Produção e Mercado. Caderno setorial ETENE, Ano
5, n. 143, p. 1-7, 2020.
CONTINI, E.; MOTA, M.M.; MARRA, R.; BORGHI, E.; MIRANDA, R.A.; SILVA, A.F.;
SILVA, D.D.; MACHADO, J.R.A.; COTA, L.V.; COSTA, R.V.; MENDES, S.M. Milho Caracterização e Desafios Tecnológicos. EMBRAPA - Série Desafios do Agronegócio
Brasileiro (NT2), 2019.
COSTA, R.L.; BAPTISTA, G.M.M.; GOMES, H.B.; SILVA, F.D.S.; DA ROCHA JÚNIOR,
R.L.; SALVADOR, M.A.; HERDIES, D.L. Analysis of climate extremes indices over northeast
Brazil from 1961 to 2014. Weather and Climate Extremes, v. 28, p. 100254, 2020.
DA ROCHA JÚNIOR, R.L.; DOS SANTOS SILVA, F.D.; LISBOA COSTA, R.; BARROS
GOMES, H.; HERDIES, D.L.; RODRIGUES DA SILVA, V.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, p. 457, 2019.
DA ROCHA JÚNIOR, R.L.; SILVA, F.D.S.; COSTA, R.L.; GOMES, H.B.; PINTO, D.D.C.;
HERDIES, D.L. Bivariate Assessment of Drought Return Periods and Frequency in Brazilian
Northeast Using Joint Distribution by Copula Method. Geosciences, v. 10, p. 135, 2020.
DANTAS, L.G.; DOS SANTOS, C.A.C.; SANTOS, C.A.G.; MARTINS, E.S.P.R.; ALVES,
L.M. Future Changes in Temperature and Precipitation over Northeastern Brazil by CMIP6
Model. Water, v. 14, p. 4118, 2022.
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.
EYRING, V.; BONY, S.; MEEHL, G. A.; SENIOR, C. A.; STEVENS, B.; STOUﬀER, R. J.;
TAYLOR, K.E. Overview of the coupled model intercomparison project phase 6 (CMIP6)

experimental design and organization. Geoscientific Model Development, v. 9, p. 1937–1958,
2016.
FAO. Produzir mais com menos: mandioca: um guia para a intensificação sustentável da
produção. Roma, 2013. Informe de política. Disponível em: <http://www.fao.org/3/ai2929o.pdf>. Acesso em: 14 maio de 2023.
FARIAS, A.R.N.; ALVES, A.A.C.; SILVA, A.F.; SOUZA, A.S. et al. Sistema de Produção
de Mandioca no Semiárido. Embrapa Mandioca e Fruticultura, 63p, 2020.
FIRPO, M.A.F.; GUIMARÃES, B.S.; DANTAS, L.G.; SILVA, M.G.B.; ALVES, L.M.;
CHADWICK, R.; LLOPART, M.P.; OLIVEIRA, G.S. Assessment of CMIP6 models'
performance in simulating present-day climate in Brazil. Frontiers in Climate, v. 4, p. 948499,
2022.
GUARDA, V.D.A.; CAMPOS, L.J.M. Bases ecofisiológicas da assimilação de carbono e
suas implicações na produção de forragem. 1ª edição. PALMAS – TO: Embrapa Pesca e
aquicultura, 2014.
GUERRA, A.F.; SILVA, D.B. da; RODRIGUES, G.C. Manejo de irrigação e fertilização
nitrogenada para o feijoeiro na região dos Cerrados. Pesquisa Agropecuária Brasileira,
Brasília, v.35, n.6, p.1229-1236, 2000.
HAM, S.; JEONG, Y. Characteristics of Subseasonal Winter Prediction Skill Assessment of
GloSea5 for East Asia. Atmosphere, v. 12, p. 1311, 2021.
HODGES, L.; SURATMAN, M.N.; BRANDLE, J.M.; HUBBARD, K.G. Growth and Yield of
snap beans as affected by wind protection and microclimate changes due to shelterbelts and
planting dates. HortScience, v. 39, n. 5, p. 996-1004. 2004.
HOFSTRA, N.; HAYLOCK, M.; NEW, M.; JONES, P.; FREI, C. Comparison of six methods
for the interpolation of daily, European climate data. Journal of Geophysical Research:
Atmospheres, v. 113, n. D21, 2008.
HOSSAIN, Z.; AZAD, A.K.; KARMAKAR, S.; MONDAL, N.I.; DAS, M.K.; RAHMAN, M.;
HAQUE, A. Assessment of Better Prediction of Seasonal Rainfall by Climate Predictability

Tool (CPT) using Global Sea Surface Temperature in Bangladesh. Preprints.org 2019,
2019010023.
INTERGOVERNMENTAL

PANEL

CLIMATE

CHANGE.

Summary

for

Policymakers. In: Climate Change 2021: The Physical Science Basis. Contribution of Working
Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change.
Cambridge:

Cambridge

University

Press,

2021.

Disponível

https://

Climate

and

Society,

2006:

www.ipcc.ch/report/ar6/wg1/ Acesso em:6 mar. 2023.
International

Research

Institute

for

http://iridl.ldeo.columbia.edu/outreach/software/index.html.
KATZ, R.W.; PARLANGE, M.B.; TEBALDI, C. Stochastic modelling of the effects of largescale circulation on daily weather in the southeastern US. Climatic Change, v. 60, p. 189-216,
2003.
KLUG, L.B.; MARENGO, J.A.; LUEDEMANN, G. Mudanças climáticas e os desafios
brasileiros para implementação da nova agenda urbana. 2016. Disponível em <
https://repositorio.ipea.gov.br/handle/11058/9184>. Acesso em janeiro de 2023.
LIMA, C.I.S.; SILVA, F.D.S.; FREITAS, I.G.F.; PINTO, D.D.C.; COSTA, R.L.; GOMES,
H.B.; SILVA, E.H.L.; SILVA, L.L.; SILVA, V.P.R.; SILVA, B.K.N. Método Alternativo de
Zoneamento Agroclimático do Milho para o Estado de Alagoas. Revista Brasileira de
Meteorologia, v. 35, p. 1057-1067, 2021.
LLOPART, M.; DOMINGUES, L. M.; TORMA, C.; GIORGI, F.; DA ROCHA, R. P.;
AMBRIZZI, T.; et al. (2021). Assessing changes in the atmospheric water budget as drivers for
precipitation change over two CORDEX-CORE domains. Climate Dynamics, v. 57, p. 1615–
1628, 2021.
LY, Y.; GUO, J.; LI, J.; HAN, Y.; XU, H.; GUO, X.; et al. Increased turbulence in the Eurasian
upper-level jet stream in winter: past and future. Earth and Space Science, v. 8,
e2020EA001556, 2021.
MARTINS, M.A. Estimativa de produtividade das culturas do milho e do sorgo a partir
de modelos agrometeorológicos em algumas localidades da região nordeste do Brasil. SP:
INPE, 2012.

MASSON-DELMOTTE, V.; ZHAI, P.; PIRANI, A.; CONNORS, S.L.; PÉAN, C.; BERGER,
S.; et al. IPCC, 2021: Climate Change 2021: The Physical Science Basis. Cambridge
University In Press.
MEEHL, G.A.; BOER, G.J.; COVEY, C.; LATIF, M.; STOUFFER, R.J. The Coupled Model
Intercomparison Project (CMIP). Bulletin of the American Meteorological Society, 2000.
DOI: 10.1175/1520-0477(2000)081<0313:TCMIPC>2.3.CO;2.
MILLER, S.; MISHRA, V.; ELLENBURG, W.L.; ADAMS, E.; ROBERTS, J.; LIMAYE, A.;
GRIFFIN, R. Analysis of a Short-Term and a Seasonal Precipitation Forecast over Kenya.
Atmosphere, v. 12, p. 1371, 2021.
MONTEVERDE, C.; DE SALES, F.; JONES, C. Evaluation of the CMIP6 Performance in
Simulating Precipitation in the Amazon River Basin. Climate, v. 10, p. 122, 2022.
NOBRE, C.A.; REID, J.; VEIGA, A.P.S. Fundamentos científicos das mudanças climáticas.
1ª edição. São José dos Campos: INPE, 2012.
O’NEILL, B.C.; TEBALDI, C.; VAN VUUREN, D.P.; EYRING, V.; FRIEDLINGSTEIN, P.;
HURTT, G.; KNUTTI, R.; KRIEGLER, E.; LAMARQUE, J-F.; LOWE, J.; MEEHL, G.A.;
MOSS, R.; RIAHI, K., SANDERSON, B.M. The scenario model intercomparison project
(Scenario MIP) for CMIP6. Geoscientific Model Development, v. 9, p. 3461–3482, 2016.
OLIVEIRA, F.A.; SILVA, J.J.S. Evapotranspiração, índice de área foliar e desenvolvimento
radicular do feijão irrigado. Pesquisa Agropecuária Brasileira, Brasília, v.25, n.3, p.317-322,
1990.
OLIVEIRA, L.P.M.; SILVA, F.D.S.; COSTA, R.L.; ROCHA JÚNIOR, R.L.; GOMES, H.B.;
PEREIRA, M.P.S.; MONTEIRO, L.A.; SILVA, V.P.R. Impacto das Mudanças Climáticas na
Produtividade da Cana de Açúcar em Maceió. Revista Brasileira de Meteorologia, v. 35, p.
969-980, 2021.
ORDOÑEZ, L.; VALLEJO, E.; AMARILES, D.; MESA, J.; ESQUIVEL, A.; LLANOSHERRERA, L.; PRAGER, S.D.; SEGURA, C.; VALENCIA, J.J.; DUARTE, C.J.; ROJAS,
D.C.; OBANDO, D.; RAMIREZ-VILLEGAS, J. Applying agroclimatic seasonal forecasts to
improve rainfed maize agronomic management in Colombia. Climate Services, v. 28, p.
100333, 2022.

ORTEGA, G.; ARIAS, P. A.; VILLEGAS, J. C.; MARQUET, P. A.; AND NOBRE, P. (2021).
Present-day and future climate over central and South America according to CMIP5/CMIP6
models. International Journal of Climatology. v. 41, p. 6713–6735, 2021.
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, p. 1113, 2019.
PEIXOTO, I.C. Potencial preditivo da produtividade do milho nas mesoregiões do
nordeste brasileiro. Dissertação de Mestrado, 54p. Instituto de Ciências atmosféricas – UFAL,
Maceió, 2021.
PEREIRA, A.R.; MACHADO, E.C. Análise quantitativa do crescimento de comunidade
vegetais. Instituto Agronômico. Campinas, SP, 33p. (Boletim Técnico, 114). 1987.
RIBEIRO, A.G. As escalas do clima. Boletim de Geografia Teorética, v. 23, n. 46, p. 288294, 1993.
ROCHA JUNIOR, R.L.; PINTO, D.D.C.; DOS SANTOS SILVA, F.D.; GOMES, H.B.;
GOMES, H.B.; COSTA, R.L.; PEREIRA, M.P.S.; PENA, M.; COELHO, C.A.S.; HERDIES,
D.L. An Empirical Seasonal Rainfall Forecasting Model for the Northeast Region of Brazil.
Water, v. 13, p. 1-21, 2021.
SILVA, E.H.L.; SILVA, F.D.S.; DA SILVA JUNIOR, R.S.; PINTO, D.D.C.; COSTA, R.L.;
GOMES, H.B.; CABRAL JÚNIOR, J.B.; DE FREITAS, I.G.F.; HERDIES, D.L. Performance
Assessment of Different Precipitation Databases (Gridded Analyses and Reanalyses) for the
New Brazilian Agricultural Frontier: SEALBA. Water, v. 14, p. 1473, 2022.
SILVA, E.R.L.D.G.; SILVA, M.E.S. Memória de eventos ENOS na precipitação da América
do Sul. Revista do Departamento de Geografia-USP, v. 30, p. 34-55, 2015.
SILVA, F.D.S.; COSTA, R.L.; ANTONIO, M.A.V.; AFONSO, E.O.; SANTOS, D.M.;
MATEUS, N.P.A.; ANTONIO, J.F. Observed trends of potential evapotranspiration in the state
of Alagoas (1961-2016). Revista Brasileira de Geografia Física, v. 11, p. 28-43, 2018.
SILVA, J.S.; CABRAL JÚNIOR, J.B.; RODRIGUES, D.T.; SILVA, F.D.S. Climatology and
significant trends in air temperature in Alagoas, Northeast Brazil. Theoretical and Applied
Climatology, v. 151, p. 1-20, 2023.

SILVA, P.E.; SILVA, C.M.S.; SPYRIDES, M.H.C.; ANDRADE, L.M.B. Análise de Índices
de Extremos Climáticos no Nordeste e Amazônia Brasileira para o Período entre 1980 a 2013.
Anuário do Instituto de Geociências, v. 42, p. 137–148, 2019.
SINGH, A.; ACHARYA, N.; MOHANTY, U.C.; MISHRA, G. Performance of MultiModel
Canonical Correlation Analysis (MMCCA) for prediction of Indian summer monsoon rainfall
using GCMs output. Computes Rendus Geoscience, v. 345(2), p. 62-72, 2012.
STEVENS, K.; RUSCHER, P.H. Large scale climate oscillations and mesoscale surface
meteorological variability in the Apalachicola Chattahoochee-Flint River Basin. Journal of
Hydrology, v. 517, p. 700-714, 2014.
WILKS, D.S. Statistical Methods in the Atmospheric Sciences, 3rd ed.; Academic Press:
Cambridge, MA, USA, 2011.
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.