Análise da variabilidade da precipitação sobre o Brasil tropical via um índice intrassazonal multivariado

(1)

UNIVERSIDADE FEDERAL DO RIOGRANDE DONORTE CENTRO DE CIÊNCIAS EXATAS E DATERRA

DEPARTAMENTO DECIÊNCIAS ATMOSFÉRICAS ECLIMÁTICAS PROGRAMA DEPÓS-GRADUAÇÃO EMCIÊNCIASCLIMÁTICAS

Análise da Variabilidade da Precipitação

sobre o Brasil Tropical via um Índice

Intrassazonal Multivariado

Naurinete de Jesus da Costa Barreto

(2)

Naurinete de Jesus da Costa Barreto

Análise da Variabilidade da Precipitação sobre o Brasil

Tropical via um Índice Intrassazonal Multivariado

Tese apresentada ao Centro de Ciências Exatas e da Terra da Universidade Fede-ral do Rio Grande do Norte como requisito parcial para a obtenção do grau de Doutor em Ciências Climáticas.

Universidade Federal do Rio Grande do Norte – UFRN

Centro de Ciências Exatas e da Terra – CCET

Programa de Pós-Graduação em Ciências Climáticas – PPGCC

Orientador: Prof.Dr. David Mendes

Coorientador: Prof.Dr. Paulo Sergio Lucio

Natal

(3)

Naurinete de Jesus da Costa Barreto

Análise da Variabilidade da Precipitação sobre o Brasil

Tropical via um Índice Intrassazonal Multivariado

Tese apresentada ao Centro de Ciências Exatas e da Terra da Universidade Fede-ral do Rio Grande do Norte como requisito parcial para a obtenção do grau de Doutor em Ciências Climáticas.

Trabalho aprovado: Natal, 06 de fevereiro de 2015:

Prof.Dr. David Mendes

Orientador – Presidente

Prof.Dr. Paulo Sergio Lucio

Co-Orientador – Membro Interno

Prof.a Maria Helena Spyrides

UFRN – Membro Interno

Prof. Everaldo Barreiros de Souza

UFPA – Membro Externo

Prof. José Maria Brabo Alves

(4)

i

Dedico aos meus pais, Seu Arlindo e Dona Virgínia, Ao George Pedra,

(5)

ii

AGRADECIMENTOS

Agradeço ao meu orientador Prof.Dr. David Mendes, por tudo e principalmente pela imensa paciência, eu deveria tê-lo escutado mais vezes.

Ao meu co-orientador Prof.Dr. Paulo Lucio, por ter me apresentado um mundo de acontecimentos possivelmente improváveis ou provavelmente impossíveis.

Ao Meu "Namorido"George Pedra, por sobreviver a está trajetória, quase sem se-quelas aparentes.

Aos amigos de longas datas, que conhecem todos os meus defeitos e continuam meus amigos: Leidiane, Claúdia, Magno e Rafael.

Aos novos amigos que adquiri ao longo do caminho: Maria das Vitórias, Mônica Damião, Patricia Viana, Wash, Boleira, Lampadinha, José Ueliton e a lista segue.

Aos meus amigos e colegas das turmas de 2010 até 2014.

Aos professores do Programa de Pós-Graduação em Ciências Climáticas, especi-almente: Profa. Maria Helena, Profa. Rosane Chaves, Prof. Francisco Alexandre, Prof. Arthur Mattos, Prof. Henrique.

Ao Dr. Guilherme Martins, pelo excelenteblog:sites.google.com/site/jgmsantos/ home/ e pelas apostilas que foram fundamentais para o desenvolvimento deste

traba-lho.

A CAPES pela bolsa de doutorado concedida.

(6)

iii

“ Lembre-se quando suas asas estiverem fracas, sua fé faltar,

quando você achar que voou tudo que tinha pra voar:

Você estará no meio do caminho."

Legend of Guardians

“ Nem tudo que é ouro fulgura, Nem todo o vagante é vadio,

O velho que é forte perdura E a raiz funda não sente o Frio ..."

(7)

iv

Análise da Variabilidade da Precipitação sobre o Brasil

Tropical via um Índice Intrassazonal Multivariado

Autor: Naurinete de Jesus da Costa Barreto Orientador(a): Prof. Dr. David Mendes Co-Orientador(a) : Prof. Dr. Paulo sergio Lucio

R

ESUMO

A variabilidade intrassazonal é uma importante componente do sistema climático da Terra, apresentando interação com diversos fenômenos meteorológicos, sendo um elo entre os sistemas de tempo e clima, tornando-se uma ferramenta essencial para previsão e projeção do clima. O objetivo principal deste trabalho é avaliar o compor-tamento intrassazonal da precipitação sobre o Brasil Tropical e possíveis alterações observadas nos cenários de simulação climática: ”historical” que representa o clima atual (1979 -2005) e ”Representative Concentration Pathways (RCP8.5)” represen-tando as projeções de mudanças climáticas com o aumento na forçante radiativa da atmosférica em 8,5 W/m2 _{para o período de 2070 até 2100. Os resultados obtidos} podem ser divididos em três etapas. Na primeira etapa houve a elaboração de um ín-dice multivariado intrassazonal para o Brasil Tropical, por meio da aplicação da análise de máxima covariância, associada à projeção dos modos dominantes em eixos orto-gonais. Desta forma, é possível caracterizar os padrões resultantes em oitos fases, cujas composições representam a evolução da intrassazonalidade sobre a região de estudo. Na segunda etapa foi realizada uma avaliação da sensibilidade dos modelos do Coupled Model Intercomparison Project Phase 5 (CMIP5)à variabilidade semanal de precipitação durante os meses de verão e outono austral. Dos dezesseis mode-los avaliados, observou-se que apenas seis destes foram capazes de representar de forma significativa o padrão de precipitação e dentre estes o modelo MRI-CGCM3 foi o que obteve o melhor resultado. A terceira etapa consistiu na aplicação da metodologia empregada na etapa 1 no modelo que melhor representou o padrão de precipitação, encontrado na etapa 2, ou seja no MRI-CGCM3. De maneira geral, notou-se que este modelo é capaz de representar bem o padrão espacial e o ciclo evolutivo da variabi-lidade intrassazonal, entretanto do ponto de vista regional, ainda há necessidade de melhorias na representatividade dos sistemas associados a esta frequência.

(8)

v

Precipitation Variability Analysis on Brazil Tropical by

Intraseasonal Multivariate Index

Author: Naurinete de Jesus da Costa Barreto Supervisor: Prof. Dr. David Mendes Co-supervisor: Prof. Dr. Paulo Sergio Lucio

A

BSTRACT

The intraseasonal variability is an important component of Earth’s climate system, shows interaction with various meteorological phenomena, being a link between we-ather and climate systems, making it an essential tool for forecasting and climate pro-jection. The aim of this study is to evaluate the behavior of intraseasonal precipitation over Brazil Tropical and possible changes caused in climate simulation scenarios, His-torical that represents the current climate (1979 -2005) and Representative Concen-tration Pathways (RCP8.5)representing projections of climate change with increasing radioactive forcing of air at 8.5W/m2 _{for the period 2070 to 2100. Among the results} are: the first step to the establishment of a intraseasonal multivariate index for Brazil Tropical, by applying the maximum covariance analysis, associated with the projection of the dominant modes in orthogonal axes. Thus it is possible to characterize the resul-ting patterns in eight phases, whose compositions represent the evolution of intrassa-zonalidade on the study region. In the second step was carried out an assessment of the sensitivity of the modelsCoupled Model Intercomparison Project Phase 5 (CMIP5) the weekly variability of rainfall during the months of summer and fall Austal, the sixteen models evaluated, it was observed that only six were able to represent significantly the pattern of rainfall, and of these MRI-CGCM3 model was the one that obtained the best result. The third and final step was the application of the methodology used in step 1 in the model that best represented the rainfall pattern, found in Step 2, ie in MRI-CGCM3 in a general context it was noted that this model is able to represent well the pattern of spatial variability and evolutionary cycle, however the regional point of view, there is still need for improvement in the representation of systems.

(9)

vi

LISTA DE ILUSTRAÇÕES

Figura 2.1 – Diagrama esquemático da amplitude e da fase do índice Intrassazo-nal Multivariado para o Brasil Tropical (Multivariate Intraseasonal to Brazil Tropical – MIBT). . . 18 Figura 2.2 – Variância Sazonal filtrada na banda de 20-100 dias. a)Radiação de

Onda Longa (ROL) e b) Precipitação para o período de dezembro a maio. c)ROL e d) Precipitação para o período de junho a novembro. 20 Figura 2.3 – Estrutura espacial da Análise de Máxima Covariância (Maximum

Co-variance Analysis– MCA)1 e MCA2 das médias equatoriais das ano-malias de precipitação (a) e b)) e anoano-malias combinadas de Com-ponente Zonal do Vento no nível de 850hPa (U850), ComCom-ponente Zonal do Vento no nível de 200hPa (U200) e ROL (c) e d)). . . 21 Figura 2.4 – Análise espectral dos coeficientes de expansão da MCA, painel a

esquerda coeficientes A1 e A2 relacionados aos padrões de precipi-tação, painel a direita coeficientes B1 e B2 relacionados as variáveis dinâmicas. . . 22 Figura 2.5 – a) Análise de coerência espectral entre o MIBT1 e MIBT2, a fase

(painel superior) e coerência quadrática (painel inferior). b) Correla-ção cruzada entre o MIBT1 e MIBT2. . . 22 Figura 2.6 – MIBT1 e MIBT2 curva das composições de espaço-fase para o MIBT

[números ímpares (azul) e números pares (vermelho) da fase inicial]. Para cada fase inicial, foram selecionados casos fortes onde a am-plitude do MIBT excede 3.5, o número de eventos fortes, também são apresentados. . . 25 Figura 2.7 – O Ciclo de vida das composições das anomalias ROL (sombreado)

e vento em 850hPa (vetores) [painel á esquerda] e precipitação plu-vial (sombreada) [painel a direita], para os meses de dezembro a maio, valores estatisticamente significantes a nível de 5%, baseado no testet-Student. . . 26 Figura 2.8 – Diagrama “boxplot” semanal do índice MIBT, linha tracejada

verme-lha, representa o limiar de 3.5, utilizado para classificar os eventos fortes. . . 28 Figura 2.9 – Séries temporal semanal do índice MIBT (barras cinzas) e média

móvel 12 semanas(linha vermelha) e limiar de 3.5 (linha tracejada). 28 Figura 2.10–Razão de Chance da associação do amplitude do MIBT e extremos

(10)

Lista de Ilustrações vii

Figura 2.11–Razão de Chances (Oddis Ratio– RC) da associação do MIBT (Am-plitude e Fase) e extremo de precipitação, coloração de amarelo para vermelho (azul para o roxo) relacionadas a extremos de esti-agem (chuva). RC variando de 1.25 até 13.25, com intervalo 2.0. Apenas os valores estatisticamente significantes ao nível de 5% fo-ram plotados. . . 31 Figura 3.1 – Regiões selecionadas para avaliação regional, adaptada de:

Bar-reto, Mendes e Lucio (2013b) . . . 39 Figura 3.2 – Distribuição de Frequências de Classes da precipitação para as

re-giões selecionadas. Barras em cinza representam dados doClimate Prediction Center unified guage (CPC-uni), linhas contínuas os mo-delos do CMIP5. . . 40 Figura 3.3 – O diagrama de Taylor das regiões selecionadas do Brasil Tropical

(BrT) de média semanal de precipitação para o período de dezembro a maio. . . 41 Figura 3.4 – Coeficiente de correlação entre a Componente Principal (Principal

Component – PC)1 (PC2) e a precipitação observada do CPC-uni, painel a esquerda (painel a direita) para os meses de dezembro a maio, sobre o BrT . . . 43 Figura 3.5 – .Coeficiente de correlação entre a PC1 e os dados de precipitação

simulados pelos modelos do CMIP5, correlações estatisticamente significantes a 5% de significância. . . 44 Figura 4.1 – Variância não filtrada de ROL (w2.m−4) para o período de

dezembro-maio, de 1979 a 2005. a) Observados pelo Radiômetro Avançado de Alta Resolução (Radiometer Advanced high-Resolution –

AVHRR)-National Oceanic and Atmospheric Administration(NOAA). b) Simu-lado pelo MRI-CGCM3 no cenário ”historical”. . . 52 Figura 4.2 – Variância de ROL (w2_.m−

4), para os meses dezembro-maio filtrada na frequência 20–100 dias. a) Observados pelo AVHRR-NOAA. b) Simulado pelo MRI-CGCM3 no cenário ”historical”. . . 53 Figura 4.3 – Espectro do número de onda pela frequência média diária de ROL

(a) NOAA (1979-2005) e (b) MRI-CGCM3 (1979-2005), e média diá-rio da componente zonal (u) em 850hPa (c)National Centers for

(11)

Lista de Ilustrações viii

Figura 4.4 – MRI-CGCM3 (painel a esquerda) e CPC-uni (Painel a direita). a) Variância dos dados não filtrados para o período de dezembro a maio, b) Variância dos dados filtrados na banda 20-100 dias, período de dezembro a maio, c) Razão entre a variância filtrada e a não-filtrada 55 Figura 4.5 – Densidade espectral de potência, para os dados não filtrados. a) e

b) relacionado ao dados observados durante de dezembro a maio e total, respectivamente. c) e d) relacionados ao modelo MRICGCM3, para o cenário "historical". . . 56 Figura 4.6 – Estrutura espacial dos coeficientes de expansão relacionados a MCA1

(painel superior) e MCA2 (painel inferior) para o MRI-CGCM3, no ce-nário ”historical”. Dados de precipitação (painel a esquerda) e média das anomalias combinadas de ROL, U850 e U200, ambos os con-juntos filtrados na escala intrassazonal. . . 57 Figura 4.7 – Estrutura espacial dos coeficientes de expansão relacionados a MCA1

(painel superior) e MCA2 (painel inferior) para o observados. Dados de precipitação (painel a esquerda) e média das anomalias combi-nadas de ROL, U850 e U200, ambos os conjuntos filtrados na escala intrassazonal. . . 57 Figura 4.8 – Composições MRI-CGCM3, do ciclo de vida das anomalias de ROL

e U850 (painel esquerda) e precipitação, para o meses de dezembro a maio. Valores estatisticamente significante ao nível de 95%, de acordo com o testet-Student. . . 60 Figura 4.9 – Composições dados observados, do ciclo de vida das anomalias

de ROL e U850 (painel esquerda) e precipitação, para o meses de dezembro a maio. Valores estatisticamente significante ao nível de 95%, de acordo com o teste t-Student. . . 61 Figura 4.10–Estrutura espacial dos coeficientes de expansão relacionados a MCA1

(painel superior) e MCA2 (painel inferior) para o MRI-CGCM3, cená-rio RCP8.5. Dados de precipitação (painel a esquerda) e média das anomalias combinadas de ROL, U850 e U200, ambos os conjuntos filtrados na escala intrassazonal. . . 62 Figura 4.11–a) Correlação Cruzada entre a MCA1 e MCA2 do modelo MRI-CGCM3

(12)

Lista de Ilustrações ix

Figura 4.12–Composições MRI-CGCM3, para o cenário RCP8.5, do ciclo de vida das anomalias de ROL e U850 (painel esquerda) e precipitação, para o meses de dezembro a maio. Valores estatisticamente sig-nificante ao nível de 95%, de acordo com o teste t-Student. . . 64 Figura A.1–RC da associação do MIBT (Amplitude e Fase) e extremo de

(13)

x

LISTA DE TABELAS

Tabela 2.1 – Tabela de Contingência utilizada para avaliação da associação entre

a precipitação extrema (P RP e) e eventos fortes do MIBT. . . 18

Tabela 2.2 – Resultado resumidos para diferentes análises de MCA. . . 24

Tabela 3.1 – Latitude e Longitude das regiões selecionadas. . . 37

Tabela 3.2 – Modelos do CMIP5 analisados neste estudo. . . 38

(14)

xi

LISTA DE ABREVIATURAS

AMZ Amazônia.

AR4 Fourth Assessment Report.

AR5 Fifth Assessment Report.

AVHRR Radiômetro Avançado de Alta Resolução

Radiometer Advanced high-Resolution.

BrT Brasil Tropical.

BSIO Oscilação Intrassazonal do Verão Boreal

Boreal Summer Intraseasonal Oscillation.

CAPE Energia Potencial Convectiva Disponível

Convective Disposable Potencial Energy.

CCA Análise de Correlação Canônica

Canonical Correlation Analysis.

CCM Complexo Convectivo de Mesoescala.

CEVF Fração Acumulada da Variância Explicada

Cumulative Explained Variance Fraction.

CL-MJOWG08 Madden-Julian Oscillation Working Group 2008.

CLIVAR Climate Variability and Prediction.

CMIP5 Coupled Model Intercomparison Project Phase 5.

Coef Coeficientes de Expansão.

CPC-uni Climate Prediction Center unified guage.

DJF Dezembro-Janeiro-Fevereiro.

ENOS El Niño – Oscilação Sul.

EOF Função Ortogonal Empírica

(15)

Lista de Abreviaturas xii

FAR Primeiro Relatório de Avaliação

First Assessment Report.

GCM Modelos de Circulação Geral

General Circulation Models.

IPCC Painel Intergovernamental sobre Mudanças Climáticas

Intergovernmental Panel on Climate Change.

ISV Variabilidade IntrassazonalIntraseasonal Variability.

ITCZ Intertropical Convergence Zone

Intertropical Convergence Zone.

JMA Japan Meteorological Agency.

LI Linhas de Instabilidade.

MAM Março-Abril-Maio.

MCA Análise de Máxima Covariância

Maximum Covariance Analysis.

MEOF Função Ortogonal Empírica Multivariada

Multivariate Empirical Orthogonal Function.

MIBT Intrassazonal Multivariado para o Brasil Tropical

Multivariate Intraseasonal to Brazil Tropical.

MJO Oscilação de Madden-Julian

Madden-Julian Oscillation.

MRI Instituto de Pesquisas Meteorológicas

Meteorological Research Institute.

NAMS Sistema de Moção da América do Norte

North American Monsoon System.

NCAR National Center for Atmospheric Research.

NCEP National Centers for Envorimental Prediction.

NeAM Nordeste da Amazônia.

(16)

Lista de Abreviaturas xiii

NNEB Norte do Nordeste.

NOAA National Oceanic and Atmospheric Administration.

NwAM Noroeste da Amazônia.

OACGM Modelos de Circulação Geral Oceano-Atmosfera Acoplados

Ocean-Atmospheric Coupled General Circulation Model.

OI Oscilações Intrassazonais.

OMM Organização Meteorológica Mundial.

PC Componente Principal

Principal Component.

PCA Análise de Componente Principal

Principal Component Analysis .

PNUA Programa das Nações Unidas para o Ambiente.

RC Razão de Chances

Oddis Ratio.

RCP Representative Concentration Pathways.

RCP8.5 Representative Concentration Pathways.

RMM Real-Time Multivariate MJO Index.

ROL Radiação de Onda Longa.

SACZ Zona de Convergência do Atlântico Sul

Southern Atlantic Convergence Zone.

SAMS Monções de Verão da América do Sul

Southern America Mosoon Summer.

SCF Fração da Covariância Quadrática

Squared Covariance Fraction.

SeAM Sudeste da Amazônia.

SNEB Sul do Nordeste.

SPCZ Zona de Convergência do Pacífico Sul

(17)

Lista de Abreviaturas xiv

SRES Relatório Especial sobre Cenários de Emissões

Special Report on Emissions Scenarios.

SwAM Sudoeste da Amazônia.

TAR Third Assessment Report.

TSM Temperatura da Superfície do Mar.

U200 Componente Zonal do Vento no nível de 200hPa.

U850 Componente Zonal do Vento no nível de 850hPa.

(18)

xv

SUMÁRIO

Lista de Ilustrações . . . . vi

Lista de Tabelas . . . . x

1 Introdução . . . . 1

1.1 Motivação . . . 4

1.2 Justificativa . . . 4

1.3 Objetivos . . . 5

1.3.1 Objetivos Específicos . . . 5

1.4 Referencial Teórico . . . 5

1.4.1 IPCC e Mudanças Climáticas . . . 5

1.4.1.1 Cenários de Emissão de Gases de Efeito Estufa . . . . 6

1.4.2 Oscilação de Madden-Julian . . . 8

1.5 Organização do trabalho . . . 9

2 Índice Intrassazonal Multivariado para Brasil Tropical . . . . 11

2.1 Introdução . . . 12

2.2 Material e Métodos . . . 14

2.2.1 Base de Dados . . . 14

2.2.2 Processo de definição do Índice Multivariado . . . 14

2.2.2.1 Filtro de Lanczos . . . 14

2.2.2.2 Análise de Máxima Covariância. . . 15

2.2.2.3 Amplitude e Fase do Índice MIBT . . . 17

2.2.3 Razão de Chance . . . 18

2.3 Resultados e Discussões . . . 19

2.3.1 Características Básicas do Índice MIBT . . . 20

2.3.2 Comparação da MCA para Diferentes Entradas . . . 23

2.3.3 Diagrama Fase de Espaço . . . 24

2.3.4 Composições . . . 25

2.3.5 Variabilidade Sazonal e Interanual . . . 27

2.3.6 Razão de Chances . . . 29

2.4 Considerações . . . 32

3 Sensibilidade dos Modelos do CMIP5 à Precipitação do Brasil Tropical . 34 3.1 Introdução . . . 35

3.2 Material e Métodos . . . 36

3.2.1 Base de Dados . . . 36

3.2.2 Análise de Componentes Principais . . . 39

(19)

Sumário xvi

3.3.2 Variabilidade Espacial . . . 43

4 Variabilidade Intrassazonal do Brasil Tropical no MRI-CGCM3 . . . . 47

4.1 Introdução . . . 48

4.2 Modelo Usado na Simulação e Validação dos Dados . . . 50

4.2.1 MRI-CGM3 . . . 50

4.2.2 Dados Observacionais . . . 51

4.2.3 Metodologia . . . 51

4.3.1 Variabilidade Intrassazonal no Cenário Historical . . . 52

4.3.1.1 Climatologia e Avaliação Espectral . . . 52

4.3.1.2 Análise de Máxima Covariância. . . 55

4.3.1.3 Composição das Fases . . . 59

4.3.2 Variabilidade Intrassazonal (Intraseasonal Variability – ISV) no Cenário RCP8.5 . . . 62

5 Conclusões . . . . 66

5.1 Sugestão para Trabalhos Futuros . . . 67

Referências . . . . 69

APÊNDICE A Razão de Chance aplicada a Outros Limiares . . . . 80

APÊNDICE B Resumo Aceito Para Publicação . . . . 81

(20)

1

1 INTRODUÇÃO

Avanços na ciência e na observação das alterações climáticas fornecem uma me-lhor compreensão da variabilidade inerente ao sistema climático e possíveis altera-ções devido as influências naturais e/ou humanas. As consequências das mudanças climáticas para o meio ambiente e a sociedade dependerão não só da resposta do sistema terrestre às mudanças nas forçantes radiativas1_{, mas também de como a}

humanidade reage por meio de mudanças na tecnologia, economia, estilo de vida e política (MOSS et al.,2010).

O sistema climático consiste da interação de cinco elementos principais: a atmos-fera, a hidrosatmos-fera, a criosatmos-fera, a litosfera e a biosfera. Este sistema sofre modificação temporal pela efeito de sua própria dinâmica interna e por causa de forçantes externas naturais e antropogênicas (MOSS et al.,2010). Entre as forçantes naturais externas do sistema climático tem-se: variações na estrutura e composição da atmosfera terrestre durante a sua formação; deriva dos continentes; variações nos parâmetros orbitais, como por exemplo, na inclinação do eixo de rotação e/ou características da órbita que a Terra faz ao redor do Sol; e erupções vulcânicas, devido ao lançamento de partícu-las na atmosfera, que podem ficar suspensas por até vários meses em altos níveis da atmosfera (TORRES; MARENGO,2012).

Os fatores naturais, na maioria dos casos, alteram o balanço de radiação no clima e causam grandes mudanças na temperatura do planeta. Entretanto, com exceção das erupções vulcânicas, as mudanças ocorrem num período de milhares de anos, ou seja, lentamente para serem percebidas durante a vida dos seres humanos (ME-EHL et al., 2007). Nesse sentido, o termo ”mudança climática” refere-se a variações no clima regional ou global, decorrente de uma perturbação no sistema climático, po-dendo ser identificada como alterações no valor médio e/ou na variabilidade (IPCC, 2007). Forçantes externas que também podem contribuir significativamente para uma mudança no clima são aquelas originadas pelas atividades humanas, tais como mu-dança na composição da atmosfera e mumu-dança no uso do solo, e que ocorrem em escalas de tempo compatíveis com aquelas variações abruptas observadas no clima da Terra nas últimas décadas (MEEHL et al., 2007; DIFFENBAUGH; GIORGI, 2012). Por essa razão, as mudanças climáticas estão sendo observadas nas últimas décadas são mais intensas e rápidas do que aquelas associadas a algum fator natural.

1 _{Forçante Radiativa é definida como a diferença em irradiância líquida na tropopausa, em unidades}

deW.m−2, entre um estado de referência e um estado perturbado. A perturbação ocorre pela ação

(21)

Capítulo 1. Introdução 2

Uma vez que os processos que ocorrem no sistema climático dificilmente podem ser reproduzidos em experimentos laboratoriais, faz-se necessário utilizar modelos numéricos, para compreender as possíveis respostas e comportamentos desse sis-tema devido a atuação de determinadas forçantes, de maneira à projetar o clima do planeta nas próximas décadas e séculos. Por este motivo, nos últimos anos diversos estudos avaliaram as projeções de mudanças climáticas, baseando-se principalmente nos Modelos de Circulação Geral (General Circulation Models – GCM) provenientes do Coupled Model Intercomparison Project Phase 3 (CMIP3) (SILVEIRA et al., 2012; SILVEIRA; FILHO; LÁZARO, 2013) baseando-se na nova geração de GCM (KIM et al., 2009;JONES; CARVALHO,2013; CARVALHO; JONES, 2013; BOMBARDI et al., 2013) e também integrantes doCMIP5(TAYLOR; STOUFFER; MEEHL,2012; JOETZ-JER et al.,2013;SILVEIRA et al.,2013;BARRETO; MENDES; LUCIO,2013a).

Atualmente os GCM são ferramentas essenciais para a previsão2 _{e projeção}3 _de

clima futuro. As suas deficiências em representar de forma consiste algumas escalas temporais do clima é um fator negativo em estudos e previsão das alterações climáti-cas (JIANG et al.,2013;WHEELER; WEICKMANN,2001;WALISER; LAU; KIM,1999), Entre as escalas temporais com maior dificuldade de representação pelo GCMestá a escala temporal associada aISV.

AISV é uma componente chave da variabilidade atmosférica tropical e exerce in-fluência pronunciada sobre o clima regional e global. Está incluída nas oscilações consideradas de baixa frequência, sendo o resultado da interação de diversos sis-temas atmosféricos. Mostra forte dependência de processos oceânicos e atmosféri-cos e está relacionada a padrões atmosfériatmosféri-cos classificados como de alta frequência. Entende-se como baixa frequência fenômenos normalmente definidos como abran-gendo períodos maiores que 10 dias, os períodos ISVsituam-se na banda de 10-100 dias, exibindo considerável complexidade tanto no modo espacial como no temporal (WALISER; LAU; KIM,1999;WHEELER; WEICKMANN,2001;FERRAZ,2003; VITO-RINO; da Silva Dias; FERREIRA, 2006; MUZA, 2009; ALVES et al., 2012; ALVAREZ et al.,2013;JIANG et al.,2013).

A ISV modula a ocorrência de extremos climáticos. Estudos já exploraram a in-fluência da ISV sobre os regimes de monções globais (da Ásia, Austrália, e Améri-cas) (PAEGLE; BYERLE; MO,2000;GOSWAMI; MOHAN,2001;HIGGINS; SHI,2001; CARVALHO; JONES; DIAS,2002). Na América do Sul está associada a alterações no

2 _{Previsão é o resultado de uma tentativa de produzir uma descrição ou estimativa mais provável da}

evolução real do clima no futuro próximo.

3 _{Projeção é uma evolução futura potencial de uma quantidade ou conjunto de quantidades.}

(22)

padrão de temperatura e precipitação, principalmente durante as estações de verão e outono austral e apresenta conexões dinâmicas com a Zona de Convergência do Atlântico Sul (Southern Atlantic Convergence Zone – SACZ)e Zona de Convergência Intertropical (Intertropical Convergence Zone– ITCZ) (PAEGLE; BYERLE; MO,2000; JONES et al., 2004;LIEBMANN et al., 2004; CARVALHO; JONES; AMBRIZZI, 2005; SOUZA; AMBRIZZI,2006;MUZA,2009;ALVES et al.,2012).

O principal modo de variabilidade intrassazonal na atmosfera tropical é a Osci-lação de Madden-Julian (Madden-Julian Oscillation – MJO). Esta oscilação a MJO é caracterizada por um número de ondas zonal entre 1 e 3, em escala planetária, propagando-se para leste com um período entre 30 e 90 dias. Essa oscilação tem forte sinal sazonal, com maior amplitude durante o inverno e primavera boreal. Também mostra estrutura baroclínica em relação a vertical, com as suas anomalias na com-ponente zonal do vento na baixa e alta troposfera, apresentando sinal coerente entre elas (MADDEN; JULIAN,1971;MADDEN; JULIAN,1972;WEICKMANN,1983; KNUT-SON; WEICKMANN, 1987; HENDON; SALBY, 1994; MADDEN; JULIAN, 1994; WU; SCHUBERT; HUANG,1999;MALONEY; HARTMANN,2001;ZHANG; QIAN,2004).

Extremos de chuva intensa relacionados aMJO são caracterizados pela atividade convectiva suprimida sobre a Indonésia e intensificada sobre a Pacífico Central, ten-dendo a aumentar a intensidade da precipitação sobre Norte-Nordeste do Brasil, or-ganizando a convecção associada a ITCZeSACZ (CARVALHO; JONES; AMBRIZZI, 2005; SOUZA; AMBRIZZI, 2006). De acordo com Muza (2009), eventos extremos de precipitação na escalas de tempo intrassazonal sobre Sudeste do Brasil são mais fre-quentes durante as estações consideradas normais nas escalas de tempo interanual. Segundo Alves et al. (2012), a ISVé um fator responsável pelo controle da variabili-dade pluviométrica interanual em áreas tropicais. O conhecimento de como os GCM reproduzem esta variabilidade é importante para entender melhor sua atuação e sub-sidiar operações de previsão de tempo e clima.

(23)

(1996).

Os modelos doGCM participantes doPainel Intergovernamental sobre Mudanças Climáticas (Intergovernmental Panel on Climate Change– IPCC) Fourth Assessment Report (AR4) apresentavam problemas significativos na habilidade de simular aISV tropical. As ondas equatoriais convectiva acopladas apresentavam um sinal muito in-tenso, entretanto as variações eram baixas e a velocidade de propagação muito ele-vada. Em relação Sistema de Moção da América do Norte (North American monsoon system – NAMS)eles reproduziam a faixa de chuva de monções, que se estendia de sudeste para noroeste, e seu deslocamento gradual para o norte, no início do verão austral, mas superestimavam a precipitação e não reproduziam o enfraquecimento do sistema (LIN et al.,2006;LIN et al.,2008).

Já na variabilidade da Oscilação Intrassazonal do Verão Boreal (Boreal Summer Intraseasonal Oscillation– BSIO), os modelos concentravam a precipitação muito pró-xima ao equador no oceano Pacífico Ocidental, e a maioria dos modelos simulavam a variância submensal variância total (2-128 dias) com valores fracos. Sobre a América do Sul, durante o verão austral, os modelos subestimavam a precipitação sazonal mé-dia sobre o centro-leste e Nordeste do Brasil, e aITCZe aSACZestavam deslocadas na direção sul (LIN et al.,2008;LIN et al.,2009). Os modelos que melhor representa-vam oISVsobre a região tropical, eram os que apresentavam fechamento convectivo ligados a convergência de umidade (LIN et al.,2010).

1.1 Motivação

A avaliação do sinal intrassazonal sobre a região tropical exibe um grau de com-plexidade elevada, tanto em relação ao padrão observacional como em avaliações da sensibilidade dosGCM. Tornando necessário avaliações detalhadas sobre a repre-sentatividade do sinal intrassazonal neste modelos, especialmente a nova geração dos modelos do CMIP5, já que a versão anterior CMIP3 apresentava grande dificuldade em relação a este sinal. Também é fundamental para o entendimento desta represen-tatividade avaliar a capacidade associada ao sinal, gerando informações relevantes capazes de subsidiar decisões de planejamento e estratégia de adaptação.

1.2 Justificativa

(24)

uma necessidade de avaliar a capacidade dos modelos climáticos atuais em represen-tar o padrão dominante de ISV sobre o Brasil Tropical, também buscar identificar os modelos que melhor representam as variações climáticas de precipitação, de maneira que sejam geradas informações relevantes pra subsidiar decisões de planejamento e estratégia de adaptação.

1.3 Objetivos

O objetivo geral deste estudo é avaliar a variabilidade intrassazonal sobre o Brasil Tropical testando a destrezas dos modelos do CMIP5 em relação aos sinal intrassa-zonal e a propagação da MJO.

1.3.1 Objetivos Específicos

• Diagnosticar o padrão dominante de variabilidade e identificar extremos de chuva na escala intrassazonal sobre o Brasil Tropical.

• Avaliar a destreza dos modelos climáticos do CMIP5 em relação a precipitação de verão e outono austral para o clima atual (1981-2005) no cenário histórico.

• Verificar a sensibilidade do modelo MRI-CGCM3 em representar o padrão in-trassazonal do Brasil Tropical no clima presente para cenário histórico e nas projeções do clima futuro para o cenáriosRCP8.5

1.4 Referencial Teórico

1.4.1 IPCC e Mudanças Climáticas

OIPCCfoi criado em 1988 por meio de uma parceria entre aOrganização Meteo-rológica Mundial (OMM) e oPrograma das Nações Unidas para o Ambiente (PNUA), com objetivo principal de avaliar as alterações climáticas, fornecendo visões científi-cas claras e seus possíveis impactos socioeconômicos e ambientais sobre o estado das mudanças climáticas (IPCC, 2007). Para o IPCC, mudança climática refere-se a qualquer alteração no clima durante um período de tempo, independente se for uma variação natural ou o resultado da atividade humana. As mudanças climáticas podem desenvolver-se a partir da alteração do equilíbrio energético do sistema climático, com modificações na composição da atmosfera, mudanças na radiação solar e nas propri-edades da superfície da terra (IPCC,2007;MOSS et al.,2010;IPCC-WGI,2014).

(25)

cobertura de gelo no Hemisfério Norte. Desde a década de 1980, o conteúdo médio de vapor de água na atmosfera na troposfera superior tem aumentado e que os oceanos tem absorvido mais do que 80% do calor acrescido ao sistema climático, fazendo com que sua temperatura cresça em profundidades até 3000m (IPCC,2007).

Em relação ao clima global, o impacto com maior probabilidade de ocorrer é o aquecimento de 0.2°C por década, nas próximas duas décadas. Caso a concentração dos gases do efeito estufa e aerossóis fossem mantidos constantes ao nível dos anos 2000, já seria esperado um aquecimento de 0.1°C por década. Projeções doPrimeiro Relatório de Avaliação (First Assessment Report – FAR), em 1990, previram aumento de temperatura média entre 0.15°C e 0.3°C por década de 1990 a 2005, quando os va-lores observados foram de 0.2°C por década, fortalecendo assim, projeções de curto prazo (IPCC,2007).

OIPCCdesenvolveu, em 2000, o Relatório Especial sobre Cenários de Emissões (Special Report on Emissions Scenarios – SRES), o que seria uma atualização dos cenários utilizados pelos relatórios anteriores, com emissões idealizadas e hipóteses de concentrações, fazendo uso de Modelo de Circulação Geral Oceano-Atmosfera Acoplado (Ocean-Atmospheric Coupled General Circulation Model – OACGM) para simular projeções climáticas e estudar impactos e mudanças que essas projeções apresentaram. O significativo avanço doThird Assessment Report (TAR)para oAR4 é, em parte, resultado do grande número de simulações disponíveis feitas de diversos OACGM de várias instituições meteorológicas. Juntamente com dados de observa-ções, essas simulações forneceram uma base quantitativa para estimar probabilida-des sobre diversos aspectos das mudanças futuras no clima (IPCC,2007).

1.4.1.1 Cenários de Emissão de Gases de Efeito Estufa

Os cenários sócio-econômicos são importantes em avaliações de impactos climá-ticos, adaptação e vulnerabilidade, pois eles caracterizam as forçantes demográficos, sócio-econômicos e tecnológicos relacionadas à emissão de gases de efeito estufa que podem causar mudanças climáticas, e também caracterizam a sensibilidade, ca-pacidade adaptativa e vulnerabilidade dos sistemas sociais e econômicos em relação às mesmas. A principal causa relacionada às rápidas mudanças na composição da atmosfera é a atividade econômica humana, através, principalmente, das emissões de gases de efeito estufa e aerossóis, e mudanças na cobertura da terra e no uso dela (IPCC,2007;IPCC-WGI,2014).

(26)

Second Assessment Report em 1996. Foram seis cenários alternativos, nos quais foram incluídos diversos pressupostos para as emissões dos gases do efeito estufa (IPCC,2007;IPCC-WGI,2014).

A atualização dos cenários foi realizada em 2000, tais cenários foram utilizados no TAR em 2001 e no AR4 em 2007. Suas projeções de emissões de gases de efeito estufa para o século XXI, abrangiam quatro esquemas, ou famílias (A1, A2, B1 e B2), que descreviam a relação entre as forçantes das emissões e sua evolução durante o século XXI para grandes regiões no mundo, assim como para todo o globo. Cada família possui uma representação diferente de desenvolvimento demográfico, social, e econômicos, tecnológicos e ambientais, divergindo de formas cada vez mais irreversí-veis (IPCC,2007; RCP Database,2009). Os Representative Concentration Pathways

(RCP) foram desenvolvidos para o Fifth Assessment Report (AR5), não são um pa-cote completo de projeções socioeconômicas, de emissões e climáticas. Trata-se de um conjunto consistente de projeções das componentes da forçante radiativa que ser-vem como entrada para modelagem, tanto climática como da química atmosférica. Possibilitando com isso, a elaboração de cenários com objetivo de explorar incertezas sobre futuros socioeconômicos, climáticos e seus impactos (RCP Database,2009).

O RCP recebem seus nomes a partir dos níveis das forçantes radiativas, assim, RCP-X implica em um cenário no qual a forçante radiativa atinge um nível de esta-bilidade ou pico ao final do século XXI corresponde a "X"W.m−2. As estimativas das forçantes radiativas são baseadas na forçante dos gases de efeito estufa e em ou-tros agentes, não incluindo os impactos diretos do albedo ou a contribuição da poeira mineral (RCP Database,2009).

Como dito antes, cada RCP representa uma via independente desenvolvida por um grupo de modelagem: RCP 3-PD, RCP 4.5, RCP 6.0 e RCP 8.5. Qualquer diferença associada aos RCPs deve ser atribuída às diferenças entre os modelos e hipóteses do cenário (científico, econômico e tecnológico) de cada grupo de modelagem, e não interpretado como um resultado da política climática ou desenvolvimentos socioeconô-micos (RCP Database,2009).

No RCP3-PD o nível da forçante radiativa primeiro atinge um pico, em meados do século XXI, em torno de 3.1 W.m−2_{, reduzindo para 2.6}

(27)

O RCP6.0 também é um cenário de estabilização, mas a forçante radiativo total se estabiliza em 6W.m−2_{, após 2100, devido à utilização de tecnologias e estratégias} que não acompanham o aumento da emissão de gases de efeito estufa (RCP Data-base, 2009). Finalmente, o RCP8.5 é caracterizado pelo aumento das emissões de gases de efeito estufa ao longo do tempo, levando a altos níveis de sua concentração na atmosfera e, portanto, ao aumento da forçante radiativa desse cenário para apro-ximadamente 8,5 W.m-2 em 2100, com elevação posterior até valores acima de 12,0

W.m−2 _{(RCP Database,}_2009;_{RIAHI et al.,}_2011).

Para a geração dos cenários climáticos, assim como simulações que representam o clima futuro, presente ou passado, os modelos numéricos são ferramentas essenci-ais, pois eles representam os principais processos físicos e dinâmicos, assim como as relações entre as componentes do sistema climático e os mecanismos de retroalimen-tação (feedbacks) entre seus subsistemas, oferecendo uma representação integrada do mesmo (RCP Database,2009).

1.4.2 Oscilação de Madden-Julian

Os primeiros estudo sobreISVforam em meados da década de 60, em geral abor-davam análises espectrais aplicada aos dados de radiossondagens, tais estudos foram os primeiros a descrever as ondas de Gravidade, de Rossby e de Kelvin ao redor do globo (LINDZEN; MATSUNO,1968;MARUYAMA,1968;WALLACE; KOUSKY,1968).

Madden e Julian (1971) calcularam os espectros potência e espectros cruzados das observações de radiossondagem, perceberam a grande coerência entre a pressão de superfície, vento zonal e temperatura em vários níveis da atmosfera num período de 41 a 53 dias. Além disso, perceberam que os espectros destas variáveis apresen-tavam um máximo de variabilidade em torno destes períodos, e o mesmo sinal foi observado em outras estações distintas. Esta oscilação foi denominada de Oscilação de Madden-Julian ou Oscilação de 40–50 dias (MADDEN; JULIAN, 1972; MADDEN; JULIAN,1971).

AMJOé caracterizada por convecção de grande-escala e anomalias de circulação orientadas no plano equatorial que se propagam para leste, desde a porção central do oceano Índico ao Pacífico Central em questão de semanas (MADDEN; JULIAN,1972), a propagação de anomalias de convecção para leste precede anomalias que indicam a supressão da convecção. Assim sendo, a MJO é um importante fator na regulação do tempo e do clima de várias regiões do globo, pois pode afetar ondas oceânicas, correntes e a interação oceano-atmosfera (LAU; CHAN,1986).

(28)

De acordo comMathews(2000) o padrão deROLassociada ao sinal intrassazonal, é caracterizado inicialmente por anomalias negativas sobre o Oceano Índico, indicando aumento da atividade convectiva e a ascensão do ar. A magnitude dessa anomalia alcança valores de aproximadamente 30W.m−2 sobre uma extensa área sobre o Oce-ano Índico Rui e Wang(1990),Mathews (2000), o que é mais de 10% da ROL média nesta região. Deslocando-se com velocidade de aproximadamente 5m.s−1_{, a} convec-ção atravessa a Oceania e o norte da Austrália propagando-se para leste em direconvec-ção ao Oceano Pacífico Oeste (ZHANG; HENDON,1997). Valores mais baixos de Tempe-ratura da Superfície do Mar (TSM)no Pacífico Central e Leste, em relação ao Oceania, inibem a passagem contínua da convecção de grande escala, conduzindo a um decai-mento sistemático ao atravessar o meridiano 180°(linha da data) (BARBOSA, ).

Anomalias do vento horizontal acompanham a progressão das anomalias convec-tivas. Na alta troposfera, anomalias positivas do vento zonal de leste desenvolvem-se sobre o equador com o aumento da intensidade da atividade convectiva naquela região (RUI; WANG, 1990; HENDON; SALBY, 1994; BARBOSA, ). A natureza baro-clínica da estrutura vertical da MJO implica que as anomalias dos ventos nos baixos níveis da atmosfera estão com sinais opostos àquelas dos altos níveis. Ventos de su-perfície vindos de oeste estendem-se ao norte e ao sul, através ciclones de baixa pressão que acompanham o movimento para leste do aumento da convecção.

No oceano Índico, a atividade convectiva se desenvolve sobre a região da máxima convergência anômala entre os ventos de leste e de oeste, enquanto que no oceano Pacífico Oeste, a convecção desloca-se relativamente para leste, mais associada à região das anomalias positivas dos ventos de oeste (ZHANG,1996;BARBOSA, ). As anomalias na circulação continuam a se propagar ao redor do globo, na forma de uma onda de Kelvin equatorial, comprovados pela observação de perturbações na tempe-ratura da troposfera, com aquecimento adiabático ocorrendo no ramo descendente da onda e o resfriamento adiabático no ramo ascendente (SLINGO; MADDEN, 1991). De maneira que nestas condições, os ventos de oeste na superfície podem alcançar grandes magnitudes ao chegarem ao oceano Pacífico Ocidental. Estes ventos são considerados importantes mecanismos para forçar ondas oceânicas de Kelvin (KES-SLER; MCPHADEN; WEICKMANN,1995), exercendo desta forma um importante pa-pel na geração de flutuações nos campos de TSM em grande escala associados com eventos El-Niño(BERGMAN; HENDON; WEICKMANN,2001).

1.5 Organização do trabalho

(29)

(30)

11

2 ÍNDICE INTRASSAZONAL MULTIVARIADO

PARA BRASIL TROPICAL

2. Índice Intrassazonal Multivariado para Brasil Tropical

RESUMO

AsOscilações Intrassazonais (OI)são importantes componentes da variabilidade climática global, no Brasil Tropical (BrT) estão diretamente associadas a modu-lações sazonais da precipitação e especialmente relacionada a propagação da Oscilação de Madden-Julian (Madden-Julian Oscillation– MJO). O objetivo deste estudo foi diagnosticar a associação entre o sinal daMJO e a variabilidade in-trassazonal da precipitação sobre o BrT, por meio da elaboração de um Índice Intrassazonal Multivariado para o Brasil Tropical (Multivariate Intraseasonal to Brazil Tropical – MIBT). Este índice é baseado na Análise de Máxima Covari-ância (Maximum Covariance Analysis – MCA)aplicada nas anomalias semanais filtradas de um conjunto constituído por dados de precipitação sobre o Brasil Tro-pical e a média equatorial entre 15°S e 15°N daRadiação de Onda Longa (ROL), Componente Zonal do Vento no nível de 850hPa (U850)eComponente Zonal do Vento no nível de 200hPa (U200). Os dois primeiros modos daMCArepresentam 65% e 16% da variância explicada, respectivamente. Também foram utilizados na construção dos índices MIBT1 e MIBT2. Este índice multivariado foi capaz de representar de forma satisfatória o padrão de variabilidade intrassazonal so-bre o Brasil Tropical, demonstrando que existem fases de ativação e inibição da precipitação. Permitindo que o mesmo possa ser utilizado como ferramente de diagnóstico intrassazonal.

Palavras Chaves: Verão Austral, Oscilação de Madden-Julian, Análise Máxima Covariância

Artigo será submetido à :

(31)

Capítulo 2. Índice Intrassazonal Multivariado para Brasil Tropical 12

2.1 Introdução

A variabilidade climática de baixa frequência, observada em várias partes do globo, é o resultado da interação de diversos sistemas atmosféricos. Uma das mais impor-tante são as oscilações intrassazonais, as quais influenciam nas variações na ativi-dade convectiva e no padrão de precipitação. Normalmente são definidas como abran-gendo períodos entre 10-90 dias, exibem considerável complexidade tanto no aspecto temporal quanto no espacial (ALVAREZ et al., 2013; ALVES et al., 2012;VITORINO; da Silva Dias; FERREIRA,2006).

A variabilidade intrassazonal potencializa a ocorrência de extremos climáticos so-bre a América do Sul (CARNEIRO; CAVALCANTI, 2010; JONES et al., 2004). Em algumas regiões, como a Sul e Sudeste do Brasil, está associada às alterações no padrão de temperatura do ar e precipitação (CERNE; VERA, 2011). Estudos regio-nalizados, com foco na América do Sul Tropical, identificaram o sinal intrassazonal, principalmente na precipitação de verão e outono austral (LIEBMANN et al.,2004; JO-NES et al.,2004;SOUZA; AMBRIZZI,2006;MUZA,2009;ALVES et al.,2012). Alguns estudos encontraram vínculo dinâmico entre aZona de Convergência do Atlântico Sul (Southern Atlantic Convergence Zone – SACZ) e a MJO (GRIMM; Silva Dias, 1995; PAEGLE; BYERLE; MO,2000;TODD; WASHINGTON; JAMES,2003; GRIMM; ZILLI, 2009; KODAMA et al., 2012; GONZALEZ; VERA, 2013), assim como sinais de au-mento da frequência de extremos relacionados a eventos ativos da MJO (JONES et al.,2004;CARVALHO; JONES; AMBRIZZI,2005).

O principal modo de variabilidade intrassazonal na atmosfera tropical é a Oscilação de Madden-Julian. As características desta oscilação foram documentadas em diver-sos estudos. Em suma, aMJOé caracterizada por um número de onda zonal entre 1 e 3, em escala planetária, propagando-se para leste com um período entre 30 e 90 dias. Essa oscilação tem forte sinal sazonal, com maior amplitude durante o inverno e pri-mavera boreal, mostrando uma estrutura baroclínica em relação à vertical. (MADDEN; JULIAN, 1971; MADDEN; JULIAN, 1972; WEICKMANN, 1983; KNUTSON; WEICK-MANN, 1987; HENDON; SALBY, 1994; WU; SCHUBERT; HUANG, 1999; MADDEN; JULIAN,1994;ZHANG; QIAN,2004;MALONEY; HARTMANN,2001).

(32)

Recentemente vários estudos foram desenvolvidos com o objetivo de diagnosticar a variabilidade intrassazonal e entre as metodologias mais utilizadas estão os métodos multivariados. Um dos primeiros estudos abordando a elaboração de um índice multi-variado visando caracterizar a variabilidade intrassazonal, tendo como foco principal a MJO, foi realizado porMathews(2000). Neste estudo foi aplicada aFunção Ortogonal Empírica (Empirical Orthogonal Function – EOF), em pontos de grade de ROL cen-trada no equador. As Componente Principal (Principal Component – PC) resultantes da EOF foram consideradas representativas no espaço e no tempo ROL, permitindo a representação e avaliação vetorial em duas dimensões, fase e espaço. Posterior-mente, Wheeler e Hendon (2004) utilizaram o conceito de vetorização, aplicando a Função Ortogonal Empírica Multivariada (Multivariate Empirical Orthogonal Function

– MEOF)em um conjunto de dados composto por médias equatoriais de 15°S – 15°N, das variáveis ROL,U850e U200. Verificaram que os índices oriundos dasPC, deno-minados deReal-Time Multivariate MJO Index (RMM) RMM1 eRMM2, foram capazes de captar flutuações relacionadas aMJOe a variação sazonal, mesmo apresentando ruído do sinal diário. Ventrice et al. (2013) modificaram o índice proposto por Whe-eler e Hendon (2004) substituindo a variável ROLpor Velocidade Potencial (VP)em 200hPa.

O conceito deMEOF, aplicada a um conjunto de variáveis espacialmente distribuí-das, também foi utilizado porSilva e Carvalho(2007), buscando caracterizar o padrão de grande escala das Monções de Verão da América do Sul (Southern America Mo-soon Summer – SAMS). O conjunto no qual este método foi aplicado era constituído de precipitação, temperatura do ar, umidade específica, componentes zonal e meridi-onal do vento no nível de 850hPa.

A utilização de índices multivariados tem demonstrado ser uma forma eficiente de caracterizar a variabilidade climática intrassazonal. Considerando o potencial de asso-ciação entre os índices multivariados e padrões intrassazonais, este estudo propõe-se a substituir a MEOF pela MCA visando caracterizar o padrão intrassazonal da asso-ciação de ROL, da componente u do vento em 850hPa e 200hPa e a relação deste

padrão com a precipitação no Brasil Tropical. Abaixo as perguntas científicas referen-tes a este capítulo:

I) É possível elaborar um índice multivariado capaz de representar o padrão de precipitação sobre o Brasil Tropical ?

II) Qual é a melhor forma de associação entre as variáveis dinâmicas e a precipita-ção pluvial?

(33)

2.2 Material e Métodos

2.2.1 Base de Dados

Os padrões de variabilidade intrassazonal foram identificados utilizando dados diá-rios de precipitação acumulada, obtidos do Climate Prediction Center unified guage

(CPC-uni) para o período de janeiro de 1979 a dezembro de 2013. O CPC-uni uti-liza uma técnica de interpolação otimizada que projeta a precipitação de estações meteorológicas para uma grade horizontal de 0.5°x0.5°(CHEN et al., 2008;SILVA et al., 2007). A avaliação da atividade convectiva foi realizada utilizando dados diários de ROL do Radiômetro Avançado de Alta Resolução (Radiometer Advanced high-Resolution– AVHRR) com resolução horizontal de 2.5°disponibilizados pelaNational Oceanic and Atmospheric Administration (NOAA) (LIEBMANN; SMITH, 1996). Tam-bém foram usados dados das componentes u e v em 850hPa e 200hPa do projeto reanálise II do National Centers for Envorimental Prediction (NCEP)/National Center for Atmospheric Research (NCAR)com resolução espacial de 2.5°lat x lon (KALNAY et al.,1996).

2.2.2 Processo de definição do Índice Multivariado

2.2.2.1 Filtro de Lanczos

O sinal intrassazonal foi destacado nos dados originais aplicando o filtro passa-banda de Lanczos descrito por Duchon(1979), com objetivo de reter as variações de baixa frequência. O filtro de Lanczos consiste basicamente no emprego da transfor-mada de Fourier, de maneira que as amplitudes de uma serie temporal sejam alteradas por meio de funções pesos produzindo outra série temporal filtrada na frequência de-sejada (SOUZA; AMBRIZZI, 2006). Basicamente o filtro de Lanczos transforma uma série temporalxt, sendot o tempo, numa série temporalyt, usando a relação linear:

Yt=

+∞ X

k=−∞

wkxt−k (2.1)

sendowko peso escolhido. A Relação entre X(f)eY(f)é obtida calculando a

trans-formada de Fourier da equação2.1:

Y(f) =R(f).X(f) (2.2)

SendoR(f)a função resposta de frequência. A função peso (wk) e a função resposta

(34)

R(f) =

+∞ X

k=−∞

wk.exp(i2πf k∆) (2.3)

wk =

1 2fn

Z fn

−fn

R(f) exp(−i2πf k∆)df (2.4)

No qual ∆é o intervalo de amostragem e fn é a frequência de Nyquist, com valor de

1/2 ciclo por intervalo de amostragem e k = · · · ,−1,0,1. . .. No caso do filtro

passa-banda de Lanczos, a função peso pode ser escrita como:

wk =

sin 2πfc2

πk

−

sin 2πfc1

πk

(2.5)

fc2 e fc1 são os limites das frequências que serão mantidas. O número mínimo de pesos requeridos para o filtro passa-banda de Lanczos é dado por:

n ≥ 1,3 fc2−fc1

(2.6)

Neste estudo foi usada a banda 20/100 dias, de forma que fc2 = 1

20 efc1 = 1

100. O filtro foi aplicado utilizando 201 pesos no período de 1 de janeiro de 1979 a 31 de dezembro de 2013. Após a aplicação do filtro a série temporal resultante compreendeu o período de 19 de abril de 1979 a 19 de setembro de 2013, ou seja, perdeu-se nas extremidades das séries 100 dias.

2.2.2.2 Análise de Máxima Covariância

AMCAdetermina padrões atmosféricos e oceânicos com máxima covariância en-tre dois conjuntos de dados. É um método bastante robusto para investigar modos dominantes de interações, uma vez que favorece relações de forçantes e respos-tas (FRANKIGNOUL; CHOUAIB; LIU,2011). Basicamente, consiste em construir uma matriz de covariância entre dois conjuntos de dados e em seguida, realizar a Decom-posição de Valores Singulares (Singular Value Decomposition – SVD) desta matriz resultante (LEVINE et al.,2013).

Dado que Xp,n é uma matriz contendop variáveis en tempos e Yq,n é uma matriz

comqvariáveis entempos, considerandoXp,neYq,n são representações espaciais de

variáveis geofísicas e que a média e a tendência foram removidas. A SVD da matriz de covariância entreX eY é representada por:

C = 1 nXY

t₌_U

(35)

No qual o índicet representa a matriz transposta, Λc é uma matriz diagonal r×r

dos valores singulares não-negativos λ(i = 1, . . . , r) arrumados em ordem

decres-cente, com r ≤ min(p, q, n − 1), sendo a localização em C. Uc(p × r) e Vc(q × r)

são matrizes de colunas ortogonais contendo os vetores singulares da direita e da esquerda. O primeiro par de vetores singulares descreve a maior fração da covariân-cia quadrática, enquanto os pares de sucessivos descrevem uma fração máxima de covariância quadrática não explicada pelos pares anteriores.

Duas matrizesn×r dos coeficientes de expansão, Ac eBc, podem ser definidas

de forma a satisfazer as seguintes equações:

X =UcA

′

c Y =VcB

′

c (2.8)

Com algumas manipulações da matriz e a utilização a equação2.7, pode-se facil-mente obter as seguintes relações:

Ac =X

′

Uc Bc =Y

′

Vc (2.9)

com:

A′

cBc =nΛc (2.10)

e:

Uc =XBc(nΛc)

−1

, Vc =Y Ac(nΛc)

−1 _(2.11)

Nas colunas das matrizesAc eBc estão contidas as séries temporais responsáveis

pela caracterização de cada modo da variabilidade. Quando X eY são dois campos

normalizados, a MCA atinge um objetivo semelhante àAnálise de Correlação Canô-nica (Canonical Correlation Analysis– CCA), neste caso, aMCAdifere daCCAapenas no fato de que seus vetores singulares são ortonormais, em vez dos coeficientes de expansão derivados serem não-correlacionados (MO,2003). Entre as forma da avaliar a covariância cruzada, têm-se:

• Fração Acumulada da Variância Explicada (Cumulative Explained Variance Frac-tion – CEVF):

CEV F1

x = l

X

k

var(ak)

trCxx

CEV F1

y = l

X

k

var(bk)

trCyy

(2.12)

• Fração da Covariância Quadrática (Squared Covariance Fraction– SCF):

SCFk=

(36)

Neste estudo utilizou-se aMCApara encontrar a relação entre o conjunto formado pelas médias equatoriais de ROL, U850 e U200, delimitado na região entre 15°S-15°N e a precipitação sobre oBrT. Este conjunto serviu como variáveis forçantes para identificar o comportamento espaço-temporal dos padrões de precipitação sobre o BrT. Os dois conjuntos, variáveis forçantes e precipitação, foram filtradas na escala intrassazonal e sem defasagem. A metodologia utilizada foi adaptada de Wheeler e Hendon(2004), estudo no qual foi elaborado um índice multivariado para identificação da MJO, baseado na aplicação da EOF. No presente estudo, as informações com maior relevância oriundas daMCAsão:.

• X é a matriz com as séries temporais da precipitação gradeada;

• Y é a matriz com as médias equatoriais de ROL,U850eU200(15°S - 15°N);

• Uk é o coeficiente da amplitude relacionada à precipitação para o modok ;

• Vk é o coeficiente da amplitude relacionada às médias equatoriais para o modo

k;

• Ak e Bk são os coeficientes de expansão temporais relacionados à precipitação

e à média equatorial, respectivamente.

2.2.2.3 Amplitude e Fase do Índice MIBT

O ÍndiceMIBTfoi obtido por meio da adaptação da metodologia descrita porMathews (2000), posteriormente modificada por Wheeler e Hendon (2004) e Lee et al. (2012), no qual a representação do padrão dominante de variabilidade espacial pode ser ca-racterizada por meio de um vetor _Z~ _{em duas dimensões do espaço de fase, definido}

pelas duas primeiras séries temporais das componentes. Neste estudo foram utiliza-dos osCoeficientes de Expansão (Coef)daMCA.

~

Z(t) = [Coef1, Coef2] (2.14)

Cexp1 = [A1, B1] Cexp2 = [A2, B2] (2.15)

Alternativamente, uma representação de amplitude ou módulo de kZke a fase αˆ

po-dem ser usadas, enquanto kZ~ké o tamanho do vetor Z~ eαˆé o ângulo entre o Coef1

e_Z~_:

kZ~k(t) =

s

A1+B1

2

+

A2+B2

2

(2.16)

ˆ

α(t) = arctan

A2(t) +B2(t)

A1(t) +B1(t)

(37)

−4 −2 0 2 4

4 2 0 −2 −4

−4 −2 0 2 4

4 2 0 −2 −4

●

● ●

●

||Z||

α

MIBT2

MIBT1

Figura 2.1 – Diagrama esquemático da amplitude e da fase do índiceMIBT.

2.2.3 Razão de Chance

ARazão de Chances (Oddis Ratio – RC) foi utilizada neste estudo, para avaliar a magnitude associativa entre os valores extremos do índice MIBTe a precipitação em pontos de grade, filtrada na escala intrassazonal, por meio da Tabela de Contingên-cia (Tabela 2.1). No qual a precipitação extrema (P RP e) é considerada com valores

abaixo (acima) do percentil 25% (75%) e os eventos fortes do MIBT são aqueles com amplitude superior a 3.5.

Tabela 2.1 – Tabela de Contingência utilizada para avaliação da associação entre a precipitação extrema (P RP e) e eventos fortes do MIBT.

MIBT > 3.5 P RP e

S N

S πs 1−πs

N πn 1−πn

Onde πs é a probabilidade de ocorrência de P RPe associada ao eventos fortes

(38)

do MIBT. A razão entre a probabilidade de que o evento ocorra πs em relação a

pro-babilidade de que o evento não ocorre 1− πs é denominada de ”risco” ou ”oddis”

(STEPHENSON,2000), expressa porωnas equações abaixo:

ωs =

πs

1−πs

ωn=

πn

1−πn

(2.18)

RC = ωs ωn

(2.19)

ARCdeve ser interpretada como a relação entre as probabilidades do extremo de chuva acontecer devido à ocorrência de um evento extremo no MIBT na fase 1 e a probabilidade de não ocorrer. Ambas as probabilidades são não negativas e adimen-sionais (Correia Filho; LUCIO; SPYRIDES, 2014). Se aRC<1, então ocorre redução

na probabilidade dos eventos associados ao evento extremo do índice MIBT. A situa-ção em queRC>1pode ser descrita como fator de risco, ou seja, é definida a relação

entre os valores extremos do índiceMIBTe o cenário correspondente de precipitação. Assim, aRCdepende de quatro probabilidades:

ARC é amplamente utilizada em estudos médicos, por fornecer uma maneira efi-caz de testar a associação entre duas séries categorizadas Sabatier (2000). Os va-lores de interesse para a RC são os superiores a 1.0, pois representam associação positiva, valores menores 1 representam inibição da respectiva da categoria da variá-vel resposta em relação a variávariá-vel explicativa.

2.3 Resultados e Discussões

(39)

Figura 2.2 – Variância Sazonal filtrada na banda de 20-100 dias. a)ROL e b) Precipi-tação para o período de dezembro a maio. c)ROLe d) Precipitação para o período de junho a novembro.

2.3.1 Características Básicas do Índice

MIBT

A estrutura espacial daMCA, baseada no conjunto de informações associadas à precipitação do BrT, é apresentada na Figura2.3. O total acumulado dos modos 1 e 2 daMCAapresentamSCFde 85%. Este valor é bastante elevado considerando o grau de variabilidade dos dados de entrada, a sazonalidade e a escala de tempo semanal.

(40)

Figura 2.3 – Estrutura espacial da MCA1 eMCA2 das médias equatoriais das anoma-lias de precipitação (a) e b)) e anomaanoma-lias combinadas de U850, U200 e ROL(c) e d)).

Nas variáveis dinâmicas, observa-se o enfraquecimento da convecção associada às anomalias de leste em baixo níveis sobre a América do Sul. Enquanto que em altos níveis são verificados anomalias na direção oposta, especialmente sobre as regiões relacionadas a MJO. Nas regiões com maior quantidade de precipitação, associa-se ao forte sinal da atividade convectiva sobre a Oceania, com anomalias de vento em baixos níveis na direção oeste sobre o oceano Pacifico central e leste. Em altos níveis o fluxo é inverso, resultado este, similar aos resultados encontrados por Wheeler e Hendon(2004).

(41)

0 5 10 15 20 25

512 8 4 2

P

o

w

er x Freq

Período (Semanas)

coef A1 coef A2

0 2 4 6 8 10 12

512 8 4 2

P

o

w

er x Freq

Período (Semanas)

coef B1 coef B2

Figura 2.4 – Análise espectral dos coeficientes de expansão da MCA, painel a es-querda coeficientes A1 e A2 relacionados aos padrões de precipitação, painel a direita coeficientes B1 e B2 relacionados as variáveis dinâmicas.

A atividade convectiva aparece intensificada sobre a África, oceano Índico e Oeste da Oceania, associando-se ao fluxo de oeste em altos níveis e ventos de leste na baixa troposfera sobre a Oceania e o oceano Pacífico Tropical. Sobre a América do Sul e oceano Atlântico, é identificada uma forte atividade convectiva, com ventos de leste em baixos níveis e fluxo inverso sobre a alta troposfera. Esta estrutura é consistente com a encontrada por Wheeler e Hendon(2004) eVentrice et al.(2013), sendo que o sinal é mais enfraquecido e invertido. É espacialmente consistente com a propagação da oscilação intrassazonal durante o inverno austral (WHEELER; HENDON,2004).

Figura 2.5 – a) Análise de coerência espectral entre o MIBT1 e MIBT2, a fase (painel superior) e coerência quadrática (painel inferior). b) Correlação cruzada entre oMIBT1 eMIBT2.

(42)

e A2) apresentaram maior sensibilidade ao sinal intrassazonal. Tanto a MCA1 como a MCA2, quando comparadas as variáveis dinâmicas (B1 e B2), apresentaram uma frequência maior em relação ás variáveis dinâmicas, com concentração maior do si-nal na frequência acima de 4 semanas e abaixo de 13 semanas. O coeficiente B1 apresenta uma variabilidade muito maior do que o coeficiente B2 (Figura2.4b).

Um diagnóstico muito útil é a avaliação do espectro cruzado, apresentado na Figura 2.5a. Nesta figura, os picos foram entre 3 e 13 semanas, apresentando valores médios de 0,44. A análise de fase demonstra que, nesta frequência, oMIBT1 e MIBT2 estão acoplados com defasagem de 1/4 de ciclo. Na Figura 2.5b) observa-se a correlação cruzada entreMIBT1 eMIBT2. Nota-se que a relação defasada é positiva no intervalo de 4 a 6 semanas antes do evento, atingindo o valor máximo de 0,22. Uma redução brusca ocorre com 1 semana de defasagem, voltando a aumentar posteriormente. O aumento da correlação entre os dois indicadores após “lag 0” é máxima em 1 semana com valor de 0,39.

2.3.2 Comparação da

MCA

para Diferentes Entradas

O objetivo principal deste estudo é encontrar um método simplificado para extrair a variabilidade intrassazonal associada á precipitação semanal, então é importante demostrar que a análise descrita acima atinge este objetivo. O primeiro ponto a ser demostrado é como o uso da MCA em variáveis combinadas melhora a qualidade do sinal quando comparada com resultados obtidos com variáveis individuais. Como demostrativo, optou-se por mostrar os resultados obtidos com a aplicação daMCAnos conjuntos compostos pelas variáveisROLeU850. Primeiramente, apenas na variável ROLe em seguida no conjunto composto porROLeU850.

O campo combinado deROL,U850eU200apresenta o maiorSCFdos conjuntos testados (85% comparado com 83%, 82%, respectivamente). Na Tabela2.2, observa-se a fração da variância na frequência filtrada de 20-100 dias, correspondente a cada conjunto avaliado, sendo 0,54,0,61 e 0,65, para o conjunto deROL,ROL-U850,ROL - U850-U200, respectivamente. Os resultados obtidos na análise de coerência entre os indicadores resultantes da aplicação daMCA, também demonstram a melhoria nos resultados. A correlação entre os indicadores foi de 0,11, 0,18 e 0,27, como tratados anteriormente.

(43)

Tabela 2.2 – Resultado resumidos para diferentes análises deMCA.

Campos Analisados

Fração da Covariância

Quadrática

Fração da Covariância na banda de 20-100

dias

MédiaCoh2 _na banda de 20-100

dias

ROL 82% 0.54 0.11

ROL,U850 83% 0.61 0.18

ROL,U850,

U200 85% 0.65 0.27

Média de 5°S-5°NROL,

U850,U200

81% 0.63 0.23

Média de 25°S-25°NROL,

U850,U200 83% 0.63 0.21

Grade de 5°S-5°NROL,

U850,U200

78% 0.70 0.34

Grade de 15°S-15°NROL,

U850,U200

75% 0.76 0.42

dias, apresentaram redução de intensidade, entretanto, a análise de coerência regis-tou resultados com valores melhores: 0,42 para a grade de 15°S - 15°N e 0,34 na grade de 5°S-5°N, comparada com o 0,27 da média equatorial. Entretanto, optou-se pelo conjunto analisado, pois os resultados foram coerentes com estudo de Wheeler e Hendon(2004) eVentrice et al.(2013).

2.3.3 Diagrama Fase de Espaço

Para entender a estrutura e o padrão da variabilidade captada pelo MIBT, foram construídas composições, similarmente ao que foi feito por Wheeler e Hendon(2004) e Lee et al. (2012). Dado o forte comportamento da defasagem entre o MIBT1 e o MIBT2, é interessante, para diagnosticar o estado doMIBTnum determinado ponto a utilização de um diagrama em duas dimensões espaço de fase definido por MIBT1 e MIBT2.

(44)

superior. A Equação2.17determina o ângulo entre oMIBT2 e oMIBT1.

A Figura 2.6 mostra as curvas do diagrama fase-espaço das composições dos eventos fortes. Utilizou-se o mesmo processo de Lee et al. (2012), no qual o dia-grama foi dividido em oito fases e para cada fase foi realizada uma composição de 10 semanas (5 semanas antes e 5 semanas depois). Nota-se que os eventos fortes apresentam período de evolução superior a 6 semanas.

−4

−2

0

2

4

2

0 −2

−4

−2

0

2

4

2

0 −2

−4

● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●

(67)

Fase 1

(49)

Fase 2

(57)

Fase 3

(69)

Fase 4

(68)

Fase 5

(59)

Fase 6

(73)

Fase 7

(64)

Fase 8

MIBT2

MIBT1

W

est Hes

. and Afr

ica

Indian Ocean

Western Pacific

Mar

itime Continent

Figura 2.6 –MIBT1 eMIBT2 curva das composições de espaço-fase para oMIBT [nú-meros ímpares (azul) e nú[nú-meros pares (vermelho) da fase inicial]. Para cada fase inicial, foram selecionados casos fortes onde a amplitude do MIBT excede 3.5, o número de eventos fortes, também são apresenta-dos.

2.3.4 Composições

(45)

Figura 2.7 – O Ciclo de vida das composições das anomalias ROL (sombreado) e vento em 850hPa (vetores) [painel á esquerda] e precipitação pluvial (sombreada) [painel a direita], para os meses de dezembro a maio, va-lores estatisticamente significantes a nível de 5%, baseado no teste t -Student.