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


_________________________________________________

Cristiano Prestrelo de Oliveira (Departamento de Ciências Atmosféricas e


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



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,


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,


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,


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



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:


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:


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 –



Apêndice E – Comparação dos Grupos da temperatura do Era-Interim e da

parametrização Emanuel espacializados sobre o Nordeste no período do




41

Apêndice F – Comparação dos Grupos da temperatura do Era-Interim e da

parametrização Grell espacializados sobre o Nordeste no período do




(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)

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).

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).

universidade federal do rio grande do norte centro …€¦ · then was made an average of autumn...

Documents