UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO …€¦ · Then was made an average of autumn...
Transcript of UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO …€¦ · Then was made an average of autumn...
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE CIÊNCIAS EXATAS E DA TERRA
BACHARELADO EM METEOROLOGIA
GLÍCIA RUTH GARCIA DE ARAÚJO
AVALIAÇÃO DO MODELO CLIMÁTICO REGIONAL REGCM4 SOBRE O
NORDESTE BRASILEIRO PARA O PERÍODO DO OUTONO
Natal
Dezembro de 2017
AVALIAÇÃO DO MODELO CLIMÁTICO REGIONAL REGCM4 SOBRE O
NORDESTE BRASILEIRO PARA O PERÍODO DO OUTONO
por
Glícia Ruth Garcia de Araújo
Orientador (a): Prof. Dr. Cláudio Moisés Santos e Silva.
Co-orientador (a): Prof. Dr. Bergson Guedes Bezerra.
Natal
Dezembro de 2017
Monografia apresentada à Coordenação do Curso de Meteorologia da Universidade Federal do Rio Grande do Norte, como requisito parcial à obtenção do Título de Bacharel em Meteorologia.
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE CIÊNCIAS EXATAS E DA TERRA
BACHARELADO EM METEOROLOGIA
A Monografia "Avaliação do Modelo Climático Regional sobre o Nordeste
Brasileiro para o período do outono"
elaborada por (Glícia Ruth Garcia de Araújo)
e aprovada por todos os membros da Banca Examinadora foi aceita pelo
Colegiado do Curso de Meteorologia e homologada pelos membros da banca,
como requisito parcial à obtenção do título de BACHAREL EM
METEOROLOGIA
Natal, 08 de Dezembro de 2017.
BANCA EXAMINADORA
_________________________________________________
Cláudio Moisés Santos e Silva (Departamento de Ciências Atmosféricas e
Climáticas da UFRN)
_________________________________________________
Bergson Guedes Bezerra (Departamento de Ciências Atmosféricas e
Climáticas da UFRN)
_________________________________________________
Cristiano Prestrelo de Oliveira (Departamento de Ciências Atmosféricas e
Climáticas da UFRN)
Resumo
Os modelos regionais possuem erros sistemáticos em diferentes regiões,
principalmente nos trópicos, devido aos ajustes nas parametrizações físicas,
cúmulos convectivos e de precipitação na escala de grade. Diante disto, o
objetivo deste trabalho foi avaliar a precipitação e temperatura das
parametrizações Grell e Emanuel do modelo Regcm4 sobre a região Nordeste
do Brasil no período de 1998 a 2008. Para avaliar este modelo foi preciso
realizar uma interpolação bilinear através do programa Climate Data Operators
(CDO), onde todos os dados foram interpolados para grade de 0.25 do satélite
Tropical Measuring Mission (TRMM). Em seguida foi feita uma média do outono
da precipitação em mm e da temperatura em °C. Posteriormente foi realizada a
análise de cluster, correlação, variância (ANOVA), teste de diferenças entre
médias (t-student), e os cálculos dos erros como, o Erro Absoluto Médio (MAE),
Erro Médio Quadrático (EQM) e Raiz do Erro Médio Quadrático (REQM).
Concluiu-se que a parametrização Emanuel superestima a precipitação em
relação aos dados estimados pelo TRMM, principalmente em regiões que
apresentam maiores acumulados de chuva. A parametrização Grell simulando
a precipitação foi a que obteve menores erros nas simulações em todos os
clusters. Em relação à temperatura simulada pelo Regcm4, as parametrizações
obtiveram resultados melhores na simulação desta variável em todos os
clusters.
Palavras-chave: Regcm4. Análise de cluster. Avaliação.
Abstract
The regional models have systematic errors in different regions, mainly in the
tropics, due to adjustments in physical parameterizations, cumulus convective
and precipitation grid scale. On this, the objective of this work was to evaluate
the precipitation and temperature of parameterizations Grell and Emanuel
Regcm4 model on the northeastern region of Brazil during the period from 1998
to 2008. To evaluate this model was necessary to do a bilinear interpolation
through the Climate Data Operators (CDO) program, where all data was
interpolated to grid of 0.25 of the Tropical Measuring Mission satellite (TRMM).
Then was made an average of autumn precipitation in mm/day and temperature
in °C. Posteriorly were realized cluster analysis, correlation, variance (ANOVA),
differences between test averages (t-student), and calculations of errors as the
Absolute Mean Error (MAE), Mean Squared Error (EQM) and Root Mean
Squared Error (REQM). Concluded that Emanuel parameterization
overestimate the precipitation in relation to estimate by TRMM, especially in
regions that are more accumulated rainfall. The Grell parameterization
simulating precipitation was minor errors in the simulations on all clusters. In
relation the temperature simulated by the Regcm4, the best results were
obtained in simulation settings of this variable in all clusters.
Keywords: Regcm4. Cluster Analysis. Evaluation.
Sumário
LISTA DE ABREVIATURAS .............................................................................. 8
LISTA DE TABELAS ....................................................................................... 10
LISTA DE FIGURAS ........................................................................................ 11
1. Introdução .................................................................................................. 12
2. Material e métodos ..................................................................................... 17
2.1 Área de estudo ........................................................................................... 17
2.2 Dados ......................................................................................................... 18
2.3 Características das simulações .................................................................. 19
2.4 Ferramentas de análises ............................................................................ 20
3. Resultados e discussão............................................................................. 22
4. Conclusões ................................................................................................. 33
Referências ..................................................................................................... 34
APÊNDICE ....................................................................................................... 38
8
LISTA DE ABREVIATURAS
ANOVA Análise de Variância
BAM Brazilian Global Atmospheric Model
BATS Biosphere-Atmosphere Transfer Scheme
CDO Climate Data Operators
CPTEC Centro de Previsão de Tempo e Estudos Climáticos
CERES Sistema de Energia Radiante da Terra e das Nuvens
CLM Community Land Model
CORDEX Coordinated Regional Climate Downscaling Experiment
DOL Distúrbio Ondulatório de Leste
ECMWF European Centre for Medium-range Weather Forecasting
ENSO Oscilação Sul – El Niño
EQM Erro Quadrático Médio
JAXA Japan Aerospace Exploration Agency
LIS Sensor para Imageamento de Relâmpagos
MAE Erro Absoluto Médio
MCGs Modelos Climáticos Globais
MCRs Modelos Climáticos Regionais
NC Costa Nordeste
NCAR National Center for Atmospheric Research
NEB Nordeste Brasileiro
NS Nordeste do Semiárido
NW Noroeste
9
PR Radar de Precipitação
REGCM Modelo Climático Regional
REQM Raiz do Erro Quadrático Médio
SC Costa Sudeste
SI Índice Silhueta
SS Sudeste do Semiárido
SUBEX Subgrid Explicit Moisture Scheme
TMI Imageador de Microondas
TRMM Tropical Measuring Mission
TSM Temperatura da Superfície do Mar
VCAN Vórtice Ciclônico de Altos Níveis
VIRS Radiômetro no Visível e no Infravermelho
ZCAS Zona de Convergência do Atlântico Sul
ZCIT Zona de Convergência Intertropical
10
LISTA DE TABELAS
Tabela 1 - Análise estatística do Erro Quadrático Médio (EQM), a Raiz do Erro
Quadrático Médio (REQM) e do Erro Absoluto Médio (MAE), ANOVA e teste t-
student da precipitação no período do outono entre o satélite TRMM e as
parametrizações Emanuel e Grell. ................................................................... 31
Tabela 2 - Análise estatística do Erro Quadrático Médio (EQM), a Raiz do Erro
Quadrático Médio (REQM) e do Erro Absoluto Médio (MAE), ANOVA e teste t-
student da temperatura no período do outono entre os dados de reanálise do
Era-Interim e as parametrizações Emanuel e Grell. ......................................... 32
11
LISTA DE FIGURAS
Figura 1 - Nordeste do Brasil............................................................................ 17
Figura 2 – Área dos experimentos com modelo REGCM4 de Silva (2016). ..... 20
Figura 3 – Distribuição espacial das áreas homogêneas encontradas por
Oliveira (2014) sobre o Nordeste Brasileiro...................................................... 23
Figura 4 - Gráfico silhueta à direita para determinação da quantidade de
clusters da variável precipitação; (azul - grupo 1, amarelo - grupo 2, cinza -
grupo 3 e vermelho - grupo 4). Análise de cluster espacializada (à esquerda) da
precipitação total média do satélite TRMM no período do outono de 1998 a
2008. ................................................................................................................ 24
Figura 5 - Gráfico Silhueta à direita para determinação da quantidade de
clusters da variável temperatura; (azul - grupo 1, amarelo - grupo 2, cinza -
grupo 3 e vermelho - grupo 4). Análise de cluster espacializada da temperatura
média do Era-Interim no perído do outono de 1998 a 2008 (à esquerda). ....... 25
Figura 6 - Precipitação total média do outono em mm/dia de cada cluster no
período de 1998-2008. Dados do satélite TRMM em linha contínua azul,
parametrização Emanuel em linha tracejada vermelha e parametrização Grell
em linha pontilhada verde. ............................................................................... 26
Figura 7 - Temperatura média do outono em °C de cada cluster no período de
1998-2008. Dados de reanálise do Era-Interim em linha contínua azul,
parametrização Emanuel em linha tracejada vermelha e parametrização Grell
em linha pontilhada verde. ............................................................................... 28
Figura 8 - Correlação entre a precipitação total média diária do satélite TRMM e
da simulação Emanuel (a) e Grell (b), entre a temperatura média diária do Era-
Interim e a simulação Emanuel (c) e Grell (d) dos clusters no período do
outono de 1998-2008. Dados do cluster1 em linha contínua azul, cluster2 em
linha tracejada vermelha, cluster3 em linha pontilhada verde e cluster4 em linha
pontilhada roxa. ................................................................................................ 29
12
1. Introdução
A região Nordeste do Brasil (NEB) é composta por nove estados
brasileiros, onde na sua maior parte do território concentra a região semiárida.
Esta possui uma grande irregularidade das chuvas proporcionando situações
climáticas desfavoráveis, tanto para o desenvolvimento econômico, quanto
social. De acordo com Marengo (2008) as chuvas irregulares são como um
obstáculo para o desenvolvimento das atividades agrícolas e pecuárias, pois
muitas pessoas não possuem sistemas eficientes para o armazenamento de
água, fazendo com que haja uma intensificação dos problemas sociais.
Os principais sistemas meteorológicos atuantes que consequentemente
trazem chuvas para o NEB são a Zona de Convergência Intertropical (ZCIT),
Vórtices Ciclônicos de Altos Níveis (VCAN), Distúrbios Ondulatórios de Leste
(DOL), e por últimos, a Zona de Convergência do Atlântico Sul (ZCAS) e os
sistemas frontais que atuam mais ao sul do Nordeste. De acordo com Reboita
et al. (2012), a ZCIT é uma região chuvosa que se encontra próxima à linha do
equador onde há a convergência dos ventos alísios de Sudeste e Nordeste,
sendo que durante o ano, a mesma muda sua posição latitudinalmente,
estando mais ao Sul do Equador entre os meses de Dezembro e Maio
contribuindo para a estação chuvosa do Nordeste, e mais ao Norte do Equador
nas demais estações do ano.
Os VCAN têm maior ocorrência no mês de Janeiro, sendo que a sua
atividade convectiva se encontra na direção do seu movimento, ou seja, se o
sistema se desloca para o continente ou percorre águas quentes, formam-se
nuvens do tipo cumulunimbus na sua periferia oeste provocando chuvas na
região (KOUSKY e GAN, 1981).
Os DOL são ondas de leste que possui maior ocorrência nos meses de
Julho, Agosto e Setembro entre 850 e 500 hpa, e se desloca pelo Oceano
Atlântico até atingir o litoral e a zona da Mata no Nordeste (COUTINHO e
FISCH, 2007). Este último sistema atua mais no litoral leste da costa do NEB,
podendo adentrar no continente. Outros sistemas que têm influência sobre a
climatologia do Nordeste é o ENSO (Oscilação Sul – El Niño) juntamente com o
13
dipolo do atlântico, que dependendo da Temperatura da Superfície do Mar
(TSM) faz com que mude a circulação zonal referente à célula de Walker. Em
anos de El Niño (La Niña) as águas do Oceano Pacífico estão mais aquecidas
(frias) fazendo com que haja movimentos ascendentes (descendentes) nesta
região e descendentes (ascendentes) sobre o Norte da América do Sul e
consequentemente inibindo (favorecendo) chuvas no Nordeste do Brasil. Além
disto, o dipolo do Atlântico influência na posição da ZCIT, onde o gradiente
meridional da TSM no Atlântico tropical tem sua fase positiva, com anomalia de
TSM fria no Atlântico Sul e quente no Atlântico Norte tropical, impedindo a
migração da ZCIT para o Sul do Equador, provocando chuvas abaixo da média
no Nordeste, o contrário ocorre quando a fase é negativa, ou seja, anomalia
quente no Atlântico Sul e fria no Atlântico Norte tropical favorecendo a
migração da ZCIT para o Sul e consequentemente o aumento das chuvas na
região (HASTENRATH, 2006).
Alguns estudos abordam que os Modelos Climáticos Globais (MCGs)
são bons em representar os sistemas de grande escala (como a ZCIT), mas
possuem resolução espacial baixa (com espaçamento de grade de
aproximadamente 100 km) e não conseguem representar sistemas de
mesoescala devido a grande complexidade do terreno, heterogeneidade da
vegetação e sistemas de escala menor (como as brisas), sendo que os
Modelos Climáticos Regionais (MCRs) possuem uma alta resolução e
representam melhor os sistemas de escala regional e local (QIAN et al. 2003;
SALES et al. 2015). Atualmente isso vem mudando, onde grandes centros
estão começando a utilizar MCGs com grade mais refinada, como o Centro de
Previsão de Tempo e Estudos Climáticos (CPTEC) no Brasil, que utiliza
operacionalmente o modelo BAM (Brazilian Global Atmospheric Model) com
espaçamento de grade de 20 Km.
Especificamente, o Modelo Climático Regional (REGCM) teve sua
primeira versão desenvolvida no final da década de 1980 no National Center for
Atmospheric Research (NCAR) por Dickinson et al. (1989); Giorgi (1990),
baseado no Modelo de Mesoescala (sigla em inglês – MM4, 4a versão),
posteriormente foram desenvolvidas as versões do REGCM2 (GIORGI et al.,
1993a, b), REGCM2.5 (GIORGI e MEARNS, 1999) na década de 1990,
14
REGCM3 (PAL et al., 2007) e a quinta versão REGCM4 (GIORGI et al. 2012),
utilizada no presente trabalho.
O REGCM4 possui área limitada com discretização horizontal de acordo
com a grade B de Arakawa-Lamb, utilizando a coordenada sigma-p na vertical,
e para um fluido compressível e hidrostático (GRELL, 1993). Este modelo
possui vários tipos de parametrizações físicas, desde a radiação, camada limite
planetária, fluxo oceânico, lagos, superfície, esquemas de precipitação
convectiva e de grande escala, entre outras. O modelo possui três opções de
convecção cumulus: Kuo, MIT-Emanuel e Grell.
A parametrização Kuo de Anthes (1977) foi a primeira versão do
esquema convectivo, estando presente desde a versão anterior do REGCM1.
Este esquema ativa a convecção quando a convergência de umidade da
coluna excede um determinado limite, ou seja, uma fração desta convergência
de umidade humedece a coluna e o restante são convertidos em precipitação.
Este esquema simula precipitações mais pobres, ou seja, simula menos chuva
do que as demais parametrizações (GIORGI et al. 2012).
A parametrização MIT – Emanuel (1991) representa o fluxo convectivo
usando um modelo idealizado de correntes ascendentes e descendentes de
escala de sub-nuvens. Este esquema oferece várias vantagens em
comparação com outros esquemas convectivos disponíveis no REGCM. Este
inclui uma autoconversão que é dependente da temperatura, sendo que a
precipitação é adicionada a uma única hidrostática e insaturada corrente
descendente, que transporta calor e água. Por sua vez, a parametrização Grell
considera a nuvem como duas circulações, ascendente e descendente. A
interação com a atmosfera ocorre somente na base e no topo da nuvem, sendo
que o fluxo de massa é constante com a altura. O esquema Grell utiliza dois
pressupostos de fechamento, o primeiro é o de Arakawa – Schubert, assume
que nuvens convectivas estabilizam o ambiente tão rápido quanto os processos
não convectivos (GRELL, 1993), e o segundo Fritsch e Chappell (1980).
O REGCM conta com o esquema em escala de grade da precipitação
não convectiva, denominado de Subgrid Explicit Moisture Scheme (SUBEX)
que foi desenvolvido por Pal et al. (2000). Este esquema explica a variabilidade
das nuvens em subgrade agregando a umidade relativa média à fração de
15
nuvens e ao conteúdo de água liquida contida (SUNDQVIST et al. 1989).
Segundo a Pal et al. (2000), quando a umidade relativa é menor, mais
facilmente se forma a nuvem, consequentemente será necessário maior
quantidade de água para ela se manter, e devido a isto menor será a
precipitação. Além disto, o SUBEX melhora a representação física das nuvens
estratiformes e da precipitação sem nenhum custo computacional (SILVA,
2016).
Vários estudos foram realizados utilizando o modelo REGCM4, onde a
maioria deles mostra que o modelo possui um bom desempenho em simular a
precipitação sobre algumas regiões do planeta, contudo o mesmo necessita de
ajustes nas parametrizações para determinadas regiões. O primeiro trabalho
publicado foi o de Giorgi et al. (2012), que discuti as diferenças da quinta
versão do modelo com as anteriores, mostrando que o REGCM4 apresentou
várias melhorias em relação às demais versões. Além disto, mostraram através
de testes de sensibilidade sobre quatros domínios do CORDEX (Coordinated
Regional Climate Downscaling Experiment) (GIORGI et al. 2009), que o modelo
era sensível a diferentes parametrizações e configurações dos parâmetros.
Almazroui (2012) analisou a climatologia, ciclos anuais, interanuais e
variabilidade da precipitação e temperatura simulada pelo REGCM4 e por um
modelo global sobre a Península Arábica. Onde o mesmo mostrou que as
simulações do REGCM4 representaram bem os maiores acumulados de chuva
em uma área maior da península de acordo com as observações.
Ávila et al. (2013) realizaram uma análise subjetiva do desempenho do
modelo em três domínios geográficos sazonalmente (verão e outono),
utilizando duas parametrizações de cumulus (MIT-Emanuel e Grell) simulando
a chuva sobre o estado do Pará em anos de ENOS. Estes mostraram que o
REGCM4 conseguiu captar a variabilidade sazonal da precipitação no Pará
tanto em anos secos quanto em chuvosos.
Para o Nordeste do Brasil foram realizados poucos trabalhos
relacionados ao modelo como, Dantas et al. (2013) que analisaram a
precipitação simulada sazonalmente sobre o Nordeste Brasileiro, utilizando as
parametrizações de convecção de cumulus do REGCM4 no ano de 2009. Com
isso, utilizaram técnicas estatísticas para testar a sensibilidade do modelo. Cuja
16
uma das principais conclusões foi que o modelo regional conseguiu captar a
sazonalidade da precipitação sobre o Nordeste. Para melhoramento das
simulações feitas por modelos regionais e globais têm se utilizado ensemble
(previsão por conjunto). Silva e Silva (2014) realizaram sete experimentos com
as parametrizações de cúmulos (Emanuel e Grell) do modelo REGCM4,
simulando a precipitação no período do outono, com isso utilizaram técnicas
estatísticas para combinar estas simulações através da regressão linear
múltipla por componentes principais sobre a Amazônia e Nordeste do Brasil, e
analisam o método utilizando o satélite TRMM (Tropical Measuring Mission).
Mostraram que o método das componentes principais apresentou melhor
desempenho na Amazônia, onde antes as simulações não representavam bem
as observações. Em relação ao Nordeste o viés foi próximo à zero. Além disto,
o método conseguiu captar extremos nas regiões estudadas.
Recentemente foi realizado um trabalho para a América do Sul da
Llopart et al. (2017), que avaliou duas parametrizações de superfície terrestre
contida no REGCM4, a BATS (Biosphere-Atmosphere Transfer Scheme) e
CLM (Community Land Model), simulando a precipitação, temperatura do ar e a
circulação em baixos níveis climatologicamente, e analisando a sua
variabilidade. Concluíram que houve algumas melhoras na simulação da
climatologia, e nos balanços de energia e água com a utilização do esquema
CLM, sendo que este teve dificuldades em reproduzir a variabilidade interanual,
devido à associação à parametrização Emanuel.
Diante do exposto, os modelos regionais mostram que apesar dos
progressos obtidos na área de modelagem em previsão climática no decorrer
dos últimos anos apresentam erros sistemáticos em diferentes regiões,
principalmente sobre a região tropical, devido à falta de ajustes nas
parametrizações físicas, inclusive nas parametrizações de cumulus convectivos
e de precipitação em escala de grade (Giorgi et al., 2004; Souza et al., 2009).
Portanto, estes modelos precisam ser avaliados e aperfeiçoados para haver um
melhoramento substancial nas simulações. Logo, o objetivo deste estudo foi
avaliar a precipitação e a temperatura (medida a 2 metros em relação à
superfície) das parametrizações Grell e Emanuel do modelo REGCM4 sobre a
região Nordeste do Brasil no período do outono, identificar os modelos que
17
apresentem os melhores desempenhos para a região e identificar erros
sistemáticos através de análises estatísticas.
2. Material e métodos
2.1 Área de estudo
O presente trabalho é realizado na região Nordeste do Brasil, tendo uma
área de 1.558.000 km², com uma população de 53,59 milhões de acordo com o
Instituto Brasileiro de Geografia Estatística (IBGE, 2009), e constituído por nove
estados e está situado entre as latitudes de 1°S/18°S e longitudes de
48°W/34°W (Figura 1).
Figura 1 - Nordeste do Brasil.
Fonte: Autoria própria.
18
2.2 Dados
Os dados utilizados para avaliação do REGCM4 foram de precipitação
diária estimada pelo produto 3B42 do satélite Tropical Measuring Mission
(TRMM) com espaçamento de grade de 0.25° x 0.25°, e de temperatura do ar
medida a 2 metros em relação à superfície utilizando dados de reanálise do
European Centre for Medium-range Weather Forecasting (ECMWF; ERA-
Interim) com espaçamento de grade de 0.25° x 0.25° no período do outono
(março, abril e maio) de 1998 a 2008.
O período do outono foi escolhido por se tratar de um período de
transição entre o verão e inverno, e que comumente os modelos numéricos
apresentam mais erros sistemáticos em períodos de transição. Além disto,
segundo a Hastenrath (2006) as chuvas se concentram nos meses de Março,
Abril e Maio em grande parte da região Nordeste.
O satélite TRMM é um projeto feito pela NASA em parceria com a
Japan Aerospace Exploration Agency (JAXA), este é de orbita equatorial e com
altitude de 350 km, tendo como objetivo principal monitorar a precipitação
pluvial nos trópicos e verificar a influência da mesma no clima global. Este
satélite foi lançado em 27 de novembro de 1997, fazendo suas medições a
partir do ano seguinte, com término no ano de 2014. Os instrumentos a bordo
do TRMM são o Imageador de Microondas (TMI), Radar de Precipitação (PR),
Radiômetro no Visível e no Infravermelho (VIRS), Sistema de Energia Radiante
da Terra e das Nuvens (CERES), e Sensor para Imageamento de Relâmpagos
(LIS).
O TRMM gera várias estimativas através da combinação de
instrumentos. O produto 3B42, utilizado neste trabalho, combina a precipitação
estimada pelo TMI com o perfil de precipitação do PR, no final este produto
gera medições a cada 3 horas, com uma resolução temporal de
aproximadamente 25 km, na faixa entre 50°S e 50°N (COLLISCHONN, 2007).
O ERA-Interim é a versão mais atualizada da reanálise do ERA-40,
sendo um conjunto de dados globais da atmosfera com frequência de 6 horas
(00h, 06h, 12h e 18h UTC) (no presente trabalho, utilizou-se apenas o horário
19
das 12 horas UTC). Cobre o período que compreende do dia primeiro de
janeiro do ano de 1989 e se estende até os dias atuais. As observações
disponíveis são combinadas com informações a priori do modelo de previsão a
cada 12 horas para estimar o estado de evolução da atmosfera global e
superfície adjacente. Isto envolve uma análise do campo da atmosfera
(temperatura, vento, umidade, ozônio, pressão). Essa análise é usada
inicialmente para previsão a curto prazo que fornece uma estimativa do estado
da atmosfera para o próximo ciclo (DEE et al., 2011).
2.3 Características das simulações
Foram utilizadas diferentes simulações realizadas pelo modelo REGCM4
(Regional Climatic Model, versão 5) sobre uma área que compreende as
latitudes de 11.4N a 22.5S e longitudes de 85.07W a 14.4E (Figura 2), sendo
estas configuradas por Silva (2016), a MIT – Emanuel (1991) com SUBEX
(Subgrid Explicit Moisture Scheme) Seco (EM_SS), ou seja, com Umidade
Relativa Mínima (RHmin) de 65%, e Grell com Eficiência de Precipitação (PEF-
úmido) e SUBEX úmido (GR_PU_SU), ou seja, PEF entre 0.25 e 0.50, e
RHmin de 90% com o fechamento de Arakawa e Schubert (1974), e
espaçamento de grade de 0.50° x 0.50°.
20
Figura 2 – Área dos experimentos com modelo REGCM4 de Silva (2016).
Fonte: Autoria própria.
2.4 Ferramentas de análises
Primeiramente foi delimitada as coordenadas geográficas no programa
OpenGrads de 48°W a 34°W de longitude e 18°S a 1°S de latitude. Para
realização da análise estatística de comparação dos dados das
parametrizações do modelo com o satélite TRMM e o Era-Interim foi realizada
uma interpolação bilinear através do programa Climate Data Operators (CDO),
onde todos os dados foram interpolados para grade de 0.25° do satélite TRMM.
Em seguida foram extraídos todos os pontos da grade de 25 km sobre a área
de estudo, totalizando 5476 pontos, contento os dados dos acumulados de
precipitação em mm e média da temperatura em °C de todos os outonos no
período de 1998 a 2008. Posteriormente os dados foram tratados para
realização das técnicas estatísticas como a análise de cluster, variância
(ANOVA), teste de diferenças entre médias (t-student), e os cálculos dos erros
como, o Erro Absoluto Médio (MAE), Erro Médio Quadrático (EQM) e Raiz do
21
Erro Médio Quadrático (REQM), todos estes demonstram que quanto menor o
valor do erro, ou seja, próximo à zero, melhor é a simulação.
Os testes estatísticos utilizados neste trabalho, como o teste t-student ou
teste das médias possui as seguintes hipóteses: Nula (H0: As médias são
iguais); Alternativa (H1: As médias são diferentes). E o teste de variância
(ANOVA) têm as seguintes hipóteses (H0: As médias populacionais são iguais
e H1: As médias populacionais não são iguais, ou seja, pelo menos uma das
médias difere das outras). Neste estudo foi considerado o nível de significância
de 5% para rejeição da hipótese nula, ou seja, se o p-valor dos testes citados
acima for menor ou igual à 0.05, rejeita-se H0.
A análise de cluster também conhecida como agrupamento, é uma
técnica estatística que agrupa um conjunto de objetos em grupos ou classes
similares, ou seja, esta divide vários grupos, onde os objetos são inseridos em
cada classe que possui características semelhantes ao do objeto e que estes
mesmos grupos possuam dissimilaridades entre si. A análise de cluster possui
diferentes métodos e medidas de similaridade entre os objetos a serem
agrupados, sendo expressos como função da distância ou métrica (OLIVEIRA,
2014). No presente estudo foi utilizado a distância euclidiana que é um método
de dissimilaridade, e o método hierárquico da variância mínima de Ward, que é
um método aglomerativo.
Para obtenção da quantidade de clusters foi utilizado o Índice Silhueta
(SI), que foi desenvolvido por Rousseeuw (1987). Este índice avalia a
semelhança das observações inseridas em um determinado grupo comparando
com outros grupos formados. O SI indica valores que variam entre -1 a 1, ou
seja, quanto mais próximo de -1, a observação provavelmente foi atribuída a
um cluster inadequado. Próximo a 0 indica que o elemento está próximo do
limite entre dois grupos e não pertence a nenhum cluster. Já o valor próximo a
1 indica que a observação está no cluster correto.
Com a definição da quantidade de clusters, para uma melhor
visualização dos grupos definidos sobre o NEB, foi utilizada uma ferramenta
22
geoestatística para espacializar os grupos através do método de Krigagem que
é conhecido como um interpolador “perfeito”.
Após a escolha do número de clusters, foi realizada uma nova extração
da média da área de cada cluster, contendo os dados diários de precipitação e
temperatura de cada outono (totalizando 92 dias) do período estudado, desta
vez com a finalidade de fazer uma análise de correlação entre os dados do
modelo utilizado com os dados do TRMM e Era-Interim. De acordo com Wilks
(2011), para a análise de correlação o correto é ter uma amostra acima de 30.
3. Resultados e discussão
Aplicando o SI nos dados do satélite TRMM e do Era-Interim, foi possível
determinar o número de clusters para uma melhor avaliação do modelo
REGCM4.
O gráfico silhueta da variável precipitação dos dados de satélite TRMM,
obteve um melhor resultado com 4 clusters, onde os mesmos possuem uma
média de silhueta de 0.29, sendo que o menor valor obtido foi do grupo 4
(vermelho) com 0.25 (Figura 4 à direita). Os clusters espacializados de
precipitação no período do outono de 1998 a 2008 (Figura 4 à esquerda),
mostra que o grupo 1 (azul) se estende desde o estado da Bahia, sul do Piauí,
Maranhão, parte de Pernambuco e Paraíba, até o Rio Grande do Norte. O
grupo 2 (amarelo) compreende os estados do Ceará, Piauí e centro do
Maranhão. O grupo 3 (cinza) se estende no noroeste e centro do Maranhão até
o norte do Piauí. O grupo 4 (vermelho) se encontra sobre o litoral do Maranhão.
Oliveira (2014) analisou as regiões homogêneas de precipitação
climatologicamente sobre o NEB, onde utilizou 148 estações meteorológicas e
identificou cinco áreas homogêneas dentre estas, às denominou de Costa
Nordeste (NC), Costa Sudeste (SC), Nordeste do Semiárido (NS), Sudeste do
Semiárido (SS) e Noroeste (NW) (Figura 3). Nas regiões SS e SC a estação
chuvosa ocorre em dezembro, janeiro e fevereiro, na região NC a estação
chuvosa ocorre em junho, julho e agosto, e nas demais regiões ocorre no
23
período do outono (março, abril e maio). Como o presente estudo é apenas no
período do outono, a análise de cluster difere um pouco do estudo feito por
Oliveira (2014), sendo que as regiões SS, NC e SC se encontram dentro do
grupo 1, já as regiões NS se encontra no grupo 2, e a NW nos grupos 3 e 4
(Figura 4 à esquerda).
Figura 3 – Distribuição espacial das áreas homogêneas encontradas por
Oliveira (2014) sobre o Nordeste Brasileiro.
Fonte: Adaptado de Oliveira (2014).
(+) Costa Nordeste (NC) ( ) Semiárido Nordeste (NS) ( ) Noroeste (NW) ( ) Semiárido Sudeste (SS) ( ) Costa Sudeste (SC)
24
Figura 4 - Gráfico silhueta à direita para determinação da quantidade de
clusters da variável precipitação; (azul - grupo 1, amarelo - grupo 2, cinza -
grupo 3 e vermelho - grupo 4). Análise de cluster espacializada (à esquerda) da
precipitação total média do satélite TRMM no período do outono de 1998 a
2008.
O gráfico de silhueta de temperatura obteve uma média de silhueta de
0.33, onde o grupo 1 (azul) foi o que obteve menor valor (0.22), tendo menor
incerteza neste grupo, ou seja, se os dados são pertencentes ao grupo 1 ou
grupo 2 (Figura 5 à direita). A análise de cluster da temperatura difere um
pouco da precipitação, cujo grupo 1 se estende desde o sul da Bahia até o
sudeste do Piauí. O grupo 2 compreende o leste da Bahia, parte do semiárido
até Pernambuco. O grupo 3 se estende na costa norte do NEB, e o grupo 4 se
encontra no estado do Maranhão (Figura 5 à esquerda).
25
Figura 5 - Gráfico Silhueta à direita para determinação da quantidade de
clusters da variável temperatura; (azul - grupo 1, amarelo - grupo 2, cinza -
grupo 3 e vermelho - grupo 4). Análise de cluster espacializada da temperatura
média do Era-Interim no perído do outono de 1998 a 2008 (à esquerda).
Em todos os clusters, a análise temporal da precipitação total média de
cada outono desde de 1998 a 2008 (Figura 6) sobre o NEB mostrou que a
simulação Emanuel (linha tracejada vermelha) superestima a precipitação em
relação ao satélite TRMM (linha contínua azul), tendo valores menos
discrepantes no cluster 1, que compreende uma área maior do nordeste, já nos
demais clusters que compreendem o oeste e norte do NEB, esta simulação
superestima a precipitação. Silva (2016) observou que as simulações com a
parametrização de cumulus MIT-Emanuel intensifica a chuva no norte do Brasil
e desistensifica na região Nordeste, ou seja, em regiões mais quentes e
úmidas, a parametrização Emanuel depende da instabilidade condicional das
parcelas de ar próximo à superfície o que gera precipitação elevada nessas
áreas. É o que observamos nos clusters 2, 3 e 4, onde a precipitação é mais
elevada, a simulação Emanuel superestima muito os valores de precipitação
estimados pelo TRMM, chegando a diferenças de aproximadamente 3000mm.
Além disto, esta superestimação é consistente com os resultados encontrados
no estudo feito por Santos e Silva et al. (2014), este verificou que a
precipitação simulada com o experimento Emanuel excede as observações do
satélite TRMM na área continental.
26
A parametrização Grell (linha pontilhada verde) varia em cada cluster
(Figura 6), no grupo 1 a parametrização Grell superestima a precipitação em
relação ao TRMM, com uma diferença de aproximadamente 800mm no ano de
2000. No grupo 2 a parametrização Grell superestima a precipitação até o ano
de 2004, subestimando nos anos de 2005 a 2006. Nos clusters 3 e 4 a
simulação Grell subestima a chuva na maior parte, com uma diferença de
aproximadamente 500mm e 600mm no ano de 2006, respectivamente, sendo
que no ano de 2000 foi mais chuvoso nessas regiões, devido à um evento de
La Niña, a simulação Grell superestimou a chuva, colocando valores elevados
em relação aos estimados pelo satélite (isto é observado também nos demais
clusters). Em todos os clusters observa-se que os valores simulados pelo Grell,
chegam mais próximos do estimado pelo TRMM, mas o que melhor
acompanha a série temporal é a simulação Emanuel.
Figura 6 - Precipitação total média do outono em mm/dia de cada cluster no
período de 1998-2008. Dados do satélite TRMM em linha contínua azul,
parametrização Emanuel em linha tracejada vermelha e parametrização Grell
em linha pontilhada verde.
27
Na análise temporal de temperatura média de cada outono (Figura 7),
nota-se que a parametrização Grell (linha pontilhada verde) superestima a
temperatura nas regiões dos clusters 1 e 3 em relação ao dados do Era-
Interim, com diferença de aproximadamente 5°C. Já a parametrização Emanuel
(linha tracejada vermelha) superestima também, mas tem os seus valores
simulados mais próximos dos dados do Era-Interim (linha contínua azul). Nos
clusters 2 e 4, a parametrização Grell subestima os valores do Era-Interim em
aproximadamente 2°C, o contrário ocorre na simulação Emanuel,
superestimando a temperatura. Em todos os clusters é observado que as
simulações Emanuel e Grell representam melhor a temperatura temporalmente
do que a precipitação, isto pode ser explicado pelo simples fato de que a
temperatura varia menos espacialmente em relação a precipitação, logo os
MCRs simulam melhor esta variável. Além disto, o ano de 2000 é destacado
nestas simulações do modelo REGCM4, pois como visto anteriormente foi um
ano de La Niña, onde as simulações de precipitação captaram a precipitação
elevada neste período, já para as simulações de temperatura, o mesmo ocorre,
sendo que ao contrário da precipitação, a temperatura diminui, e isto, o modelo
captou bem esta diminuição.
28
Figura 7 - Temperatura média do outono em °C de cada cluster no período de
1998-2008. Dados de reanálise do Era-Interim em linha contínua azul,
parametrização Emanuel em linha tracejada vermelha e parametrização Grell
em linha pontilhada verde.
As correlações variam de ano para ano em todas as áreas tanto para
variável precipitação quanto para a temperatura do ar (Figura 8). Na análise de
correlação da precipitação acumulada diária observa-se que no cluster1 obteve
correlações altas com o satélite TRMM (Figura 8a;b). Sendo a parametrização
Emanuel a obter maiores correlações entre 20% e 60% (Figura 8a),
aproximadamente. Como visto anteriormente na Figura 6, esta correlação alta
pode ser explicada devido que a parametrização Emanuel representa melhor a
série temporal da precipitação.
Na análise de correlação das parametrizações Emanuel e Grell em todos
os clusters simulando a temperatura média diária no outono obtiveram uma alta
correlação com o Era-Interim (Figura 8c;d) comparado a precipitação, sendo a
simulação Emanuel a obter maior correlação com os dados de reanálise entre
aproximadamente 50% e 70%. Nota-se uma correlação inversa e baixa de
29
aproximadamente 25% nos clusters 3 e 4 no ano de 2000, como discutido
anteriormente nas Figuras 4 e 5, houve um evento de La Niña neste referido
ano, e nestas áreas ocorreu precipitação significativa de aproximadamente
1500mm no período do outono. Isto fez com que as parametrizações
superestimassem muito a precipitação e diminuísse a temperatura.
Figura 8 - Correlação entre a precipitação total média diária do satélite TRMM e
da simulação Emanuel (a) e Grell (b), entre a temperatura média diária do Era-
Interim e a simulação Emanuel (c) e Grell (d) dos clusters no período do
outono de 1998-2008. Dados do cluster1 em linha contínua azul, cluster2 em
linha tracejada vermelha, cluster3 em linha pontilhada verde e cluster4 em linha
pontilhada roxa.
Na ANOVA, em todos os clusters na parametrização Grell, não rejeitou-
se a hipótese H0 de que as médias populacionais são iguais. Apenas os
clusters 2 e 3, na parametrização Emanuel não rejeitou-se a hipótese nula, ou
(c) (d)
(a) (b)
30
seja, a média populacional são iguais. No teste das médias (t-student), o p-
valor da maioria dos clusters foi menor do que 0.05, rejeitando-se a hipótese
nula de que as médias são iguais, com excessão do cluster 3, onde a
parametrização Grell obteve p-valor de 0.33, não rejeitando a hipótese nula.
Com relação ao EQM e o MAE mostraram que a parametrização Grell
simulando a precipitação foi a que obteve menor erro em todos os clusters
(Tabela 1), com valores variando de 287.83mm a 584.15mm. Os erros obtidos
nesta simulação podem ser explicados devido a aproximação dos valores
simulados com os dados do satélite TRMM, como visto anteriormente nas
figuras da série temporal dos outonos.
O teste de variância da simulação da temperatura (Tabela 2), mostrou
que apenas a parametrização Grell no cluster 2 obteve o p-valor igual a 0.12
maior que o nível de significância de 5%, não rejeitando a H0, ou seja, as
médias populacionais são iguais. Nos demais clusters o p-valor foi menor que
5%, rejeitando-se a hipótese nula, ou seja, as médias populacionais não são
iguais, ou pelo menos uma difere das outras. No teste das médias todos os p-
valores obtiveram valores menores que 0.05, rejeitando-se a hipótese nula de
que as médias são iguais, ou seja, todas as médias diferem uma das outras. Já
o EQM e o MAE, obtiveram valores menores na parametrização Emanuel nos
clusters 1, 2 e 3, com valores de 0.65°C, 0.76°C e 0.88°C, respectivamente.
Sendo que apenas o cluster 4 obteve menor valor dos erros na parametrização
Grell, com valor de aproximadamente 0.30°C.
31
Tabela 1 - Análise estatística do Erro Quadrático Médio (EQM), a Raiz do Erro
Quadrático Médio (REQM) e do Erro Absoluto Médio (MAE), ANOVA e teste t-
student da precipitação no período do outono entre o satélite TRMM e as
parametrizações Emanuel e Grell.
Precipitação EQM REQM MAE
ANOVA (p-
valor)
Teste t-student (p-
valor)
Cluster
1
Emanuel 859213 926.93 865.9 0.04 8.72E-03
Grell 155092.1 393.81 351.41 0.82 9.49E-02
Cluster
2
Emanuel 3878884 1969.48 1930.67 0.97 1.71E-03
Grell 174221 417.39 338.38 0.75 0.03
Cluster
3
Emanuel 4021557 2005.38 1900.1 0.06 2.88E-03
Grell 82851.23 287.83 229.14 0.2 0.33
Cluster
4
Emanuel 6533721 2556.11 2523.93 0.02 2.44E-09
Grell 341239.1 584.15 543.45 0.17 0.0007
32
Tabela 2 - Análise estatística do Erro Quadrático Médio (EQM), a Raiz do Erro Quadrático
Médio (REQM) e do Erro Absoluto Médio (MAE), ANOVA e teste t-student da temperatura
no período do outono entre os dados de reanálise do Era-Interim e as parametrizações
Emanuel e Grell.
Temperatura EQM REQM MAE ANOVA (p-
valor)
Teste t-student (p-
valor)
Cluster
1
Emanuel 3.54 1.88 1.79 0.0003 1.46E-03
Grell 17.92 4.23 4.16 0.005 9.87E-06
Cluster
2
Emanuel 0.58 0.76 0.72 0.001 1.43E-02
Grell 0.74 0.86 0.78 0.12 4.28E-02
Cluster
3
Emanuel 0.79 0.88 0.83 0.0001 0.0001
Grell 11.25 3.35 3.26 0.0002 8.19E-05
Cluster
4
Emanuel 0.42 0.65 0.62 1.43E-02 1.61E-06
Grell 0.15 0.39 0.33 0.0002 0.001
33
4. Conclusões
Diante do exposto, conclui-se que a parametrização Emanuel
superestima a precipitação em relação aos dados estimados pelo TRMM,
principalmente em regiões que apresentam maiores acumulados de chuva.
Além disto, esta parametrização foi a que melhor representou a variação
temporal da precipitação comparado com a Grell. A parametrização Grell
simulando a precipitação foi a que obteve menores erros nas simulações em
todos os clusters, devido que esta parametrização se aproximou mais dos
valores estimados pelo TRMM, mas não representou bem esses dados
temporalmente.
Em relação à temperatura simulada pelo Regcm4, as parametrizações
obtiveram resultados melhores na simulação desta variável em todos os
clusters, sendo que a temperatura é uma variável mais fácil de simular, pois os
modelos em geral simulam melhor esta variável, devido que a mesma varia
menos espacialmente do que a precipitação. A parametrização Emanuel
obteve menores erros nos clusters 1, 2 e 3, já o cluster 4 (região que abrange
maior parte do litoral norte do NEB) foi a parametrização Grell que obteve
menor erro.
Agradecimentos
Agradeço ao Conselho Nacional de Desenvolvimento Científico e Tecnológico
(CNPQ) pelo apoio e concessão de bolsa.
34
Referências
ALMAZROUI, M. Dynamical downscaling of rainfall and temperature over the
Arabian Peninsula using RegCM4. Climate Research, v. 52, n. 1, p. 49–62,
2012.
ANTHES, R. A. A Cumulus Parameterization Scheme Utilizing a One-
Dimensional Cloud Model. Monthly Weather Review, 1977.
ARAKAWA, A.; SCHUBERT, W.H. 1974. Interaction of a cumulus cloud
ensemble with the large-scale environment, Part I. Journal of Atmospheric
Science, v. 31, n. 3, p. 674-701.
ÁVILA, P. L. R.; SOUZA, E. B.; PINHEIRO, A. N. Revista Brasileira de
Geografia Física. Revista Brasileira de Geografia Física, v. 6, p. 1275–1291,
2013.
COLLISCHONN, B. Desempenho do satélite TRMM na estimativa de
precipitação sobre a bacia do Paraguai Superior. Revista Brasileira de
Cartografia, Porto Alegre, v. 1, n. 59, p.93-99. 2007.
COUTINHO, E. DE C.; FISCH, G. Distúrbios Ondulatórios de Leste (DOLs) na
região do Centro de Lançamento de Alcântara-MA. Rev. Bras. Meteorol., v.
22, n. 2, p. 193–203, 2007.
DANTAS, V. A.; AMORIM, A. C. B.; COSTA, M. S.; SILVA, C. M. S.
Downscaling dinâmico sobre o Nordeste do Brasil utilizando um modelo
climático regional: impacto de diferentes parametrizações na precipitação
simulada. Revista Brasileira de Geografia Física, v. 6, n. 4, p. 995–1008,
2013.
DEE, D. P.; UPPALA, S. M.; SIMMONS, A. J.; et al. The ERA-Interim
reanalysis: Configuration and performance of the data assimilation system.
Quarterly Journal of the Royal Meteorological Society, v. 137, n. 656, p.
553–597, 2011.
DICKINSON, R. E.; ERRICO, R. M.; GIORGI, F.; BATES, G. T. A regional
climate model for the western United States. Climatic Change, v. 15, n. 3, p.
383–422, 1989.
35
EMANUEL, K. A. A Scheme for Representing Cumulus Convection in Large-
Scale Models. Journal of the Atmospheric Sciences. p. 2313-2335, 1991.
FRITSCH, J. M. AND CHAPPELL, C. F. Numerical Prediction of Convectively
Driven Mesoscale Pressure Systems. Part II: Mesoscale Model. Journal of the
Atmospheric Sciences, p. 1734–1762, 1980.
GIORGI, F. Simulation of Regional Climate Using a Limited Area Model Nested
in a General Circulation Model. Journal of Climate, 1990. Disponível em:
<http://journals.ametsoc.org/doi/abs/10.1175/1520-
0442%281990%29003%3C0941%3ASORCUA%3E2.0.CO%3B2>. .
GIORGI, F.; BI, X.; PAL, J. S. Mean, interannual variability and trends in a
regional climate change experiment over Europe. I. Present-day climate (1961-
1990). Climate Dynamics, v. 22, n. 6–7, p. 733–756, 2004.
GIORGI, F.; COPPOLA, E.; SOLMON, F.; et al. RegCM4: Model description
and preliminary tests over multiple CORDEX domains. Climate Research, v.
52, n. 1, p. 7–29, 2012.
GIORGI, F.; JONES, C.; ASRAR, G. R. Addressing climate information needs
at the regional level: The CORDEX framework. World Meteorological
Organization Bulletin, v. 58, n. 3, p. 175–183, 2009.
GIORGI, F.; MARINUCCI, M. R.; BATES, G. T. Development of a Second-
Generation Regional Climate Model (RegCM2). Part I: Boundary-Layer and
Radiative Transfer Processes. Monthly Weather Review, 1993. Disponível em:
<http://journals.ametsoc.org/doi/abs/10.1175/1520-
0493%281993%29121%3C2794%3ADOASGR%3E2.0.CO%3B2>. .
GIORGI, F.; MARINUCCI, M. R.; BATES, G. T.; DE CANIO, G. Development of
a Second-Generation Regional Climate Model (RegCM2). Part II: Convective
Processes and Assimilation of Lateral Boundary Conditions. Monthly Weather
Review, 1993. Disponível em:
<http://journals.ametsoc.org/doi/abs/10.1175/1520-
0493%281993%29121%3C2814%3ADOASGR%3E2.0.CO%3B2>. .
GIORGI, F.; MEARNS, L. O. Introduction to special section: Regional climate
modeling revisited. Journal of Geophysical Research: Atmospheres, v. 104,
36
n. D6, p. 6335–6352, 1999.
GRELL, G. A. Prognostic evaluation of assumptions used by cumulus
parameterizations, Monthly Weather Review, vol. 121, no. 3, p. 764–787,
1993.
HASTENRATH, S. Circulation and teleconnection mechanisms of Northeast
Brazil droughts. Progress in Oceanography, v. 70, n. 2–4, p. 407–415, 2006.
KOUSKY, V. E.; GAN, M. A. Upper tropospheric cyclonic vortices in the tropical
South Atlantic Upper tropospheric cyclonic vortices in the tropical South
Atlantic. , v. 2826, n. February, 1981.
LLOPART, M.; DA ROCHA, R. P.; REBOITA, M.; CUADRA, S. Sensitivity of
simulated South America climate to the land surface schemes in RegCM4.
Climate Dynamics, v. 49, n. 11–12, p. 3975–3987, 2017. Disponível em:
<http://link.springer.com/10.1007/s00382-017-3557-5>. .
MARENGO, J. A. Vulnerabilidade, impactos e adaptação à mudança do clima
no semi-árido do Brasil. Parcerias Estratégicas, v. 13, n. 27, p. 149–176,
2008. Disponível em:
<http://seer.cgee.org.br/index.php/parcerias_estrategicas/article/view/329>. .
OLIVEIRA, P. T. Estudos Estatísticos sobre Eventos de Precipitação
Intensa no Nordeste do Brasil. Programa de Pós-Graduação em Ciências
Climáticas, Universidade Federal do Rio Grande do Norte, Tese de doutorado,
114p. 2014.
PAL, J. S.; GIORGI, F.; BI, X.; et al. Regional climate modeling for the
developing world: The ICTP RegCM3 and RegCNET. Bulletin of the American
Meteorological Society, v. 88, n. 9, p. 1395–1409, 2007.
PAL, J. S.; SMALL, E. E.; ELTAHIR, E. A. B. Simulation of regional-scale water
and energy budgets: Representation of subgrid cloud and precipitation
processes within RegCM. Journal of Geophysical Research: Atmospheres,
v. 105, n. D24, p. 29579–29594, 2000. Disponível em:
<http://doi.wiley.com/10.1029/2000JD900415>. .
QIAN, J.-H.; SETH, A.; ZEBIAK, S. Reinitialized versus Continuous Simulations
for Regional Climate Downscaling. Mon Wea Rev, v. 131, p. 2857–2874, 2003.
37
REBOITA, M.; KRUSCHE, N.; AMBRIZZI, T.; PORFÍRIO, R.; ROCHA, D.
Entendendo o Tempo e o Clima na América do Sul O Sol como Fonte de
Energia. Terra e Didatica, v. 8, n. 1, p. 34–50, 2012.
ROUSSEEUW, P. J. Silhouettes: A graphical aid to the interpretation and
validation of cluster analysis. Journal of Computational and Applied
Mathematics, v. 20, n. C, p. 53–65, 1987.
SALES, D. C.; COSTA, A. A.; SILVA, E. M.; et al. Projeções de mudanças na
precipitação e temperatura no nordeste Brasileiro utilizando a técnica de
downscaling dinâmico. Revista Brasileira de Meteorologia, v. 30, n. 4, p.
435–456, 2015.
SANTOS E SILVA, C. M.; SILVA, A.; OLIVEIRA, P.; LIMA, K. C. Dynamical
downscaling of the precipitation in Northeast Brazil with a regional climate
model during contrasting years. Atmospheric Science Letters, v. 15, n. 1, p.
50–57, 2014.
SILVA, A. G. Estudo sobre a precipitação simulada no outono na região
tropical da América do Sul através de downscaling dinâmico e previsão
por conjunto. Programa de Pós-Graduação em Ciências Climáticas,
Universidade Federal do Rio Grande do Norte, Tese de doutorado, 125p. 2016.
SILVA, A. G.; E SILVA, C. M. S. Improving regional dynamic downscaling with
multiple linear regression model using components principal analysis:
Precipitation over Amazon and Northeast Brazil. Advances in Meteorology.
2014.
SILVA, C. M. S.; Silva, A.; Oliveira, P.; Lima, K. C. Dynamical downscaling of
the precipitation in Northeast Brazil with a regional climate model during
contrasting years. Atmospheric Science Letters, v. 15, n. 1, p.50-57. 2014.
SOUZA, E. B. et al. Precipitação sazonal sobre a Amazônia oriental no período
chuvoso: Observações e simulações regionais com o RegCM3. Revista
Brasileira de Meteorologia, v.24, n.2. 2009.
WILKS, D. S. Statistical Methods in the Atmospheric Sciences. Estados
Unidos (USA), Academic Press. 669 p. 2011.
38
APÊNDICE
Apêndice A – Precipitação total média (mm) sobre o Nordeste Brasileiro.
Satélite TRMM com espaçamento de grade de 25 km (a), parametrizações
Emanuel (b) e Grell (c) com espaçamento de grade de 50 km.
39
Apêndice B – Temperatura média do ar a 2 metros em relação à superfície
(°C) sobre o Nordeste Brasileiro. Era-Interim com espaçamento de grade
de 25 km (a), parametrizações Emanuel (b) e Grell (c) com espaçamento
de grade de 50 km.
Apêndice C – Comparação dos Grupos da precipitação do satélite TRMM
e da parametrização Emanuel espacializados sobre o Nordeste no período
do outono de 1998 a 2008 (Grupo 1 – Azul, Grupo 2 – Amarelo, Grupo 3 –
Cinza e Grupo 4 – Vermelho), e a diferença de ambos (mostrando as áreas
homogêneas em branco e heterogêneas em cinza).
40
Apêndice D – Comparação dos Grupos da precipitação do satélite TRMM
e da parametrização Grell espacializados sobre o Nordeste no período do
outono de 1998 a 2008 (Grupo 1 – Azul, Grupo 2 – Amarelo, Grupo 3 –
Cinza e Grupo 4 – Vermelho), e a diferença de ambos (mostrando as áreas
homogêneas em branco e heterogêneas em cinza).
Apêndice E – Comparação dos Grupos da temperatura do Era-Interim e da
parametrização Emanuel espacializados sobre o Nordeste no período do
outono de 1998 a 2008 (Grupo 1 – Azul, Grupo 2 – Amarelo, Grupo 3 –
Cinza e Grupo 4 – Vermelho), e a diferença de ambos (mostrando as áreas
homogêneas em branco e heterogêneas em cinza).
41
Apêndice F – Comparação dos Grupos da temperatura do Era-Interim e da
parametrização Grell espacializados sobre o Nordeste no período do
outono de 1998 a 2008 (Grupo 1 – Azul, Grupo 2 – Amarelo, Grupo 3 –
Cinza e Grupo 4 – Vermelho), e a diferença de ambos (mostrando as áreas
homogêneas em branco e heterogêneas em cinza).
(a)
42
(b)
(c)
43
Apêndice G – Box-plots da precipitação total média do outono em mm/dia
da análise de cluster no período de (1998-2008). Grupo 1 (a), Grupo 2 (b),
Grupo 3 (c) e Grupo 4 (d).
(d)
(a)
44
(b)
(c)
45
Apêndice H – Box-plots da temperatura média do outono em mm/dia da
análise de cluster no período de (1998-2008). Grupo 1 (a), Grupo 2 (b),
Grupo 3 (c) e Grupo 4 (d).
(d)
46
47
Apêndice I – Matriz de dispersão da precipitação média do outono em
mm/dia da análise de cluster no período de (1998-2008). Grupo 1 (a),
Grupo 2 (b), Grupo 3 (c) e Grupo 4 (d).
48
49
Apêndice J – Matriz de dispersão da precipitação média do outono em
mm/dia da análise de cluster no período de (1998-2008). Grupo 1 (a),
Grupo 2 (b), Grupo 3 (c) e Grupo 4 (d).