DISSERTACAO-MESTRADO-MARIO_HENRIQUE.pdf
Documento PDF (11.8MB)

Exibir conteúdo Baixar

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

MÁRIO HENRIQUE GUILHERME DOS SANTOS VANDERLEI

ANÁLISE DE MÉTODOS DE CORREÇÃO DE VIÉS APLICADOS A
TEMPERATURA SIMULADA POR UM MODELO REGIONAL PARA A
AMAZÔNIA LEGAL BRASILEIRA

MACEIÓ – AL
2026
2025

MÁRIO HENRIQUE GUILHERME DOS SANTOS VANDERLEI

ANÁLISE DE MÉTODOS DE CORREÇÃO DE VIÉS APLICADOS A
TEMPERATURA SIMULADA POR UM MODELO REGIONAL PARA A
AMAZÔNIA LEGAL BRASILEIRA

Dissertação de mestrado apresentada ao Programa de
Pós-Graduação 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
2026
2025

Catalogação na Fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecário: Marcelino de Carvalho Freitas Neto – CRB-4 – 1767
V235a

Vanderlei, Mário Henrique Guilherme dos Santos.
Análise de métodos de correção de viés aplicados a temperatura simulada por
um modelo regional para a Amazônia Legal Brasileira / Mário Henrique
Guilherme dos Santos Vanderlei. – 2025.
132 f. : il.
Orientador: Fabricio Daniel dos S. Silva.
Co-orientadora: Rafaela Lisboa Costa.
Dissertação (Mestrado em Meteorologia) – Universidade Federal de Alagoas.
Instituto de Ciências Atmosféricas. Maceió, 2025.
Bibliografia: f. 118-132.
1. Temperatura. 2. Modelos climáticos. 3. Correlação canônica (Estatística). 4.
Análise de regressão. 5. Correção de viés. I. Título.
CDU: 551.52

FOLHA DE APROVAÇÃO

CERTIFICADO DE APRESENTAÇÃO
N.º de ordem: MET-UFAL-MS215.
“ANÁLISE DE MÉTODOS DE CORREÇÃO DE VIÉS APLICADOS A TEMPERATURA SIMULADA POR
UM MODELO REGIONAL PARA A AMAZÔNIA LEGAL BRASILEIRA.”

MARIO HENRIQUE GUILHERME DOS SANTOS VANDERLEI

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. Helber Barros Gomes
(Membro Interno)

_________________________________________________

Profa. Dra. Claudia Priscila Wanzeler da Costa
(Membro Externo)
FEVEREIRO/2026

RESUMO
Este estudo teve como objetivo avaliar as simulações históricas de temperatura máxima
e mínima do ar sobre a Amazônia Legal Brasileira (ALB) geradas pelo modelo climático
global MPI-ESM1-2-HR, antes e após a regionalização dinâmica com o modelo
RegCM4.7.1, bem como analisar a eficácia de métodos estatísticos multivariados de
correção de viés na redução dos erros sistemáticos associados a essas simulações. Foram
analisadas simulações contínuas de 32 anos (1981–2012), comparadas a dados
observacionais em grade regular de 0,5° x 0,5° sobre a ALB. Seis experimentos foram
considerados: (1) MPI, correspondente às saídas brutas do MPI-ESM1-2-HR; (2) REG,
referente às simulações regionalizadas com o RegCM4.7.1; e (3-6) quatro experimentos
com aplicação dos métodos de Análise de Correlação Canônica Ajustada (ACC) e
Regressão por Componentes Principais (RCP), resultando nos experimentos MPI-ACC,
MPI-RCP, REG-ACC e REG-RCP. Inicialmente, foi aplicada uma análise de cluster às
séries temporais de temperatura, permitindo a identificação de seis grupos termicamente
homogêneos na ALB, os quais apresentaram comportamentos distintos quanto à
variabilidade térmica e ao desempenho dos modelos. A avaliação dos extremos térmicos,
baseada nos índices do ETCCDI, indicou limitações relevantes das simulações sem
correção na representação da frequência e intensidade dos extremos, sobretudo
associados à temperatura mínima. A avaliação mensal do desempenho, realizada por meio
dos Diagramas de Taylor, do coeficiente de correlação, do erro médio absoluto (MAE),
da raiz do erro quadrático médio (RMSE) e da eficiência de Kling-Gupta (KGE), revelou
desempenho insatisfatório das simulações sem correção, que ocuparam sistematicamente
as últimas posições nos rankings. Para a temperatura mínima, o experimento REG-RCP
apresentou desempenho superior em todos os grupos homogêneos, alcançando pontuação
máxima nos Diagramas de Taylor (10,0), no KGE (10,0) e no RMSE (10,0), além de
elevada pontuação no MAE (9,7), resultando em uma classificação final de 9,6, enquanto
REG-ACC (8,5) e MPI-RCP (8,3) apresentaram desempenho intermediário. Para a
temperatura máxima, resultados consistentes foram observados, com o REG-RCP
novamente apresentando o melhor desempenho geral, atingindo pontuações de 9,8 nos
Diagramas de Taylor e 10,0 no KGE, MAE e RMSE, culminando em uma classificação
final de 9,9. De forma geral, os ganhos proporcionados pelas técnicas de correção de viés
foram mais expressivos quando aplicadas às simulações regionalizadas, evidenciando que
a combinação entre regionalização dinâmica, análise de cluster e correção estatística
multivariada, especialmente por meio da RCP, é fundamental para aprimorar a
representação da variabilidade média e dos extremos térmicos na ALB, contribuindo para
a redução das incertezas na região.
Palavras-chave: temperatura, modelos, análise de correlações canônicas, regressão por
componentes principais, correção de viés.

ABSTRACT
This study aimed to evaluate historical simulations of maximum and minimum air
temperature over the Brazilian Legal Amazon (BLA) generated by the global climate
model MPI-ESM1-2-HR, before and after dynamic downscaling with the RegCM4.7.1
model, as well as to assess the effectiveness of multivariate statistical bias-correction
methods in reducing the systematic errors associated with these simulations. Continuous
32-year simulations (1981-2012) were analyzed and compared against observational data
on a regular 0.5° x 0.5° grid over the BLA. Six experiments were considered: (1) MPI,
corresponding to the raw MPI-ESM1-2-HR outputs; (2) REG, referring to the
dynamically downscaled simulations produced with RegCM4.7.1; and (3-6) four
experiments applying Adjusted Canonical Correlation Analysis (ACC) and Principal
Component Regression (RCP) to the MPI and REG outputs, resulting in the MPI-ACC,
MPI-RCP, REG-ACC, and REG-RCP experiments. Initially, a cluster analysis was
applied to the temperature time series, allowing the identification of six thermally
homogeneous groups across the BLA, which exhibited distinct behaviors in terms of
thermal variability and model performance. The assessment of thermal extremes, based
on ETCCDI indices, revealed significant limitations of the uncorrected simulations in
representing the frequency and intensity of extremes, particularly those associated with
minimum temperature. Monthly performance evaluation using Taylor diagrams, Pearson
correlation coefficient, mean absolute error (MAE), root mean square error (RMSE), and
Kling-Gupta Efficiency (KGE) indicated poor performance of the uncorrected
simulations, which consistently ranked in the lowest positions. For minimum
temperature, the REG-RCP experiment showed superior performance across all
homogeneous groups, achieving maximum scores in the Taylor diagrams (10.0), KGE
(10.0), and RMSE (10.0), as well as a high MAE score (9.7), resulting in a final ranking
score of 9.6, whereas REG-ACC (8.5) and MPI-RCP (8.3) exhibited intermediate
performance. For maximum temperature, consistent results were observed, with REGRCP again presenting the best overall performance, attaining scores of 9.8 in the Taylor
diagrams and 10.0 in KGE, MAE, and RMSE, culminating in a final ranking score of 9.9.
Overall, the improvements provided by the bias-correction techniques were more
pronounced when applied to the dynamically downscaled simulations, demonstrating that
the combination of dynamic downscaling, cluster analysis, and multivariate statistical
bias correction, particularly through RCP, is essential to improve the representation of
mean temperature variability and thermal extremes over the BLA, thereby contributing
to the reduction of uncertainties in the region.
Keywords: temperature, models, canonical correlation analysis, principal component
regression, bias correction.

LISTA DE FIGURAS

Figura 1. Localização geográfica da ALB na América do Sul, com ênfase em sua
topografia com as respectivas abreviaturas de cada estado e a respectiva distribuição
espacial dos pontos de grau da precipitação observada na ALB......................................18
Figura 2. Domínio e topografia (m) utilizada nas simulações climáticas do REG com
resolução horizontal de 25 km. A linha sólida vermelha representa a área da ALB.......22
Figura 3. Fluxograma do delineamento metodológico dos experimentos realizados.....23
Figura 4. Climatologia mensal da temperatura mínima do ar (°C) sobre a ALB, referente
aos meses de janeiro a junho, obtida a partir de dados observados (OBS), do modelo
climático global MPI e do modelo climático regional REG, para o período de 19812012.................................................................................................................................34
Figura 5. Climatologia mensal da temperatura mínima do ar (°C) sobre a ALB, referente
aos meses de julho a dezembro, obtida a partir de dados observados (OBS), do modelo
climático global MPI e do modelo climático regional REG, para o período de 19812012.................................................................................................................................36
Figura 6. Diferença mensal da temperatura mínima do ar (°C) entre os modelos
climáticos (MPI e REG) e os dados observacionais na ALB, para o primeiro semestre
(janeiro a junho)..............................................................................................................38
Figura 7. Diferença mensal da temperatura mínima do ar (°C) entre os modelos
climáticos (MPI e REG) e os dados observacionais na ALB, para o segundo semestre
(julho a dezembro)..........................................................................................................40
Figura 8. Distribuição espacial da correlação de Pearson (r) entre a temperatura mínima
mensal simulada pelo modelo MPI e os dados observados na ALB, para o primeiro
semestre (janeiro a junho)..............................................................................................43
Figura 9. Distribuição espacial da correlação de Pearson (r) entre a temperatura mínima
mensal simulada pelo modelo MPI e os dados observados na ALB, para o segundo
semestre (julho a dezembro)..........................................................................................44
Figura 10. Distribuição espacial da correlação de Pearson (r) entre a temperatura mínima
mensal simulada pelo modelo REG e os dados observados na ALB, para o primeiro
semestre (janeiro a junho)..............................................................................................47

Figura 11. Distribuição espacial da correlação de Pearson (r) entre a temperatura mínima
mensal simulada pelo modelo REG e os dados observados na ALB, para o segundo
semestre (julho a dezembro).............................................................................................48
Figura 12. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura mínima para o modelo MPI no primeiro semestre (janeirojunho)...............................................................................................................................51
Figura 13. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura mínima para o modelo MPI no segundo semestre (julhodezembro)........................................................................................................................52
Figura 14. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura mínima para o modelo REG no primeiro semestre (janeirojunho)...............................................................................................................................54
Figura 15. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura mínima para o modelo REG no segundo semestre (julhodezembro)........................................................................................................................55
Figura 16. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura mínima para o modelo MPI no primeiro semestre (janeiro-junho).............58
Figura 17. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura mínima para o modelo MPI no segundo semestre (julho-dezembro).........59
Figura 18. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura mínima para o modelo REG no primeiro semestre (janeiro-junho)............61
Figura 19. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura mínima para o modelo REG no segundo semestre (julho-dezembro)........62
Figura 20. Climatologia mensal da temperatura máxima do ar (°C) sobre a ALB,
referente aos meses de janeiro a junho, obtida a partir de dados observados (OBS), do
modelo climático global MPI e do modelo climático regional REG, para o período de
1981-2012.......................................................................................................................65
Figura 21. Climatologia mensal da temperatura máxima do ar (°C) sobre a ALB,
referente aos meses de julho a dezembro, obtida a partir de dados observados (OBS), do
modelo climático global MPI e do modelo climático regional REG, para o período de
1981-2012.......................................................................................................................66
Figura 22. Diferença mensal da temperatura máxima do ar (°C) entre os modelos
climáticos (MPI e REG) e os dados observacionais na ALB, para o primeiro semestre
(janeiro a junho)..............................................................................................................68

Figura 23. Diferença mensal da temperatura máxima do ar (°C) entre os modelos
climáticos (MPI e REG) e os dados observacionais na ALB, para o segundo semestre
(julho a dezembro)..........................................................................................................69
Figura 24. Distribuição espacial da correlação de Pearson (r) entre a temperatura máxima
mensal simulada pelo modelo MPI e os dados observados na ALB, para o primeiro
semestre (janeiro a junho)..............................................................................................72
Figura 25. Distribuição espacial da correlação de Pearson (r) entre a temperatura máxima
mensal simulada pelo modelo MPI e os dados observados na ALB, para o segundo
semestre (julho a dezembro)..........................................................................................73
Figura 26. Distribuição espacial da correlação de Pearson (r) entre a temperatura máxima
mensal simulada pelo modelo REG e os dados observados na ALB, para o primeiro
semestre (janeiro a junho)..............................................................................................76
Figura 27. Distribuição espacial da correlação de Pearson (r) entre a temperatura máxima
mensal simulada pelo modelo REG e os dados observados na ALB, para o segundo
semestre (julho a dezembro)...........................................................................................77
Figura 28. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura máxima para o modelo MPI no primeiro semestre (janeirojunho)..............................................................................................................................80
Figura 29. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura máxima para o modelo MPI no segundo semestre (julhodezembro)........................................................................................................................81
Figura 30. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura máxima para o modelo REG no primeiro semestre (janeirojunho)...............................................................................................................................83
Figura 31. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura máxima para o modelo REG no segundo semestre (julhodezembro)........................................................................................................................84
Figura 32. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura máxima para o modelo MPI no primeiro semestre (janeiro-junho)............87
Figura 33. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura máxima para o modelo MPI no segundo semestre (julho-dezembro).........88
Figura 34. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura máxima para o modelo REG no primeiro semestre (janeiro-junho)............91

Figura 35. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura máxima para o modelo REG no segundo semestre (julho-dezembro)..........92
Figura 36a e 36b. Determinação e estruturação dos grupos termicamente homogêneos
na ALB. (a) Curva do método do cotovelo (Elbow Method), baseada na soma dos
quadrados intra-clusters, utilizada para a definição do número ótimo de agrupamentos.
(b) Dendrograma hierárquico obtido a partir da distância euclidiana entre as estações,
evidenciando a formação de seis grupos termicamente homogêneos.............................95
Figura 37. Distribuição espacial dos grupos termicamente homogêneos na ALB, obtidos
por meio da análise de clusters aplicada às séries de temperatura média.......................95
Figura 38. Ciclo anual da temperatura média nos grupos termicamente homogêneos da
ALB.................................................................................................................................96
Figura 39. Diagramas de Taylor para a avaliação do desempenho das simulações de
temperatura mínima nos grupos termicamente homogêneos da ALB............................98
Figura 40. Diagramas de Taylor para a avaliação do desempenho das simulações de
temperatura máxima nos grupos termicamente homogêneos da ALB............................105
Figura 41. Tendências dos índices de extremos climáticos de temperatura no Grupo 1 da
ALB, no período de 1981–2012.....................................................................................110
Figura 42. Tendências dos índices de extremos climáticos de temperatura no Grupo 2 da
ALB, no período de 1981–2012.....................................................................................110
Figura 43. Tendências dos índices de extremos climáticos de temperatura no Grupo 3 da
ALB, no período de 1981–2012.....................................................................................111
Figura 44. Tendências dos índices de extremos climáticos de temperatura no Grupo 4 da
ALB, no período de 1981–2012.....................................................................................112
Figura 45. Tendências dos índices de extremos climáticos de temperatura no Grupo 5 da
ALB, no período de 1981–2012.....................................................................................112
Figura 46. Tendências dos índices de extremos climáticos de temperatura no Grupo 6 da
ALB, no período de 1981–2012.....................................................................................113

LISTA DE TABELAS

Tabela 1. Modelo do CMIP6 usado no estudo e suas principais características...............21
Tabela 2. Índices climáticos derivados de dados diários de precipitação e temperaturas
máximas e mínimas, com definições e unidades..............................................................30
Tabela 3. Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base nos Diagramas de Taylor (temperatura mínima).........100
Tabela 4. Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no KGE (temperatura mínima)...................................101
Tabela 5. Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base nos vieses (temperatura mínima)................................101
Tabela 6. Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no MAE (temperatura mínima)..................................101
Tabela 7. Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no RMSE (temperatura mínima)................................102
Tabela 8. Ranking com a classificação final do desempenho dos modelos climáticos nos
grupos termicamente homogêneos da ALB (temperatura mínima)................................102
Tabela 9. Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base nos Diagramas de Taylor (temperatura máxima).........106
Tabela 10. Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no KGE (temperatura máxima)..................................107
Tabela 11. Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base nos vieses (temperatura máxima)................................107
Tabela 12. Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no MAE (temperatura máxima)..................................108
Tabela 13. Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no RMSE (temperatura máxima)...............................108
Tabela 14. Ranking com a classificação final do desempenho dos modelos climáticos nos
grupos termicamente homogêneos da ALB (temperatura máxima)...............................108

LISTA DE ABREVIATURAS

IPCC – Painel Intergovernamental de Mudanças Climáticas
ALB – Amazônia Legal Brasileira
IBGE - Instituto Brasileiro de Geografia e Estatística
ACC – Análise de Correlações Canônicas
RCP – Regressão por Componentes Principais
CMIP – Coupled Model Intercomparison Project
INMET – Instituto Nacional de Meteorologia
ANA – Agência Nacional de Água e Saneamento Básico
MSTs – Modelos do Sistema Terrestre
MCRs – Modelos Climáticos Regionais
MCGs – Modelos Climáticos Globais
BDMEP – Banco de Dados Meteorológicos para Ensino e Pesquisa
EL – Escalonamento Linear
QQ – Mapeamento Quantil-Quantil
MPI – Modelo do Instituto Max Planck
RegCM – Modelo Climático Regional
TSM – Temperatura da Superfície do Mar
ZCAS – Zona de Convergência do Atlântico Sul
ZCIT – Zona de Convergência Intertropical
SAMS – Sistema de Monção da América do Sul
ENSO – El Niño Oscilação Sul
CPT – Climate Predictability Tool
MAE – Erro Médio Absoluto
RMSE – Raiz do Erro Quadrático Médio
INPE – Instituto Nacional de Pesquisas Espaciais
MUGDs – Modelos de Vegetação Climática Dinâmicos
CORDEX – Experiência Coordenada de Redução de Escala Climática Regional
WRF - Weather Research and Forecasting model
DD – Downscaling Dinâmico
DE – Downscaling Estatístico
CEM – Correção do Estado Médio

FDC – Função da Densidade Cumulativa
ACP – Análise de Componentes Principais
RLM – Regressão Linear Múltipla
CPs – Componentes Principais
HR – High Resolution (Alta Resolução)
OMA – One Moment Aerosol
AMIP – Atmosphere Model Intercomparison Project
CLM 4.5 – Community Land Model Version 4.5
IRI – International Research Institute for Climate and Society

Sumário
1.INTRODUÇÃO ......................................................................................................................... 1
2.OBJETIVOS .............................................................................................................................. 5
2.1 Geral ........................................................................................................................................ 5
2.2 Específicos .............................................................................................................................. 5
3. REVISÃO DE LITERATURA ................................................................................................. 6
3.1 Mudanças Climáticas e a Modelagem do Clima ..................................................................... 6
3.1.1 O Sistema Climático e a Importância da Amazônia para o Clima Regional e Global ......... 6
3.1.2. Ferramentas para Projeções Climáticas: Modelos Climáticos ............................................ 8
3.1.3 Análise de Extremos Climáticos na Amazônia .................................................................. 10
3.2 Downscaling Climático e a Modelagem Regional ................................................................ 11
3.2.1. A Necessidade do Refinamento de Escala (Downscaling)................................................ 11
3.2.2. Downscaling Dinâmico: Os Modelos Climáticos Regionais (MCR) ................................ 12
3.2.3. O Problema do Viés (Bias) em Simulações Climáticas .................................................... 14
3.3 Métodos de Correção de Viés (Bias Correction) .................................................................. 15
3.3.1. Fundamentos e Objetivos da Correção de Viés................................................................. 15
3.3.2. Categorias de Métodos de Correção de Viés..................................................................... 16
4. METODOLOGIA ................................................................................................................... 18
4.1 Área de estudo ....................................................................................................................... 18
4.2 Dados Observados de Temperatura....................................................................................... 19
4.3 Modelagem Climática e Delineamento Experimental........................................................... 20
4.3.1 Configuração da Modelagem: do Global ao Regional ....................................................... 20
4.3.1.1 O Modelo de Sistema Terrestre Global: MPI .................................................................. 20
4.3.1.2 O Downscaling Dinâmico com o Modelo Climático Regional: RegCM ........................ 21
4.3.2 Delineamento dos Experimentos ........................................................................................ 23
4.4 Métodos de Correção de Viés ............................................................................................... 25
4.4.1 Análise de Correlação Canônica (ACC) ............................................................................ 25
4.4.2 Regressão por Componentes Principais (RCP) .................................................................. 26
4.5 O software Climate Predictability Tool (CPT) ..................................................................... 26
4.6 Teste de Desempenho do Método ......................................................................................... 27
4.7 Análise de Cluster e Diagrama de Taylor ............................................................................. 29
4.8 Análise de Extremos Climáticos ........................................................................................... 30
5. RESULTADOS ....................................................................................................................... 33
5.1 Climatologia Observada/MPI/REG – Temperatura Mínima................................................. 33

5.2 Diferenças entre os Dados Observados e os Modelos – Temperatura Mínima ..................... 38
5.3 Correlação entre os Dados Observados e o Modelo MPI – Temperatura Mínima................ 42
5.4 Correlação entre os Dados Observados e o Modelo REG – Temperatura Mínima ............... 46
5.5 Análise da Raiz do Erro Quadrático Médio (RMSE) para o Modelo MPI – Temperatura
Mínima ........................................................................................................................................ 50
5.6 Análise da Raiz do Erro Quadrático Médio (RMSE) para o Modelo REG – Temperatura
Mínima ........................................................................................................................................ 54
5.7 Análise do Kling Gupta Efficiency (KGE) para o Modelo MPI – Temperatura Mínima ..... 57
5.8 Análise do Kling Gupta Efficiency (KGE) Para o Modelo REG – Temperatura Mínima .... 61
5.9 Climatologia Observada/MPI/REG – Temperatura Máxima ................................................ 64
5.10 Diferenças entre os Dados Observados e os Modelos – Temperatura Máxima .................. 68
5.11 Correlação entre os Dados Observados e o Modelo MPI – Temperatura Máxima ............. 71
5.12 Correlação entre os Dados Observados e o Modelo REG – Temperatura Máxima ............ 75
5.13 Análise da Raiz do Erro Quadrático Médio (RMSE) para o Modelo MPI – Temperatura
Máxima ....................................................................................................................................... 79
5.14 Análise da Raiz do Erro Quadrático Médio (RMSE) para o Modelo REG – Temperatura
Máxima ....................................................................................................................................... 83
5.15 Análise do Kling Gupta Efficiency (KGE) para o Modelo MPI – Temperatura Máxima .. 86
5.16 Análise do Kling Gupta Efficiency (KGE) para o Modelo REG – Temperatura Máxima . 90
5.17 Análise de Cluster ............................................................................................................... 94
5.18 Análise Diagrama de Taylor ............................................................................................... 97
5.18.1 Diagrama de Taylor – Temperatura Mínima .................................................................... 97
5.18.2 Diagrama de Taylor – Temperatura Máxima ................................................................. 104
5.19 Análise da Tendência de Eventos Extremos ..................................................................... 110
6. Conclusões ............................................................................................................................ 116
7. Referências Bibliográficas .................................................................................................... 118

1

1. INTRODUÇÃO
A Amazônia Legal Brasileira (ALB) é uma região político-administrativa que
compreende aproximadamente 5,2 milhões de km², equivalente a cerca de 61% do
território nacional (Almeida et al., 2017). Abrange nove estados: Acre, Amapá,
Amazonas, Mato Grosso, Pará, Rondônia, Roraima, Tocantins e parte do Maranhão,
incorporando áreas do bioma Amazônia, além de porções do Cerrado e do Pantanal
(IBGE, 2023; Amaral e Silva et al., 2020).
O clima da ALB é caracterizado por temperaturas médias em torno de 25 °C e
precipitação anual de aproximadamente 2300 mm, sendo cerca de metade desse volume
associada à evapotranspiração da vegetação (Rocha et al., 2019). Nas últimas décadas,
observou-se um aumento médio da temperatura na ordem de 0,03 a 0,05 °C por ano entre
1973 e 2013 (Ishihara et al., 2014), com reflexos diretos na intensificação de secas,
incêndios florestais e vulnerabilidades socioambientais (Marengo et al., 2018). Projeções
recentes do conjunto de modelos do CMIP6 indicam que tais eventos extremos tendem a
se tornar mais frequentes, intensos e duradouros ao longo do século XXI (Parsons, 2020).
A variabilidade térmica na ALB é modulada por diferentes sistemas
atmosféricos de grande escala e de escala regional. Dentre eles, destaca-se o Sistema de
Monção da América do Sul (SAMS), que regula o ciclo anual de aquecimento e
resfriamento da região, influenciando a sazonalidade da temperatura por meio da
alternância entre períodos secos e úmidos (García-Franco et al., 2020). Durante a estação
seca, a redução da nebulosidade e da precipitação favorece o aumento da radiação solar
incidente e do aquecimento superficial, elevando a temperatura máxima do ar, enquanto
na estação chuvosa o aumento da cobertura de nuvens atua como mecanismo moderador
da temperatura (Albright et al., 2021).
Além disso, a atuação da Zona de Convergência Intertropical (ZCIT) exerce
forte influência sobre o balanço de energia na porção norte da ALB, enquanto a Zona de
Convergência do Atlântico Sul (ZCAS) contribui para a modulação da temperatura
principalmente nas regiões sul e sudeste da Amazônia (Adam et al., 2016; Lemes et al.,
2020). Fenômenos de variabilidade climática interanual, como o El Niño - Oscilação Sul
(ENOS), também afetam de forma expressiva o regime térmico da região, com eventos
de El Niño geralmente associados ao aumento da temperatura do ar e à intensificação de

2

ondas de calor, enquanto episódios de La Niña tendem a promover condições
relativamente mais amenas (Cai et al., 2020). Esses sistemas, em conjunto com mudanças
no uso e cobertura da terra, desempenham papel central na variabilidade espacial e
temporal da temperatura na ALB.
A compreensão desses processos e a projeção de cenários climáticos futuros
dependem fortemente do uso de modelos climáticos numéricos. Nesse contexto, os
Modelos de Circulação Global (MCGs) desempenham papel fundamental na
representação dos processos atmosféricos de grande escala. Entretanto, devido à sua
resolução espacial limitada, entre 100 e 250 km, esses modelos apresentam restrições
significativas para análises locais e regionais, especialmente em áreas de elevada
complexidade ambiental como a Amazônia (Boé et al., 2007; IBRAM, 2023). Como
alternativa, os Modelos Climáticos Regionais (MCRs) surgem como ferramentas capazes
de refinar a resolução espacial das simulações, permitindo análises em escalas menores,
inferiores a 10 km, e uma melhor representação dos processos físicos regionais (Tapiador
et al., 2020).
Apesar desses avanços, tanto MCGs quanto MCRs apresentam vieses
sistemáticos em variáveis-chave, como precipitação e temperatura, em função de
simplificações físicas, incertezas nas parametrizações e limitações na representação da
topografia, do uso da terra e dos processos atmosféricos de pequena escala (Sousa et al.,
2023). Esses vieses comprometem a aplicação direta das saídas dos modelos em estudos
climáticos regionais, particularmente em análises de extremos climáticos, uma vez que
pequenas distorções na climatologia média podem resultar em erros substanciais na
frequência, intensidade e persistência de eventos extremos.
Diante desse cenário, a necessidade de dados climáticos mais precisos para
estudos hidrológicos, ecológicos e de planejamento energético torna imprescindível a
aplicação de técnicas de redução de escala (downscaling) e de correção de viés. Essas
técnicas buscam ajustar estatisticamente os resultados dos modelos, aproximando-os das
observações e reduzindo erros sistemáticos (Srivastava et al., 2015). Entre essas
metodologias, destacam-se desde abordagens mais simples, como a correção da média e
o escalonamento linear, até métodos mais robustos, como o mapeamento quantílico,
capaz de preservar características da distribuição estatística e melhorar a representação
de extremos climáticos (Enayati et al., 2020).

3

Entretanto, a eficácia dessas técnicas depende fortemente das condições locais,
especialmente em regiões de elevada complexidade ambiental como a ALB (Teutschbein
& Seibert, 2012). Além disso, métodos tradicionais de correção nem sempre são capazes
de corrigir adequadamente padrões espaciais e sazonais de variáveis climáticas, em
particular da temperatura máxima e mínima, que estão diretamente associadas ao balanço
de energia à superfície. Nesse contexto, métodos estatísticos multivariados surgem como
alternativas promissoras, pois permitem explorar a variação conjunta entre campos
simulados e observados, reduzindo erros sistemáticos, aumentando a coerência espacial
e preservando sinais climáticos relevantes.
Dentre essas abordagens, destacam-se a Análise de Correlação Canônica (ACC)
e a Regressão por Componentes Principais (RCP). A ACC é uma técnica estatística
multivariada que identifica combinações lineares capazes de maximizar a correlação entre
dois conjuntos de variáveis, sendo amplamente empregada em estudos de previsão
sazonal e em análises de associação com fenômenos de grande escala, como o ENOS
(Statheropoulos et al., 1998; Azevedo, 2015). A RCP, por sua vez, deriva da Análise de
Componentes Principais (ACP) e atua na redução da dimensionalidade dos dados ao
identificar os modos dominantes de variabilidade, utilizando os componentes obtidos
como preditores em modelos de regressão. Essa abordagem é particularmente útil diante
da forte correlação entre preditores em dados climáticos e tem sido amplamente aplicada
em estudos de correção de viés climático (Song et al., 2019; Jackson, 2005).
Nesse contexto, o presente estudo propôs avaliar simulações de temperatura
máxima e mínima obtidas pelo modelo climático global MPI-ESM1-2-HR (MPI) e
regionalizadas pelo modelo RegCM4.7.1 (REG), aplicando métodos avançados de
correção de viés baseados em ACC e RCP. A avaliação do desempenho dos modelos,
antes e após a aplicação dessas técnicas, foi conduzida com base em métricas estatísticas
amplamente utilizadas na climatologia, incluindo o coeficiente de correlação de Pearson
(r), o viés médio, o Erro Médio Absoluto (MAE), a Raiz do Erro Quadrático Médio
(RMSE) e o Coeficiente de Eficiência de Kling-Gupta (KGE), que integra
simultaneamente informações de correlação, variabilidade e viés, sendo particularmente
adequado para avaliações hidrológicas e climáticas de forma robusta.
Além da avaliação estatística tradicional, o estudo incorporou a análise de
extremos climáticos, por meio de índices padronizados recomendados pelo Expert Team

4

on Climate Change Detection and Indices (ETCCDI), permitindo investigar de forma
explícita alterações na frequência, intensidade e persistência de extremos térmicos,
possibilitando avaliar não apenas a capacidade dos modelos em reproduzir a climatologia
média, mas também sua habilidade em capturar mudanças nos extremos associados à
temperatura mínima e máxima.
Partindo da hipótese de que as simulações de temperatura máxima e mínima
geradas pelos modelos MPI e REG apresentaram vieses sistemáticos sobre a ALB,
comprometendo sua aplicação direta em estudos climáticos regionais e análises de
extremos, assume-se, que a aplicação de métodos multivariados de correção de viés, como
a ACC e a RCP, é capaz de reduzir significativamente esses erros, aumentar a coerência
espacial, melhorar o desempenho estatístico, inclusive segundo o KGE, e aprimorar a
representação da climatologia mensal e dos extremos térmicos, fortalecendo a
confiabilidade das simulações climáticas para aplicações científicas e de planejamento.

5

2. OBJETIVOS
2.1 Geral
Avaliar o desempenho das simulações históricas de temperatura máxima e mínima
geradas pelo modelo climático global MPI e por sua regionalização com o modelo REG
para a ALB, no período de 1981 a 2012, bem como analisar a eficácia dos métodos
multivariados de correção de viés, ACC e RCP, na redução dos erros sistemáticos
associados a essas simulações.

2.2 Específicos
• Avaliar a capacidade do modelo MPI em representar a variabilidade espacial da
temperatura máxima e mínima na ALB, por meio da comparação com dados
observacionais em grade regular.
• Analisar o desempenho das simulações regionalizadas pelo modelo REG,
investigando as melhorias proporcionadas pelo refinamento espacial e dinâmico em
relação ao modelo global.
• Identificar e quantificar os vieses sistemáticos presentes nas simulações de
temperatura máxima e mínima dos modelos MPI e REG, utilizando métricas estatísticas
clássicas e integradas.
• Aplicar os métodos de correção de viés baseados na ACC e na RCP às saídas
dos modelos, com o objetivo de reduzir erros sistemáticos, aumentar a coerência espacial
e melhorar a representação da variabilidade temporal da temperatura.
• Comparar o desempenho dos modelos antes e após a correção de viés por meio
de métricas estatísticas, como o coeficiente de correlação de Pearson, o viés médio, o Erro
Médio Absoluto (MAE), a Raiz do Erro Quadrático Médio (RMSE) e o Coeficiente de
Eficiência de Kling-Gupta (KGE), destacando os ganhos obtidos com a aplicação das
técnicas multivariadas.
• Avaliar a capacidade dos modelos, antes e após a correção de viés, em
reproduzir índices de extremos climáticos.

6

3. REVISÃO DE LITERATURA
3.1 Mudanças Climáticas e a Modelagem do Clima
3.1.1 O Sistema Climático e a Importância da Amazônia para o Clima
Regional e Global
A ALB, com cerca de 5,2 milhões de km², representa a maior região contínua de
floresta tropical do planeta e abrange nove estados brasileiros, incorporando áreas dos
biomas Amazônia, Cerrado e Pantanal (IBGE, 2025; FAS, 2024). Essa vasta região abriga
um dos ecossistemas com maior diversidade biológica do mundo, desempenhando papel
fundamental na regulação do clima regional e global, especialmente por meio dos ciclos
hidrológicos e da retenção de carbono (Baccini et al., 2012; Houghton, 2013).
O clima da região é predominantemente equatorial úmido, com precipitações
anuais que variam entre 1500 e 3000 mm, sustentadas em parte pela intensa
evapotranspiração da floresta (Philip et al., 2020). A interação entre cobertura vegetal,
hidrografia e atmosfera estabelece um sistema ambiental altamente acoplado, cuja
estabilidade climática depende do balanço entre fluxos de energia e água (Marengo et al.,
2017).
Nas últimas décadas, evidências observacionais indicam mudanças climáticas
aceleradas na Amazônia, com aumento da temperatura média e intensificação de eventos
extremos, como secas prolongadas, que afetam os estoques de biomassa, o ciclo
hidrológico e a funcionalidade do ecossistema (Lewis et al., 2011). A seca de 2015–2016,
considerada uma das mais severas já registradas, evidenciou a vulnerabilidade da região
frente à variabilidade climática e ao aquecimento global (Marengo et al., 2018).
A intensificação das pressões antrópicas, especialmente associadas ao
desmatamento, tem contribuído para alterações significativas nos regimes térmico e
pluviométrico da região, impactando a biodiversidade, os serviços ecossistêmicos e a
saúde das populações locais (Nepstad et al., 2008; Barona et al., 2010). A remoção da
cobertura florestal favorece o aumento da temperatura da superfície e a redução da
umidade do ar, elevando o risco de incêndios florestais e reforçando mecanismos de
retroalimentação positiva do aquecimento regional (Silva Junior et al., 2021). Dados

7

recentes indicam que a Amazônia perdeu aproximadamente 17% de sua cobertura
florestal original até 2021, com efeitos negativos já observáveis no clima regional (INPE,
2022).
A floresta amazônica exerce papel central na regulação do clima regional e
global, sobretudo por sua influência nos ciclos biogeoquímicos e na manutenção do
balanço energético à superfície. Estima-se que cerca de 50% da precipitação da região
seja proveniente da evapotranspiração local, ressaltando a importância do ciclo da água
para a estabilidade climática da bacia amazônica (Rocha et al., 2019). Além disso, a
umidade transportada a partir da Amazônia contribui para a formação de chuvas em outras
regiões da América do Sul, incluindo o Centro-Oeste, o Sudeste do Brasil e o norte da
Argentina, influenciando padrões climáticos em escala continental (Machado-Silva et al.,
2020).
A Amazônia também atua como um dos principais sumidouros de carbono do
planeta, sendo responsável pela absorção de parcela significativa das emissões
antropogênicas globais (Baccini et al., 2017). Contudo, estudos recentes indicam uma
redução progressiva dessa capacidade em função do aumento da frequência e intensidade
de secas, incêndios florestais, degradação florestal e desmatamento (Brienen et al., 2015;
Artemperatura máximao, 2023). Estimativas apontam que os distúrbios florestais
responderam por cerca de 44% das perdas de carbono florestal na Amazônia brasileira
entre 2003 e 2019, enquanto o desmatamento formal contribuiu com aproximadamente
56% dessas perdas (Gatti et al., 2021).
Além do dióxido de carbono, outros gases de efeito estufa e aerossóis, como
metano (CH₄), óxido nitroso (N₂O) e partículas de carbono negro, desempenham papel
relevante no balanço radiativo regional, podendo alterar o efeito líquido da bacia
amazônica sobre o clima global e regional (Artaxo et al., 2013). Evidências sugerem que
o sistema amazônico se aproxima de um ponto crítico, no qual o aumento do
desmatamento, associado ao aquecimento global e à intensificação das secas, pode
desencadear mudanças irreversíveis no ecossistema, com conversão de áreas florestais
em formações mais abertas e secas (Lovejoy & Nobre, 2018).
Observações indicam que a temperatura média na Amazônia aumentou cerca de
0,6 a 0,7 °C nas últimas quatro décadas, com 2016 aparecendo como o ano mais quente
desde meados do século XX (Marengo et al., 2018). O aumento das concentrações

8

atmosféricas de CO₂ pode induzir a redução da abertura dos estômatos das plantas,
reduzindo a transpiração e potencialmente intensificando o aquecimento local por meio
da alteração dos fluxos de calor latente e sensível (Lemes et al., 2022).

3.1.2. Ferramentas para Projeções Climáticas: Modelos Climáticos
A projeção de cenários climáticos futuros constitui um dos pilares da ciência
climática moderna e baseia-se no uso de modelos climáticos numéricos. Os primeiros
avanços na modelagem do clima ocorreram a partir de modelos conceituais simples, como
os modelos de balanço de energia de dimensão zero, que estabeleceram os princípios
fundamentais do efeito estufa (Manabe & Wetherald, 1967). Com o avanço teórico e
computacional, foram desenvolvidos os Modelos de Circulação Global (MCGs), que
passaram a resolver numericamente as equações da dinâmica atmosférica e oceânica,
permitindo a simulação das interações em larga escala entre atmosfera, oceanos e
superfície terrestre (Edwards, 2010).
Apesar de sua complexidade, os MCGs apresentam uma limitação fundamental
associada à sua resolução espacial relativamente grosseira, com grades que tipicamente
variam entre 100 e 250 km (Boé et al., 2007; Flato et al., 2013). Essa limitação dificulta
a representação explícita de processos de mesoescala, como a convecção profunda,
efeitos topográficos detalhados e circulações locais, restringindo sua aplicação direta em
estudos regionais e de impacto local. Estudos de intercomparação entre modelos
climáticos e dados observacionais indicam que tais limitações se refletem em vieses
sistemáticos persistentes na simulação da temperatura máxima e mínima, mesmo em
modelos globais de alta complexidade, evidenciando dificuldades na representação
adequada do balanço de energia à superfície e dos processos físicos associados aos ciclos
diurno e noturno da temperatura (Zhu et al., 2020; Sun et al., 2015).
Com o objetivo de representar de forma mais abrangente os processos que
controlam o sistema climático, surgiram os Modelos do Sistema Terrestre (MSTs), que
representam o estado da arte da modelagem climática global (Döscher et al., 2022). Esses
modelos

incorporam,

além

dos

processos

físicos

tradicionais,

componentes

biogeoquímicos, permitindo a simulação das interações entre clima, biosfera, química
atmosférica e ciclos biogeoquímicos (IPCC, 2021). Entre esses ciclos, destaca-se o ciclo

9

do carbono, cuja representação envolve a simulação da absorção de CO₂ pelos oceanos e
ecossistemas terrestres, bem como a resposta da vegetação às mudanças climáticas e às
variações na concentração atmosférica de CO₂ (Cox et al., 2000; Friedlingstein et al.,
2020; Sitch et al., 2008). Outros ciclos, como o do nitrogênio, também são incorporados,
adicionando maior realismo às interações entre biosfera e clima (Thornton et al., 2009).
Os MSTs mais recentes incluem ainda a representação interativa de aerossóis e
da criosfera, permitindo simular seus efeitos diretos e indiretos sobre o balanço radiativo
e o sistema climático global, embora esses processos ainda representem importantes
fontes de incerteza nas projeções climáticas (Bellouin et al., 2020; Vizcaíno et al., 2009;
IPCC, 2021). Apesar do avanço conceitual e físico desses modelos, a limitação associada
à resolução espacial permanece, especialmente para aplicações em escala regional, o que
restringe a representação detalhada de gradientes térmicos e padrões espaciais de
temperatura.
Nesse contexto, a redução de escala dinâmica por meio dos Modelos Climáticos
Regionais (MCRs) torna-se fundamental. Os MCRs utilizam as condições de contorno
fornecidas por MCGs ou MSTs para realizar simulações em alta resolução espacial,
geralmente entre 10 e 50 km, sobre regiões específicas de interesse (Matte et al., 2017).
Esse processo de aninhamento, amplamente adotado em iniciativas como o CORDEX,
permite uma melhor representação dos processos regionais e da variabilidade espacial das
variáveis climáticas, mantendo a consistência física com os cenários de grande escala
(Gutowski et al., 2020).
Entretanto, um desafio comum a MCGs, MSTs e MCRs é a presença de vieses
sistemáticos quando suas simulações são comparadas a dados observados (Chokkavarapu
& Mandla, 2019; Maraun, 2016). Esses vieses estão associados a limitações nas
parametrizações de processos subgrade, simplificações na representação do uso e
cobertura do solo e dificuldades em simular adequadamente as interações entre circulação
atmosférica e topografia (Arakawa, 2004). No caso específico da temperatura, estudos de
intercomparação indicam que erros na simulação da temperatura máxima estão
frequentemente relacionados à representação do balanço radiativo diurno, enquanto
vieses na temperatura mínima tendem a estar associados a processos noturnos, como a
turbulência e o acoplamento superfície-atmosfera, reforçando a necessidade de análises

10

específicas para temperatura máxima e temperatura mínima (Anwar & Mostafa., 2023;
Lorenz et al., 2014).
Para lidar com essas limitações, a correção estatística de viés tornou-se uma
etapa essencial no uso de dados modelados, especialmente antes de sua aplicação em
análises de impacto climático (Teutschbein & Seibert, 2012). Nesse contexto, os
Experimentos de Intercomparação de Modelos Acoplados, como o CMIP6, foram
estabelecidos para padronizar o desenvolvimento, a avaliação e a comparação entre
modelos climáticos, incorporando diferentes cenários socioeconômicos e trajetórias de
concentração de gases de efeito estufa (Eyring et al., 2016). Apesar dos avanços, estudos
recentes indicam a persistência de vieses relevantes nas simulações do CMIP6,
reforçando a necessidade de avaliações regionais detalhadas e da aplicação de técnicas de
correção de viés (Monteverde et al., 2022).
As incertezas associadas às projeções climáticas decorrem, principalmente, de
três fontes: os cenários futuros de emissões e uso do solo, as diferenças estruturais entre
modelos e a variabilidade natural do sistema climático (Hawkins & Sutton, 2009). Em
projeções de curto prazo, até aproximadamente 2040, a variabilidade natural e as
diferenças entre modelos tendem a dominar as incertezas, enquanto em projeções de
longo prazo, até 2100, a escolha do cenário de emissões torna-se o fator predominante
(Lehner et al., 2020).

3.1.3 Análise de Extremos Climáticos na Amazônia
A análise de extremos climáticos na Amazônia é fundamental para compreender
as variações e impactos dos eventos extremos, como ondas de calor, secas severas, e
chuvas intensas, que têm aumentado em frequência e intensidade nas últimas décadas
(Lucas et al., 2021; Luiz-Silva et al., 2025). Esses eventos extremos influenciam
diretamente a saúde dos ecossistemas, a segurança hídrica, a agricultura, e a qualidade de
vida das populações locais, além de representarem desafios críticos para a adaptação às
mudanças climáticas (Espinoza et al., 2024; Silva et al., 2023).
Estudos recentes demonstram que a região amazônica apresenta uma tendência
de aumento tanto na temperatura máxima diária quanto nos episódios de chuvas intensas,
condicionada por alterações globais e regionais do sistema climático (Costa et al., 2022;

11

Terassi et al., 2023). Por exemplo, a ocorrência de secas hidrológicas severas nas últimas
duas décadas evidenciou a sensibilidade da Amazônia a condições extremas que afetam
a disponibilidade hídrica e aumentam o risco de incêndios florestais (Jimenez-Muñoz et
al., 2016; Panisset et al., 2018).
A modelagem climática desses extremos na Amazônia ainda representa um
desafio, devido à complexidade da interação entre vegetação, hidrografia e o sistema
atmosférico (Brito et al., 2023). A alta variabilidade espacial e temporal dos eventos
extremos exige o uso de modelos com alta resolução regional e a aplicação de técnicas
específicas para identificar, caracterizar e projetar esses eventos (Duffy et al., 2015).
Além disso, a correção de viés nos modelos climáticos deve considerar
especialmente os extremos, pois técnicas convencionais podem não preservar
adequadamente os eventos climáticos extremos, fundamentais para análises de risco e
planejamento ambiental (Trentini et al., 2022; Maraun et al., 2017). Métodos como o
mapeamento quantílico, que ajusta a distribuição completa dos dados, têm se mostrado
eficazes para manter a representatividade dos extremos (Holthuijzen et al., 2021).
Estratégias recentes, como o uso de abordagens multivariadas e técnicas
baseadas em aprendizado de máquina, também têm demonstrado avanços na preservação
e correção de extremos em simulações climáticas (Zhang et al., 2024).

3.2 Downscaling Climático e a Modelagem Regional
3.2.1. A Necessidade do Refinamento de Escala (Downscaling)
A resolução espacial relativamente grosseira dos Modelos de Circulação Global
(MCGs) limita sua aplicação em estudos climáticos regionais e de impacto, que
frequentemente requerem variáveis meteorológicas em resoluções espaciais inferiores a
10 km. Em contraste, a resolução típica dos MCGs situa-se entre 100 e 250 km, o que
dificulta a representação adequada de processos regionais e locais (Richter et al., 2015).
Nesse contexto, o downscaling, ou redução de escala, torna-se uma etapa fundamental
para a obtenção de informações climáticas em alta resolução a partir das saídas dos
modelos globais.

12

O downscaling pode ser realizado por meio de duas abordagens principais. A
primeira consiste no downscaling dinâmico, que se baseia em modelos físicos e busca
aumentar a resolução espacial das simulações climáticas por meio do aninhamento de um
Modelo Climático Regional (MCR) a um MCG ou a um Modelo do Sistema Terrestre
(Tapiador et al., 2020). Essa abordagem permite a simulação explícita de processos
atmosféricos regionais, mantendo a consistência física com as condições de grande
escala.
A segunda abordagem corresponde ao downscaling estatístico, que se fundamenta
no estabelecimento de relações empíricas entre variáveis de grande escala, denominadas
preditoras, e variáveis locais, ou preditandas, na região de interesse (Sachindra et al.,
2016). Para a construção dessas relações são utilizadas diversas técnicas estatísticas,
incluindo regressão linear, Análise de Correlação Canônica (ACC) e redes neurais
artificiais (Karamouz et al., 2010). Entre as principais vantagens do downscaling
estatístico destacam-se a relativa simplicidade de implementação e a capacidade de gerar
informações climáticas em escala local a partir das saídas dos modelos globais.
Entretanto, o downscaling estatístico apresenta limitações importantes, uma vez
que muitos métodos assumem estacionariedade das relações estatísticas ao longo do
tempo e não consideram explicitamente os princípios físicos que regem o sistema
atmosférico (Abatzoglou & Brown, 2011). Além disso, variáveis climáticas são
frequentemente tratadas de forma independente, o que pode resultar em inconsistências
físicas, como o desacoplamento entre temperatura e umidade relativa. A precisão desses
métodos também tende a diminuir nas extremidades da distribuição, levando à
subestimação de eventos extremos (Fowler et al., 2007).

3.2.2. Downscaling Dinâmico: Os Modelos Climáticos Regionais (MCR)
Os Modelos Climáticos Regionais constituem a principal ferramenta para a
aplicação do downscaling dinâmico, permitindo o refinamento da resolução espacial das
simulações climáticas para escalas regionais, geralmente inferiores a 10 km, e fornecendo
resultados fisicamente consistentes em escalas subcontinentais (Wilby et al., 2004;
Goodess et al., 2005). Ao operar em domínios limitados e com maior detalhamento
espacial, os MCRs possibilitam uma melhor representação de processos regionais, como

13

interações solo–atmosfera, efeitos topográficos e gradientes térmicos, que não são
adequadamente resolvidos por modelos globais.
No contexto deste estudo, as simulações de temperatura para a ALB são
aprimoradas a partir do modelo climático global MPI, regionalizado por meio do modelo
REG. O REG é um MCR amplamente utilizado em estudos climáticos regionais, com
aplicações em diferentes regiões do globo e reconhecida capacidade de representar
padrões espaciais de temperatura e precipitação. Avaliações sobre a América do Sul
indicam que o REG apresenta ganhos substanciais na representação da variabilidade
espacial do clima quando comparado aos modelos globais, embora seu desempenho seja
sensível às parametrizações físicas adotadas, especialmente aquelas relacionadas aos
processos de superfície e ao balanço de energia (Teodoro et al., 2021; Pareja-Quispe et
al., 2021).
Diversos estudos têm avaliado o desempenho do REG em diferentes contextos
climáticos. Na China, por exemplo, demonstrou capacidade satisfatória na simulação da
temperatura e da precipitação, embora apresente limitações regionais específicas (Tong
et al., 2020; Gao et al., 2020). Na Península Arábica, Almazroui (2012) mostrou que o
REG, aninhado ao modelo global ECHAM5, apresentou desempenho superior ao do
próprio MCG, fornecendo padrões espaciais mais realistas, especialmente em regiões de
topografia complexa.
Na Amazônia, estudos aplicando o REG evidenciam que a escolha das
parametrizações físicas exerce influência significativa sobre o balanço de energia à
superfície e, consequentemente, sobre a simulação da temperatura e da umidade relativa.
Investigações regionais mostram que diferentes configurações físicas do modelo podem
resultar em variações expressivas na magnitude e na distribuição espacial da temperatura
próxima à superfície, destacando a forte interação entre vegetação, solo e atmosfera,
característica do bioma amazônico. Resultados semelhantes foram observados por Anwar
et al. (2021), que demonstraram que diferentes esquemas hidrológicos no RegCM4
afetam de forma significativa os fluxos de calor e a variabilidade térmica, reforçando a
importância de uma configuração adequada do modelo regional para capturar as
particularidades climáticas da região. Outras aplicações relevantes incluem o uso do
RegCM3 para analisar a sazonalidade da precipitação na Amazônia (Ferreira et al., 2012)

14

e do RegCM4 para projeções futuras da precipitação sazonal na ALB (De Souza et al.,
2016).
No presente trabalho, o REG foi empregado para regionalizar as saídas do MPI,
utilizando um domínio específico para a ALB e uma resolução horizontal de 25 km. Essa
configuração visa aprimorar o detalhamento espacial das simulações de temperatura
máxima e mínima, permitindo análises mais robustas dos padrões térmicos regionais e de
sua variabilidade sazonal. Entretanto, estudos prévios, reconhecem que a regionalização
dinâmica, embora essencial, não elimina completamente os vieses sistemáticos
associados à representação do balanço de energia e das interações solo-atmosfera, o que
reforça a necessidade da aplicação de métodos estatísticos adicionais de correção de viés,
conforme adotado neste estudo (Mbienda et al., 2023; Reboita et al., 2014).

3.2.3. Implicações do Viés (Bias) em Simulações Climáticas
Um dos principais desafios da modelagem climática consiste na presença
persistente de vieses, ou erros sistemáticos, nas simulações, mesmo quando estas
apresentam boa correlação com dados observados (Maraun, 2016). Esses vieses podem
ter origem em limitações na representação da física de processos atmosféricos, na
parametrização de processos subgrade, na representação do uso e cobertura do solo e na
complexidade da interação entre circulação atmosférica e topografia.
A presença de vieses compromete a qualidade das simulações climáticas,
podendo resultar em representações imprecisas de padrões espaço-temporais e de eventos
extremos. Dados de reanálise, por exemplo, tendem a subestimar determinados extremos
devido à resolução espacial limitada, enquanto simulações de mesoescala, como as
produzidas pelo modelo WRF, frequentemente superestimam a precipitação convectiva
em regiões montanhosas (Maraun et al., 2017). Dessa forma, as saídas dos modelos
climáticos, em especial dos Modelos Climáticos Regionais (MCRs), não são
recomendadas para uso direto como dados de entrada em modelos de impacto, uma vez
que apresentam viéses sistemáticos em relação às observações. Tais viéses podem estar
associados a erros na representação das médias climatológicas, da variabilidade temporal
e espacial, bem como da frequência e intensidade de eventos extremos. Como os modelos
de impacto são altamente sensíveis às condições climáticas de entrada, a utilização direta

15

dessas simulações pode resultar em propagação e amplificação dos erros, comprometendo
a confiabilidade dos resultados (Sørland et al., 2018).
A correção de viés é, portanto, considerada uma etapa essencial para aumentar a
confiabilidade das simulações climáticas. Contudo, sua aplicação em estudos de
mudanças climáticas envolve a hipótese de estacionariedade, segundo a qual as relações
estatísticas estabelecidas para o clima presente permanecem válidas sob condições
climáticas futuras, aspecto que ainda constitui um ponto de debate na literatura científica
(Palmer & Weisheimer, 2011).

3.3 Métodos de Correção de Viés (Bias Correction)
3.3.1. Fundamentos e Objetivos da Correção de Viés
A aplicação de técnicas de correção de viés é fundamental para mitigar os erros
sistemáticos presentes nas simulações climáticas, contribuindo para a redução do viés
médio e da raiz do erro quadrático médio (RMSE) quando comparadas a dados
observados (Pierce et al., 2015). O objetivo central dessas técnicas consiste em ajustar
estatisticamente as saídas dos modelos climáticos de modo que reproduzam, de forma
mais fiel, as estatísticas observadas de uma determinada variável climática (Terink et al.,
2010).
De maneira geral, a correção de viés busca reduzir discrepâncias sistemáticas
entre os dados simulados e observados, promovendo maior aderência entre as
distribuições de probabilidade das séries corrigidas e das observações (Mendez et al.,
2020; Luo et al., 2025). Além da redução do erro médio, esse processo tende a melhorar
a distribuição dos resíduos, tornando-a mais simétrica e próxima de uma distribuição
normal, o que aumenta a confiabilidade das simulações corrigidas (Crank et al., 2020).
Esses aprimoramentos são particularmente relevantes para estudos de impacto
climático em áreas como hidrologia, ecologia e planejamento energético. No entanto, a
eficácia das técnicas de correção de viés pode variar significativamente em função das
características regionais, da variável analisada e da complexidade do terreno (Hoffmann
& Rath, 2012). Ademais, a aplicação dessas técnicas pode alterar a forma da distribuição

16

de probabilidade das variáveis corrigidas, o que exige cautela na interpretação dos
resultados.

3.3.2. Categorias de Métodos de Correção de Viés
Os métodos de correção de viés diferem amplamente em termos de
complexidade e abrangência, variando desde ajustes estatísticos simples até técnicas
multivariadas mais avançadas. Entre as abordagens mais diretas destacam-se a Correção
do Estado Médio (CEM), que ajusta apenas a média das séries simuladas, e o
Escalonamento Linear (EL), que corrige simultaneamente a média e a variância dos
dados. O EL é frequentemente considerado uma das técnicas mais simples e amplamente
utilizadas, especialmente em análises com resolução mensal, nas quais seu desempenho
pode ser comparável ao de métodos mais complexos (Ines & Hansen, 2006).
Entre os métodos mais sofisticados, o Mapeamento Quantil-Quantil (Quantile
Mapping - QQ) é amplamente empregado por sua capacidade de corrigir toda a
distribuição probabilística das variáveis climáticas, sendo particularmente eficaz para
dados diários ou subdiários e para a preservação de extremos. Essa técnica baseia-se no
ajuste da Função de Distribuição Acumulada (FDA) das simulações à FDA das
observações, a partir da construção de uma função de correção (Cannon et al., 2015).
Apesar de sua ampla aceitação, o QQ apresenta limitações relevantes, como a
incapacidade de corrigir adequadamente a autocorrelação temporal das séries e a
aplicação independente a cada variável, o que pode resultar em inconsistências físicas
quando os vieses entre variáveis são interdependentes (Enayati et al., 2020).
Outras abordagens incluem a Transformação de Potência, o Escalonamento
Baseado em Distribuição e métodos baseados em cópulas, que permitem o acoplamento
estatístico entre diferentes variáveis climáticas, como temperatura e precipitação, em
distribuições conjuntas. Contudo, a escolha do método mais adequado depende do
objetivo do estudo, da variável analisada e da escala temporal considerada.
No presente trabalho, o foco recai sobre a aplicação e avaliação de dois métodos
multivariados de correção de viés aplicados à temperatura: a ACC e a RCP.

17

A ACC é uma técnica estatística multivariada que busca identificar combinações
lineares entre dois conjuntos de variáveis de modo a maximizar a correlação entre eles.
O método permite a construção de variáveis canônicas, que são combinações lineares
ortogonais das variáveis originais, capazes de representar de forma eficiente a
covariabilidade entre campos simulados e observados (Klami et al., 2013). Na
climatologia, a ACC é amplamente utilizada em estudos de previsão sazonal e em análises
associadas a fenômenos de grande escala, como o ENOS. Um passo comum na aplicação
da ACC envolve o pré-processamento dos dados por meio da Análise de Funções
Ortogonais Empíricas (AFOE), com o objetivo de reduzir ruídos e extrair os padrões
dominantes de variabilidade.
A RCP, por sua vez, baseia-se na combinação da Análise de Componentes
Principais (ACP) com a regressão linear múltipla. A ACP é utilizada inicialmente para
reduzir a dimensionalidade do conjunto de preditores, transformando variáveis
potencialmente correlacionadas em um conjunto menor de componentes principais não
correlacionados, que retêm a maior parte da variabilidade dos dados originais
(Loganathan & Mahindrakar, 2021). Em seguida, esses componentes principais são
empregados como variáveis explicativas em um modelo de regressão para estimar a
variável de interesse (Liu et al., 2003).
No contexto deste estudo, a RCP mostra-se particularmente adequada para a
correção de viés de simulações de temperatura provenientes de modelos climáticos, como
o MPI e suas regionalizações pelo REG, uma vez que a temperatura apresenta, em geral,
uma distribuição aproximadamente normal (Ling et al., 2021). A aplicação da RCP
permite ajustar não apenas a média, mas também a variância das séries simuladas,
contribuindo para a redução de vieses sistemáticos, como o viés frio frequentemente
observado em períodos noturnos e de madrugada. Além disso, a ACP auxilia na filtragem
de ruídos de pequena escala e na identificação de padrões de baixa frequência nos dados
climáticos (Jolliffe, 2002).
De modo geral, embora os modelos climáticos globais e regionais apresentem
avanços significativos na representação do clima amazônico, persistem desafios
relacionados à precisão das simulações e à presença de vieses sistemáticos. Nesse cenário,
a aplicação de métodos multivariados de correção de viés, como a ACC e a RCP, constitui
uma abordagem promissora para aprimorar a qualidade das simulações de temperatura

18

regionalizadas para a ALB, aumentando a robustez das análises climáticas e subsidiando
estudos futuros de impacto climático na região.

4. METODOLOGIA
4.1 Área de estudo
A ALB é uma região político-administrativa estabelecida por lei, abrangendo
aproximadamente 5,2 milhões de km², o que representa cerca de 58% a 61% do território
brasileiro (IBGE, 2015). Esta vasta área inclui os estados do Acre, Amapá, Amazonas,
Mato Grosso, Pará, Rondônia, Roraima, Tocantins e uma porção oeste do Maranhão
(Figura 1). A ALB possui uma grande diversidade de ecossistemas, predominantemente
coberta por florestas (cerca de 63%), mas também inclui formações não-florestais como
savanas e campos, além de partes dos biomas Cerrado e Pantanal (Valente et al., 2013).
Sua geomorfologia é diversa, com planaltos, planícies e depressões, sendo
aproximadamente 74% do território formado por terreno irregular. O clima é
majoritariamente tropical, com uma temperatura média de cerca de 25°C e baixa variação
sazonal (Alvares et al., 2013). A precipitação média na região é de aproximadamente
2300 mm/ano, com cerca de 50% dessa precipitação proveniente da evapotranspiração da
própria bacia amazônica (Martin et al., 2021).

Figura 1. Localização geográfica da ALB na América do Sul, com ênfase em sua
topografia com as respectivas abreviaturas de cada estado e a respectiva distribuição
espacial dos pontos de grau da precipitação observada na ALB.

19

Fonte: Silva et al (2025).
A sazonalidade da precipitação e a transição entre as estações úmida e seca estão
intrinsecamente ligadas ao SAMS (Custódio et al., 2024). Fenômenos de grande escala
como a ZCIT, a ZCAS e oscilações na Temperatura da Superfície do Mar (TSM) nos
oceanos Atlântico e Pacífico, como o El Niño e La Niña, influenciam a variabilidade da
precipitação, com o El Niño geralmente associado à redução de chuvas e o La Niña ao
aumento (Filho et al., 2021; Córdova et al., 2022).
A Floresta Amazônica é crucial para a regulação climática regional e global, o
estoque de carbono e a manutenção da biodiversidade (Albert et al., 2023; Soto-Navarro
et al., 2020). A ALB é um ponto crítico de mudança climática, com o aquecimento e os
déficits de chuva já contribuindo para secas e estresse da vegetação, e projeções indicando
secas mais longas e intensas (Boulton et al., 2021; Artemperatura máximao et al., 2021).
A região tem sofrido impactos significativos decorrentes de atividades antrópicas,
principalmente da expansão da agricultura e da pecuária, resultando em elevadas taxas de
desmatamento e no aumento das temperaturas máximas (Nobre et al., 2016). Essas
atividades alteram a cobertura vegetal, afetando os fluxos de energia, os padrões de
circulação atmosférica e os regimes de chuva e temperatura (Almada et al., 2024).

4.2 Dados Observados de Temperatura
Para a avaliação do desempenho das simulações climáticas na ALB, foram
utilizados dados observados de temperatura máxima e mínima, provenientes da base

20

gradeada desenvolvida por Xavier et al. (2022). Essa base de dados consiste em uma das
mais completas compilações de variáveis meteorológicas de superfície para o Brasil,
construída a partir de registros de diferentes redes observacionais federais, estaduais,
municipais e de instituições independentes, submetidos a rigorosos procedimentos de
controle de qualidade.
A base de Xavier et al. (2022) fornece dados em grade regular com resolução
espacial de 0,1° x 0,1°, cobrindo o período de 1961 a 2024. No presente estudo, foram
utilizadas exclusivamente as variáveis de temperatura máxima e mínima diária, no
período de 1981 a 2012, de modo a garantir compatibilidade temporal com as simulações
dos modelos climáticos analisados.
Para permitir a comparação direta com as saídas dos modelos MPI e REG, os
dados observacionais foram interpolados para uma grade comum com resolução espacial
de 0,5°x0,5°, adotada como referência observacional final. Essa etapa assegurou a
consistência espacial entre os dados observados e modelados, minimizando efeitos
associados a diferenças de resolução na avaliação estatística do desempenho dos modelos.

4.3 Modelagem Climática e Delineamento Experimental
Neste estudo, foi empregada uma abordagem de modelagem climática de forma
integrada, em que simulações em escala global serviram de base para a produção de
projeções regionais com maior detalhamento espacial. As projeções regionalizadas
foram, em seguida, analisadas e submetidas a técnicas de correção de viés, visando à
mitigação de erros sistemáticos e ao aprimoramento da representação das temperaturas
máxima e mínima na área da ALB.

4.3.1 Configuração da Modelagem: do Global ao Regional
4.3.1.1 O Modelo de Sistema Terrestre Global: MPI
A base da modelagem climática deste estudo foi o Max Planck Institute Earth
System Model 1.2, na sua versão de Alta Resolução (MPI-ESM1-2-HR). Desenvolvido
no Instituto Max Planck de Meteorologia (MPI-M), na Alemanha, este modelo é um dos
pilares do 6º Projeto de Intercomparação de Modelos Acoplados (CMIP6), que

21

fundamenta os relatórios do Painel Intergovernamental sobre Mudanças Climáticas
(IPCC).
Como um MST, o MPI simula não apenas os componentes físicos do clima
(atmosfera, oceanos, gelo e solo), mas também os ciclos biogeoquímicos, como o ciclo
do carbono. Essa capacidade o torna particularmente relevante para estudos em
ecossistemas complexos como a Amazônia. Sua configuração "HR" (Alta Resolução),
com uma grade de aproximadamente 100 km (Hertwig et al., 2015; Mauritsen et al.,
2018), permite uma representação dos padrões climáticos globais, sendo uma base sólida
para o downscaling regional.
Neste trabalho, o MPI foi utilizado para fornecer as simulações históricas de
larga escala, que serviram como condições de contorno para o processo de downscaling
dinâmico.
A tabela 1 apresenta as informações desse modelo, como o membro do conjunto,
país de origem, componente do modelo atmosférico e resolução atmosférica. Os membros
do conjunto são divididos em quatro índices que representam os atributos globais
específicos de cada modelo: “r” para realização, “i” para inicialização, “p” para física e
“f” para forçamento. O nome do conjunto “r1i1p1f1” sugere que os membros do conjunto
apresentam as mesmas condições iniciais e físicas, com o forçamento "f1" derivado de
simulações de One-Moment Aerosol (OMA) do Atmospheric Model Intercomparison
Project (AMIP).

Tabela 1. Modelo do CMIP6 usado no estudo e suas principais características.
Modelo
CMIP6
MPI-ESM12-HR

Membro
do
conjunto

País de
Origem

r1i1p1f1 Alemanha

Componente do
modelo
atmosférico
ECHAM6.3

Resolução
atmosférica (Lat ×
Long)

Referência

0.9° × 0.9°

Jungclaus, Bittner
and Wieners
(2019)

4.3.1.2 O Downscaling Dinâmico com o Modelo Climático Regional:
RegCM
Com o objetivo de obter maior detalhamento espacial das simulações climáticas
sobre a ALB, foi empregado o método de downscaling dinâmico por meio do REG, em
sua versão 4.7.1. O REG é um modelo climático regional de código aberto, desenvolvido

22

e mantido pelo Centro Internacional de Física Teórica Abdus Salam (ICTP), amplamente
utilizado em estudos de climatologia regional.
O REG utiliza as simulações de larga escala do modelo global MPI como
condições de contorno laterais e de superfície, resolvendo explicitamente as equações da
dinâmica e da física da atmosfera dentro de um domínio regional limitado. No presente
estudo, as simulações foram realizadas com resolução horizontal de 25 km, 23 níveis
verticais e topo do modelo em 50 hPa. Esse refinamento espacial possibilita uma melhor
representação de processos relevantes para o clima amazônico, como os efeitos da
topografia, do uso e cobertura da terra e a variabilidade associada a sistemas convectivos
de pequena escala, que não são adequadamente capturados por modelos globais.
O primeiro ano da simulação, correspondente a 1980, foi considerado como
período de estabilização do modelo (spin-up) e, portanto, excluído das análises seguintes.
Para a representação dos processos na interface solo–planta–atmosfera, foi utilizado o
modelo de superfície acoplado Community Land Model versão 4.5 (CLM4.5).
As simulações foram conduzidas utilizando a projeção Mercator Normal, com
passo de tempo de 30 minutos e uma malha computacional composta por 145 pontos na
direção meridional (Y) e 240 pontos na direção zonal (X). A parametrização da convecção
cúmulus foi realizada por meio do esquema de Tiedtke (Tiedtke, 1993) sobre as áreas
continentais e do esquema de Kain–Fritsch (Kain-Fritsch, 1990; Kain, 2004) sobre as
áreas oceânicas. Para os processos convectivos de sub-grade foi utilizado o esquema de
umidade explícita (SUBEX; Pal et al., 2000), enquanto a representação da camada limite
atmosférica baseou-se no esquema de Holtslag (Holtslag, 1990).
O domínio das simulações abrange parte da América do Sul e do oceano
Atlântico Sul, cobrindo integralmente a ALB, conforme ilustrado na Figura 2.

Figura 2. Domínio e topografia (m) utilizada nas simulações climáticas do REG com
resolução horizontal de 25 km. A linha sólida vermelha representa a área da ALB.

23

Fonte: Silva et al (2025).

4.3.2 Delineamento dos Experimentos
O delineamento metodológico dos experimentos adotados neste estudo é
apresentado de forma esquemática no fluxograma a seguir (figura 3). Inicialmente, foram
consideradas as simulações climáticas provenientes do modelo global MPI e do modelo
regional REG, bem como os dados observacionais do Xavier utilizados como referência.
Essas informações serviram de base para o processo de calibração no Climate
Predictability Tool (CPT), no qual se estabeleceram as relações estatísticas entre os
campos preditores (X), oriundos dos modelos, e os campos preditandos (Y),
representados pelos dados observados.
A partir dessa calibração, foram aplicadas as técnicas estatísticas multivariadas de
ACC e RCP, gerando diferentes experimentos de correção de viés para as simulações do
MPI e do REG. Como resultado desse procedimento, obtiveram-se quatro conjuntos
corrigidos: MPI-ACC, MPI-RCP, REG-ACC e REG-RCP. O fluxograma sintetiza essa
metodologia, apresentando de forma objetiva as etapas seguidas desde os dados de
entrada até a obtenção das saídas finais utilizadas nas análises.
Figura 3. Fluxograma do delineamento metodológico dos experimentos realizados.

24

Fonte: Autor (2025).

Foram realizadas simulações para o período histórico de 1981 a 2012. Seis
experimentos foram configurados para avaliar o desempenho das simulações de
temperatura e a eficácia dos métodos de correção de viés:
•

MPI: Análise das saídas brutas do modelo global MPI.

•

REG: Análise das saídas regionalizadas pelo REG.

•

MPI-ACC e REG-ACC: Aplicação do método de correção de viés por

ACC às saídas do MPI e do REG, respectivamente.
•

MPI-RCP e REG-RCP: Aplicação do método de correção de viés por RCP

às saídas do MPI e do REG, respectivamente.

25

4.4 Métodos de Correção de Viés
Para aprimorar a precisão das projeções de temperatura e reduzir os desvios
sistemáticos das simulações dos modelos MPI e REG, foram empregados dois métodos
estatísticos multivariados: a ACC e a RCP.

4.4.1 Análise de Correlação Canônica (ACC)
A ACC, ou Canonical Correlation Analysis (CCA), é uma técnica estatística
multivariada, introduzida por Hotelling (1936), que explora a inter-relação entre dois
conjuntos distintos de variáveis. Sua principal finalidade é identificar e quantificar as
associações lineares entre um conjunto de preditores e um de preditandos, encontrando
pares de combinações lineares, um de cada conjunto, que sejam maximamente
correlacionados. Essas combinações são conhecidas como variáveis canônicas, e suas
respectivas correlações, como correlações canônicas (Zhuang et al., 2020).
O mecanismo do método considera um conjunto de variáveis preditoras (X),
como as saídas do modelo climático (temperatura, pressão, umidade), e um conjunto de
variáveis preditandas (Y), como os dados observados de temperatura. A ACC deriva
então pares de vetores de peso (a e b) que criam as variáveis canônicas (U = a'X e V =
b'Y). O primeiro par de vetores de peso é otimizado para que a correlação entre a primeira
variável canônica dos preditores (U1) e a dos preditandos (V1) seja a maior possível,
estabelecendo o modo de covariabilidade mais dominante. Subsequentemente, outros
pares de variáveis canônicas são calculados, com a restrição de que cada novo modo deve
ser ortogonal (não correlacionado) a todos os anteriores, resultando em um conjunto de
modos que descrevem as relações acopladas dominantes entre os campos do modelo e os
campos observados (Yang et al., 2021).
No contexto deste trabalho, a ACC foi utilizada como um método de
downscaling estatístico e correção de viés. Durante o período histórico de 1981 a 2012, o
modelo é "treinado" para estabelecer as relações estatísticas estáveis entre os preditores
(saídas do modelo MPI ou REG) e os preditandos (dados observados de temperatura na
ALB). Uma vez que esses modos canônicos são estabelecidos, o modelo estatístico
construído pela ACC foi aplicado às projeções futuras do modelo climático para gerar
séries de temperatura corrigidas.

26

4.4.2 Regressão por Componentes Principais (RCP)
A RCP, ou Principal Component Regression (PCR), é uma técnica estatística
empregada para construir um modelo de regressão estável e robusto, especialmente em
cenários onde as variáveis preditoras são altamente correlacionadas entre si, um problema
conhecido como multicolinearidade, comum em dados climáticos. O método opera
através de um processo de duas etapas sequenciais que combina a ACP com a RLM
(Agarwal et al., 2021).
Primeiramente, a ACP é aplicada exclusivamente ao conjunto de variáveis
preditoras, que neste caso correspondem às saídas do modelo climático. Esta análise
decompõe a matriz de preditores em um novo conjunto de variáveis chamadas
Componentes Principais (CPs). Essas CPs possuem duas propriedades fundamentais: são
ortogonais entre si, o que significa que não possuem correlação linear, e são ordenados
hierarquicamente pela quantidade de variância dos dados originais que elas explicam. A
primeira componente (CP1) captura a maior variabilidade possível, a CP2 a segunda
maior, e assim sucessivamente. Para reduzir a dimensionalidade do problema e filtrar
ruídos, apenas as primeiras CPs que explicam uma fração significativa da variância total
(e.g., 90%) são retidas (Green & Romanov, 2025).
A segunda etapa consiste em ajustar um modelo de RLM. Neste modelo, as
Componentes Principais selecionadas atuam como as novas variáveis preditoras,
enquanto a variável resposta é a observação que se deseja prever, ou seja, os dados de
temperatura observada. Como as CPs são, por construção, não correlacionados, o
problema da multicolinearidade é efetivamente eliminado, resultando em estimativas de
coeficientes de regressão mais estáveis e confiáveis (Wu et al., 2021).

4.5 O software Climate Predictability Tool (CPT)
Para operacionalizar a correção de viés de forma sistemática e robusta, foi
utilizado o software CPT. Desenvolvido pelo International Research Institute for Climate
and Society (IRI) da Universidade de Columbia, o CPT é uma ferramenta desenhada para
facilitar a calibração, o downscaling estatístico e a validação de previsões climáticas. Sua
escolha para este trabalho se justifica por sua capacidade de integrar em um único
ambiente todo o fluxo de análise, desde o processamento dos dados até a avaliação de
desempenho, aplicando de forma rigorosa métodos multivariados como a ACC e a RCP.

27

O processo metodológico dentro da ferramenta iniciou-se com a preparação e o
carregamento dos conjuntos de dados. Foram definidos dois arquivos de entrada
principais: o arquivo de preditores (X), contendo as saídas dos modelos climáticos MPI
ou REG), e o arquivo de preditandos (Y), correspondente à base de dados observacional
de temperatura em grade (0,5°x0,5°) para a ALB. Uma vez carregados, foi definido o
período histórico de 1981 a 2012 como a janela temporal para o treinamento do modelo
estatístico, momento em que o CPT aprende as relações entre as variáveis do modelo e as
observações. Para garantir a robustez e evitar uma superestimação do desempenho, foi
configurado um esquema de validação cruzada (cross-validation), no qual o modelo é
treinado e testado em subconjuntos independentes dos dados (Silva et al., 2025).
A etapa central consistiu na construção do modelo estatístico, selecionando-se
na interface do software o método desejado, seja a ACC ou a RCP. Um parâmetro crucial
nesta fase foi a definição do número de modos (modos canônicos para a ACC ou
componentes principais para a RCP) a serem retidos, uma decisão fundamental para
capturar o sinal climático relevante e evitar o sobreajuste (overfitting) ao ruído. Com o
modelo estatístico treinado e validado (por meio de uma validação cruzada), o CPT o
aplicou a toda a série temporal dos preditores (as saídas do modelo climático bruto),
gerando como produto final uma nova série temporal de temperatura, agora
estatisticamente corrigida para melhor representar as características dos dados
observados.
Por fim, a avaliação da eficácia do processo foi realizada de forma integrada pela
própria ferramenta. Utilizando os resultados da validação cruzada, o CPT calculou, para
cada ponto da grade, as métricas de desempenho definidas para este estudo, a correlação
de Pearson (r), o erro médio absoluto (MAE) e a raiz do erro quadrático médio (RMSE).

4.6 Teste de Desempenho do Método
Neste estudo foi utilizado alguns métodos estatísticos descritos por Hofstra et
al., (2008) e Xavier et al., (2016) para comparar os dados dos modelos versus as
observações, assim como o desempenho dos modelos após a calibração com ACC e RCP.
Sejam eles:

28

𝑅=

∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)(𝑌 − 𝑌̅)
∑𝑛𝑖=1 √(𝑋𝑖 − 𝑋̅)2 (𝑌𝑖 − 𝑌̅)2
𝑏𝑖𝑎𝑠 = 𝑌̅ − 𝑋̅

(1);

(2)

𝑛

1
𝑀𝐴𝐸 = ∑|𝑋𝑖 −𝑌𝑖 |
𝑛

(3)

𝑖=1

𝑅𝑀𝑆𝐸 = √

∑𝑛𝑖=1(𝑋𝑖 − 𝑌𝑖 )2
𝑛

(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).
Adicionalmente às métricas tradicionais, foi utilizado o Coeficiente de
Eficiência de Kling-Gupta (KGE) como métrica integrada de avaliação do desempenho
das simulações climáticas. O KGE foi proposto por Gupta et al. (2009) com o objetivo de
fornecer uma avaliação mais robusta da similaridade entre séries simuladas e observadas,
ao combinar simultaneamente informações de correlação linear, viés médio e
variabilidade relativa.
O coeficiente é definido como:

KGE=1−√(𝑟 − 1)2 + (𝛼 − 1)² + (𝛽 − 1)²

(5)

onde r representa o coeficiente de correlação de Pearson entre as séries simuladas
e observadas, β é a razão entre as médias (indicando viés sistemático) e α é a razão entre
os desvios padrão (representando a variabilidade relativa). Valores de KGE próximos de
1 indicam excelente desempenho do modelo, enquanto valores negativos indicam
desempenho insatisfatório.

29

A utilização do KGE permite uma avaliação consolidada e integrada do
desempenho dos modelos MPI e REG, antes e após a aplicação dos métodos de correção
de viés, sendo particularmente adequada para comparar diferentes abordagens de
regionalização e calibração estatística em estudos climáticos.

4.7 Análise de Cluster e Diagrama de Taylor
Com o objetivo de identificar padrões espaciais homogêneos do comportamento
térmico e sintetizar o desempenho dos modelos climáticos sobre a ALB, foram aplicadas
a análise de cluster e a técnica do Diagrama de Taylor. A utilização combinada dessas
ferramentas permite reduzir a complexidade associada à elevada variabilidade espacial
da região de estudo, além de possibilitar uma avaliação integrada da similaridade entre as
simulações numéricas e os dados observacionais (Izzaddin et al., 2024).
A análise de cluster foi conduzida com base na similaridade entre as séries
temporais de temperatura máxima e mínima, permitindo o agrupamento de áreas da ALB
com comportamento térmico semelhante. A medida de dissimilaridade entre os elementos
foi obtida por meio da distância euclidiana, amplamente utilizada em estudos
climatológicos, expressa pela Equação (6):
𝑑𝑒 = [∑𝑛𝑗=𝑖(𝑃𝑝,𝑗 − 𝑃𝑘,𝑗 )²]

0,5

(6)

em que de representa a distância euclidiana entre duas estações ou pontos
amostrais p e k; Ppj e Pkj correspondem aos valores da j-ésima variável (neste estudo,
temperatura máxima ou mínima) associados a cada elemento, e n denota o número total
de variáveis consideradas. Valores menores de de indicam maior similaridade entre os
elementos analisados.
Para o processo de aglomeração, foi adotado o método hierárquico de Ward, o
qual busca minimizar a variabilidade interna dos grupos formados, unindo aqueles cuja
fusão resulta no menor incremento da soma dos quadrados intra-grupo. A função de
ligação do método de Ward é definida pela soma dos quadrados das distâncias entre cada
elemento e o centroide do respectivo grupo (Amhimmid et al., 2025), conforme
apresentado na Equação (7):

30
𝑛𝑔
𝑛𝑔
̿ 2
𝑊 = ∑𝐺𝑔=1 ∑𝑖=1 ||𝑥𝑖 − 𝑥̿𝑔 ||2 = ∑𝐺𝑔=1 ∑𝑖=1 ∑𝐾
𝑘=1(𝑋𝑖,𝑘 − 𝑋𝑔,𝑘 )

(7)

em que W representa a função de Ward, associada à soma dos quadrados intragrupo, G é o número total de grupos formados em cada etapa do processo de clusterização,
ng corresponde ao número de elementos pertencentes ao grupo g, xik é o valor da k-ésima
variável do i-ésimo elemento do grupo, e 𝑥̅ g,k denota o valor médio (centroide) da variável
k no grupo g. Esse critério assegura a formação de grupos climaticamente homogêneos e
estatisticamente consistentes.
Os clusters obtidos foram posteriormente utilizados como unidades espaciais de
análise, permitindo uma interpretação mais robusta dos resultados ao reduzir a influência
de variabilidades locais pontuais e facilitar a comparação entre os diferentes conjuntos de
simulações climáticas.
Para cada grupo climático definido pela análise de cluster, o desempenho das
simulações foi avaliado por meio do Diagrama de Taylor. Essa ferramenta gráfica
sintetiza, em um único plano, informações relativas ao coeficiente de correlação linear,
ao desvio padrão e ao erro quadrático médio centrado entre as séries simuladas e
observadas, possibilitando uma comparação direta entre os diferentes experimentos
analisados (MPI, REG, MPI-ACC, REG-ACC, MPI-RCP e REG-RCP).
A relação entre o erro quadrático médio centrado (SDE²), o desvio padrão das
simulações (σs), o desvio padrão das observações (σX) e o coeficiente de correlação linear
(r) (Iacobucci et al., 2015), é dada pela Equação (8):
𝑆𝐷𝐸 2 = 𝜎𝑠2 + 𝜎𝑥2 − 2𝜎𝑠 𝜎𝑥 𝑟

(8)

A aplicação conjunta da análise de cluster e do Diagrama de Taylor possibilita
avaliar não apenas o desempenho médio dos modelos climáticos sobre a ALB, mas
também sua capacidade de representar adequadamente diferentes regimes térmicos
regionais, fornecendo uma visão mais abrangente e regionalmente consistente da
qualidade das simulações.

4.8 Análise de Extremos Climáticos

31

A avaliação da capacidade dos modelos climáticos em representar eventos
extremos foi realizada por meio da análise de índices padronizados de extremos
climáticos, conforme as recomendações do Expert Team on Climate Change Detection
and Indices (ETCCDI). Essa abordagem permite investigar alterações na frequência,
intensidade e persistência de extremos térmicos, complementando a análise baseada na
climatologia média da temperatura máxima e mínima (Kim et al., 2020).
Os índices de extremos associados à temperatura foram calculados utilizando o
software R, por meio do pacote Climdex. No presente estudo, foram utilizados os
seguintes índices na tabela 2 a seguir:
Tabela 2: Índices climáticos derivados de dados diários de temperaturas máximas e
mínimas, com definições e unidades.
Índice

Nome

SU25

Dias de verão

TR20

Noites tropicais

TXx
TXn
TNx
TNn

Máxima das temperaturas
máximas
Mínima das temperaturas
máximas
Máxima das temperaturas
mínimas
Mínima das temperaturas
mínimas

TX10p

Dias frios (TX)

TX90p

Dias quentes (TX)

TN10p

Noites frias (TN)

TN90p

Noites quentes (TN)

Descrição
Número anual de dias em que a
temperatura máxima diária (TX) excede
25 °C.
Número anual de dias em que a
temperatura mínima diária (TN) é
superior a 20 °C.
Maior valor anual da temperatura
máxima diária.
Menor valor anual da temperatura
máxima diária.
Maior valor anual da temperatura
mínima diária.
Menor valor anual da temperatura
mínima diária.
Percentual de dias em que a temperatura
máxima diária é inferior ao percentil 10
da climatologia de referência.
Percentual de dias em que a temperatura
máxima diária é superior ao percentil 90
da climatologia de referência.
Percentual de dias em que a temperatura
mínima diária é inferior ao percentil 10
da climatologia de referência.
Percentual de dias em que a temperatura
mínima diária é superior ao percentil 90
da climatologia de referência.

32

WSDI

Índice de duração de ondas de
calor

CSDI

Índice de duração de períodos
frios

DTR

Amplitude térmica diária

Número de dias pertencentes a períodos
com pelo menos seis dias consecutivos
em que TX excede o percentil 90.
Número de dias pertencentes a períodos
com pelo menos seis dias consecutivos
em que TN é inferior ao percentil 10.
Diferença média entre a temperatura
máxima e mínima diárias (TX - TN).

Os índices foram calculados para os dados observados e para as simulações com
melhor desempenho após as correções, permitindo avaliar o impacto da regionalização
dinâmica e dos métodos de correção de viés na representação dos extremos térmicos sobre
a ALB.

33

5. RESULTADOS
A análise foi conduzida de forma comparativa entre as diferentes configurações
dos modelos, considerando inicialmente as saídas brutas do MPI e do REG e,
posteriormente, as simulações corrigidas pelos métodos ACC e RCP. Dessa forma,
buscou-se identificar e quantificar os vieses sistemáticos presentes nas simulações
mensais de temperatura máxima e mínima, avaliar os ganhos proporcionados pela
regionalização dinâmica (REG) e verificar a eficácia das técnicas de correção de viés na
redução dos erros e na melhoria da representação espacial e temporal das simulações.
Os resultados são apresentados com foco na variabilidade mensal, uma vez que
o ciclo anual da temperatura na ALB reflete a atuação combinada de processos locais e
de grande escala, incluindo o balanço de energia à superfície, a sazonalidade da radiação
solar, a evapotranspiração da floresta e a influência de sistemas atmosféricos de grande
escala, como o SAMS e a ZCIT (Marengo et al., 2017; Carvalho et al., 2020). A análise
mensal permitiu capturar, com maior detalhe, as transições ao longo do ano e avaliar de
forma mais precisa a capacidade dos modelos em reproduzir os padrões observados.

5.1 Climatologia Observada/MPI/REG – Temperatura Mínima
No primeiro semestre do ano (figura 4), correspondente aos meses de janeiro a
junho, a climatologia observada da temperatura mínima (OBS) sobre a ALB apresenta
valores relativamente elevados, em relação aos meses subsequentes, e espacialmente
homogêneos, especialmente entre janeiro e abril. Esse comportamento está associado à
elevada disponibilidade de umidade na atmosfera e no solo, à intensa atividade convectiva
e à forte atuação da reciclagem de umidade promovida pela floresta amazônica, fatores
que reduzem o resfriamento radiativo noturno e mantêm as temperaturas mínimas em
patamares mais altos (Levine et al., 2019).
Nesse período, os dados observados mostraram uma diminuição da temperatura
mínima a partir de maio, sobretudo nas regiões mais ao sul da ALB, sinalizando a
transição para o inverno. Essa redução pode estar relacionada ao enfraquecimento gradual
da convecção profunda e ao aumento da eficiência do resfriamento noturno, ainda que a
região permaneça sob condições predominantemente úmidas (Espinoza et al., 2018).

34

As simulações do modelo global MPI reproduziram, de forma geral, o padrão
sazonal do primeiro semestre, porém apresentaram uma tendência sistemática de
superestimação da temperatura mínima, especialmente nas regiões norte e nordeste da
ALB. Essa superestimação foi mais evidente nos meses de verão (janeiro a março),
sugerindo limitações do modelo global em representar adequadamente o balanço de
energia à superfície e os processos de resfriamento noturno em ambientes tropicais
florestados, particularmente sob condições de elevada umidade (Herdies et al., 2023;
Reboita et al., 2024).
Em contraste, as simulações regionalizadas pelo REG apresentaram, no primeiro
semestre, um desempenho inferior ao do modelo global, com superestimações mais
pronunciadas da temperatura mínima e padrões espaciais menos consistentes com as
observações em diversas áreas da ALB. Esse comportamento pode indicar que, sob
condições de elevada umidade, forte convecção e acoplamento intenso entre a superfície
e a atmosfera, o refinamento da resolução espacial nem sempre resulta em melhorias na
simulação da temperatura mínima. Esse resultado pode estar associado a limitações nas
parametrizações físicas do modelo regional, especialmente aquelas relacionadas à camada
limite atmosférica, à representação da nebulosidade e aos fluxos turbulentos noturnos.
Em ambientes tropicais úmidos, pequenas incertezas nesses processos podem amplificar
erros no balanço de energia à superfície, levando a uma redução excessiva do
resfriamento noturno e, consequentemente, a uma superestimação da temperatura mínima
(Xie et al., 2018; Kähnert et al., 2022). Estudos anteriores já indicaram que modelos
regionais podem apresentar desempenho inferior ao de modelos globais em determinadas
condições climáticas, particularmente durante períodos dominados por processos
convectivos de grande escala e elevada cobertura de nuvens (Ban et al., 2020; LucasPicher et al., 2021).
Figura 4. Climatologia mensal da temperatura mínima do ar (°C) sobre a ALB, referente
aos meses de janeiro a junho, obtida a partir de dados observados (OBS), do modelo
climático global MPI e do modelo climático regional REG, para o período de 1981-2012.

35

Fonte: Autor (2025)
No segundo semestre (figura 5), a climatologia observada da temperatura
mínima apresentou maior variabilidade espacial e temporal, com valores mais baixos
concentrados principalmente no sul da ALB durante os meses de inverno austral. Esse
comportamento está associado à redução da nebulosidade, à menor umidade atmosférica

36

e à maior frequência de incursões de ar frio provenientes de latitudes médias, conhecidas
como friagens amazônicas (Marengo et al., 1997; Camarinha-Neto et al., 2021).
Nesse período, as limitações do modelo global MPI tornaram-se mais evidentes.
O modelo apresentou dificuldade em reproduzir os valores mais baixos de temperatura
mínima observados no sul da ALB, subestimando a intensidade das friagens e suavizando
os gradientes térmicos regionais, enquanto manteve a superestimação dos valores no norte
da ALB. Essa deficiência está relacionada à resolução espacial grosseira do modelo
global, que limita a representação de processos de mesoescala e da interação entre
circulação atmosférica e superfície durante eventos de resfriamento intenso (Silva et al.,
2014; Silva et al., 2022).
Por outro lado, o REG demonstrou melhor desempenho no segundo semestre,
com uma representação mais realista dos gradientes espaciais da temperatura mínima e
maior sensibilidade às áreas de menor temperatura mínima no sul e sudoeste da ALB. O
modelo regional conseguiu capturar, de forma mais adequada, os efeitos das friagens e
das transições sazonais, evidenciando a importância do downscaling dinâmico em
períodos caracterizados por maior variabilidade térmica e maior influência de processos
locais e regionais (Gibson et al., 2024).
Apesar dessas melhorias, o REG ainda apresentou vieses residuais, com
superestimações pontuais da temperatura mínima em algumas regiões, especialmente no
norte da ALB durante a transição para o período chuvoso.
Figura 5. Climatologia mensal da temperatura mínima do ar (°C) sobre a ALB, referente
aos meses de julho a dezembro, obtida a partir de dados observados (OBS), do modelo
climático global MPI e do modelo climático regional REG, para o período de 1981-2012.

37

Fonte: Autor (2025)

38

5.2 Viés da Temperatura Mínima
No primeiro semestre (Figura 6), observou-se que o MPI apresentou, de modo
geral, viés positivo em grande parte da ALB, caracterizando uma superestimativa
sistemática das temperaturas, quando comparado aos dados observacionais. Esse
comportamento é mais evidente entre os meses de janeiro e abril, com valores positivos
mais intensos concentrados, principalmente, nas porções central e sul da região, atingindo
magnitudes superiores a +4 °C em áreas pontuais.
Durante os meses de maio e junho, embora o padrão de superestimativa
permaneça dominante no MPI, notou-se uma redução gradual da intensidade do viés. Em
contrapartida, surgiram regiões localizadas com viés negativo em setores do nordeste da
região, indicando uma maior dificuldade do modelo global em representar
adequadamente a variabilidade térmica mínima associada à transição entre a estação
chuvosa e o período de menor nebulosidade.
O modelo REG, por sua vez, demonstrou um desempenho relativamente distinto
no primeiro semestre. Embora que também apresente viés positivo predominante, a
magnitude das diferenças foi maior, com os meses de maio e junho se assemelhando ao
MPI espacialmente e em relação a intensidade.
Figura 6. Diferença mensal da temperatura mínima do ar (°C) entre os modelos
climáticos (MPI e REG) e os dados observacionais na ALB, para o primeiro semestre
(janeiro a junho).

39

Fonte: Autor (2025).
No segundo semestre (Figura 7), o padrão de viés positivo da temperatura
mínima tornou-se mais intenso e espacialmente consistente, sobretudo no modelo MPI.
Entre julho e outubro, período associado à estação seca em grande parte da ALB, as
diferenças positivas se ampliaram significativamente, com áreas extensas apresentando
valores superiores a +4 °C, especialmente no centro, sul e leste da região.

40

Esse comportamento indica que o modelo global possui dificuldades acentuadas
em representar os processos de resfriamento noturno durante períodos de menor
nebulosidade e umidade atmosférica, condições típicas da estação seca. A redução da
cobertura de nuvens favorece maior perda radiativa noturna nos dados observacionais,
enquanto o MPI tende a manter temperaturas mínimas artificialmente elevadas,
resultando em superestimativas sistemáticas (Howell et al., 2021).
O modelo regional REG apresentou um desempenho relativamente superior ao do
MPI no segundo semestre. Embora ainda se observe viés positivo predominante, as
diferenças foram, em média, menos intensas e mais heterogêneas, com áreas de viés
próximo de zero ou até negativo, principalmente no norte e nordeste da ALB durante os
meses de novembro e dezembro. Esse resultado sugere que a regionalização contribui
para uma melhor representação dos gradientes espaciais e dos controles locais da
temperatura mínima, como relevo, uso e cobertura da terra e circulação de mesoescala.
Figura 7. Diferença mensal da temperatura mínima do ar (°C) entre os modelos
climáticos (MPI e REG) e os dados observacionais na ALB, para o segundo semestre
(julho a dezembro).

41

Fonte: Autor (2025)

42

5.3 Correlação entre os Dados Observados e o Modelo MPI –
Temperatura Mínima
Durante o primeiro semestre (Figura 8), as correlações apresentaram valores
predominantemente baixos a moderados, com extensas áreas exibindo correlações fracas
e, pontualmente, valores próximos de zero ou negativos, sobretudo no setor oeste da ALB,
indicando, novamente, limitações do modelo global em reproduzir adequadamente a
variabilidade espacial da temperatura mínima, no período que coincide com a estação
mais chuvosa da região (Casimiro et al., 2012; Paca et al., 2020).
A aplicação da ACC ao MPI resultou em uma melhora substancial das
correlações em todos os meses do primeiro semestre, com predominância de valores
positivos moderados a altos (acima de 0,4) em grande parte da ALB. Esse ganho
evidenciou a eficiência da ACC em capturar padrões espaciais dominantes e reduzir erros
sistemáticos associados à média e à variabilidade do modelo, conforme já documentado
em estudos de pós-processamento climático (Barnston & Tippett., 2017; Silva et al.,
2025).
Resultados semelhantes foram observados com a aplicação da RCP, que também
promoveu um aumento consistente das correlações em relação ao MPI bruto. Em vários
meses, as regiões corrigidas por RCP apresentaram padrões espaciais mais homogêneos
e correlações comparáveis ou superiores às obtidas com ACC. Isso sugere que a RCP é
particularmente eficaz na representação da relação estatística entre preditores de grande
escala e a temperatura mínima observada.
No segundo semestre (Figura 9), mesmo o MPI, sem correção, apresentou
correlações mais elevadas e espacialmente consistentes, em comparação ao primeiro
semestre. Esse comportamento está associado ao regime mais seco da Amazônia, quando
a temperatura mínima passa a ser mais controlada por forçantes de grande escala e pela
redução da nebulosidade noturna, favorecendo um melhor desempenho dos modelos
globais (Baker et al., 2021). Ainda assim, persistem áreas com correlação apenas
moderada, indicando limitações do modelo.
Com a aplicação da ACC e da RCP no segundo semestre, as correlações
tornaram-se altas e espacialmente homogêneas em praticamente toda a ALB,
frequentemente superando valores de 0,6-0,8. Esse resultado demonstrou que os métodos

43

de correção de viés não apenas corrigem deficiências do modelo nos meses mais úmidos,
mas também refinam a representação da variabilidade térmica nos meses secos,
consolidando ganhos robustos ao longo de todo o ano.

Figura 8. Distribuição espacial da correlação de Pearson (r) entre a temperatura mínima
mensal simulada pelo modelo MPI e os dados observados na ALB, para o primeiro
semestre (janeiro a junho).

44

Fonte: Autor (2025).

45

Figura 9. Distribuição espacial da correlação de Pearson (r) entre a temperatura mínima
mensal simulada pelo modelo MPI e os dados observados na ALB, para o segundo
semestre (julho a dezembro).

Fonte: Autor (2025)

46

5.4 Correlação entre os Dados Observados e o Modelo REG –
Temperatura Mínima
No primeiro semestre do ano (Figura 10), as correlações entre a temperatura
mínima simulada pelo REG e os dados observados evidenciaram um desempenho
espacialmente heterogêneo, quando consideradas as saídas brutas do modelo regional.
Observou-se que, em grande parte da ALB, os coeficientes de correlação apresentaram
valores predominantemente fracos a moderados, com extensas áreas exibindo correlações
próximas de zero ou mesmo negativas.
Esses padrões indicaram dificuldades do REG em representar adequadamente a
variabilidade temporal da temperatura mínima durante o período mais úmido do ano,
quando a atuação da convecção profunda, da nebulosidade persistente e dos processos de
reciclagem de umidade desempenham papel central no balanço de energia à superfície.
Com a aplicação da correção de viés por ACC (REG-ACC), verificou-se uma
melhora substancial nos coeficientes de correlação ao longo de toda a região, com
predominância de valores positivos moderados (0,4-0,6). Essa melhoria foi
particularmente evidente nos meses de janeiro, março e junho, indicando que o método
ACC é eficaz em ajustar a variabilidade temporal da Temperatura mínima.
Resultados semelhantes foram observados com a aplicação da RCP (REG-RCP),
que também promove um aumento significativo das correlações espaciais. Em geral, o
REG-RCP apresentou campos mais homogêneos e ligeiramente superiores aos do REGACC em alguns meses, sugerindo maior robustez do método na redução de ruídos
associados aos erros sistemáticos do modelo regional.
No segundo semestre (figura 11), observou-se, novamente, um comportamento
distinto em relação ao primeiro semestre. As correlações entre a temperatura mínima
simulada pelo REG e as observações apresentaram, de forma geral, valores mais elevados
mesmo nas saídas brutas do modelo regional, especialmente entre julho e setembro,
aumento associado à transição para o período mais seco da Amazônia.
Ainda assim, persistiram áreas com correlações fracas ou próximas de zero,
principalmente nas porções oeste e central da ALB, indicando que o REG continuou
apresentando limitações na representação da temperatura mínima em regiões de floresta
densa e forte acoplamento biosfera–atmosfera. Tais limitações já foram discutidas na

47

literatura, que apontaram dificuldades dos modelos regionais em simular adequadamente
o resfriamento noturno em áreas tropicais florestadas (Ge et al., 2021).
A aplicação das correções REG-ACC e REG-RCP no segundo semestre
resultaram em melhorias ainda mais consistentes do que aquelas observadas no primeiro
semestre. Os campos de correlação tornaram-se amplamente positivos, com valores
frequentemente superiores a 0,6 em grande parte da região, especialmente entre agosto e
outubro. Notou-se que o REG-RCP apresentou os melhores resultados, com padrões mais
contínuos e menores contrastes espaciais, indicando uma correção mais eficiente da
variabilidade temporal da Temperatura mínima.

Figura 10. Distribuição espacial da correlação de Pearson (r) entre a temperatura mínima
mensal simulada pelo modelo REG e os dados observados na ALB, para o primeiro
semestre (janeiro a junho).

48

Fonte: Autor (2025).

49

Figura 11. Distribuição espacial da correlação de Pearson (r) entre a temperatura mínima
mensal simulada pelo modelo REG e os dados observados na ALB, para o segundo
semestre (julho a dezembro).

Fonte: Autor (2025).

50

5.5 Análise da Raiz do Erro Quadrático Médio (RMSE) para o Modelo
MPI – Temperatura Mínima
No primeiro semestre (figura 12), o modelo MPI sem correção apresentou
valores elevados de RMSE, especialmente sobre o norte e nordeste da ALB, com
máximos recorrentes entre janeiro e março. Os erros atingiram valores superiores a 3 °C,
indicando dificuldades do modelo global em representar adequadamente os processos
noturnos de resfriamento da superfície, fortemente controlados pela nebulosidade,
umidade do solo e estabilidade da camada limite atmosférica.
Durante os meses de abril a junho, observou-se uma leve redução dos erros,
embora persistam núcleos de RMSE moderado nas regiões mais ao norte. Esse
comportamento sugere que, mesmo durante a transição para a estação menos chuvosa, o
MPI mantém limitações estruturais na simulação da temperatura mínima, sobretudo em
áreas de floresta densa e elevada umidade.
A aplicação das técnicas de correção estatística (MPI-ACC e MPI-RCP) resultou
em uma redução expressiva e espacialmente consistente do RMSE em toda a ALB, com
exceção de março para o MPI-ACC, assim como foi no MAE. Os valores passaram a se
concentrar majoritariamente abaixo de 2 °C, com campos muito mais homogêneos.
Ambos os métodos apresentam desempenho semelhante, embora a RCP mostre ligeira
vantagem, com menores resíduos residuais em áreas onde o MPI bruto apresentava
maiores erros.
No segundo semestre (figura 13), o MPI bruto apresentou uma intensificação
dos erros de RMSE, sobretudo entre agosto e outubro, período associado à estação seca e
às transições sazonais na ALB. Nesses meses, os valores máximos de RMSE
ultrapassaram 4-5 °C, principalmente no norte e nordeste da região, refletindo a
dificuldade do modelo em representar o resfriamento noturno sob condições de céu mais
limpo, menor umidade e maior amplitude térmica diária.
Mesmo nos meses finais do ano (novembro e dezembro), observou-se a
persistência de erros moderados, indicando que o retorno gradual das chuvas não é
suficiente para eliminar completamente os vieses do MPI na temperatura mínima. Por
outro lado, as versões MPI-ACC e MPI-RCP mantiveram desempenho robusto ao longo
de todo o segundo semestre, com RMSE consistentemente baixos e espacialmente

51

homogêneos. A correção por RCP, em particular, apresentou os menores valores de erro,
sugerindo maior capacidade de capturar os principais modos de variabilidade associados
à temperatura mínima durante a estação seca.
A mesma análise foi realizada utilizando o MAE, sendo encontrados resultados
muito similares aos obtidos com o RMSE.

Figura 12. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura mínima para o modelo MPI no primeiro semestre (janeiro-junho).

52

Fonte: Autor (2025).

53

Figura 13. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura mínima para o modelo MPI no segundo semestre (julho-dezembro).

Fonte: Autor (2025).

54

5.6 Análise da Raiz do Erro Quadrático Médio (RMSE) para o Modelo
REG – Temperatura Mínima
No primeiro semestre (figura 14), os mapas de RMSE da temperatura mínima
para o modelo regional (REG), apresentados na comparação direta com as observações,
evidenciaram erros moderados a elevados em grande parte do domínio, com valores mais
expressivos concentrados principalmente na porção centro-norte e leste da área de estudo.
Esses

padrões

indicaram

dificuldades

do

modelo regional

em

representar,

adequadamente, a variabilidade espacial da temperatura mínima durante os meses
associados ao período chuvoso e de maior influência de processos convectivos e de
nebulosidade persistente.
Observou-se que os maiores valores de RMSE ocorreram, sobretudo, entre
fevereiro e abril, período em que a atuação da ZCIT e sistemas convectivos de mesoescala
tendem a intensificar a cobertura de nuvens e a variabilidade térmica noturna.
Após a aplicação dos métodos de ACC e RCP, notou-se a diminuição do RMSE
em toda a área de estudo, com ambos os métodos apresentando uma configuração
semelhante, espacialmente falando, e eficaz.
No segundo semestre (figura 15), observou-se um deslocamento dos valores de
RMSE na região estudada, na saída bruta do modelo regional em comparação ao primeiro
semestre, particularmente nos meses de julho a setembro. Ainda assim, persistem áreas
com erros relativamente mais elevados, sobretudo na porção leste e nordeste do domínio,
onde a influência de brisas marítimas, nebulosidade costeira e gradientes térmicos
associados à topografia costeira dificultam a representação precisa da temperatura
mínima. Esses fatores contribuem para discrepâncias entre o modelo e as observações,
principalmente nos meses de transição entre a estação seca e o início da estação chuvosa,
como outubro e novembro (Jiang et al., 2024).
Após a aplicação das correções estatísticas (ACC e RCP), os mapas revelaram
novamente uma redução expressiva do RMSE em toda a região. Os campos corrigidos
apresentaram padrões espacialmente mais homogêneos e valores consistentemente
baixos, indicando que os métodos são eficazes também no período seco e de transição
sazonal.

55

A análise também foi realizada utilizando o MAE, novamente, encontrando
resultados semelhantes aos do RMSE.

Figura 14. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura mínima para o modelo REG no primeiro semestre (janeiro-junho).

Fonte: Autor (2025).

56

Figura 15. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura mínima para o modelo REG no segundo semestre (julho-dezembro).

Fonte: Autor (2025).

57

5.7 Análise do Kling Gupta Efficiency (KGE) para o Modelo MPI –
Temperatura Mínima
No primeiro semestre (figura 16), o desempenho do modelo global MPI, em sua
forma bruta, é predominantemente classificado como intermediário a ruim em grande
parte da área de estudo. Observou-se uma maior ocorrência das classes ruim e muito ruim,
especialmente sobre setores do interior e porções centrais do domínio, indicando
limitações do modelo em representar adequadamente tanto a variabilidade quanto a
magnitude da temperatura mínima observada nesse período.
Com a aplicação do método de correção de viés por ACC, notou-se uma melhora
consistente no desempenho do modelo, com expansão das áreas classificadas como
intermediárias e redução significativa das regiões classificadas como ruins. Esse resultado
indicou que a ACC foi eficaz em ajustar a estrutura estatística da temperatura mínima
simulada, sobretudo no que diz respeito à correlação temporal e à variabilidade espacial.
Por sua vez, o método de RCP também promoveu melhorias relevantes, embora
de forma espacialmente mais heterogênea. Em alguns meses do semestre, surgiram áreas
classificadas como muito bom, especialmente em setores específicos do domínio,
sugerindo que o RCP consegue capturar padrões dominantes da variabilidade térmica
mínima.
No segundo semestre (figura 17), o desempenho do modelo bruto apresentou
uma melhora em comparação ao primeiro semestre, com predomínio da classe
intermediária em grande parte da região. Ainda assim, persistiram áreas classificadas
como ruim.
A aplicação da correção por ACC resultou em uma melhoria expressiva e
generalizada do desempenho do modelo ao longo do semestre. Observou-se a expansão
das classes intermediária e muito bom, com redução quase total das áreas classificadas
como ruim. Esse comportamento indicou que, durante o segundo semestre, quando as
condições atmosféricas tendem a ser mais estáveis e com menor variabilidade convectiva,
a ACC apresentou maior eficiência em ajustar simultaneamente correlação, viés e
variabilidade, refletindo em valores mais elevados do KGE.
No caso da correção por RCP, foi apresentado um desempenho superior ao
observado tanto nos dados brutos do MPI quanto na correção por ACC, evidenciando

58

uma melhora consistente nos valores do KGE ao longo dos meses analisados. A aplicação
da RCP resultou em uma expansão significativa das áreas classificadas como muito bom.
Além disso, observou-se o surgimento de áreas enquadradas na classe excelente,
particularmente nos meses de julho, setembro e outubro, concentradas em porções
centrais e ao norte da ALB. Em contraste, as classes ruim e muito ruim, mais frequentes
no MPI sem correção, tornaram-se pontuais ou praticamente inexistentes após a aplicação
da RCP.

Figura 16. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura mínima para o modelo MPI no primeiro semestre (janeiro-junho).

59

Fonte: Autor (2025).

60

Figura 17. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura mínima para o modelo MPI no segundo semestre (julho-dezembro).

Fonte: Autor (2025).

61

5.8 Análise do Kling Gupta Efficiency (KGE) Para o Modelo REG –
Temperatura Mínima
No primeiro semestre (figura 18), o REG sem correção apresentou, de modo
geral, desempenho classificado entre intermediário e ruim sobre grande parte da ALB.
Observou-se predominância de valores de KGE entre 0 e 0,5, com áreas pontuais
classificadas como “ruim” e “muito ruim”, especialmente em setores do oeste e noroeste
da região. Esse padrão indicou limitações do modelo regional em reproduzir
adequadamente a variabilidade e os valores médios da temperatura mínima durante o
período mais úmido do ano.
A aplicação da correção por ACC promoveu melhora no desempenho do
modelo, com expansão das áreas classificadas como “intermediárias” e o surgimento das
regiões com desempenho muito bom. Por sua vez, a correção via RCP apresentou ganho
adicional em relação ao REG-ACC, com aumento das áreas classificadas como
“intermediário” e expansão de regiões com desempenho “muito bom”.
No segundo semestre (figura 19), observou-se uma melhoria geral no
desempenho do REG em relação ao primeiro semestre. O modelo sem correção
apresentou aumento da frequência de valores de KGE classificados como
“intermediário”, com redução das áreas com desempenho ruim, especialmente durante os
meses de transição para a estação seca.
A aplicação da correção por ACC resultou em ganhos mais consistentes no
segundo semestre, quando comparado ao primeiro. As áreas com KGE intermediário
tornaram-se dominantes, e surgiram extensas regiões classificadas como “muito bom”,
principalmente no centro da ALB. Isso indica que as relações estatísticas utilizadas pelo
método ACC tornaram-se mais eficazes em períodos de menor variabilidade atmosférica.
O melhor desempenho foi observado novamente com a correção por RCP, que
apresentou a maior extensão espacial de classes “muito bom” e, pontualmente,
“excelente”. Esse resultado evidenciou que o método de regressão por componentes
principais é particularmente eficiente para ajustar as simulações de temperatura mínima
do REG durante o segundo semestre, quando os padrões térmicos são mais controlados
por forçantes de grande escala e menos afetados por processos convectivos complexos.

62

Figura 18. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura mínima para o modelo REG no primeiro semestre (janeiro-junho).

Fonte: Autor (2025).

63

Figura 19. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura mínima para o modelo REG no segundo semestre (julho-dezembro).

Fonte: Autor (2025).

64

5.9 Climatologia Observada/MPI/REG – Temperatura Máxima
No primeiro semestre (Figura 20), a climatologia observada (OBS) indicou
valores relativamente homogêneos de temperatura máxima sobre a ALB, com
temperatura máxima entre 30 e 34°C, e gradientes espaciais associados principalmente à
latitude, cobertura vegetal e nebulosidade persistente durante a estação chuvosa. Os
menores valores concentraram-se no norte e no sul da ALB, refletindo um aumento da
nebulosidade, maior atividade convectiva e maior disponibilidade de umidade associada
ao Sistema de Monção da América do Sul (SAMS) (Marengo et al., 2012).
O modelo global MPI apresentou, de forma consistente, um viés frio em todo o
primeiro semestre, com subestimação da temperatura máxima em praticamente toda a
ALB. Tal viés frio já foi amplamente documentado em modelos globais sobre a Amazônia
e está associado, entre outros fatores, à superestimação da nebulosidade, à representação
inadequada da convecção profunda e a deficiências no balanço de energia à superfície
(Silva et al., 2025; Meng et al., 2018).
O REG, por sua vez, apresentou um contraste em relação ao MPI no primeiro
semestre, como evidenciado na figura 6. Observou-se um viés quente, sobretudo no norte
e oeste da ALB, com a temperatura máxima frequentemente acima de 36-40°C entre
janeiro e março. Esse aquecimento excessivo sugere limitações na representação dos
processos de superfície e da convecção no REG durante o período úmido, possivelmente
relacionadas a uma subestimação da nebulosidade convectiva, excesso de radiação solar
incidente à superfície e deficiências no acoplamento solo-vegetação-atmosfera (Kendon
et al., 2017; Dirmeyer et al., 2018).
Esse resultado indicou que, no primeiro semestre, a regionalização não foi capaz
de corrigir os vieses do modelo global e, em alguns casos, amplificou erros térmicos.
No segundo semestre (Figura 21), a climatologia observada revelou um aumento
progressivo da temperatura máxima, especialmente entre agosto e outubro, período
associado à estação seca na maior parte da ALB. Os maiores valores concentraram-se no
leste e sudeste da região, onde a redução da nebulosidade, a diminuição da umidade do
solo e o aumento da radiação solar favorecem temperaturas máximas mais elevadas
(Marengo et al., 2022; Junior et al., 2025).

65

O MPI continuou apresentando viés frio ao longo do segundo semestre, embora
de forma menos intensa do que no primeiro. Ainda assim, o modelo subestimou os picos
de temperatura máxima observados entre agosto e outubro, especialmente no sul e leste
da Amazônia, período crítico associado ao estresse térmico e à intensificação de
queimadas (Xu et al., 2020). Esse comportamento reforça a limitação do modelo global
em representar adequadamente o aquecimento durante a estação seca.
O REG, por outro lado, apresentou um comportamento distinto no segundo
semestre. Observou-se que o modelo regional reproduz melhor os padrões espaciais e a
magnitude da temperatura máxima, especialmente entre agosto e outubro, quando os
máximos térmicos são mais pronunciados. Embora ainda haja áreas com viés quente, o
REG consegue capturar de forma mais realista os gradientes espaciais e a intensificação
do aquecimento associada à redução da umidade e à maior insolação.
Esse melhor desempenho relativo do REG no segundo semestre está de acordo
com a literatura, que indica que modelos regionais tendem a representar melhor a
temperatura máxima durante períodos secos, quando os processos locais, como uso do
solo, topografia e balanço de energia superficial, desempenham papel mais dominante
(Sangelantoni et al., 2023; Ma et al., 2022).

Figura 20. Climatologia mensal da temperatura máxima do ar (°C) sobre a ALB,
referente aos meses de janeiro a junho, obtida a partir de dados observados (OBS), do
modelo climático global MPI e do modelo climático regional REG, para o período de
1981-2012.

66

Fonte: Autor (2025)

67

Figura 21. Climatologia mensal da temperatura máxima do ar (°C) sobre a ALB,
referente aos meses de julho a dezembro, obtida a partir de dados observados (OBS), do
modelo climático global MPI e do modelo climático regional REG, para o período de
1981-2012.

Fonte: Autor (2025)

68

5.10 Viés da Temperatura Máxima
O MPI apresentou, de forma consistente, viés negativo predominante em grande
parte da ALB (figura 22), com diferenças negativas mais intensas especialmente no
centro-sul da região, indicando uma subestimação da temperatura máxima em relação às
observações. Esse padrão foi particularmente evidente entre janeiro e abril, período
associado à estação chuvosa em grande parte da Amazônia. A dificuldade do modelo
global em representar adequadamente processos de menor escalas, como a variabilidade
da cobertura de nuvens e os fluxos turbulentos na camada limite, contribui para esse viés
frio, conforme discutido na literatura (Reboita et al., 2024; Silva et al., 2025).
Em contraste, o REG apresentou viés positivo predominante ao longo do
primeiro semestre, com superestimação da temperatura máxima especialmente no norte e
noroeste da ALB, enquanto valores próximos de zero ou levemente negativos ocorrem
em áreas mais ao sul e sudeste da região. Esse comportamento sugere que o REG, apesar
de capturar melhor os gradientes espaciais devido à sua maior resolução, tende a
superaquecer a superfície, possivelmente em função da representação dos processos de
superfície, do balanço de energia e da parametrização da convecção (Silva et al., 2023).
De modo geral, no primeiro semestre, os resultados indicaram que o MPI
subestimou sistematicamente a temperatura máxima, enquanto o REG apresentou
tendência oposta, com superestimação mais pronunciada.
O MPI manteve o viés frio ao longo de praticamente todo o segundo semestre
(figura 23), com diferenças negativas mais intensas entre julho e agosto, especialmente
no centro-sul da ALB. Esse padrão sugere que o modelo global continua subestimando
os extremos de temperatura máxima durante a estação seca, quando a menor nebulosidade
favorece maior aquecimento da superfície.
Por outro lado, o REG continuou apresentando viés positivo mais intenso no
segundo semestre, com superestimações que se intensificam principalmente entre agosto
e outubro, meses típicos da estação seca. As maiores diferenças positivas concentraramse no norte, nordeste e leste da ALB, indicando que o modelo regional tende a amplificar
o aquecimento máximo nesse período.
Apesar disso, nota-se que o REG apresentou padrões espaciais mais consistentes
com a climatologia regional, quando comparado ao MPI, ainda que com magnitude de
viés superior em algumas áreas.

69

Figura 22. Diferença mensal da temperatura máxima do ar (°C) entre os modelos
climáticos (MPI e REG) e os dados observacionais na ALB, para o primeiro semestre
(janeiro a junho).

Fonte: Autor (2025).

70

Figura 23. Diferença mensal da temperatura máxima do ar (°C) entre os modelos
climáticos (MPI e REG) e os dados observacionais na ALB, para o segundo semestre
(julho a dezembro).

Fonte: Autor (2025).

71

5.11 Correlação entre os Dados Observados e o Modelo MPI –
Temperatura Máxima
As correlações entre a temperatura máxima observada e as simulações do MPI
durante o primeiro semestre (Figura 24) evidenciaram limitações relevantes do modelo
em sua configuração original. As saídas brutas do MPI apresentaram, correlações fracas
a moderadas, com ampla variabilidade espacial ao longo da ALB. Em vários meses
observaram-se áreas extensas com correlações próximas de zero e até negativas,
notadamente nos setores norte e nordeste da região.
A aplicação do método de ACC resultou em uma melhora significativa das
correlações espaciais no primeiro semestre. Apresentaram um padrão mais homogêneo,
com predominância de correlações positivas moderadas a altas em praticamente toda a
ALB. A ACC demonstrou elevada capacidade de reduzir discrepâncias sistemáticas do
modelo global, ajustando a variabilidade espacial da temperatura máxima simulada
àquela observada.
De forma semelhante, o método de RCP também promoveu ganhos substanciais
em relação às saídas brutas do MPI. As correlações tornaram-se majoritariamente
positivas e espacialmente consistentes, mostrando um ganho até superior em relação a
ACC.
No segundo semestre (Figura 25), observou-se uma melhoria geral no
desempenho do MPI, inclusive nas saídas brutas do modelo. As correlações tornaram-se
predominantemente positivas e mais homogêneas espacialmente, principalmente entre
julho e outubro.
Apesar dessa melhora natural do modelo global, a aplicação dos métodos de
correção de viés continuou promovendo ganhos adicionais. As correlações obtidas com a
ACC mantiveram-se elevadas e espacialmente consistentes ao longo de todo o segundo
semestre, indicando uma forte correspondência entre as séries simuladas e observadas.
Em vários meses, as correlações atingiram valores elevados em praticamente toda a ALB,
evidenciando a robustez do método mesmo em condições climáticas distintas daquelas
do primeiro semestre.
O método de RCP também apresentou excelente desempenho no segundo
semestre, com correlações semelhantes ou, em alguns casos, superiores às obtidas pela

72

ACC. Notou-se que, nesse período, as diferenças entre os dois métodos tornaram-se
menos pronunciadas, sugerindo que a menor complexidade atmosférica favorece a
eficácia de tais técnicas.

Figura 24. Distribuição espacial da correlação de Pearson (r) entre a temperatura máxima
mensal simulada pelo modelo MPI e os dados observados na ALB, para o primeiro
semestre (janeiro a junho).

73

Fonte: Autor (2025)

74

Figura 25. Distribuição espacial da correlação de Pearson (r) entre a temperatura máxima
mensal simulada pelo modelo MPI e os dados observados na ALB, para o segundo
semestre (julho a dezembro).

Fonte: Autor (2025).

75

5.12 Correlação entre os Dados Observados e o Modelo REG –
Temperatura Máxima
No primeiro semestre do ano (Figura 26), a correlação entre a temperatura
máxima simulada pelo modelo regional REG e os dados observados apresentou
comportamento espacialmente heterogêneo quando consideradas as saídas brutas do
modelo. Observaram-se valores de correlação predominantemente fracos a moderados
em grande parte da região, com áreas localizadas exibindo correlações negativas,
especialmente nos meses de janeiro a março.
Com a aplicação da correção de viés por ACC (REG-ACC) notou-se uma
melhoria substancial na habilidade do modelo em reproduzir a variabilidade espacial da
temperatura máxima. As correlações tornaram-se predominantemente positivas e mais
homogêneas, com valores moderados a elevados ao longo de praticamente todo o
domínio, apresentando a eficácia do método de ACC em capturar os padrões dominantes
associados à temperatura máxima no primeiro semestre. Essa melhoria sugere que a
técnica consegue ajustar de forma consistente os erros sistemáticos do REG.
Resultados semelhantes foram observados com a aplicação da correção por RCP
(REG-RCP), que também promoveu um aumento expressivo das correlações em relação
às simulações não corrigidas. Em geral, os valores de correlação obtidos com o REGRCP são comparáveis aos do REG-ACC, embora em alguns meses a RCP apresente
ligeira superioridade espacial.
No segundo semestre (Figura 27), observou-se, novamente, um aumento geral
das correlações entre o REG e os dados observados mesmo antes da aplicação das
correções de viés. As saídas brutas do modelo já apresentaram correlações
predominantemente positivas, sobretudo entre julho e agosto.
A aplicação do método REG-ACC intensificou esse padrão, resultando em
correlações altas e espacialmente consistentes em praticamente todo o domínio ao longo
do semestre. A homogeneização espacial das correlações indicou que o método ACC é
particularmente eficaz em períodos de menor variabilidade atmosférica, potencializando
a habilidade preditiva do REG para a temperatura máxima durante a estação seca.
De forma semelhante, o método REG-RCP também apresentou desempenho
elevado no segundo semestre, com correlações altas e distribuição espacial bastante

76

uniforme. Em diversos meses, os resultados do REG-RCP são muito próximos aos
obtidos com o REG-ACC, sugerindo que ambos os métodos são robustos para a correção
da temperatura máxima em condições atmosféricas mais estáveis.

Figura 26. Distribuição espacial da correlação de Pearson (r) entre a temperatura máxima
mensal simulada pelo modelo REG e os dados observados na ALB, para o primeiro
semestre (janeiro a junho).

77

Fonte: Autor (2025).

78

Figura 27. Distribuição espacial da correlação de Pearson (r) entre a temperatura máxima
mensal simulada pelo modelo REG e os dados observados na ALB, para o segundo
semestre (julho a dezembro).

Fonte: Autor (2025).

79

5.13 Análise da Raiz do Erro Quadrático Médio (RMSE) para o Modelo
MPI – Temperatura Máxima
A análise do RMSE para o primeiro semestre (figura 28) mostraram que o
modelo global MPI, em sua forma bruta, apresentou erros sistemáticos espacialmente
organizados sobre a ALB. Observou-se que, entre janeiro e março, os maiores valores de
RMSE concentraram-se, principalmente, na porção norte e nordeste da região, com
magnitudes que localmente ultrapassam valores moderados, enquanto as áreas centrais e
meridionais apresentaram erros relativamente menores. Esse padrão sugere uma maior
dificuldade do modelo em representar a variabilidade térmica máxima associada a regiões
de intensa convecção e elevada cobertura de nuvens.
Nos meses subsequentes (abril a junho), notou-se uma leve redução dos valores
de RMSE em grande parte da ALB, acompanhando a transição sazonal para condições
menos convectivas em parte da região. Ainda assim, persistiram áreas com erros mais
elevados no setor norte, indicando que o MPI manteve limitações na simulação da
temperatura máxima mesmo em meses de menor atividade convectiva.
A aplicação das correções ACC e RCP promoveram uma redução significativa
do RMSE em toda a ALB. Os mapas apresentaram valores próximos ou abaixo de 1 e se
mostraram espacialmente homogêneos ao longo de todos os meses.
No segundo semestre (figura 29), o padrão de RMSE da temperatura máxima do
MPI bruto apresentou uma nova configuração espacial dos erros. Entre julho e setembro,
os maiores valores de RMSE deslocaram-se para porções centrais e sudeste da ALB,
coincidindo com o período mais. Nessas condições, o modelo tende a apresentar maior
sensibilidade a erros na parametrização da radiação, da umidade do solo e da interação
superfície–atmosfera, o que se refletiu no aumento do RMSE.
Durante os meses de outubro a dezembro, observou-se novamente uma redução
parcial dos erros em algumas áreas, acompanhando o início da retomada das chuvas em
parte da região. No entanto, permaneceram núcleos de RMSE relativamente elevados,
especialmente em regiões de transição entre áreas mais úmidas e mais secas.
Assim como observado no primeiro semestre, a aplicação das correções ACC e
RCP no segundo semestre promoveu uma redução expressiva do RMSE em toda a ALB.
Os mapas corrigidos apresentaram valores baixos e espacialmente homogêneos ao longo

80

de todos os meses, evidenciando a robustez dos métodos de correção mesmo em períodos
de maior complexidade física associada à estação seca.
A análise também foi realizada com o MAE, com resultados similares aos
obtidos com o RMSE.

Figura 28. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura máxima para o modelo MPI no primeiro semestre (janeiro-junho).

81

Fonte: Autor (2025).

82

Figura 29. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura máxima para o modelo MPI no segundo semestre (julho-dezembro).

Fonte: Autor (2025).

83

5.14 Análise da Raiz do Erro Quadrático Médio (RMSE) para o Modelo
REG – Temperatura Máxima
No primeiro semestre (figura 30), os mapas de RMSE para a temperatura
máxima entre o campo regionalizado e as observações evidenciaram uma
heterogeneidade espacial bem visível, com erros mais elevados concentrados
predominantemente na porção norte e nordeste da ALB, especialmente nos meses de
fevereiro e março. Nessas áreas, os valores de RMSE atingiram as classes mais altas da
escala, indicando maior dificuldade do modelo regional em representar adequadamente a
variabilidade da temperatura máxima durante o período chuvoso.
A presença frequente de nuvens convectivas intensificou a variabilidade espacial
da radiação solar incidente, tornando a simulação da temperatura máxima particularmente
sensível a erros na parametrização de nuvens e processos de convecção. Como
consequência, observou-se um aumento consistente do RMSE no REG x OBS nesse
semestre.
Por outro lado, quando aplicadas as correções estatísticas, tanto pela ACC quanto
pela RCP, ocorreu uma redução expressiva e espacialmente homogênea do erro. Os
mapas corrigidos apresentaram valores predominantemente nas classes mais baixas de
RMSE, com pouca variabilidade espacial, indicando que os métodos foram eficazes em
remover vieses sistemáticos associados à superestimativa da temperatura máxima pelo
modelo regional.
No segundo semestre (figura 31), observou-se uma redução natural dos erros em
comparação ao primeiro semestre, refletindo a transição para um período mais seco em
grande parte da ALB. Apesar dessa redução geral, ainda persistiram áreas com RMSE
moderado a elevado, principalmente na faixa leste e sudeste da região, durante os meses
de agosto a outubro. Esses meses coincidiram com o pico da estação seca, quando a
temperatura máxima foi fortemente influenciada por condições de superfície, como
umidade do solo e cobertura vegetal, além de possíveis efeitos associados a queimadas e
aerossóis, fatores que nem sempre são plenamente representados nos modelos regionais.
Assim como observado no primeiro semestre, a aplicação das correções
estatísticas resultou em uma melhoria do desempenho do modelo. Tanto o REG-ACC
quanto o REG-RCP apresentaram campos de RMSE baixos e bastante uniformes ao longo

84

de todo o segundo semestre, indicando que os métodos conseguem ajustar adequadamente
o sinal da temperatura máxima mesmo em períodos de maior aquecimento superficial.
A mesma análise foi feita utilizando o MAE, foram obtidos resultados
semelhantes ao RMSE.

Figura 30. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura máxima para o modelo REG no primeiro semestre (janeiro-junho).

Fonte: Autor (2025).

85

Figura 31. Distribuição espacial mensal da raiz do erro quadrático médio (RMSE, em
°C) da temperatura máxima para o modelo REG no segundo semestre (julho-dezembro).

Fonte: Autor (2025).

86

5.15 Análise do Kling Gupta Efficiency (KGE) para o Modelo MPI –
Temperatura Máxima
O desempenho dos modelos na simulação durante o primeiro semestre (figura
32), mostraram que as simulações MPI brutas apresentaram predominantemente valores
de KGE classificados como intermediários e ruins, com regiões apresentando
classificação muito ruim. As piores performances concentraram-se especialmente nas
porções central e norte da região, indicando limitações do modelo global em representar
adequadamente tanto a variabilidade quanto o viés da temperatura máxima nesse período
do ano.
A aplicação do método de correção por ACC promoveu uma melhora perceptível
no desempenho, com expansão das áreas classificadas como intermediárias e redução das
regiões com KGE ruim ou muito ruim, sobretudo no centro-sul da ALB. Esse resultado
sugere que a correção multivariada baseada em correlação canônica contribuiu para o
ajuste da estrutura estatística das simulações, especialmente no que diz respeito à
variabilidade temporal.
Por sua vez, o método RCP apresentou desempenho comparável ao ACC no
primeiro semestre, mantendo a predominância de classes intermediárias, mas com ganhos
adicionais localizados, especialmente no noroeste da região. Ainda assim, ambos os
métodos mostraram limitações em alcançar classes muito boas de forma espacialmente
consistente.
No segundo semestre (figura 33), notou-se uma melhora geral do desempenho
do KGE em relação ao primeiro semestre, principalmente nas simulações corrigidas. As
saídas MPI brutas continuaram apresentando majoritariamente classes intermediárias,
porém passou a apresentar, de forma pontual, KGE com a classificação muito boa.
As simulações corrigidas por ACC mostraram avanço mais consistente no
segundo semestre, com ampliação das áreas classificadas como intermediárias a muito
boas. Esse comportamento indicou maior capacidade do método em ajustar
simultaneamente viés e variabilidade durante o período seco, quando a sinalização
térmica é mais bem definida.
O método RCP destacou-se no segundo semestre ao apresentar, de forma mais
frequente, regiões classificadas como muito boas, especialmente entre setembro e

87

novembro. Esse resultado sugere que a RCP é particularmente eficiente em capturar a
estrutura dominante da temperatura máxima em períodos de menor complexidade
convectiva, favorecendo uma representação mais fiel das observações.
De modo geral, a análise semestral evidenciou que o desempenho do KGE para
a temperatura máxima é sazonalmente dependente, com melhores resultados no segundo
semestre, especialmente após a aplicação dos métodos de correção de viés.

Figura 32. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura máxima para o modelo MPI no primeiro semestre (janeiro-junho).

88

Fonte: Autor (2025).

89

Figura 33. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura máxima para o modelo MPI no segundo semestre (julho-dezembro).

Fonte: Autor (2025).

90

5.16 Análise do Kling Gupta Efficiency (KGE) para o Modelo REG –
Temperatura Máxima
No primeiro semestre (figura 34), o desempenho do modelo REG para a
temperatura máxima foi predominantemente classificado como intermediário em grande
parte da região, tanto para o REG bruto quanto para as versões corrigidas. Observou-se,
entretanto, uma diferença clara entre as abordagens.
O REG, sem correção, apresentou extensas áreas com classes ruim a muito ruim,
especialmente sobre a porção central e norte da ALB, indicando limitações na
representação conjunta da variabilidade, viés e correlação da temperatura máxima durante
o período chuvoso.
A aplicação das correções estatísticas resultou em melhorias consistentes. O
REG-ACC promoveu uma redução das áreas classificadas como ruim, ampliando a
predominância da classe intermediária, sobretudo no centro-sul e em partes do leste da
região. Já o REG-RCP apresentou desempenho ligeiramente superior ao REG-ACC em
alguns meses, com áreas pontuais classificadas como muito bom, indicando melhor
equilíbrio entre variância, correlação e viés.
De forma geral, apesar das melhorias introduzidas pelas correções, o primeiro
semestre ainda foi marcado por desempenho moderado, refletindo a maior complexidade
física do período úmido para a simulação da temperatura máxima.
No segundo semestre (figura 35), notou-se uma melhora substancial no
desempenho do KGE para a temperatura máxima em relação ao primeiro semestre. O
REG bruto já apresentou uma ampliação das áreas classificadas como intermediárias, com
redução das classes ruim e muito ruim, principalmente no período seco.
As versões corrigidas, REG-ACC e REG-RCP, evidenciaram ganhos mais
expressivos. Em grande parte da região, especialmente entre agosto e novembro,
predominaram classes intermediária a muito boa, com núcleos localizados de excelente
desempenho, sobretudo na região central e oeste da ALB. Esse padrão indicou que,
durante o período seco, o modelo conseguiu representar de forma mais consistente a
variabilidade térmica diária, favorecendo o ajuste estatístico.

91

Comparativamente, o REG-RCP tendeu a apresentar maior continuidade
espacial das classes muito boas no segundo semestre, enquanto o REG-ACC manteve
desempenho semelhante, porém com maior heterogeneidade espacial em alguns meses.

Figura 34. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura máxima para o modelo REG no primeiro semestre (janeiro-junho).

92

Fonte: Autor (2025).

93

Figura 35. Distribuição espacial mensal do Kling Gupta Efficiency (KGE) da
temperatura máxima para o modelo REG no segundo semestre (julho-dezembro).

Fonte: Autor (2025).

94

5.17 Análise de Cluster
A regionalização térmica da ALB foi realizada por meio de uma análise de
cluster aplicada às séries de temperatura média, com o objetivo de identificar regiões
climaticamente homogêneas e reduzir a elevada heterogeneidade espacial do domínio. A
definição do número ótimo de grupos foi fundamentada na combinação de critérios
estatísticos e na interpretação física dos padrões obtidos, conforme apresentado nas
figuras 36 a 38.
Inicialmente, a escolha do número de clusters foi avaliada a partir do método do
cotovelo (elbow method) (Figura 36a). Observou-se uma redução acentuada da soma dos
quadrados dentro dos grupos para os primeiros agrupamentos, indicando ganhos
significativos na explicação da variabilidade térmica. A partir de seis clusters, a
inclinação da curva tornou-se progressivamente menos acentuada, sugerindo que a
inclusão de novos grupos resulta em ganhos limitados. Esse comportamento indicou que
seis clusters representam adequadamente a complexidade do sistema climático da ALB e
a capacidade de sintetizar sua variabilidade térmica dominante.
A consistência dessa escolha é reforçada pela análise hierárquica apresentada no
dendrograma (Figura 36b). O corte realizado na distância euclidiana indicada pela linha
tracejada resultou claramente em seis agrupamentos bem definidos, com separação
adequada entre os grupos. A concordância entre o método do cotovelo e o dendrograma
confere robustez estatística à definição do número de clusters adotado.
A distribuição espacial dos seis clusters é apresentada na Figura 37,
evidenciando que os agrupamentos não se distribuem de forma aleatória sobre a ALB,
mas refletem padrões climáticos e geográficos bem definidos. O Grupo 1, localizado
predominantemente na porção oeste do domínio, apresentou características típicas de
regiões continentais, com menor influência oceânica e maior amplitude térmica anual. O
Grupo 2 ocupou áreas do setor norte e nordeste da ALB, associado a temperaturas médias
relativamente mais amenas e menor variabilidade sazonal, possivelmente relacionadas à
elevada nebulosidade e à atuação frequente de processos convectivos tropicais. O Grupo
3, concentrado na região central-norte, destacou-se por apresentar os maiores valores
médios de temperatura ao longo do ano, refletindo um regime térmico mais uniforme e
próximo ao equatorial. O Grupo 4 corresponde a uma região de transição entre áreas
amazônicas e continentais, exibindo comportamento térmico intermediário. O Grupo 5,

95

localizado no sul da ALB, caracterizou-se por apresentar os menores valores médios de
temperatura e maior variabilidade sazonal, evidenciando a influência de incursões de ar
frio e episódios de friagem durante o inverno. Por fim, o Grupo 6, situado na faixa leste
do domínio, sofreu forte influência oceânica, resultando em amortecimento térmico e em
máximos mais pronunciados durante a primavera.
O comportamento sazonal de cada cluster é detalhado no ciclo anual médio de
temperatura apresentado na Figura 38. Todos os grupos exibem um padrão sazonal
coerente, com mínimos térmicos concentrados nos meses de junho e julho e máximos
entre setembro e outubro. O Grupo 5 apresentou a maior queda de temperatura durante o
inverno austral, com valores significativamente inferiores aos demais grupos,
confirmando sua elevada sensibilidade à atuação de friagens e sistemas frontais que
ocasionalmente avançam sobre o sul da ALB. Em contraste, o Grupo 3 manteve os
maiores valores médios ao longo de todo o ano e apresenta a menor amplitude térmica
sazonal, característica típica de regiões equatoriais. O Grupo 6 apresentou um pico
térmico mais tardio e suavizado, enquanto os Grupos 1, 2 e 4 exibiram comportamentos
intermediários, refletindo a transição entre regimes continentais e tropicais.
De forma conjunta, as Figuras 36 a 38 demonstraram que a análise de cluster foi
capaz de segmentar a ALB em regiões termicamente homogêneas e fisicamente
coerentes, capturando os principais gradientes climáticos do domínio. Essa
regionalização reduziu a heterogeneidade interna das áreas de análise e forneceu uma base
espacial robusta para a avaliação do desempenho das simulações climáticas e da eficácia
das técnicas de correção de viés. Ao dividir o a área de estudo em regiões climaticamente
semelhantes, reduziu-se a mistura de comportamentos distintos e criou-se uma base mais
adequada para as análises seguintes, como a avaliação do desempenho médio por meio
do Diagrama de Taylor e a análise de extremos térmicos.

Figura 36a e 36b: Determinação e estruturação dos grupos termicamente homogêneos
na ALB. (a) Curva do método do cotovelo (Elbow Method), baseada na soma dos
quadrados intra-clusters, utilizada para a definição do número ótimo de agrupamentos.
(b) Dendrograma hierárquico obtido a partir da distância euclidiana entre as estações,
evidenciando a formação de seis grupos termicamente homogêneos.

96

Fonte: Autor (2025).

Figura 37: Distribuição espacial dos grupos termicamente homogêneos na ALB, obtidos
por meio da análise de clusters aplicada às séries de temperatura média.

Fonte: Autor (2025).

97

Figura 38: Ciclo anual da temperatura média nos grupos termicamente homogêneos da
ALB.

Fonte: Autor (2025).

5.18 Análise Diagrama de Taylor
5.18.1 Diagrama de Taylor – Temperatura Mínima
O desempenho das simulações de temperatura mínima foi avaliado por meio do
Diagrama de Taylor para cada um dos seis grupos termicamente homogêneos definidos
anteriormente (Figura 39a–f), permitindo comparar, de forma integrada, a correlação, o
desvio padrão e o erro centrado das simulações do modelo global MPI, da regionalização
(REG) e das versões corrigidas pelos métodos ACC e RCP, em relação às observações.
No Grupo 1 (Figura 39a), observou-se que o MPI apresentou baixa correlação e
superestimou a variabilidade da temperatura mínima, afastando-se significativamente do
ponto de referência. A regionalização com o REG melhorou parcialmente a correlação,
mas ainda mantém discrepâncias no desvio padrão. Após a aplicação das correções,
especialmente da RCP, os resultados se aproximaram mais das observações, indicando
redução do erro e melhor representação da variabilidade térmica mínima.

98

Para o Grupo 2 (Figura 39b), o MPI novamente apresentou desempenho inferior,
com correlação moderada e desvio padrão elevado. O REG mostrou avanço em relação
ao modelo global, sobretudo na correlação. As correções ACC e RCP promoveram
melhorias adicionais, com maior proximidade do ponto de referência, sendo a RCP
ligeiramente superior na redução do erro associado à temperatura mínima.
No Grupo 3 (Figura 39c), caracterizado por menor variabilidade sazonal, o MPI
apresentou baixa correlação e elevada dispersão. A regionalização melhorou o
desempenho médio, mas ainda não reproduziu adequadamente a variabilidade observada.
As versões corrigidas, principalmente REG-RCP, apresentaram melhor equilíbrio entre
correlação e desvio padrão, indicando maior consistência na simulação da temperatura
mínima nesse grupo.
O Grupo 4 (Figura 39d) apresentou um dos melhores desempenhos do REG entre
os grupos, com correlação relativamente elevada em relação às observações. Ainda assim,
notou-se que o desvio padrão permaneceu superestimado. A aplicação das correções ACC
e RCP resultou em maior aproximação do ponto de referência, evidenciando ganhos
claros na representação da temperatura mínima, sobretudo após a correção aplicada ao
REG.
No Grupo 5 (Figura 39e), que corresponde à região mais sensível à atuação de
friagens, o MPI apresentou desempenho limitado, com baixa correlação e elevada
discrepância na variabilidade. O REG melhorou a correlação, mas ainda apresentou
dificuldades em representar adequadamente os mínimos térmicos. As correções,
especialmente a RCP, resultaram em avanços mais expressivos, indicando melhor
capacidade de capturar os padrões observados de temperatura mínima nesse grupo.
Por fim, no Grupo 6 (Figura 39f), associado à forte influência oceânica,
observou-se que o MPI apresentou desempenho insatisfatório, enquanto o REG
apresentou ganhos moderados. As simulações corrigidas, sobretudo REG-RCP,
mostraram maior proximidade do ponto de referência, com melhor ajuste tanto da
correlação quanto do desvio padrão, refletindo uma representação mais realista da
temperatura mínima.
De forma geral, os Diagramas de Taylor para a temperatura mínima (Figura 39a–
f) indicaram que a regionalização já representou um avanço em relação ao modelo global

99

MPI, mas que a aplicação das técnicas de correção de viés, em especial a RCP, resultou
em melhorias adicionais e mais consistentes.

Figura 39: Diagramas de Taylor para a avaliação do desempenho das simulações de
temperatura mínima nos grupos termicamente homogêneos da ALB.

Fonte: Autor (2025).

100

Em complemento à avaliação visual realizada por meio dos Diagramas de
Taylor, a Tabela 3 apresentou a classificação quantitativa dos experimentos para a
temperatura mínima, considerando os seis grupos termicamente homogêneos. Essa
classificação foi elaborada com base em um método de pontuação análogo ao utilizado
em Silva et al. (2023), no qual cada experimento recebe uma pontuação relativa em cada
grupo, de acordo com sua posição de desempenho na métrica avaliada. No procedimento
adotado, os experimentos que apresentaram maior aproximação ao ponto de referência
nos Diagramas de Taylor, ou seja, com maior correlação e menor desvio padrão em
relação às observações, receberam pontuações mais altas por grupo (por exemplo, 10
pontos para a melhor colocação em um grupo, 9 para a segunda, e assim sucessivamente).
Em seguida, a pontuação final de cada experimento é obtida pela média das pontuações
de todos os grupos, resultando em um ranking geral que sintetiza o desempenho regional
de cada configuração. Essa forma de agregação, que foi originalmente proposta no estudo
citado para comparar fontes de dados climáticos por grupos geográficos, permitiu uma
interpretação objetiva das diferenças entre os experimentos, minimizando a influência de
variações locais isoladas e destacando os métodos com melhor habilidade geral na
simulação da variável estudada.
No caso do Diagrama de Taylor (Tabela 3), observou-se que o experimento
REG-RCP ocupou sistematicamente a primeira posição em todos os grupos (G1 a G6),
resultando na pontuação máxima (10,0). Em seguida, destacaram-se REG-ACC e MPIRCP, que apresentaram bom desempenho na maioria dos grupos, embora com pontuações
inferiores. O MPI-ACC ocupou uma posição intermediária, enquanto os experimentos
sem correção, REG e MPI, apresentaram os piores resultados, evidenciando limitações
na representação conjunta da correlação e da variabilidade da temperatura mínima.
Resultados semelhantes foram observados para o KGE (Tabela 4), em que o
REG-RCP novamente apresentou desempenho superior em todos os grupos, com
pontuação máxima. As configurações REG-ACC e MPI-RCP manteve desempenho
elevado, enquanto MPI-ACC apresentou resultados intermediários. Os experimentos sem
correção permaneceram nas últimas posições, indicando menor habilidade na reprodução
simultânea da variabilidade, correlação e viés da temperatura mínima.
Para a métrica de viés (Tabela 5), observou-se um comportamento ligeiramente
distinto, com o MPI-ACC apresentando a melhor performance geral, ocupando a primeira
posição em todos os grupos. Ainda assim, REG-ACC e REG-RCP também apresentaram

101

reduções expressivas do viés em relação às versões não corrigidas. Esse resultado indicou
que diferentes técnicas de correção podem atuar de forma complementar, sendo
particularmente eficazes na redução de erros sistemáticos associados à temperatura
mínima.
A análise do MAE (Tabela 6) mostrou novamente a superioridade do REG-RCP,
que apresentou a maior pontuação média geral, seguido por MPI-RCP e REG-ACC. Esse
resultado reforça que a combinação entre regionalização e correção multivariada é
especialmente eficiente na redução do erro absoluto médio da temperatura mínima. O
MPI-ACC manteve desempenho intermediário, enquanto MPI e REG continuaram
apresentando os maiores erros.
Comportamento semelhante foi observado para o RMSE (Tabela 7), no qual o
REG-RCP apresentou a melhor performance geral, com pontuação máxima. As
configurações REG-ACC e MPI-RCP apareceram novamente como as segundas
melhores opções, enquanto os experimentos sem correção apresentaram os piores
desempenhos, evidenciando maior dispersão dos erros.
A classificação final (Tabela 8), obtida a partir da média das pontuações
associadas a todas as métricas avaliadas, consolidou o REG-RCP como o experimento de
maior desempenho para a temperatura mínima, com pontuação geral de 9,6. Em seguida,
destacaram-se REG-ACC (8,5) e MPI-RCP (8,3), seguidos por MPI-ACC (7,6). Os
experimentos REG e MPI ocuparam as últimas posições, confirmando que a ausência de
correção de viés comprometeu significativamente a representação da temperatura
mínima.
Tabela 3: Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base nos Diagramas de Taylor (temperatura mínima).
Diagrama de Taylor
Ranking

Pontos

1

10

2

9

3

8

4

7

5

6

Ranking

Grupo
1 (G1)
REGRCP
MPIRCP
REGACC
MPIACC

Grupo
2 (G2)
REGRCP
REGACC
MPIRCP
MPIACC

Grupo
3 (G3)
REGRCP
REGACC
MPIRCP
MPIACC

Grupo
4 (G4)
REGRCP
REGACC
MPIRCP
MPIACC

Grupo
5 (G5)
REGRCP
REGACC
MPIRCP
MPIACC

Grupo
6 (G6)
REGRCP
REGACC
MPIRCP
MPIACC

REG

MPI

REG

REG

REG

REG

Modelo

Pontos

REG-RCP

10,0

REG-ACC

8,8

MPI-RCP

8,2

MPI-ACC

7,0

MPI

5,8

102

6

5

MPI

REG

MPI

MPI

MPI

MPI

REG

5,2

Fonte: Autor (2025).

Tabela 4: Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no KGE (temperatura mínima).

Grupo
1 (G1)

KGE
Grupo Grupo
2 (G2) 3 (G3)

Ranking
Grupo
4 (G4)

Grupo
5 (G5)

Grupo
6 (G6)

REGRCP
MPIRCP
REGACC
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
MPIRCP
REGACC
MPIACC

Ranking

Pontos

1

10

2

9

3

8

4

7

5

6

REG

REG

REG

REG

REG

6

5

MPI

MPI

MPI

MPI

MPI

Modelo

Pontos

REG-RCP

10,0

REG-ACC

8,7

MPI-RCP

8,3

MPI-ACC

7,0

REG

REG

6,0

MPI

MPI

5,0

Fonte: Autor (2025).
Tabela 5: Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base nos vieses (temperatura mínima).

Grupo
1 (G1)

Bias
Grupo Grupo
2 (G2) 3 (G3)

Grupo
4 (G4)

Grupo
5 (G5)

Grupo
6 (G6)

MPIACC
REGRCP
MPIRCP
REGACC
REG

MPIACC
REGRCP
REGACC
MPIRCP
MPI

MPIACC
REGACC
REGRCP
MPIRCP
MPI

MPIACC
REGACC
REGRCP
MPIRCP
MPI

MPIACC
REGACC
MPIRCP
REGRCP
MPI

MPI

REG

REG

REG

REG

Ranking

Pontos

1

10

2

9

3

8

4

7

5

6

MPIACC
REGACC
REGRCP
MPIRCP
MPI

6

5

REG

Ranking
Modelo

Pontos

MPI-ACC

10,0

REG-ACC

8,5

REG-RCP

8,2

MPI-RCP

7,3

MPI

5,8

REG

5,2

Fonte: Autor (2025).
Tabela 6: Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no MAE (temperatura mínima).
MAE
Ranking

Pontos

Grupo
1 (G1)

Grupo
2 (G2)

Grupo
3 (G3)

Ranking
Grupo
4 (G4)

Grupo
5 (G5)

Grupo
6 (G6)

Modelo

Pontos

103
REGRCP
MPIRCP
REGACC
MPIACC

REGRCP
MPIRCP
REGACC
MPIACC

MPIRCP
REGRCP
REGACC
MPIACC

REGRCP
MPIRCP
REGACC
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

MPIRCP
REGRCP
REGACC
MPIACC

6

MPI

REG

REG

REG

REG

5

REG

MPI

MPI

MPI

MPI

1

10

2

9

3

8

4

7

5
6

REG-RCP

9,7

REG-ACC

8,2

MPI-RCP

9,2

MPI-ACC

7,0

MPI

REG

5,7

REG

MPI

5,3

Fonte: Autor (2025).
Tabela 7: Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no RMSE (temperatura mínima).

Grupo
1 (G1)

RMSE
Grupo Grupo
2 (G2)
3 (G3)

Ranking
Grupo
4 (G4)

Grupo
5 (G5)

Grupo
6 (G6)

REGRCP
MPIRCP
REGACC
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
MPIRCP
REGACC
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
MPIRCP
REGACC
MPIACC

Ranking

Pontos

1

10

2

9

3

8

4

7

5

6

MPI

REG

MPI

REG

REG

6

5

REG

MPI

REG

MPI

MPI

Modelo

Pontos

REG-RCP

10,0

REG-ACC

8,5

MPI-RCP

8,5

MPI-ACC

7,0

REG

MPI

5,3

MPI

REG

5,7

Fonte: Autor (2025).
Tabela 8: Ranking com a classificação final do desempenho dos modelos climáticos nos
grupos termicamente homogêneos da ALB (temperatura mínima).

Ranking

Pontos

1

10

2

9

3

8

4

7

5
6

6
5

CLASSIFICAÇÃO FINAL
Grupo Grupo Grupo Grupo
1 (G1) 2 (G2) 3 (G3) 4 (G4)

Grupo
5 (G5)

Grupo
6 (G6)

REGRCP
REGACC
MPIRCP
MPIACC
REG
MPI

REGRCP
REGACC
MPIRCP
MPIACC
REG
MPI

REGRCP
REGACC
MPIRCP
MPIACC
REG
MPI

REGRCP
REGACC
MPIRCP
MPIACC
MPI
REG

REGRCP
MPIRCP
REGACC
MPIACC
MPI
REG

REGRCP
REGACC
MPIRCP
MPIACC
REG
MPI

Ranking
Modelo

Pontos

REG-RCP

9,6

REG-ACC

8,5

MPI-RCP

8,3

MPI-ACC

7,6

REG
MPI

5,3
5,7

104

De forma geral, esses resultados demonstram que a superioridade do REG-RCP
não se restringe a uma métrica específica ou a um único grupo homogêneo, mas reflete
um ganho consistente e robusto na representação da temperatura mínima em toda a ALB.

5.18.2 Diagrama de Taylor – Temperatura Máxima
No Grupo 1 (Figura 40a), o MPI apresentou correlação moderada e superestimou
a variabilidade da temperatura máxima. A regionalização com o REG melhorou a
correlação, porém ainda mantém discrepâncias no desvio padrão. A aplicação das
correções ACC e RCP resultou em maior aproximação do ponto de referência, com
destaque para a RCP, que apresentou melhor equilíbrio entre correlação e variabilidade.
Para o Grupo 2 (Figura 40b), observa-se que o MPI apresenta desempenho
limitado, com correlação moderada e desvio padrão elevado. O REG melhora o
desempenho em relação ao modelo global, especialmente na correlação. As simulações
corrigidas mostram avanços adicionais, aproximando-se mais das observações, sendo a
RCP novamente a técnica que apresenta melhor ajuste geral.
No Grupo 3 (Figura 40c), caracterizado por temperaturas mais elevadas e menor
variabilidade sazonal, o MPI apresentou baixa correlação e elevada dispersão. A
regionalização melhorou parcialmente o desempenho, enquanto as correções ACC e RCP
promoveram uma redução mais significativa do erro. O conjunto REG-RCP destacou-se
por apresentar maior proximidade do ponto de referência, indicando melhor
representação da temperatura máxima nesse grupo.
No Grupo 4 (Figura 40d), o REG apresentou desempenho relativamente superior
ao MPI, com aumento da correlação em relação às observações. Ainda assim, persistiram
diferenças no desvio padrão. A aplicação das correções resultou em melhorias adicionais,
com as simulações corrigidas se posicionando mais próximas do ponto de referência,
evidenciando ganho na representação da temperatura máxima.
Para o Grupo 5 (Figura 40e), que corresponde a uma região com maior
variabilidade térmica, o MPI apresentou desempenho insatisfatório, com baixa correlação
e superestimação da variabilidade. O REG melhorou parcialmente a correlação, enquanto
as correções ACC e RCP reduziram de forma mais efetiva o erro. A RCP novamente
apresentou o melhor ajuste, com maior proximidade do ponto de referência.

105

Por fim, no Grupo 6 (Figura 40f), associado à forte influência oceânica,
observou-se que o MPI apresentou correlação moderada e elevada discrepância no desvio
padrão. O REG melhorou a correlação, mas ainda não representou adequadamente a
variabilidade observada. As versões corrigidas, especialmente REG-RCP, mostraram
melhor desempenho geral, com redução simultânea do erro e melhor ajuste da
variabilidade da temperatura máxima.
De forma geral, os Diagramas de Taylor para a temperatura máxima (Figura 40af) indicaram que a regionalização representou um avanço consistente em relação ao
modelo global MPI, sobretudo no aumento da correlação com as observações. No entanto,
a aplicação das técnicas de correção de viés, especialmente a RCP, resultou em melhorias
adicionais e mais homogêneas entre os diferentes grupos.

Figura 40: Diagramas de Taylor para a avaliação do desempenho das simulações de
temperatura máxima nos grupos termicamente homogêneos da ALB.

106

Fonte: Autor (2025).

De forma igual ao procedimento adotado para a temperatura mínima, os
resultados dos Diagramas de Taylor da temperatura máxima são sintetizados nas tabelas
de classificação por grupos homogêneos.
No que se refere ao Diagrama de Taylor (Tabela 9), o experimento REG-RCP
apresentou o melhor desempenho geral, com pontuação média de 9,8, ocupando a
primeira posição na maioria dos grupos. Em seguida, destacaram-se REG-ACC e MPIRCP, que também apresentaram bom ajuste, porém com desempenho ligeiramente

107

inferior. O MPI-ACC manteve posição intermediária, enquanto os experimentos sem
correção (MPI e REG) concentraram-se nas últimas posições, indicando menor
capacidade de reproduzir simultaneamente a correlação e a variabilidade da temperatura
máxima.
Resultados semelhantes são observados para o KGE (Tabela 10), no qual o REGRCP novamente ocupou a primeira posição em todos os grupos, atingindo a pontuação
máxima (10,0). As configurações REG-ACC e MPI-RCP apareceram logo em seguida,
confirmando ganhos consistentes em relação às versões não corrigidas. Esse
comportamento indica que a combinação entre regionalização e correção multivariada
melhora de forma significativa a coerência estatística da temperatura máxima.
Na análise do viés (Tabela 11), observou-se um desempenho bastante próximo
entre REG-RCP e REG-ACC, ambos com pontuação média elevada (9,5), indicando forte
redução dos erros sistemáticos associados à temperatura máxima. O MPI-RCP apresentou
desempenho intermediário, enquanto o MPI-ACC mostrou ganhos mais modestos. Os
experimentos sem correção permaneceram com os maiores desvios médios, sobretudo
nos grupos com maior variabilidade térmica.
Para as métricas MAE (Tabela 12) e RMSE (Tabela 13), o REG-RCP voltou a
se destacar de forma consistente, alcançando a maior pontuação média geral em ambas
as métricas. REG-ACC e MPI-RCP manteve desempenho semelhante e ocupou as
posições subsequentes, reforçando que as técnicas de correção de viés são eficazes na
redução dos erros associados à temperatura máxima. O MPI-ACC apresentou
desempenho intermediário, enquanto MPI e REG continuaram apresentando os maiores
erros.
A classificação final (Tabela 14) consolidou o REG-RCP como o experimento
de melhor desempenho para a temperatura máxima, com pontuação geral de 9,9. Em
seguida, destacaram-se REG-ACC (8,9) e MPI-RCP (8,2), seguidos por MPI-ACC (7,0).
Os experimentos REG e MPI permaneceram nas últimas posições, confirmando que a
ausência de correção de viés compromete a representação adequada da temperatura
máxima.
Tabela 9: Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base nos Diagramas de Taylor (temperatura máxima).
Diagrama de Taylor

Ranking

108

Ranking Pontos

Grupo
1 (G1)

Grupo
2 (G2)

Grupo
3 (G3)

Grupo
4 (G4)

Grupo
5 (G5)

Grupo
6 (G6)

REGRCP
REGACC
MPIRCP
MPIACC
MPI

REGRCP
MPIRCP
REGACC
MPIACC
MPI

REGRCP
REGACC
MPIRCP
MPIACC
MPI

REGRCP
REGACC
MPIRCP
MPIACC
REG

REGRCP
REGACC
MPIRCP
MPIACC
REG

REG

REG

REG

MPI

MPI

1

10

2

9

3

8

4

7

5

6

REGACC
REGRCP
MPIRCP
MPIACC
MPI

6

5

REG

Modelo

Pontos

REG-RCP

9,8

REG-ACC

9,0

MPI-RCP

8,2

MPI-ACC

7,0

MPI

5,7

REG

5,3

Fonte: Autor (2025).
Tabela 10: Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no KGE (temperatura máxima).

Ranking Pontos

Grupo
1 (G1)

KGE
Grupo Grupo
2 (G2) 3 (G3)

Ranking
Grupo
4 (G4)

Grupo
5 (G5)

Grupo
6 (G6)

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
MPIRCP
REGACC
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

Modelo

Pontos

REG-RCP

10,0

REG-ACC

8,8

MPI-RCP

8,2

MPI-ACC

7,0

1

10

2

9

3

8

4

7

5

6

MPI

REG

MPI

MPI

MPI

MPI

MPI

5,8

6

5

REG

MPI

REG

REG

REG

REG

REG

5,2

Fonte: Autor (2025).
Tabela 11: Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base nos vieses (temperatura máxima).

Ranking Pontos

Grupo
1 (G1)

Bias
Grupo Grupo
2 (G2) 3 (G3)

Ranking
Grupo
4 (G4)

Grupo
5 (G5)

Grupo
6 (G6)

REGRCP
REGACC
MPIRCP
MPIACC

REGACC
REGRCP
MPIRCP
MPIACC

REGRCP
REGACC
MPIRCP
MPIACC

REGACC
REGRCP
MPIRCP
MPIACC

REGACC
REGRCP
MPIRCP
MPIACC

REGRCP
REGACC
MPIACC
MPIRCP

Modelo

Pontos

REG-RCP

9,5

REG-ACC

9,5

MPI-RCP

7,8

MPI-ACC

7,2

1

10

2

9

3

8

4

7

5

6

REG

MPI

MPI

REG

REG

REG

REG

5,7

6

5

MPI

REG

REG

MPI

MPI

MPI

MPI

5,3

Fonte: Autor (2025).

109

Tabela 12: Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no MAE (temperatura máxima).
MAE
Ranking

Pontos

1

10

2

9

3

8

4

7

5

6

Grupo
1 (G1)
REGRCP
REGACC
MPIRCP
MPIACC
REG

6

5

MPI

Ranking

Grupo
2 (G2)
REGRCP
MPIRCP
REGACC
MPIACC
MPI

Grupo
3 (G3)
REGRCP
MPIRCP
REGACC
MPIACC
MPI

Grupo
4 (G4)
REGRCP
REGACC
MPIRCP
MPIACC
REG

Grupo
5 (G5)
REGRCP
REGACC
MPIRCP
MPIACC
REG

Grupo
6 (G6)
REGRCP
MPIRCP
REGACC
MPIACC
REG

REG

REG

MPI

MPI

MPI

Modelo

Pontos

REG-RCP

10,0

REG-ACC

8,5

MPI-RCP

8,5

MPI-ACC

7,0

REG

5,7

MPI

5,3

Fonte: Autor (2025).
Tabela 13: Ranking do desempenho dos modelos climáticos nos grupos termicamente
homogêneos da ALB, com base no RMSE (temperatura máxima).

Ranking

Pontos

1

10

2

9

3

8

4

7

5

6

Grupo
1 (G1)
REGRCP
REGACC
MPIRCP
MPIACC
REG

6

5

MPI

RMSE
Grupo
Grupo
2 (G2)
3 (G3)
REGREGRCP
RCP
REGMPIACC
RCP
MPIREGRCP
ACC
MPIMPIACC
ACC
MPI
MPI

Grupo
4 (G4)
REGRCP
MPIRCP
REGACC
MPIACC
REG

Grupo
5 (G5)
REGRCP
MPIRCP
REGACC
MPIACC
REG

Grupo
6 (G6)
REGRCP
REGACC
MPIRCP
MPIACC
MPI

REG

MPI

MPI

REG

REG

Ranking
Modelo

Pontos

REG-RCP

10,0

REG-ACC

8,5

MPI-RCP

8,5

MPI-ACC

7,0

MPI

5,5

REG

5,5

Fonte: Autor (2025).
Tabela 14: Ranking com a classificação final do desempenho dos modelos climáticos nos
grupos termicamente homogêneos da ALB (temperatura máxima).
CLASSIFICAÇÃO FINAL
Ranking

Pontos

1

10

2

9

3

8

4

7

5

6

Ranking

Grupo
1 (G1)
REGRCP
REGACC
MPIRCP
MPIACC

Grupo
2 (G2)
REGRCP
REGACC
MPIRCP
MPIACC

Grupo
3 (G3)
REGRCP
MPIRCP
REGACC
MPIACC

Grupo
4 (G4)
REGRCP
REGACC
MPIRCP
MPIACC

Grupo
5 (G5)
REGRCP
REGACC
MPIRCP
MPIACC

Grupo
6 (G6)
REGRCP
REGACC
MPIRCP
MPIACC

REG

MPI

MPI

REG

REG

REG

Modelo

Pontos

REG-RCP

9,9

REG-ACC

8,9

MPI-RCP

8,2

MPI-ACC

7,0

REG

5,5

110
6

5

MPI

REG

REG

MPI

MPI

MPI

MPI

5,5

Fonte: Autor (2025).
De forma geral, os resultados indicaram que, assim como observado para a
temperatura mínima, a superioridade do REG-RCP para a temperatura máxima foi
robusta e consistente entre os diferentes grupos homogêneos e métricas avaliadas. Isso
evidencia que a combinação entre regionalização dinâmica e correção multivariada de
viés é fundamental para aprimorar a simulação da variabilidade térmica na ALB.

5.19 Análise da Tendência de Eventos Extremos
A análise das tendências dos índices de extremos climáticos no período de 1981
a 2012, organizada por grupos espaciais, revelou um padrão robusto e coerente de
aquecimento, caracterizado principalmente pela diminuição dos extremos frios e pela
intensificação dos extremos quentes, com maior destaque para os eventos noturnos. O
símbolo (*) associado às barras indicou que a tendência estimada foi estatisticamente
significativa, ao nível de 5% (p < 0,05), o que confere elevada confiança de que a variação
observada representou uma mudança climática real e não apenas flutuações naturais de
curto prazo.
No Grupo 1 (figura 41), as observações mostraram uma redução significativa da
persistência de eventos frios, evidenciada pelas tendências negativas de CSDI e TN10p,
ambas estatisticamente significativas. Esse comportamento sugeriu uma diminuição tanto
na frequência quanto na duração de períodos frios, refletindo um enfraquecimento
progressivo dos mecanismos responsáveis pelo resfriamento noturno. Em paralelo,
observou-se um aumento consistente e significativo dos índices associados a extremos
quentes, como TN90p, TR20, TX90p e WSDI. Esse conjunto de sinais indica não apenas
mais dias e noites quentes, mas também maior persistência desses eventos, o que possui
implicações diretas para o conforto térmico e a saúde humana. O MPI sem correção
tendeu a superestimar essas tendências, enquanto a regionalização reduziu parcialmente
esse viés. A aplicação da RCP, sobretudo no REG-RCP, permitiu um ajuste mais realista,
preservando a significância estatística observada e alinhando melhor as magnitudes
simuladas às observações.

111

Figura 41: Tendências dos índices de extremos climáticos de temperatura no Grupo 1 da
ALB, no período de 1981–2012.

Fonte: Autor (2025).

No Grupo 2 (figura 42), o sinal de aquecimento foi particularmente intenso e
estatisticamente robusto. As observações indicaram reduções acentuadas e significativas
em CSDI e TN10p, ao mesmo tempo em que se observou um aumento expressivo em
TN90p, TR20, TX90p e WSDI, com algumas tendências superiores a 1 dia por ano. A
presença sistemática de (*) nesses índices evidenciou que as mudanças foram persistentes
e espacialmente coerentes. O MPI apresentou tendências excessivamente intensas,
sobretudo para os extremos frios, sugerindo sensibilidade exagerada ao aquecimento. O
REG melhorou a representação, mas foi o REG-RCP que melhor reproduziu o equilíbrio
observado entre a redução de extremos frios e o aumento de extremos quentes, mantendo
o sinal estatístico e evitando amplificações artificiais.

Figura 42: Tendências dos índices de extremos climáticos de temperatura no Grupo 2 da
ALB, no período de 1981–2012.

112

Fonte: Autor (2025).

O Grupo 3 (figura 43) também apresentou um contraste marcante entre a
diminuição de extremos frios e o aumento de extremos quentes. As tendências negativas
significativas em CSDI e TN10p indicaram redução clara de noites frias, enquanto os
aumentos significativos de TN90p, TX90p e WSDI revelaram maior frequência e
persistência de eventos quentes. Um aspecto relevante nesse grupo foi o aumento
significativo de TR20, indicando crescimento do número de noites tropicais, o que aponta
para um aquecimento noturno particularmente pronunciado. Novamente, o MPI tendeu a
exagerar os sinais, enquanto o REG-RCP se destacou por representar com maior
fidelidade tanto a magnitude quanto a significância estatística das tendências observadas.

Figura 43: Tendências dos índices de extremos climáticos de temperatura no Grupo 3 da
ALB, no período de 1981–2012.

Fonte: Autor (2025).
No Grupo 4 (Figura 44), o aquecimento foi amplo e consistente em praticamente
todos os índices analisados. As observações mostraram redução significativa de TN10p e
CSDI, acompanhada por aumentos significativos em TN90p, TR20, TX90p e WSDI. A
presença generalizada de (*) indicou que esse grupo experimentou uma reorganização da
distribuição térmica, com deslocamento claro em direção a temperaturas mais elevadas.
A regionalização dinâmica já melhorou a representação desses sinais em relação ao MPI,
mas a aplicação da RCP resultou em ganhos adicionais, permitindo ao REG-RCP capturar
com maior precisão o ritmo e a intensidade das mudanças observadas.

113

Figura 44: Tendências dos índices de extremos climáticos de temperatura no Grupo 4 da
ALB, no período de 1981–2012.

Fonte: Autor (2025).

No Grupo 5 (Figura 45), embora as tendências observadas sejam ligeiramente
menos intensas do que nos Grupos 2, 3 e 4, o padrão geral de aquecimento permaneceu
evidente. A redução significativa de TN10p e o aumento significativo de TN90p, TR20,
TX90p e WSDI confirmaram a diminuição de extremos frios e a intensificação de
extremos quentes. Nesse grupo, observou-se que o REG-RCP pode intensificar a
tendência negativa de TN10p em relação às observações, sugerindo que a correção
multivariada, embora eficaz, pode amplificar sinais locais em regiões de maior
variabilidade climática. Ainda assim, o sinal permaneceu coerente e estatisticamente
consistente.

Figura 45: Tendências dos índices de extremos climáticos de temperatura no Grupo 5 da
ALB, no período de 1981–2012.

Fonte: Autor (2025).

114

Por fim, o Grupo 6 (figura 46) apresentou um dos sinais mais fortes de
aquecimento noturno entre todos os grupos. As observações indicaram reduções
significativas e expressivas em CSDI e TN10p, acompanhadas por aumentos acentuados
em TN90p e TR20, ambos com forte significância estatística. O crescimento de TX90p e
WSDI reforçou a intensificação tanto da frequência quanto da persistência de eventos
quentes. O MPI sem correção exagerou esse comportamento, enquanto o REG apresentou
melhora parcial. O REG-RCP, por sua vez, reproduziu de forma mais equilibrada as
tendências observadas, especialmente para os índices noturnos, preservando a
significância estatística e reduzindo os vieses sistemáticos.

Figura 46: Tendências dos índices de extremos climáticos de temperatura no Grupo 6 da
ALB, no período de 1981–2012.

Fonte: Autor (2025)
De forma integrada, observou-se que as tendências estatisticamente mais
consistentes concentraram-se nos índices associados à temperatura mínima, como
TN10p, TN90p e TR20, evidenciando que o aquecimento noturno constituiu um dos
principais sinais da mudança climática regional no período analisado. Em contraste,
índices relacionados a extremos absolutos, como DTR, TXN e TNN, apresentaram menor
robustez estatística, o que indica maior variabilidade interanual e sensibilidade a
processos locais, como condições de nebulosidade, circulação de mesoescala e
heterogeneidades de superfície, tornando essas métricas menos estáveis no longo prazo.
Em resumo, os resultados demonstraram que o aquecimento observado entre
1981 e 2012 não se limitou ao aumento das médias térmicas, mas se manifestou de forma
clara e estatisticamente significativa nos extremos climáticos, sobretudo noturnos. A

115

regionalização dinâmica associada à correção multivariada por RCP (REG-RCP) surgiu
como a abordagem mais robusta para reproduzir essas mudanças, fornecendo uma base
confiável para estudos de impactos, adaptação climática e avaliação de riscos associados
ao aumento de extremos térmicos.

116

6. Conclusões
Foi avaliado o desempenho das simulações históricas de temperatura máxima e
mínima geradas pelo modelo climático global MPI e por sua regionalização com o modelo
regional (REG) para a ALB, no período de 1981 a 2012, bem como a eficácia dos métodos
multivariados de correção de viés ACC e RCP na redução dos erros sistemáticos
associados a essas simulações.
De forma geral, os resultados evidenciaram que o modelo global MPI apresentou
limitações significativas na representação da variabilidade espacial e temporal da
temperatura sobre a ALB, especialmente em regiões caracterizadas pela intensa interação
superfície-atmosfera. Essas limitações manifestaram-se tanto na superestimação da
temperatura máxima, em porções do norte da área de estudo, quanto na dificuldade em
reproduzir os valores mais baixos da temperatura mínima no sul da ALB, suavizando
gradientes térmicos regionais e subestimando a intensidade de eventos frios associados
às friagens.
A regionalização dinâmica por meio do REG proporcionou avanços relevantes
na representação espacial das variáveis térmicas, reduzindo parcialmente os erros médios
e melhorando a coerência dos padrões regionais. Entretanto, os resultados também
demonstraram que a regionalização, por si só, não é suficiente para eliminar os vieses
sistemáticos, os quais permanecem associados, principalmente, à representação do
balanço de energia à superfície, da umidade do solo, da cobertura vegetal e dos processos
convectivos, sobretudo em períodos de elevada atividade atmosférica.
Nesse contexto, a aplicação dos métodos estatísticos de correção de viés
mostrou-se fundamental. Tanto o ACC quanto o RCP promoveram reduções consistentes
nos valores de MAE, RMSE e aumentos nos coeficientes de correlação e nos índices de
eficiência (KGE), indicando melhorias significativas na concordância entre as simulações
e os dados observados. De modo geral, o método RCP apresentou desempenho superior,
com maior ampliação das áreas classificadas como “muito bom” e “excelente”,
especialmente para a temperatura mínima e durante os meses de transição sazonal, quando
os erros tendem a ser mais pronunciados.
As análises semestrais reforçaram a dependência sazonal do desempenho dos
modelos, evidenciando maiores erros no primeiro semestre do ano, período marcado pela

117

atuação da ZCIT e por elevada variabilidade térmica associada a sistemas convectivos. Já
no segundo semestre, observou-se uma redução relativa dos erros, embora persistam
discrepâncias regionais, particularmente nas áreas de transição entre floresta, cerrado e
regiões sob forte influência antrópica.
A avaliação dos extremos térmicos indicou que os vieses presentes nas
simulações médias também se refletem nos índices de extremos, afetando a frequência e
a intensidade de eventos quentes e frios. A aplicação das correções de viés contribuiu
para uma melhor representação desses extremos, reduzindo distorções na ocorrência de
noites quentes, dias extremamente quentes e na amplitude térmica diária, o que é
especialmente relevante para estudos de impactos climáticos.
Por fim, a análise integrada por meio de técnicas de clusterização e diagramas
de Taylor, confirmou o ganho progressivo de desempenho entre as diferentes
configurações avaliadas, com destaque para as simulações regionalizadas e corrigidas,
que apresentaram maior similaridade estatística em relação às observações, reforçando a
importância da combinação entre regionalização dinâmica e correção estatística de viés
como estratégia robusta para a melhoria da qualidade das simulações climáticas na ALB.
Dessa forma, concluiu-se que, embora persistam desafios associados à
complexidade climática da ALB, a abordagem adotada neste trabalho representou um
avanço significativo na redução de erros sistemáticos em simulações de temperatura,
fornecendo uma base mais confiável para aplicações futuras em estudos de variabilidade
climática, extremos e impactos ambientais na região.

118

7. Referências Bibliográficas
A. J. Komkoua Mbienda, Guenang, G. M., S. Kaissassou, Tanessong, R. S., Choumbou,
P. C., & Giorgi, F. (2023). Enhancement of RegCM4.7‐CLM precipitation and
temperature by improved bias correction methods over Central Africa. Meteorological
Applications, 30(1). https://doi.org/10.1002/met.2116
Abatzoglou, J. T., & Brown, T. J. (2011). A comparison of statistical downscaling
methods suited for wildfire applications. International Journal of Climatology, 32(5),
772–780. https://doi.org/10.1002/joc.2312
Adam, O., Bischoff, T., & Schneider, T. (2016). Seasonal and Interannual Variations of
the Energy Flux Equator and ITCZ. Part I: Zonally Averaged ITCZ Position. Journal of
Climate, 29(9), 3219–3230. https://doi.org/10.1175/jcli-d-15-0512.1
Adeyeri, O. E., Zhou, W., Wang, X., Zhang, R., Laux, P., Ishola, K. A., & Usman, M.
(2022). The trend and spatial spread of multisectoral climate extremes in CMIP6 models.
Scientific Reports, 12(1). https://doi.org/10.1038/s41598-022-25265-4
Agarwal, A., Shah, D., Shen, D., & Song, D. (2021). On Robustness of Principal
Component Regression. Journal of the American Statistical Association, 116(536), 1731–
1745. https://doi.org/10.1080/01621459.2021.1928513
Albert, J., Carnaval, A., Flantua, S., Lohmann, L., Ribas, C., Riff, D., Carrillo, J., Fan,
Y., Figueiredo, J., Guayasamin, J., Hoorn, C., De Melo, G., Nascimento, N., Quesada, C.,
Ulloa, C., Val, P., Arieira, J., Encalada, A., & Nobre, C. (2023). Human impacts outpace
natural processes in the Amazon. Science, 379. https://doi.org/10.1126/science.abo5003
Albright, R., Corbett, A., Jiang, X., Creecy, E., Newman, S., Li, K., Liang, M., & Yung,
Y. L. (2021). Seasonal Variations of Solar‐Induced Fluorescence, Precipitation, and
Carbon Dioxide Over the Amazon. Earth and Space Science, 9(1), e2021EA002078–
e2021EA002078. https://doi.org/10.1029/2021ea002078
Almada, H., Macedo, M., Lenza, E., Maracahipes, L., & Silvério, D. (2024). Indigenous
lands and conservation units slow down non-GHG climate change in the CerradoAmazon

ecotone.

Perspectives

in

Ecology

and

Conservation.

https://doi.org/10.1016/j.pecon.2024.03.002
Almeida, C., Oliveira‐Júnior, J., Delgado, R., Cubo, P., & Ramos, M. (2017).
Spatiotemporal rainfall and temperature trends throughout the Brazilian Legal Amazon,
1973–2013. International Journal of Climatology, 37. https://doi.org/10.1002/joc.4831

119

Almazroui, M. (2012). Dynamical downscaling of rainfall and temperature over the
Arabian

Peninsula

using

RegCM4.

Climate

Research,

52,

49–62.

https://doi.org/10.3354/cr01073
Alvares, C. A., Stape, J. L., Sentelhas, P. C., de Moraes Gonçalves, J. L., & Sparovek, G.
(2013). Köppen's climate classification map for Brazil. Meteorologische Zeitschrift, 22,
711-728.
Alves de Oliveira, B. F., Bottino, M. J., Nobre, P., & Nobre, C. A. (2021). Deforestation
and climate change are projected to increase heat stress risk in the Brazilian Amazon.
Communications Earth & Environment, 2, 1–8. https://doi.org/10.1038/s43247-02100275-8
Amaral e Silva, A. et al. (2020). Anthropic activities and the Legal Amazon: Estimative
of impacts on forest and regional climate for 2030. Remote Sensing Applications:
Society and Environment, 18, 100304. https://doi.org/10.1016/j.rsase.2020.100304
Anwar, S. A., & Mostafa, S. M. (2023). Assessment of the Sensitivity of Daily Maximum
and Minimum Air Temperatures of Egypt to Soil Moisture Status and Land Surface
Parameterization Using RegCM4. DOAJ (DOAJ: Directory of Open Access Journals),
115–115. https://doi.org/10.3390/asec2023-15353
Anwar, S. A., Reboita, M. S., & Llopart, M. (2021). On the sensitivity of the Amazon
surface climate to two land‐surface hydrology schemes using a high‐resolution regional
climate

model

(RegCM4).

International

Journal

of

Climatology.

https://doi.org/10.1002/joc.7367
Arakawa, A. (2004). The Cumulus Parameterization Problem: Past, Present, and Future.
Journal

of

Climate.

https://journals.ametsoc.org/view/journals/clim/17/13/1520-

0442_2004_017_2493_tcp_ppa_2.0.co_2.xml
Artaxo, P. (2023). Amazon deforestation implications in local/regional climate change.
Proceedings of the National Academy of Sciences of the United States of America,
120(50). https://doi.org/10.1073/pnas.2317456120
Artaxo, P., Fonseca de Almeida-Val, V. M., Bilbao, B., Brando, P. M., Bustamante, M.,
Coe, M. T., Correa, S. B., Cuesta, F., Costa, M. H., Miralles-Wilhem, F., Salinas, N.,
Silvério, D. V., & Val, A. L. (2021). Chapter 23: Impacts of deforestation and climate
change on biodiversity, ecological processes, and environmental adaptation. Amazon
Assessment Report 2021. https://doi.org/10.55161/vkmn1905
Artaxo, P., Rizzo, L. V., Brito, J. F., Barbosa, H. M. J., Arana, A., Sena, E. T., Cirino, G.
G., Bastos, W., Martin, S. T., & Andreae, M. O. (2013). Atmospheric aerosols in

120

Amazonia and land use change: from natural biogenic to biomass burning conditions.
Faraday Discussions, 165, 203. https://doi.org/10.1039/c3fd00052d
Azevedo, C. A. (2015). Análise de Correlação Canônica. Universidade Estadual de
Campinas

(UNICAMP).

Material

didático,

2015.

[PDF]

https://www.ime.unicamp.br/~cnaber/aula_ACC_Ana_Multi_2S_2015.pdf
Baccini, A., Goetz, S. J., Walker, W., Laporte, N. T., Sun, M., Sulla-Menashe, D., ... &
Houghton, R. A. (2012). Estimated carbon dioxide emissions from tropical deforestation
improved by carbon-density maps. Nature Climate Change, 2(3), 182-185.
https://www.nature.com/articles/nclimate1354
Baccini, A., Walker, W., Carvalho, L., Farina, M., et al. (2017). Tropical forests are a net
carbon source based on aboveground measurements of gain and loss. Science, 358(6360),
230-234. https://www.science.org/doi/10.1126/science.aam5962
Baker, J. C. A., Garcia-Carreras, L., Gloor, M., Marsham, J. H., Buermann, W., da Rocha,
H. R., Nobre, A. D., de Araujo, A. C., & Spracklen, D. V. (2021). Evapotranspiration in
the Amazon: spatial patterns, seasonality, and recent trends in observations, reanalysis,
and climate models. Hydrology and Earth System Sciences, 25(4), 2279–2300.
https://doi.org/10.5194/hess-25-2279-2021
Ban, N., Cécile Caillaud, Coppola, E., Emanuela Pichelli, Sobolowski, S., Adinolfi, M.,
Ahrens, B., Alias, A., Anders, I., Bastin, S., Danijel Belušić, Ségolène Berthou, Brisson,
E., Cardoso, R. M., Chan, S., Christensen, O., Jesús Fernández Fernández, L. Fita, Frisius,
T., & Goran Gašparac. (2021). The first multi-model ensemble of regional climate
simulations at kilometer-scale resolution, part I: evaluation of precipitation. Climate
Dynamics, 57(1-2), 275–302. https://doi.org/10.1007/s00382-021-05708-w
Barnston, A. G., & Tippett, M. K. (2017). Do Statistical Pattern Corrections Improve
Seasonal Climate Predictions in the North American Multimodel Ensemble Models?
Journal of Climate, 30(20), 8335–8355. https://doi.org/10.1175/jcli-d-17-0054.1,
Barona, E., et al. (2010). The role of pasture and soybean in deforestation of the Brazilian
Amazon.

Environmental

Research

Letters,

5(2),

024002.

https://iopscience.iop.org/article/10.1088/1748-9326/5/2/024002
Bellouin, N., et al. (2020). Aerosols and their Climate Effects. Nature Reviews Earth &
Environment. https://www.nature.com/articles/s43017-020-0030-0
Boé, J., Terray, L., Habets, F., & Martin, E. (2007). Statistical and dynamical downscaling
of the Seine basin climate for hydro-meteorological studies. International Journal of
Climatology, 27(12), 1643-1655. https://doi.org/10.1002/joc.1602

121

Bottino, M., Nobre, P., Giarolla, E., Da Silva, M., Capistrano, V., Malagutti, M.,
Tamaoki, J., De Oliveira, B., & Nobre, C. (2024). Amazon savannization and climate
change are projected to increase dry season length and temperature extremes over Brazil.
Scientific Reports, 14. https://doi.org/10.1038/s41598-024-55176-5
Boulton, C., Lenton, T., & Boers, N. (2021). Pronounced loss of Amazon rainforest
resilience since the early 2000s. Nature Climate Change, 12, 271 - 278.
https://doi.org/10.1038/s41558-022-01287-8
Brienen, R. J. W., Phillips, O. L., Feldpausch, T. R., et al. (2015). Long-term decline of
the

Amazon

carbon

sink.

Nature,

519(7543),

344–348.

https://www.nature.com/articles/nature14283
Brito, A., Veiga, J., Correia, F., Michiles, A., Capistrano, V., Chou, S., Lyra, A., &
Medeiros, G. (2023). Impacts of increasing greenhouse gas concentrations and
deforestation on extreme rainfall events in the Amazon basin: A multi‐model ensemble‐
based

study.

International

Journal

of

Climatology,

43,

5512

-

5535.

https://doi.org/10.1002/joc.8158
Cai, W., McPhaden, M. J., Grimm, A. M., Rodrigues, R. R., Taschetto, A. S., Garreaud,
R. D., Dewitte, B., Poveda, G., Ham, Y.-G., Santoso, A., Ng, B., Anderson, W., Wang,
G., Geng, T., Jo, H.-S., Marengo, J. A., Alves, L. M., Osman, M., Li, S., & Wu, L. (2020).
Climate impacts of the El Niño–Southern Oscillation on South America. Nature Reviews
Earth & Environment, 1(4), 215–231. https://doi.org/10.1038/s43017-020-0040-3
Camarinha-Neto, G. F., Julia, Dias-Júnior, C. Q., Matthias Sörgel, José Henrique
Cattanio, Alessandro Araújo, Wolff, S., Paulo, Rodrigo, Rizzo, L. V., & Paulo Artaxo.
(2021). The friagem event in the central Amazon and its influence on
micrometeorological variables and atmospheric chemistry. Atmospheric Chemistry and
Physics, 21(1), 339–356. https://doi.org/10.5194/acp-21-339-2021
Cannon, A. J., Sobie, S. R., & Murdock, T. Q. (2015). Bias Correction of GCM
Precipitation by Quantile Mapping: How Well Do Methods Preserve Changes in
Quantiles

and

Extremes?

Journal

of

Climate,

28(17),

6938-6959.

https://doi.org/10.1175/JCLI-D-14-00754.1
Chokkavarapu, S., & Mandla, V. (2019). Bias correction in climate modeling and its
importance.

Environmental

Science

&

Policy.

https://www.sciencedirect.com/science/article/abs/pii/S1462901119301219
Córdova, M., Célleri, R., & Van Delden, A. (2022). Dynamics of Precipitation Anomalies
in Tropical South America. Atmosphere. https://doi.org/10.3390/atmos13060972

122

Costa, D., Gomes, H., Silva, M., & Zhou, L. (2022). The most extreme heat waves in
Amazonia

happened

under

extreme

dryness.

Climate

Dynamics,

1-15.

https://doi.org/10.1007/s00382-021-06134-8
Cox, P. M., Betts, R. A., Jones, C. D., Spall, S. A., & Totterdell, I. J. (2000). Acceleration
of global warming due to carbon-cycle feedbacks in a coupled climate model. Nature.
https://www.nature.com/articles/35035049
Crank, P., Middel, A., Wagner, M., Hoots, D., Smith, M., & Brazel, A. (2020). Validation
of seasonal mean radiant temperature simulations in hot arid urban climates. The Science
of the total environment, 749, 141392 . https://doi.org/10.1016/j.scitotenv.2020.141392
Cui, Z., Chen, Q., & Liu, G. (2023). A two-stage downscaling hydrological modeling
approach via convolutional conditional neural process and geostatistical bias correction.
Journal of Hydrology. https://doi.org/10.1016/j.jhydrol.2023.129498
Custódio, I., Da Silva Dias, P., Wainer, I., & Prado, L. (2024). Changes in the South
American Monsoon System components since the Last Glacial Maximum: a TraCE-21k
perspective. Climate Dynamics. https://doi.org/10.1007/s00382-024-07139-9
Danielsom, J.; Gesch, D. Global Multi-Resolution Terrain Elevation Data 2010
(GMTED2010)

(2011).

USGS.

https://pubs.usgs.gov/of/2011/1073/pdf/of2011-1073.pdf.
da Silva, H. J. F., Gonçalves, W. A., Bezerra, B. G., Santos e Silva, C. M., Oliveira, C. P.
de, & Mutti, P. R. (2022). Analysis of the Influence of Deforestation on the Microphysical
Parameters

of

Clouds

in

the

Amazon.

Remote

Sensing,

14(21),

5353.

https://doi.org/10.3390/rs14215353
De Bodas Terassi, P., Galvani, E., Gobo, J., Da Silva Oscar-Júnior, A., Luiz‐Silva, W.,
Sobral, B., De Gois, G., & Biffi, V. (2023). Exploring climate extremes in Brazil’s Legal
Amazon.

Stochastic

Environmental

Research

and

Risk

Assessment.

https://doi.org/10.1007/s00477-023-02634-7
De Cáceres, M., Martin-StPaul, N., Turco, M., Cabon, A., & Granda, V. (2018).
Estimating daily meteorological data and downscaling climate models over landscapes.
Environmental

Modelling

&

Software,

108,

186-196.

https://doi.org/10.1016/j.envsoft.2018.08.003
De Souza, E. B., Carmo, A. M. C., Moares, B. C., Nacif, A., Ferreira, D. B. da S., Rocha,
E. J. P., & Souza, P. J. D. O. P. (2016). SAZONALIDADE DA PRECIPITAÇÃO SOBRE
A AMAZÔNIA LEGAL BRASILEIRA: CLIMA ATUAL E PROJEÇÕES FUTURAS

123

USANDO O MODELO REGCM4. Revista Brasileira de Climatologia, 18.
https://doi.org/10.5380/abclima.v18i0.43711
Dirmeyer, P. A., Chen, L., Wu, J., Chee Mahn Shin, Huang, B., Cash, B. A., Bosilovich,
M. G., Sarith Mahanama, Koster, R. D., Santanello, J. A., Ek, M., Balsamo, G., Dutra,
E., & Lawrence, D. M. (2018). Verification of Land–Atmosphere Coupling in Forecast
Models, Reanalyses, and Land Surface Models Using Flux Site Observations. Journal of
Hydrometeorology, 19(2), 375–392. https://doi.org/10.1175/jhm-d-17-0152.1
dos Santos Silva, F. D., Gomes, H. B., da Costa, C. P. W., Nogueira Neto, A. V., de
Freitas, I. G. F., dos Santos Vanderlei, M. H. G., da Silva, M. C. L., Costa, R. L., dos
Reis, J. S., dos Santos Franco, V., dos Santos, A. P. P., Saraiva, I., da Rocha Júnior, R.
L., Cabral Júnior, J. B., da Silva, H. J. F., dos Santos Jesus, E., da Silva Ferreira, D. B.,
& Tedeschi, R. G. (2025). Bias correction methods for simulated precipitation in the
Brazilian

Legal

Amazon.

Frontiers

in

Climate,

7.

https://doi.org/10.3389/fclim.2025.1651474
Döscher, R., et al. (2022). Earth System Models. Encyclopedia of Earth System
Sciences. https://www.sciencedirect.com/science/article/pii/B9780124095472116423
Duffy, P., Brando, P., Asner, G., & Field, C. (2015). Projections of future meteorological
drought and wet periods in the Amazon. Proceedings of the National Academy of
Sciences, 112, 13172 - 13177. https://doi.org/10.1073/pnas.1421010112
Dufek, J., Pereira, G., & Ometto, J. (2020). Regional climate modeling over South
America: A review. Theoretical and Applied Climatology, 140, 1211-1236.
https://doi.org/10.1007/s00704-020-03135-8
Durai, S., & Bhradwaj, M. (2014). Evaluation of WRF model for precipitation simulation
over

mountains.

Atmospheric

Research.

https://www.sciencedirect.com/science/article/pii/S0169809514000770
Edwards, P. N. (2010). A Vast Machine: Computer Models, Climate Data, and the
Politics of Global Warming. MIT Press. https://mitpress.mit.edu/books/vast-machine
Enayati, M., Bozorg-Haddad, O., Bazrafshan, J., Hejabi, S., & Chu, X. (2020). Bias
correction capabilities of quantile mapping methods for rainfall and temperature
variables.

Journal

of

Water

and

Climate

Change,

12(2),

401-419.

https://doi.org/10.2166/wcc.2020.261
Espinoza, J., Jimenez, J., Marengo, J., Schongart, J., Ronchail, J., Lavado-Casimiro, W.,
& Ribeiro, J. (2024). The new record of drought and warmth in the Amazon in 2023

124

related

to

regional

and

global

climatic

features.

Scientific

Reports,

14.

https://doi.org/10.1038/s41598-024-58782-5
Eyring, V., Bony, S., Meehl, G. A., et al. (2016). Overview of the Coupled Model
Intercomparison Project Phase 6 (CMIP6) experimental design and organization.
Geoscientific Model Development. https://gmd.copernicus.org/articles/9/1937/2016/
FAS

(2024).

Amazônia

Legal:

importância

socioambiental.

https://fas-

amazonia.org/amazonia-legal-entenda-sua-importancia/
Ferreira, W. M., Vitorino, M. I., Barreiros, E., & Alexandre. (2012). Sazonalidade da
precipitação para a Amazônia usando o modelo REGCM3: avaliando apenas a forçante
do Atlântico Equatorial. Revista Brasileira de Meteorologia, 27(4), 435–446.
https://doi.org/10.1590/s0102-77862012000400007
Filho, W., Oliveira‐Júnior, J., Silva, C., & De Barros Santiago, D. (2021). Influence of
the El Niño–Southern Oscillation and the sypnotic systems on the rainfall variability over
the Brazilian Cerrado via Climate Hazard Group InfraRed Precipitation with Station data.
International

Journal

of

Climatology,

42,

3308

-

3322.

https://doi.org/10.1002/joc.7417
Flato, G., Marotzke, J., Abiodun, B., et al. (2013). Evaluation of Climate Models. In:
Climate

Change

2013

-

The

Physical

Science

Basis.

IPCC

AR5.

https://www.ipcc.ch/site/assets/uploads/2018/02/WG1AR5_all_final.pdf
Fowler, H. J., Blenkinsop, S., & Tebaldi, C. (2007). Linking climate change modelling to
impacts studies: recent advances in downscaling techniques for hydrological modelling.
International

Journal

of

Climatology,

27(12),

1547–1578.

https://doi.org/10.1002/joc.1556
Friedlingstein, P., et al. (2020). Global Carbon Budget 2020. Earth System Science
Data. https://essd.copernicus.org/articles/12/3269/2020/
Gao, S. (2020). Dynamical downscaling of surface air temperature and precipitation using
RegCM4 and WRF over China. Climate Dynamics, 55(5-6), 1283–1302.
https://doi.org/10.1007/s00382-020-05326-y
García-Franco, J. L., Gray, L. J., & Osprey, S. (2020). The American monsoon system in
HadGEM3 and UKESM1. Weather and Climate Dynamics, 1(2), 349–371.
https://doi.org/10.5194/wcd-1-349-2020
Gatti, L. V., et al. (2021). Amazonia as a carbon source linked to deforestation and climate
change. Nature, 595(7867), 388–393. https://www.nature.com/articles/s41586-02103629-6

125

Ge, J., Qiu, B., Chu, B., Li, D., Jiang, L., Zhou, W., Tang, J., & Guo, W. (2021).
Evaluation of coupled regional climate models in representing the local biophysical
effects of afforestation over continental China. Journal of Climate, 1–62.
https://doi.org/10.1175/jcli-d-21-0462.1
Giorgi, F., & Mearns, L. O. (1991). Approaches to the simulation of regional climate
change:

a

review.

Reviews

of

Geophysics.

https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/91RG00979
Goodess, C., Anagnostopoulou, C., Bárdossy, A., Frei, C., Harpham, C., Haylock, M.,
Hundecha, Y., Maheras, P., Ribalaygua, J., Schmidli, J., Schmith, T., Tolika, K.,
Tomozeiu, R., & Wilby, R. (2005). An intercomparison of statistical downscaling
methods for Europe and European regions -assessing their performance with
respect to extreme temperature and precipitation events. Climatic Research Unit
Research Publication, 11. https://crudata.uea.ac.uk/cru/pubs/crurp/CRU_RP11.pdf
Green, A., & Romanov, E. (2025). The high-dimensional asymptotics of principal
component regression. The Annals of Statistics, 53(4). https://doi.org/10.1214/25aos2532
Gutowski, W. J., et al. (2020). CORDEX: The Coordinated Regional Downscaling
Experiment.

Bulletin

of

the

American

Meteorological

Society.

https://journals.ametsoc.org/view/journals/bams/101/10/bams-d-19-0077.1.xml
Hanadi A. Amhimmid, Fatma Alzahra A. Aljehany, Mohamed A. Mohamed, & Kasem
A. Farag. (2025). Comparative Study of Four Methods in Hierarchical Cluster Analysis.
Libyan

Journal

of

Medical

and

Applied

Sciences,

11–16.

https://doi.org/10.64943/ljmas.v3i4.183
Hawkins, E., & Sutton, R. (2009). The potential to narrow uncertainty in projections of
regional

precipitation

change.

Climate

Dynamics.

https://link.springer.com/article/10.1007/s00382-008-0504-0
Herdies, D. L., Silva, F. D. dos S., Gomes, H. B., Silva, M. C. L. da, Gomes, H. B., Costa,
R. L., Lins, M. C. C., Reis, J. S. dos, Kubota, P. Y., Souza, D. C. de, Melo, M. L. D. de,
& Mariano, G. L. (2023). Evaluation of Surface Data Simulation Performance with the
Brazilian

Global

Atmospheric

Model

(BAM).

Atmosphere,

14(1),

125.

https://doi.org/10.3390/atmos14010125
Hertwig, E., von Storch, J-S., Handorf, D., Dethloff, K., Fast, I., & Krismer, T. (2015).
Effect of horizontal resolution on ECHAM6-AMIP performance. Climate Dynamics, 45,
185–211.

126

Hoffmann, H., & Rath, T. (2012). Meteorologically consistent bias correction of climate
time series for agricultural models. Theoretical and Applied Climatology, 110(1-2),
129–141. https://doi.org/10.1007/s00704-012-0618-x
Holtslag, A. A. M., De Bruijn, E. I. F., & Pan, H. (1990). A High Resolution Air Mass
Transformation Model for Short-Range Weather Forecasting. Monthly Weather
Review,

118,

1561–1575,

https://doi.org/10.1175/1520-

0493(1990)118<1561:AHRAMT>2.0.CO;2
Holthuijzen, M., Beckage, B., Clemins, P., Higdon, D., & Winter, J. (2021). Robust biascorrection of precipitation extremes using a novel hybrid empirical quantile-mapping
method.

Theoretical

and

Applied

Climatology,

149,

863-882.

https://doi.org/10.1007/s00704-022-04035-2
Hotelling, H. (1936). RELATIONS BETWEEN TWO SETS OF VARIATES.
Biometrika, 28(3-4), 321–377. https://doi.org/10.1093/biomet/28.3-4.321
Houghton, R. A. (2013). The emissions of carbon from deforestation and degradation in
the

tropics:

Past

and

future.

Carbon

Management,

4(5),

539-546.

https://www.tandfonline.com/doi/full/10.4155/cmt.13.41.
Howell, J. C., Yizhaq, T., Drechsler, N., Zamir, Y., Beysens, D., & Shaw, J. A. (2021).
Generalized nighttime radiative deficits. Journal of Hydrology, 603, 126971.
https://doi.org/10.1016/j.jhydrol.2021.126971
Iacobucci, D., Schneider, M. J., Popovich, D. L., & Bakamitsos, G. A. (2015). Mean
centering helps alleviate “micro” but not “macro” multicollinearity. Behavior Research
Methods, 48(4), 1308–1317. https://doi.org/10.3758/s13428-015-0624-x
IBGE (2023). Limites e características da Amazônia Legal. Disponível em:
https://www.ibge.gov.br/
IBGE

(2025).

Amazônia

Legal.

https://www.ibge.gov.br/geociencias/cartas-e-

mapas/mapas-regionais/15819-amazonia-legal.html
Ines, A. V. M., & Hansen, J. W. (2006). Bias correction of daily GCM rainfall for crop
simulation studies. Agricultural and Forest Meteorology, 138(1-4), 44–53.
https://doi.org/10.1016/j.agrformet.2006.03.009
INPE

(2022).

Monitoramento

do

desmatamento

na

Amazônia

Legal.

Physical

Science

Basis.

http://terrabrasilis.dpi.inpe.br/en/home/
IPCC

(2021).

Climate

Change

https://www.ipcc.ch/report/ar6/wg1/

2021:

The

127

IPCC (2022). Climate Change 2022: Impacts, Adaptation and Vulnerability.
https://www.ipcc.ch/report/ar6/wg2/
Ishihara, J., Fernandes, L., Duarte, A., Ponte, M., & Loureiro, G. (2014). Quantitative and
Spatial Assessment of Precipitation in the Brazilian Amazon (Legal Amazon) - (1978 to
2007).

Revista

Brasileira

de

Recursos

Hídricos,

19(1),

29–39.

https://doi.org/10.21168/rbrh.v19n1.p29-39
Izzaddin, Langousis, A., Totaro, V., Yaseen, M., & Iacobellis, V. (2024). A new diagram
for performance evaluation of complex models. Stochastic Environmental Research and
Risk Assessment, 38(6), 2261–2281. https://doi.org/10.1007/s00477-024-02678-3
Jackson, J. E. (2005). Análise de Componentes Principais. In: Análise Multivariada de
Dados, 2ª ed., Pioneira Thompson. (Tradução e adaptação)
Jhan Carlo Espinoza, Josyane Ronchail, Marengo, J. A., & Segura, H. (2018). Contrasting
North–South changes in Amazon wet-day and dry-day frequency and related atmospheric
features

(1981–2017).

Climate

Dynamics,

52(9-10),

5413–5430.

https://doi.org/10.1007/s00382-018-4462-2
Jiang, Z., Liu, D., Dong, G., Tang, J., Wang, S., & Xiong, Y. (2024). Convectionpermitting regional climate simulations over coastal regions in China. Climate
Dynamics, 62(8), 7271–7291. https://doi.org/10.1007/s00382-024-07278-z
Jiménez-Muñoz, J., Mattar, C., Barichivich, J., Santamaría-Artigas, A., Takahashi, K.,
Malhi, Y., Sobrino, J., & Schrier, G. (2016). Record-breaking warming and extreme
drought in the Amazon rainforest during the course of El Niño 2015–2016. Scientific
Reports, 6. https://doi.org/10.1038/srep33130
Jolliffe, I. T. (2002). Principal Component Analysis. In Springer Series in Statistics.
Springer-Verlag. https://doi.org/10.1007/b98835
Kähnert, M., Sodemann, H., Remes, T. M., Fortelius, C., Bazile, E., & Esau, I. (2022).
Spatial Variability of Nocturnal Stability Regimes in an Operational Weather Prediction
Model.

Boundary-Layer

Meteorology,

186(2),

373–397.

https://doi.org/10.1007/s10546-022-00762-1
Kain, J. S., & Fritsch, J. M. (1990). A one-dimensional entraining/detraining plume model
and its application in convective parameterization. Journal of the Atmospheric
Sciences,

47(23),

2784–2802.

0469(1990)047<2784:AODEPM>2.0.CO;2

DOI:

10.1175/1520-

128

Kain, J. S., & Kain, J. (2004). The Kain - Fritsch convective parameterization: An update.
Journal of Applied Meteorology, 43(1), 170–181. https://doi.org/10.1175/15200450(2004)04360;0170:tkcpau62;2.0.co;2
Karamouz, M., Nazif, S., & Fallahi, M. (2010). Rainfall Downscaling Using Statistical
Downscaling Model and Canonical Correlation Analysis: A Case Study. World
Environmental

and

Water

Resources

Congress

2010,

4579–4587.

https://doi.org/10.1061/41114(371)465
Kendon, E. J., Ban, N., Roberts, N. M., Fowler, H. J., Roberts, M. J., Chan, S. C., Evans,
J. P., Fosser, G., & Wilkinson, J. M. (2017). Do Convection-Permitting Regional Climate
Models Improve Projections of Future Precipitation Change? Bulletin of the American
Meteorological Society, 98(1), 79–93. https://doi.org/10.1175/bams-d-15-0004.1
Kim, Y.-H., Min, S.-K., Zhang, X., Sillmann, J., & Sandstad, M. (2020). Evaluation of
the CMIP6 multi-model ensemble for climate extreme indices. Weather and Climate
Extremes, 29, 100269. https://doi.org/10.1016/j.wace.2020.100269
Klami, A., Virtanen, S., & Kaski, S. (2013). Bayesian Canonical correlation analysis. J.
Mach. Learn. Res., 14, 965-1003. https://doi.org/10.5555/2567709.2502612
L. Sangelantoni, S. Sobolowski, Lorenz, T., Ø. Hodnebrog, Cardoso, R. M., Soares, M.,
Ferretti, R., A. Lavín-Gullón, Fernandez, J., Goergen, K., J. Milovac, E. Katragkou, S.
Kartsios, Coppola, E., E. Pichelli, Adinolfi, M., Mercogliano, P., S. Berthou, H. de Vries,
& Dobler, A. (2023). Investigating the representation of heatwaves from an ensemble of
km-scale regional climate simulations within CORDEX-FPS convection. Climate
Dynamics, 62(6), 4635–4671. https://doi.org/10.1007/s00382-023-06769-9
Lavado Casimiro, W. S., Labat, D., Ronchail, J., Espinoza, J. C., & Guyot, J. L. (2012).
Trends in rainfall and temperature in the Peruvian Amazon-Andes basin over the last
40 years

(1965-2007).

Hydrological

Processes,

n/a-n/a.

https://doi.org/10.1002/hyp.9418
Lehner, F., et al. (2020). Projecting uncertainty changes with global warming.
Geophysical

Research

Letters.

https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2019GL086983
Lemes, G., TEDESCHI, G., & João, S. (2020, November 30). Analysis of Moisture
Transport from Amazonia to Southeastern Brazil During the Austral Summer. Itv.org.
https://repositorio.itv.org/items/ed19bc99-4abc-49c7-abc6-6453e9933033/full
Levine, P. A., Randerson, J. T., Chen, Y., Pritchard, M. S., Xu, M., & Hoffman, F. M.
(2019). Soil Moisture Variability Intensifies and Prolongs Eastern Amazon Temperature

129

and Carbon Cycle Response to El Niño–Southern Oscillation. Journal of Climate, 32(4),
1273–1292. https://doi.org/10.1175/jcli-d-18-0150.1
Levine, X. J., & Boos, W. R. (2017). Land surface albedo bias in climate models and its
association with tropical rainfall. Geophysical Research Letters, 44(12), 6363–6372.
https://doi.org/10.1002/2017gl072510
Lewis, S. L., et al. (2011). The 2010 Amazon drought. Science, 331(6017), 554-554.
[suspicious link removed]
Ling, Z., Gao, Y., & Chen, Q. (2021). Application of Principal Component Analysis in
Meteorological Forecast. IOP Conference Series: Earth and Environmental Science,
631, 012019. https://doi.org/10.1088/1755-1315/631/1/012019
Liu, R. X., Kuang, J., Gong, Q., & Hou, X. L. (2003). Principal component regression
analysis with spss. Computer Methods and Programs in Biomedicine, 71(2), 141–147.
https://doi.org/10.1016/s0169-2607(02)00058-5
Loganathan, P., & Mahindrakar, A. B. (2021). Statistical downscaling using principal
component regression for climate change impact assessment at the Cauvery river basin.
Journal of Water and Climate Change. https://doi.org/10.2166/wcc.2021.223
Lorenz, R., Pitman, A. J., Donat, M. G., Hirsch, A. L., Kala, J., Kowalczyk, E. A., Law,
R. M., & Srbinovsky, J. (2014). Representation of climate extreme indices in the
ACCESS1.3b

coupled atmosphere–land

surface

model.

Geoscientific

Model

Development, 7(2), 545–567. https://doi.org/10.5194/gmd-7-545-2014
Lovejoy, T. E., & Nobre, C. (2018). Amazon Tipping Point. Science Advances, 4(2).
https://doi.org/10.1126/sciadv.aat2340
Lucas‐Picher, P., Argüeso, D., Brisson, E., Tramblay, Y., Berg, P., Lemonsu, A.,
Kotlarski, S., & Caillaud, C. (2021). Convection ‐permitting modeling with regional
climate models: Latest developments and next steps. WIREs Climate Change, 12(6).
https://doi.org/10.1002/wcc.731
Lucas, E., Sousa, F., Silva, F., Da Rocha JÚnior, R., Pinto, D., & Silva, V. (2021). Trends
in climate extreme indices assessed in the Xingu river basin - Brazilian Amazon.
Weather

and

climate

extremes,

31,

100306.

https://doi.org/10.1016/J.WACE.2021.100306
Luiz‐Silva, W., Bazzanela, A., Dereczynski, C., Oscar-Júnior, A., & Raupp, I. (2025).
Temperature and Precipitation Extremes in the Brazilian Legal Amazon: A Summary of
Climatological

Patterns

and

https://doi.org/10.3390/atmos16020222

Detected

Trends.

Atmosphere.

130

Luo, Y., Zhang, K., Wang, W., Chen, X., Feng, J., Wang, H., Liu, W., Guo, C., Chen, C.,
& Wang, X. (2025). An improved statistical bias correction method for Global Climate
Model (GCM) precipitation projection: A case study on the CMCC-CM2-SR5 model
projection in China’s Huaihe River Basin. Journal of Hydrology: Regional Studies.
https://doi.org/10.1016/j.ejrh.2024.102146
Ma, M., Ou, T., Liu, D., Wang, S., Fang, J., & Tang, J. (2022). Summer regional climate
simulations over Tibetan Plateau: from gray zone to convection permitting scale. Climate
Dynamics, 60(1-2), 301–322. https://doi.org/10.1007/s00382-022-06314-0
Machado-Silva, F., Libonati, R., Melo de Lima, T. F., Bittencourt Peixoto, R., de Almeida
França, J. R., de Avelar Figueiredo Mafra Magalhães, M., Lemos Maia Santos, F.,
Abrantes Rodrigues, J., & DaCamara, C. C. (2020). Drought and fires influence the
respiratory diseases hospitalizations in the Amazon. Ecological Indicators, 109, 105817.
https://doi.org/10.1016/j.ecolind.2019.105817
Manabe, S., & Wetherald, R. T. (1967). Thermal equilibrium of the atmosphere with a
given distribution of relative humidity. Journal of the Atmospheric Sciences.
https://journals.ametsoc.org/view/journals/atsc/24/3/15200469_1967_024_0240_teotaw_2_0_co_2.xml
Maraun, D. (2016). Bias Correction for Climate Change Simulations of Precipitation.
WIREs Climate Change. https://onlinelibrary.wiley.com/doi/full/10.1002/wcc.380
Maraun, D., Shepherd, T., Widmann, M., Zappa, G., Walton, D., Gutiérrez, J.,
Hagemann, S., Richter, I., Soares, P., Hall, A., & Mearns, L. (2017). Towards processinformed bias correction of climate change simulations. Nature Climate Change, 7, 764773. https://doi.org/10.1038/NCLIMATE3418
Marengo, J. A., & Espinoza, J. C. (2018). Extreme seasonal droughts and floods in
Amazonia: causes, trends and impacts. International Journal of Climatology, 38(1),
103-123. [suspicious link removed]
Marengo, J. A., Jimenez, J. C., Espinoza, J.-C., Cunha, A. P., & Aragão, L. E. O. (2022).
Increased climate pressure on the agricultural frontier in the Eastern Amazonia–Cerrado
transition zone. Scientific Reports, 12(1). https://doi.org/10.1038/s41598-021-04241-4
Marengo, J. A., Liebmann, B., Grimm, A. M., Misra, V., Silva Dias, P. L., Cavalcanti, I.
F. A., Carvalho, L. M. V., Berbery, E. H., Ambrizzi, T., Vera, C. S., Saulo, A. C., NoguesPaegle, J., Zipser, E., Seth, A., & Alves, L. M. (2010). Recent developments on the South
American monsoon system. International Journal of Climatology, 32(1), 1–21.
https://doi.org/10.1002/joc.2254

131

Marengo, J. A., Souza, C. M., Thonicke, K., Burton, C., Halladay, K., Betts, R. A., Alves,
L. M., & Soares, W. R. (2018). Changes in Climate and Land Use Over the Amazon
Region: Current and Future Variability and Trends. Frontiers in Earth Science, 6, 228.
https://doi.org/10.3389/feart.2018.00228
Marengo, J. A., Souza, C. M., Thonicke, K., Burton, C., Halladay, K., Betts, R. A., ... &
Navarra, A. (2017). Reciclagem de Precipitação na Bacia Amazônica: O Papel do
Transporte de Umidade e da Evapotranspiração da Superfície. Revista Brasileira de
Meteorologia,

32(2),

243-259.

Disponível

em:

https://www.scielo.br/j/rbmet/a/53XZYdjvScP4gpVGZ3mp34k/?lang=pt
Martins, P., Sano, E., Martins, É., Vieira, L., Salemi, L., Vasconcelos, V., & Júnior, A.
(2021). Terrain units, land use and land cover, and gross primary productivity of the
largest fluvial basin in the Brazilian Amazonia/Cerrado ecotone: The Araguaia River
basin.

Applied

Geography,

127,

102379.

https://doi.org/10.1016/J.APGEOG.2020.102379
Matte, D., Laprise, R., Thériault, J., & Lucas‐Picher, P. (2017). Spatial spin-up of fine
scales in a regional climate model simulation driven by low-resolution boundary
conditions. Climate Dynamics, 49, 563-574. https://doi.org/10.1007/s00382-016-33582
Mauritsen, T., Bader, J., Becker, T., Behrens, J., Bittner, M., Brokopf, R. et al. (2019).
Developments in theMPI-M Earth System Model version1.2 (MPI-ESM1.2) and its
response toincreasing CO2. Journal of Advances in Modeling Earth Systems, 11, 998–
1038.
Mendez, M., Maathuis, B., Hein-Griggs, D., & Alvarado-Gamboa, L. (2020).
Performance Evaluation of Bias Correction Methods for Climate Change Monthly
Precipitation Projections over Costa Rica. Water. https://doi.org/10.3390/w12020482
Meng, X., Lyu, S., Zhang, T., Zhao, L., Li, Z., Han, B., Li, S., Ma, D., Chen, H., Ao, Y.,
Luo, S., Shen, Y., Guo, J., & Wen, L. (2018). Simulated cold bias being improved by
using MODIS time-varying albedo in the Tibetan Plateau in WRF model. Environmental
Research Letters, 13(4), 044028–044028. https://doi.org/10.1088/1748-9326/aab44a
Monteverde, C., De Sales, F., & Jones, C. (2022). Evaluation of the CMIP6 Performance
in

Simulating

Precipitation

https://doi.org/10.3390/cli10080122

in

the

Amazon

River

Basin.

Climate.

132

Monteverde, E., et al. (2022). Persistent dry bias in CMIP6 simulations of the Amazon.
Geophysical

Research

Letters.

https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2022GL099265
Nahar, N. M., Kumar, S., & Parman, S. (2017). Assessment of the predictability of
extreme rainfall events: Limitations of reanalysis data. Journal of Hydrology.
https://www.sciencedirect.com/science/article/abs/pii/S002216941730882X
Nepstad, D., et al. (2008). Interactions among Amazon land use, forests and climate:
prospects for a near-term forest tipping point. Philosophical Transactions of the Royal
Society

B,

363(1498),

1737-1746.

https://royalsocietypublishing.org/doi/10.1098/rstb.2007.0036
Nobre, C., Sampaio, G., Borma, L., Castilla-Rubio, J., Silva, J., & Cardoso, M. (2016).
Land-use and climate change risks in the Amazon and the need of a novel sustainable
development paradigm. Proceedings of the National Academy of Sciences, 113, 10759
- 10768. https://doi.org/10.1073/pnas.1605516113
Oliveira, R., Serra, B., Wendel, Martins, G. C., Ribeiro, P. G., Queiroz, M., Silva, &
Ramos, S. J. (2025). Impact of Land Cover and Meteorological Attributes on Soil
Fertility, Temperature, and Moisture in the Itacaiúnas River Watershed, Eastern Amazon.
Environments, 12(4), 98–98. https://doi.org/10.3390/environments12040098
Paca, V. H. da M., Espinoza-Dávalos, G., Moreira, D., & Comair, G. (2020). Variability
of Trends in Precipitation across the Amazon River Basin Determined from the CHIRPS
Precipitation

Product

and

from

Station

Records.

Water,

12(5),

1244.

https://doi.org/10.3390/w12051244
Pal, J. S., Small, E. E., & Eltahir, E. A. B. (2000). Simulation of regional-scale water and
energy budgets: Representation of subgrid cloud and precipitation processes within
RegCM. Journal of Geophysical Research: Atmospheres, 105(D24), 29579–29594.
https://doi.org/10.1029/2000jd900415
Palmer, T. N., & Weisheimer, A. (2011). Diagnosing the causes of bias in climate models
– why is it so hard? Geophysical & Astrophysical Fluid Dynamics, 105(2-3), 351–365.
https://doi.org/10.1080/03091929.2010.547194
Panisset, J., Libonati, R., Gouveia, C., Machado‐Silva, F., França, D., França, J., & Peres,
L. (2018). Contrasting patterns of the extreme drought episodes of 2005, 2010 and 2015
in

the

Amazon

Basin.

https://doi.org/10.1002/joc.5224

International

Journal

of

Climatology,

38.

133

Pareja-Quispe, D., Franchito, S. H., & Pablo, J. (2021). Assessment of the RegCM4
Performance in Simulating the Surface Radiation Budget and Hydrologic Balance
Variables in South America. Earth Systems and Environment, 5(3), 499–518.
https://doi.org/10.1007/s41748-021-00249-y
Parsons, L. A. (2020). Implications of CMIP6 Projected Drying Trends for 21st Century
Amazonian

Drought

Risk.

Earth’s

Future,

8(10),

e2020EF001608.

https://doi.org/10.1029/2020EF001608
Philip, M., Mulholland, P. J., & McDowell, W. H. (2020). Hydrology and
biogeochemistry of tropical forest ecosystems. Water Resources Research, 56(8),
e2020WR027350.
https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2020WR027350
Pierce, D., Cayan, D., Maurer, E., Abatzoglou, J., & Hegewisch, K. (2015). Improved
Bias Correction Techniques for Hydrological Simulations of Climate Change. Journal
of Hydrometeorology, 16, 2421-2442. https://doi.org/10.1175/JHM-D-14-0236.1
Reboita, J. Fernández, Llopart, M., da, P., Luana Albertani Pampuch, & Cruz, F. (2014).
Assessment of RegCM4.3 over the CORDEX South America domain: sensitivity analysis
for physical parameterization schemes. Climate Research, 60(3), 215–234.
https://doi.org/10.3354/cr01239
Reboita, M. S., Willian de Souza Ferreira, G., Gabriel Martins Ribeiro, J., & Ali, S.
(2024). Assessment of precipitation and near-surface temperature simulation by CMIP6
models in South America. Environmental Research: Climate, 3(2), 025011.
https://doi.org/10.1088/2752-5295/ad3fdb
Reddy, P., Chinta, S., Matear, R., Taylor, J., Baki, H., Thatcher, M., Kala, J., & Sharples,
J. (2023). Machine learning based parameter sensitivity of regional climate models—a
case study of the WRF model for heat extremes over Southeast Australia. Environmental
Research Letters, 19. https://doi.org/10.1088/1748-9326/ad0eb0
Richter, I., Doi, T., Chang, P., Xu, Z., Kataoka, T., Tomoki Tozuka, Motoki Nagura,
Pascal Oettli, & De, S. P. (2015). An Overview Of Coupled GCM Biases In The Tropics.
World Scientific Series on Asia-Pacific Weather and Climate, 213–263.
https://doi.org/10.1142/9789814696623_0008
Rocha, V. M., Wagner, F., & De (2019). Avaliação dos Impactos da Mudança do Clima
na Precipitação da Amazônia Utilizando o Modelo RCP 8.5 Eta-HadGEM2-ES. Revista
Brasileira de Geografia Física, 12(6), 2051. https://doi.org/10.26848/rbgf.v12.6.p20512065

134

Ruv Lemes, M., Sampaio, G., Fisch, G., Alves, L. M., Maksic, J., Guatura, M., &
Shimizu, M. (2022). Impacts of atmospheric CO 2 increase and Amazon deforestation on
the regional climate: A water budget modelling study. International Journal of
Climatology, 43(3), 1497–1513. https://doi.org/10.1002/joc.7929
Sachindra, D., & Perera, B. (2016). Statistical Downscaling of General Circulation Model
Outputs to Precipitation Accounting for Non-Stationarities in Predictor-Predictand
Relationships. PLoS ONE, 11. https://doi.org/10.1371/journal.pone.0168701
Santos e Silva, C. M., Silva, A., Oliveira, P., & Lima, K. C. (2013). Dynamical
downscaling of the precipitation in Northeast Brazil with a regional climate model during
contrasting

years.

Atmospheric

Science

Letters,

15(1),

50–57.

https://doi.org/10.1002/asl2.468
Seneviratne, S., & Hauser, M. (2020). Regional Climate Sensitivity of Climate Extremes
in

CMIP6

Versus

CMIP5

Multimodel

Ensembles.

Earth's

Future,

8.

https://doi.org/10.1029/2019EF001474
Shi, Y., Yu, M., Erfanian, A., & Wang, G. (2018). Modeling the Dynamic Vegetation–
Climate System over China Using a Coupled Regional Model. Journal of Climate,
31(15), 6027–6049. https://doi.org/10.1175/jcli-d-17-0191.1
Silva, J. L. G., Capistrano, V. B., Veiga, J. A. P., & Brito, A. L. (2023). Regional climate
modeling in the Amazon basin to evaluate fire risk. Acta Amazonica, 53, 166–176.
https://doi.org/10.1590/1809-4392202201881
Silva Junior, C. H. L., et al. (2021). The Brazilian Amazon deforestation rate in 2020.
Nature Ecology & Evolution, 5(4), 464-465. https://www.nature.com/articles/s41559021-01498-z
Silva, S., Brown, F., De Oliveira Sampaio, A., Silva, A., Santos, N., Lima, A., De Souza
Aquino, A., Da Costa Silva, P., Moreira, J., Oliveira, I., Costa, A., & Fearnside, P. (2023).
Amazon climate extremes: Increasing droughts and floods in Brazil’s state of Acre.
Perspectives

in

Ecology

and

Conservation.

https://doi.org/10.1016/j.pecon.2023.10.006
Sitch, S., Huntingford, C., Gedney, N., et al. (2008). Evaluation of the terrestrial carbon
cycle, future plant geography and climate-carbon cycle feedbacks using five Dynamic
Global

Vegetation

Models

(DGVMs).

Global

Change

Biology.

https://onlinelibrary.wiley.com/doi/full/10.1111/j.1365-2486.2008.01626.x
Song, Z., Deng, Q., & Ren, Z. (2019). Correlação e análise de regressão por componentes
principais para estudo da qualidade do ar e elementos meteorológicos em Wuhan, China.

135

Environmental

Progress

&

Sustainable

Energy,

39(1),

e13278.

https://doi.org/10.1002/ep.13278
Sorensen, B., Charalampopoulos, A., Zhang, S., Harrop, B., Leung, R., & Sapsis, T.
(2024). A Non‐Intrusive Machine Learning Framework for Debiasing Long‐Time Coarse
Resolution Climate Simulations and Quantifying Rare Events Statistics. Journal of
Advances in Modeling Earth Systems, 16. https://doi.org/10.1029/2023MS004122
Sørland, S. L., Schär, C., Lüthi, D., & Kjellström, E. (2018). Bias patterns and climate
change signals in GCM-RCM model chains. Environmental Research Letters, 13(7),
074017. https://doi.org/10.1088/1748-9326/aacc77
Soto‐Navarro, C., Ravilious, C., Arnell, A., Lamo, X., Harfoot, M., Hill, S., Hill, S.,
Wearn, O., Santoro, M., Bouvet, A., Mérmoz, S., Toan, T., Xia, J., Liu, S., Yuan, W.,
Yuan, W., Spawn, S., Gibbs, H., Ferrier, S., Harwood, T., Alkemade, R., Schipper, A.,
Schipper, A., Schmidt-Traub, G., Strassburg, B., Miles, L., Burgess, N., Burgess, N., &
Kapos, V. (2020). Mapping co-benefits for carbon storage and biodiversity to inform
conservation policy and action. Philosophical Transactions of the Royal Society B,
375. https://doi.org/10.1098/rstb.2019.0128
Sousa, L. S., Fernandes, L. A., Silva, R. T., & Santos, B. F. (2023). Performance
evaluation of regional climate models over the Brazilian Amazon. Climate Dynamics,
60, 3613–3630. https://doi.org/10.1007/s00382-022-06558-x
Srivastava, P. K., Islam, T., Gupta, M., Petropoulos, G., & Dai, Q. (2015). WRF
Dynamical Downscaling and Bias Correction Schemes for NCEP Estimated HydroMeteorological Variables. Water Resources Management, 29(7), 2267-2284.
https://doi.org/10.1007/s11269-015-0940-z
Statheropoulos, M., Vassiliadis, N., & Pappa, A. (1998). Principal component and
canonical correlation analysis for examining air pollution and meteorological data.
Atmospheric

Environment,

32(6),

1087-1095.

https://doi.org/10.1016/S1352-

2310(97)00377-4
Sun, Q., Miao, C., & Duan, Q. (2015). Comparative analysis of CMIP3 and CMIP5 global
climate models for simulating the daily mean, maximum, and minimum temperatures and
daily precipitation over China. Journal of Geophysical Research: Atmospheres,
120(10), 4806–4824. https://doi.org/10.1002/2014jd022994
Tapiador, F. J., Navarro, A., Moreno, R., Sánchez, J. L., & García-Ortega, E. (2020).
Regional climate models: 30 years of dynamical downscaling. Atmospheric Research,
235, 104785. https://doi.org/10.1016/j.atmosres.2019.104785,

136

Teodoro, T. A., Reboita, M. S., Llopart, M., da Rocha, R. P., & Ashfaq, M. (2021).
Climate Change Impacts on the South American Monsoon System and Its Surface–
Atmosphere Processes Through RegCM4 CORDEX-CORE Projections. Earth Systems
and Environment, 5(4), 825–847. https://doi.org/10.1007/s41748-021-00265-y
Terink, W., Hurkmans, R. T. W. L., Torfs, P. J. J. F., & Uijlenhoet, R. (2010). Evaluation
of a bias correction method applied to downscaled precipitation and temperature
reanalysis data for the Rhine basin. Hydrology and Earth System Sciences, 14(4), 687–
703. https://doi.org/10.5194/hess-14-687-2010
Teutschbein, C., & Seibert, J. (2012). Bias correction of regional climate model
simulations for hydrological climate-change impact studies: review and evaluation of
different

methods.

Journal

of

Hydrology,

456-457,

12-29.

https://doi.org/10.1016/j.jhydrol.2012.05.052
Thornton, P. E., et al. (2009). Carbon-nitrogen interactions regulate climate-carbon cycle
feedbacks: results from an atmosphere-ocean general circulation model. Biogeosciences.
https://bg.copernicus.org/articles/6/2099/2009/
Tiedtke, M. (1996). Representation of clouds in large-scale models. Monthly Weather
Review,

121(11),

3040–3061.

DOI:

10.1175/1520-

0493(1993)121<3040:ROCILS>2.0.CO;2
Tong, Y., Gao, X., Han, Z., Xu, Y., Xu, Y., & Giorgi, F. (2020). Bias correction of
temperature and precipitation over China for RCM simulations using the QM and QDM
methods. Climate Dynamics, 57, 1425 - 1443. https://doi.org/10.1007/s00382-02005447-4
Trentini, L., Gesso, D., Venturini, M., Guerrini, F., Calmanti, S., & Petitta, M. (2022). A
Novel

Bias

Correction

Method

for

Extreme

Events.

Climate.

https://doi.org/10.3390/cli11010003
Valente, C., Latrubesse, E., & Ferreira, L. (2013). Relationships among vegetation,
geomorphology and hydrology in the Bananal Island tropical wetlands, Araguaia River
basin, Central Brazil. Journal of South American Earth Sciences, 46, 150-160.
https://doi.org/10.1016/J.JSAMES.2012.12.003
Viggiano, M., Busetto, L., Cimini, D., Francesco Di Paola, Geraldi, E., Ranghetti, L.,
Ricciardelli, E., & Romano, F. (2019). A new spatial modeling and interpolation approach
for high-resolution temperature maps combining reanalysis data and ground
measurements. Agricultural and Forest Meteorology, 276-277, 107590–107590.
https://doi.org/10.1016/j.agrformet.2019.05.021

137

Vizcaíno, M., et al. (2009). Ice sheet models and sea level rise. Philosophical
Transactions

of

the

Royal

Society

A.

https://royalsocietypublishing.org/doi/10.1098/rsta.2008.0231
Wilby, R., Charles, S., Zorita, E., Timbal, B., Whetton, P., & Mearns, L. (2004).
Guidelines for Use of Climate Scenarios Developed from Statistical Downscaling
Methods. https://www.ipcc-data.org/guidelines/dgm_no2_v1_09_2004.pdf
Wu, S., Hannig, J., & Lee, T. C. M. (2021). Uncertainty quantification for principal
component regression. Electronic Journal of Statistics, 15(1). https://doi.org/10.1214/21ejs1837
Xavier, A. C.; King, C. W.; Scanlon, B. R. (2016). Daily gridded meteorological variables
in brazil (1980–2013). International Journal of Climatology, v. 36, p. 2644-2659.
Xavier, A. C., Scanlon, B. R., King, C. W., & Alves, A. T. (2022). New improved
Brazilian daily weather gridded data (1961–2020). International Journal of
Climatology, 42(16), 8390–8404. https://doi.org/10.1002/joc.7731
Xie, S., Lin, W., Rasch, P. J., Ma, P., Neale, R., Larson, V. E., Qian, Y., Bogenschutz, P.
A., Caldwell, P. V., Cameron-Smith, P., Jean-Christophe Golaz, Mahajan, S., Singh, B.,
Edelstein, S. L., Wang, H., Jin Hee Yoon, Zhang, K., & Zhang, Y. (2018). Understanding
Cloud and Convective Characteristics in Version 1 of the E3SM Atmosphere Model.
Journal

of

Advances

in

Modeling

Earth

Systems,

10(10),

2618–2644.

https://doi.org/10.1029/2018ms001350
Xu, X., Jia, G., Zhang, X., Riley, W. J., & Xue, Y. (2020). Climate regime shift and forest
loss

amplify

fire

in

Amazonian

forests.

Global

Change

Biology.

https://doi.org/10.1111/gcb.15279
Yang, X., Liu, W., Liu, W., & Tao, D. (2021). A Survey on Canonical Correlation
Analysis. IEEE Transactions on Knowledge and Data Engineering, 33(6), 2349–2368.
https://doi.org/10.1109/tkde.2019.2958342
Zhang, S., Harrop, B., Leung, L., Charalampopoulos, A., Sorensen, B., Xu, W., & Sapsis,
T. (2024). A Machine Learning Bias Correction on Large‐Scale Environment of High‐
Impact Weather Systems in E3SM Atmosphere Model. Journal of Advances in
Modeling Earth Systems, 16. https://doi.org/10.1029/2023MS004138
Zhu, H., Jiang, Z., Li, J., Li, W., Sun, C., & Li, L. (2020). Does CMIP6 Inspire More
Confidence in Simulating Climate Extremes over China? Advances in Atmospheric
Sciences. https://doi.org/10.1007/s00376-020-9289-1

138

Zhuang, X., Yang, Z., & Cordes, D. (2020). A technical review of canonical correlation
analysis for neuroscience applications. Human Brain Mapping, 41(13), 3807–3833.
https://doi.org/10.1002/hbm.25090