PATRÍCIA CATARINE DE SOUSA COSTA

(1)

DEPARTAMENTO DE ENGENHARIA CIVIL CURSO DE ENGENHARIA AMBIENTAL TRABALHO DE CONCLUSÃO DE CURSO

PATRÍCIA CATARINE DE SOUSA COSTA

ANÁLISE DA MÉDIA E DA TENDÊNCIA DAS PRECIPITAÇÕES HORÁRIAS DAS CAPITAIS DO NORDESTE BRASILEIRO

Natal/RN 2021

(2)

PATRÍCIA CATARINE DE SOUSA COSTA

ANÁLISE DA MÉDIA E DA TENDÊNCIA DAS PRECIPITAÇÕES HORÁRIAS DAS CAPITAIS DO NORDESTE BRASILEIRO

Trabalho de Conclusão de Curso apresentado à Universidade Federal do Rio Grande do Norte como parte dos requisitos para obtenção do título de Engenheira Ambiental.

Orientadora: Prof. Dra. Adelena Maia Gonçalves

Coorientadora: Prof. Dra. Daniele Tôrres Rodrigues.

Natal/RN 2021

(3)

Costa, Patricia Catarine de Sousa.

Análise da média e da tendência das precipitações horárias das capitais do nordeste brasileiro / Patricia Catarine de Sousa Costa. - 2021.

49 f.: il.

Monografia (graduação) - Universidade Federal do Rio Grande do Norte, Centro de Tecnologia, Curso de Engenharia Ambiental, Natal, RN, 2021.

Orientadora: Profa. Dra. Adelena Maia Gonçalves.

Coorientadora: Profa. Dra. Daniele Tôrres Rodrigues.

1. Precipitação. 2. Nordeste brasileiro. 3. Tendência

horária. I. Gonçalves, Profa. Dra. Adelena Maia. II. Rodrigues, Prof. Dra. Daniele Tôrres. III. Título.

RN/UF/BCZM CDU 551.577

Elaborado por Ana Cristina Cavalcanti Tinoco - CRB-15/262

(4)

PATRÍCIA CATARINE DE SOUSA COSTA

ANÁLISE DA MÉDIA E DA TENDÊNCIA DAS PRECIPITAÇÕES HORÁRIAS DAS CAPITAIS DO NORDESTE BRASILEIRO

Trabalho de Conclusão de Curso apresentado à Universidade Federal do Rio Grande do Norte como parte dos requisitos para obtenção do título de Engenheira Ambiental.

Aprovada em: 17/09/2021

BANCA EXAMINADORA

______________________________________

Profa. Dra. Adelena Maia Gonçalves.

Orientadora

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

______________________________________

Prof. Dra. Daniele Tôrres Rodrigues Coorientadora

UNIVERSIDADE FEDERAL DO PIAUÍ

______________________________________

Prof. Dr. Cláudio Moisés Santos e Silva Membro interno

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

______________________________________

Prof. Msc. Giovana Cristina Santos de Medeiros Membro externo

UNIVERSIDADE FEDERAL DO CEARÁ

(5)

DEDICATÓRIA

Dedico este trabalho a todas as pessoas que amo e que me ajudaram a chegar até aqui.

(6)

AGRADECIMENTOS

Agradeço primeiramente a Deus, que me deu forças, luz e esperança para vencer as dificuldades da vida e para chegar até aqui. Agradeço à minha mãe, ao meu pai, à minha irmã e ao meu irmão por serem base e os melhores exemplos da minha vida, pelo amor, pela dedicação, pelas palavras ditas e ouvidas e por tudo o que fizeram e fazem por mim. Agradeço ao meu namorado, que sempre me deu muito suporte e motivos para sorrir e lembrar o lado leve da vida. À minha orientadora, a professora Doutora Adelena Maia, que confiou em mim, me ajudou, me escutou e me ensinou muita coisa. À minha coorientadora, a professora Doutora Daniele Rodrigues, que junto conosco assumiu o desafio de integrar um estudo multidisciplinar, que me passou muitos ensinamentos técnicos, mas também de vida, como dedicação e esforço, e que sempre me contemplou com muita compreensão. Aos meus amigos que me davam ânimo e coragem para seguir adiante. E a mim, pela dedicação constante e pela superação diária de desafios, sempre vencendo o cansaço e vendo o lado bom.

(7)

RESUMO

A importância da precipitação para as atividades humanas é irrefutável, interferindo na economia e na sobrevivência e desenvolvimento humanos. Quando ocorre em excesso ou em escassez, a precipitação pode trazer prejuízos à população local, provocando chuvas intensas, alagamentos, caos na mobilidade urbana, entre outras consequências. Com isso, torna-se evidente a importância dos estudos de precipitação horária. Nesse contexto, o presente trabalho tem por objetivo realizar a análise desse quesito no Nordeste do Brasil (NEB), onde há chuvas irregulares e eventos extremos. Para isso, os dados de precipitação horária foram utilizados, oriundos da rede de estações meteorológicas automáticas gerenciadas pelo Instituto Nacional de Meteorologia (INMET). Eles abrangem o período de 01 de janeiro de 2009 a 31 de dezembro de 2018. A série utilizada abrangeu as nove capitais dessa região. Foram calculadas as médias horárias dessa variável meteorológica para os anos considerados e também o teste de tendência linear de Mann-Kendall na escala horária. O trabalho analisou as médias horárias mensais, as tendências e suas significâncias, e mostrou os resultados obtidos para o auxílio ao desenvolvimento de diferentes projetos que sofram interferência da precipitação para a sua execução. A cidade de Aracaju/SE foi a que apresentou o maior número de tendências, tanto positivas quanto negativas. Fortaleza/CE apresentou o menor número de tendências positivas, e Salvador/BA o menor número de tendências negativas.

Palavras-chave: Precipitação. Nordeste brasileiro. Tendência horária.

(8)

ABSTRACT

The importance of precipitation for human activities is irrefutable, interfering with the economy and human survival and development. When it occurs in excess or in scarcity, precipitation can harm the local population, causing heavy rains, flooding, chaos in urban mobility, among other consequences. Thus, the importance of hourly precipitation studies becomes evident. In this context, the present work aims to analyze this issue in the Northeast of Brazil (NEB), where there are irregular rains and extreme events. For this, hourly precipitation data were used, from the network of automatic meteorological stations managed by the National Institute of Meteorology (INMET). They cover the period from January 1, 2009 to December 31, 2018. The series used covered the nine capitals of this region. The hourly averages of this meteorological variable for the years considered were calculated, as well as the Mann-Kendall linear trend test on the hourly scale. The work analyzed the monthly hourly averages, the trends and their significance, and showed the results obtained to aid the development of different projects that suffer interference from precipitation for their execution. The city of Aracaju/SE was the one with the highest number of trends, both positive and negative. Fortaleza/CE had the lowest number of positive trends, and Salvador/BA the lowest number of negative trends.

Key-words:Precipitation. Brazilian Northeast. Hourly trend.

(9)

SUMÁRIO

1. INTRODUÇÃO...11

2. OBJETIVOS...13

3. MATERIAL E MÉTODOS...14

3.1. Área de estudo e base de dados...14

3.2. Imputação de dados...15

3.3. Análise de tendência linear...17

4. RESULTADOS E DISCUSSÃO...21

4.1. Análise das médias de precipitação...21

4.2. Análise das tendências de precipitação...27

5. CONSIDERAÇÕES FINAIS...40

REFERÊNCIAS BIBLIOGRÁFICAS...41

(10)

LISTA DE TABELAS

Tabela 1 – Localização geográfica das estações meteorológicas automáticas do INMET e porcentagem de falhas nos dados originais

Tabela 2 – Média geral dos dados de precipitação com e sem falhas das estações meteorológicas

(11)

LISTA DE FIGURAS

Figura 1 – Localização das estações automáticas das capitais região Nordeste

Figura 2 - Funcionamento lógico do método de imputação múltipla (adaptado pela autora) Figura 3 – Entrada de dados para o teste de Mann-Kendall

Figura 4 – Exemplo de valores da estatística Z e da significância no teste não paramétrico de Mann-Kendall

Figura 5 - Gráfico da média de precipitação horária nas 4 diferentes estações do ano (2009-2018)

Figura 6 – Gráfico da média de precipitação horária no verão (2009-2018) Figura 7 – Gráfico da média de precipitação horária no outono (2009-2018) Figura 8 - Gráfico da média de precipitação horária no inverno (2009-2018) Figura 9 – Gráfico da média de precipitação horária na primavera (2009-2018) Figura 10 – Distribuição espacial das tendências horárias do mês de Janeiro Figura 11 - Distribuição espacial das tendências horárias do mês de Fevereiro Figura 12 - Distribuição espacial das tendências horárias do mês de Julho Figura 13 - Distribuição espacial das tendências horárias do mês de Setembro Figura 14 - Distribuição espacial das tendências horárias do mês de Março Figura 15 - Distribuição espacial das tendências horárias do mês de Abril Figura 16 - Distribuição espacial das tendências horárias do mês de Maio Figura 17 - Distribuição espacial das tendências horárias do mês de Junho Figura 18 - Distribuição espacial das tendências horárias do mês de Agosto Figura 19 - Distribuição espacial das tendências horárias do mês de Outubro Figura 20 - Distribuição espacial das tendências horárias do mês de Novembro Figura 21 - Distribuição espacial das tendências horárias do mês de Dezembro Figura 22 – Gráfico comparativo da porcentagem de tendências por capital

Figura 23 – Gráfico comparativo da porcentagem de tendências positivas por capital Figura 24 – Gráfico comparativo da porcentagem de tendências negativas por capital

(12)

1. INTRODUÇÃO

Os dados de precipitação possuem uma importância considerável e podem ser utilizados para diferentes fins. Sua aplicação pode envolver previsão do tempo, análise de secas e inundações, eventos extremos, gestão de recursos hídricos, bem como seu impacto nas atividades agrícolas e na geração de energia hidrelétrica (CHIVERS et al., 2020).

Além disso, com grande frequência nos dias atuais, há, em especial em decorrência da precipitação aliada às atividades antrópicas, a ocorrência de eventos indesejados como secas, inundações, enchentes, alagamentos, escorregamentos de terra, entre outros, que comprometem a infraestrutura local e que podem acarretar em impactos ambientais negativos (como assoreamento de rios), bem como na interferência direta nas atividades humanas, como propagação de doenças, trânsito caótico, em que se desconhecem o comportamento e a tendência da precipitação ao longo do dia em determinado local (SOUZA et al., 2012).

A mitigação de problemas relacionados à inundação das enchentes urbanas vem sendo estudada. Entre os métodos mais eficazes há modelos numéricos hidrodinâmicos de áreas urbanas que utilizam dados de precisão, incluindo dados horários (HOU et al., 2020).

Trazendo malefícios sociais, ambientais e econômicos, os períodos de secas assolam periodicamente o Nordeste do Brasil. A produção agrícola e o abastecimento de água dos centros urbanos e das comunidades rurais estão entre as principais atividades diretamente afetadas por esse problema (SILVA, 2003).

Por isso, a obtenção de dados de média e de tendência horária da precipitação de uma cidade podem colaborar para uma apuração mais exata do comportamento dessa variável em um local, sendo importantes para a programação e monitoramento de projetos presentes e futuros, com vistas a oferecer a melhor alternativa para lidar com a água pluvial. Além disso, há a possibilidade de aproveitamento inteligente dessa água, para armazenamento, irrigação, dessedentação animal, entre outros.

Assim sendo, o presente trabalho busca identificar tendências lineares da precipitação horária, bem como da média, para as capitais do Nordeste: João Pessoa,

(13)

Natal, Aracaju, Maceió, Fortaleza, São Luís, Salvador, Recife e Teresina, para um período de 10 anos.

Para isso, foram utilizados dados horários de precipitação, fornecidos pelo Instituto Nacional de Meteorologia (INMET), de 9 estações meteorológicas automáticas distribuídas nas capitais. Os dados correspondem ao período de janeiro de 2009 a dezembro de 2018.

Os resultados podem então ser utilizados por empresas privadas ou instituições públicas que buscam realizar projetos que dependam da variação horária da precipitação, bem como o auxílio nas previsões de aumento ou diminuição da precipitação em determinado horário, fornecidas pelas tendências.

(14)

2. OBJETIVOS

Diante da motivação e embasamento expostos, o objetivo geral do presente trabalho é analisar a tendência horária da precipitação nas capitais dos estados do Nordeste do Brasil, bem como as médias de dados horários para utilização de interesses governamentais e privados, com foco em infraestrutura e na preocupação com a possível ocorrência de secas ou de inundações de acordo com a tendência da precipitação ao longo do dia. Os objetivos específicos são:

● Analisar as médias horárias das séries observadas em cada localidade e compará- las;

● Analisar as tendências das séries observadas em cada localidade e compará-las;

● Através dos resultados, permitir a utilização dos mesmos por empresas com vistas à infraestrutura e planejamento que necessitem de dados de precipitação ao longo do dia em determinada cidade.

(15)

3. MATERIAL E MÉTODOS

3.1. Área de estudo e base de dados

Os dados de precipitação horária são oriundos da medição de estações meteorológicas automáticas de superfície, gerenciadas pelo Instituto Nacional de Meteorologia (INMET), coletados durante o período de 01 de janeiro de 2009 a 31 de dezembro de 2018.

Para a realização do cálculo da tendência horária e das médias, foram selecionadas as capitais dos estados do Nordeste Brasileiro, indicando 9 estações meteorológicas, conforme identificadas na Figura 1 e descritas na Tabela 1, onde além da localização geográfica e altitude também fora inserido o percentual de dados horários faltantes. Os dados são referentes ao período entre 0000 e 2300 UTC (ou seja, 24 horas diárias).

Figura 1 - Localização das estações automáticas das capitais da região Nordeste

Fonte: elaborado pela autora (2021)

(16)

Tabela 1 – Localização geográfica das estações meteorológicas automáticas do INMET e porcentagem de falhas nos dados originais

3.2. Imputação de dados

A primeira etapa consistiu na observação dos dados. Desse modo, havia, entre os anos de 2009 e 2018, para os dados de precipitação das 9 cidades selecionadas, uma quantidade considerável de falhas, também chamadas de missing data, sendo necessária a aplicação de uma metodologia de preenchimento desses dados.

Como observado na Tabela 1, os dados de precipitação de todas as 9 cidades apresentaram uma determinada porcentagem de dados faltantes, variando de 1,15% a 21,64%, quantidade referente às cidades de Maceió e de João Pessoa, respectivamente.

Rubin (1987) trata sobre a imputação de dados, sendo essa uma forma bastante conhecida de se realizar o preenchimento de dados faltantes. Costumeiramente, é subdividida em imputação simples e em imputação múltipla. A primeira delas é única, ou seja, preenche um único valor para cada valor ausente identificado na série. Esse método possui a desvantagem de não oferecer à análise a variabilidade da amostragem, já que é atribuído um único valor para cada dado ausente.

Estação meteorológica Latitude (Sul) Longitude (Oeste)

Altitude (m) Porcentagem de falhas (%)

Fortaleza - CE 03°46' 38°33' 41,0 13,13

Natal - RN 05°54' 35°12' 48,6 5,81

Recife - PE 08°03' 34°57' 10,0 6,65

Aracaju - SE 10°57' 37°03' 4,72 11,52

Maceió - AL 09°33' 35°46' 64,5 1,15

Salvador - BA 13°01' 38°31' 51,41 5,59

São Luís - MA 02°31' 44°12' 56,0 14,71

João Pessoa - PB 07°08' 34°51' 44,0 21,64

Teresina - PI 05°04' 42°48' 74,36 12,04

(17)

Em sequência, foi sugerida pela literatura, a imputação múltipla, na qual para cada dado ausente (n), são imputados vários valores (m), de acordo com a Figura 2. Esses valores são ordenados de modo que o primeiro conjunto de valores imputados para os dados faltantes é usado para formar o primeiro conjunto de dados completo, e assim sucessivamente. Assim, as m imputações para cada dado ausente criam conjuntos de dados completos. Cada conjunto de dados completo é analisado usando procedimentos padrão.

Figura 2 - Funcionamento lógico do método de imputação múltipla

Fonte: adaptado pela autora (2021)

Desse modo, os dados de precipitação foram submetidos ao processo de imputação múltipla no software R, com o objetivo de realizar o preenchimento dos dados faltantes e proporcionar o tratamento dos dados completos. Para isso, foi utilizada a ferramenta Amelia no software supracitado, a qual executa a imputação múltipla. Além de permitir a criação e implementação de um modelo de imputação, ela gera conjuntos de dados imputados e verifica o seu ajuste por meio de diagnósticos. Utiliza uma nova abordagem de bootstrapping, com o algoritmo de maximização de expectativa (ME). O algoritmo, por sua vez, usa a ME em várias amostras inicializadas dos dados incompletos originais para desenhar valores dos parâmetros de dados completos. O algoritmo então extrai valores imputados de cada conjunto de parâmetros bootstrapping, substituindo os valores ausentes por esses sorteios (HONAKER; KING; BLACKWELL, 2011).

(18)

(Eq. 1)

(Eq. 2) Assim sendo, através do método de imputação múltipla, para cada banco de dados faltantes, foram realizadas 10 imputações para seu preenchimento, obtendo como dado final a média entre essas interações. Vale ressaltar que apenas os valores faltantes são imputados, os valores observados permanecem os mesmos.

3.3. Análise de tendência linear

Inicialmente, foram calculadas as médias horárias para cada ano (de 2009 a 2018) dos dados de precipitação das 9 estações meteorológicas do INMET. Para a análise da tendência linear da precipitação nos locais selecionados foi utilizado o teste não paramétrico de Mann-Kendall, que detecta e estima tendências em séries temporais de valores anuais de dados atmosféricos.

O cálculo de tendência através do teste de Mann-Kendall é realizado, inicialmente através da equação:

𝑆 = ∑ ∑ 𝑠𝑖𝑛𝑎𝑙(𝑥

_𝑖

− 𝑥

_𝑗

)

𝑛

𝑗=𝑖+1 𝑛−1

𝑖=1

Em que: 𝑆 é o somatório; 𝑖 𝑗 e 𝑛 são números inteiros relacionados ao intervalo de dados;

𝑥_𝑖 e 𝑥_𝑗 são os valores da série, no caso a precipitação; e sinal (positivo ou negativo) é o resultante da diferença entre os dados “vizinhos”.

Em seguida, calcula-se a diferença entre o dado atual e o anterior, que pode resultar em um número positivo (sendo então atribuído o valor 1), negativo (sendo então atribuído o valor -1) ou nulo (sendo então atribuído o valor 0), conforme a igualdade a seguir.

𝑠𝑖𝑛𝑎𝑙(𝑥

_𝑖

− 𝑥

_𝑗

) = {

1, 𝑖𝑓(𝑥

_𝑖

− 𝑥

_𝑗

) > 0 0, 𝑖𝑓(𝑥

_𝑖

− 𝑥

_𝑗

) = 0

−1, 𝑖𝑓(𝑥

_𝑖

− 𝑥

_𝑗

) < 0

}

(19)

(Eq. 3)

(Eq. 4) Depois disso, é realizado o cálculo da variância do teste, mediante as variáveis de número de dados (𝑛) e do tempo (𝑡_𝑝) a ser considerado para a análise da tendência.

𝑉𝐴𝑅(𝑆) = 1

18 [𝑛(𝑛 − 1)(2𝑛 + 5) − ∑ 𝑡

_𝑝

(𝑡

_𝑝

− 1)(2𝑡

_𝑝

+ 5)

𝑞

𝑝=1

]

Por fim, é calculada a estatística Z, negativo, positivo ou nulo, mediante a consideração da variância de 𝑆.

𝑍 = {

𝑆 − 1

√𝑉𝐴𝑅(𝑆) , 𝑖𝑓 𝑆 > 0 0, 𝑖𝑓 𝑆 = 0 𝑆 + 1

√𝑉𝐴𝑅(𝑆) , 𝑖𝑓 𝑆 < 0 }

Para o cálculo do teste Mann-Kendall foi utilizado o algoritmo desenvolvido para Excel “MAKESENS”, desenvolvido por Salmi et al. (2002). Na interface principal do programa, é necessário dar entrada do número de séries temporais no cálculo, do número de valores anuais e do primeiro e último ano do cálculo, conforme Figura 3. Para o estudo em questão, esses dados serão preenchidos respectivamente da seguinte maneira: 24 (dados horários), 10 (série temporal de 10 anos), 2009 e 2018.

(20)

Figura 3 – Entrada de dados para o teste de Mann-Kendall

Após o preenchimento dessas informações, é possível clicar diretamente no botão de opção “calcular estatísticas de tendência”, onde automaticamente serão fornecidos diversos parâmetros sobre a série inserida. Para esse estudo foram extraídos o valor da estatística Z (Test Z) e a significância, conforme Figura 4.

Figura 4 – Exemplo de valores da estatística Z e da significância no teste não paramétrico de Mann-Kendall

Fonte: Elaborado pela autora (2021)

(21)

O valor da estatística Z pode resultar em um número real positivo, negativo, ou mesmo nulo, ao passo que a significância da tendência é representada por diferentes símbolos que remetem a porcentagens de 0,01%, 1%, 5% e 10%.

(22)

4. RESULTADOS E DISCUSSÃO

Inicialmente, após a aplicação do método de imputação múltipla para o preenchimento dos dados faltantes, foi produzida a Tabela 2, com um comparativo da média dos dados horários gerais dos 10 anos para as capitais, com falhas e sem falhas, obtendo-se médias similares, apontando para a eficácia e a validez do método.

Tabela 2 – Média geral dos dados de precipitação com e sem falhas das estações meteorológicas

Estação meteorológica Média (em mm) - Com falhas

Média (em mm) - Sem falhas

Fortaleza - CE 0,15 0,16

Natal - RN 0,16 0,17

Recife - PE 0,23 0,23

Aracaju - SE 0,13 0,14

Maceió - AL 0,20 0,20

Salvador - BA 0,17 0,17

São Luís - MA 0,21 0,23

João Pessoa - PB 0,20 0,22

Teresina - PI 0,13 0,14

4.1. Análise das médias de precipitação

Então, a partir dos dados preenchidos, foi calculada a média horária geral das capitais durante os 10 anos em estudo. Foram então, elaborados gráficos das diferentes estações climáticas do ano – verão, outono, inverno e primavera – para possibilitar uma comparação do comportamento da precipitação horária entre as 9 capitais nordestinas.

Ressalta-se que para a região Nordeste do Brasil, o horário local padrão equivale ao fuso de -3 horas em UTC – dado base do INMET. Por exemplo, 2300 em UTC corresponde a 20:00.

(23)

O verão brasileiro é demarcado pelos meses de Dezembro, Janeiro e Fevereiro, o outono por Março, Abril e Maio, o inverno por Junho, Julho e Agosto, e a primavera por Setembro, Outubro e Novembro.

Realizando uma comparação entre a média horária geral dos dados de precipitação durante o período de 2009 a 2018, conforme a Figura 5, foi possível perceber que a estação que apresenta maiores precipitações horárias foi o outono, seguida pelo inverno.

Em contrapartida, o verão e a primavera apresentaram os menores valores de média de precipitação horária. Todas elas apresentam uma linha de comportamento bastante parecida, possuindo entre o horário das 0400 às 1000 UTC (ou seja, no horário local das 01:00 às 07:00, período da madrugada/início da manhã) seus maiores valores.

Figura 5 – Gráfico da média de precipitação horária nas 4 diferentes estações do ano (2009-2018)

As curvas encontradas podem ser reiteradas pelas informações disponíveis no portal do Centro de Previsão de Tempo e Estudos Climáticos (CPTEC). O outono caracteriza-se como a estação de transição entre o verão e o inverno. Para o extremo Norte e Leste do Nordeste (onde se localizam as capitais), esse é o período mais chuvoso do ano, em contraste ao restante do país, onde registram os menores valores. A primavera, por sua vez, contempla a estação seca da região Nordeste, caracterizada então por baixo nível de precipitação. No verão, inicia-se o período de chuva. Por fim, para o inverno, o comportamento do Nordeste caracteriza-se por valores intermediários de precipitação, se comparado às demais.

0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45

Média geral das estações climáticas

Primavera Verão Inverno Outono

(24)

Segundo Silva et al. (2010), nos estados do Nordeste brasileiro, a estação chuvosa coincide com a época do ano em que a Zona de Convergência Intertropical (ZCIT) está localizada mais ao Sul, compreendendo os meses de março, abril e maio (estação do outono).

Analisando a variabilidade espacial dos dados, no verão (Figura 6), foi possível observar que a maioria das capitais descreveu uma linha semelhante de comportamento, permanecendo em torno de 0,00 a 0,20 mm. Há, portanto, exceção das capitais de Teresina e São Luís, que apresentaram um pico de precipitação de 0,60 mm e de 0,34 mm no horário de 0300 UTC, em contraste com as demais (que apresentaram média abaixo de 0,16 mm), sendo que esta última também apresenta um valor acentuado se comparada às demais das 1600 às 2000 UTC. A cidade de Fortaleza também merece destaque das 0900 às 1400 UTC, chegando a um valor de 0,49 mm.

Figura 6 – Gráfico da média de precipitação horária no verão (2009-2018)

Na próxima estação – outono – , representada na Figura 7, foi observada uma alta similaridade entre as linhas das capitais, merecendo destaque a cidade de São Luís, no horário das 1700 às 2200, chegando inclusive a um valor de 1,01 mm, em grande contraste com as outras, que mantiveram seus valores em uma faixa de 0,20 mm para o mesmo intervalo de horário. A cidade de Teresina também apresentou um afastamento das demais

0,00 0,10 0,20 0,30 0,40 0,50 0,60

Precipitação média (mm)

Verão (DJF)

MACEIÓ SALVADOR FORTALEZA SÃO LUÍS JOÃO PESSOA

RECIFE TERESINA NATAL ARACAJU

(25)

médias no horário das 0800 às 1400 UTC, com valores abaixo de 0,15 mm, enquanto as outras registraram precipitação entre 0,20 a 0,60 mm.

Figura 7 – Gráfico da média de precipitação horária no outono (2009-2018)

Já para o inverno (Figura 8), as capitais demonstraram um comportamento bastante diferente umas das outras. Teresina foi a de menores valores em todos os horários, mantendo uma faixa de apenas 0,00 a 0,06 mm. A cidade de Recife se destaca por se manter com as maiores médias horárias das 2100 às 0700 UTC, e permanecendo entre os maiores patamares no restante das horas. A exemplo, Souza et al. (2012) identificou que houve, nessa capital, no dia 12 de junho de 2007 um registro de 75,8 mm na precipitação diária, considerada pelo autor como Chuva Muito Forte (CMF), ocasionando 32 escorregamentos de barreiras, sendo a causa das chuvas intensas uma Onda de Leste.

0,00 0,20 0,40 0,60 0,80 1,00

Outono (MAM)

(26)

Figura 8 - Gráfico da média de precipitação horária no inverno (2009-2018)

Para a primavera (Figura 9), os resultados demonstraram que a cidade de Salvador possui dois momentos de sobressalto, das 0900 às 1100 UTC, e das 1400 às 1700 UTC.

As demais capitais apresentam curvas bastante semelhantes, em especial do horário das 1500 às 2300. Para os horários das 0000 às 1400, o comportamento é semelhante (no que diz respeito aos aumentos e diminuições), mas os valores são diferentes em cada capital.

0,00 0,10 0,20 0,30 0,40 0,50 0,60

Inverno (JJA)

(27)

Figura 9 – Gráfico da média de precipitação horária na primavera (2009-2018)

4.2. Análise das tendências de precipitação

Posteriormente ao cálculo das médias foi realizada a elaboração de mapas no software R e das tabelas em apêndice, com base no cálculo das tendências obtidas através do teste não paramétrico de Mann-Kendall. As imagens dos mapas gerados foram separadas por mês, revelando os horários e locais de tendência, de uma maneira mais ilustrativa. As tabelas, por sua vez, foram separadas por capital e por tendências horárias mensais, sendo representados os números relacionados à estatística Z e o símbolo da significância, apenas para os meses e horários que revelaram significância de tendência no teste.

Na análise da tendência do teste Mann-Kendall, o sinal da tendência (positivo ou negativo) advém do sinal do valor obtido na estatística Z, enquanto que a significância, representada por diferentes símbolos, correspondem à porcentagem (no caso, variando em 0,1%, 1%, 5% e 10%, representados respectivamente por ***, **, * e +), segundo o manual de funcionamento do programa Makesens para Excel.

Dessa maneira, foi possível observar que o mês de Janeiro (Figura 10) apresentou tendências positivas e também negativas, contemplando 5 capitais (Aracaju, Maceió,

0,00 0,05 0,10 0,15 0,20 0,25

Primavera (SON)

(28)

Natal, Recife e São Luís) em 10 horários diferentes. A capital Aracaju apresentou os dois tipos de tendência, a depender do horário analisado.

Figura 10 – Distribuição espacial das tendências horárias do mês de Janeiro

Os meses de Fevereiro (Figura 11), Julho (Figura 12) e Setembro (Figura 13) apresentaram também um número menos relevante de tendência, contemplando, respectivamente, 5 horários e 5 capitais, 7 horários e 7 capitais, e 7 horários e 4 capitais.

Sendo que os três meses em questão resultaram em tendências positivas e também negativas, a depender do horário.

(29)

Figura 11 - Distribuição espacial das tendências horárias do mês de Fevereiro

Figura 12 - Distribuição espacial das tendências horárias do mês de Julho

(30)

Figura 13 - Distribuição espacial das tendências horárias do mês de Setembro

Em Março (Figura 14), foram registradas tendências em 16 horários, dos 24 analisados, interferindo em 8 das capitais analisadas (com exceção apenas de São Luís).

A grande maioria teve sinal positivo, com exceção apenas da cidade de Recife para o horário de 1800 UTC. Os horários de 1200 e 1300 UTC contemplaram tendências positivas em 3 capitais, merecendo atenção. A cidade de Aracaju apresentou tendência positiva em 6 horários diferentes.

(31)

Figura 14 - Distribuição espacial das tendências horárias do mês de Março

O mês de Abril (Figura 15) se destaca dos demais por apresentar o menor número de tendências, em apenas 3 capitais e em 3 horários distintos, de 0002, 0009 e 0010 UTC, contemplando tendências negativas e positivas. Há uma semelhança entre as três capitais em questão – Teresina, São Luís e Fortaleza – as quais não se localizam na costa litorânea leste, mas sim mais ao Norte da região Nordeste.

(32)

Figura 15 - Distribuição espacial das tendências horárias do mês de Abril

O mês de Maio (Figura 16) possui tendências positivas e negativas, distribuídas em 14 horários diferentes para 5 capitais (São Luís, Teresina, Salvador, Aracaju e Fortaleza). Teresina se destaca por demonstrar tendência negativa em 8 horários.

Salvador e Aracaju são as capitais que demonstraram tendências positivas para esse mês.

(33)

Figura 16 - Distribuição espacial das tendências horárias do mês de Maio

Em Junho (Figura 17), foi observado também a existência de tendências positivas e negativas, em 13 horários diferentes. Esse mês contempla as 9 cidades analisadas. Sendo positivo para as capitais Salvador, Aracaju e São Luís, e negativo para as demais.

(34)

Figura 17 - Distribuição espacial das tendências horárias do mês de Junho

Em contrapartida, o mês de Agosto (Figura 18) merece atenção, contemplando tendências para 20 dos 24 horários analisados em 7 das 9 capitais estudadas (com exceção apenas de Salvador e Teresina), sendo todas elas de valor negativo.

(35)

Figura 18 - Distribuição espacial das tendências horárias do mês de Agosto

Em Outubro (Figura 19), houve tendência em 11 diferentes horários, com sinal positivo apenas em 1500 UTC, na cidade de Recife, e sinal negativo nas demais capitais (Aracaju, Fortaleza e Teresina).

(36)

Figura 19 - Distribuição espacial das tendências horárias do mês de Outubro

Novembro (Figura 20) apresentou em sua grande maioria tendências negativas.

Contemplou 15 das 24 horas analisadas. A cidade de Recife foi a única a apresentar tendência positiva, às 1800 UTC. Aracaju e São Luís merecem destaque por terem apresentado tendência negativa em 8 e 7 diferentes horários, respectivamente.

(37)

Figura 20 - Distribuição espacial das tendências horárias do mês de Novembro

O mês de Dezembro (Figura 21) também é um destaque, sendo composto, em sua grande maioria, por tendências positivas, em 16 horários diferentes e em 8 das 9 capitais estudadas. Apresenta tendência negativa apenas na cidade de Teresina e de Sergipe.

(38)

Figura 21 - Distribuição espacial das tendências horárias do mês de Dezembro

Então, dentre a análise das nove capitais do Nordeste brasileiro, houve a identificação de 197 tendências com significância. Logo, conforme a Figura 22, a capital que apresentou uma maior porcentagem de tendências, se comparada às demais, foi Aracaju/SE, contando com 19,4% do total. Salvador/BA, no entanto, foi a de menor porcentagem, com 7,7%.

(39)

Figura 22 – Gráfico comparativo da porcentagem de tendências por capital

Dentre o total, 63 das tendências significantes eram positivas. A capital de Aracaju apresentou o maior percentual para esse sinal de tendência, e Fortaleza o menor (Figura 23).

Figura 23 – Gráfico comparativo da porcentagem de tendências positivas por capital

Aracaju 19,4%

Fortaleza 11,2%

João Pessoa 8,2%

Maceió Natal 6,6%

9,7%

Recife 10,7%

Salvador 7,7%

São Luís 13,3%

Teresina 13,3%

Porcentagem de tendências

Aracaju 21%

Fortaleza 3%

João Pessoa 9%

Maceió Natal 9%

10%

Recife 10%

Salvador 19%

São Luís 11%

Teresina 8%

Tendências positivas

(40)

Por fim, o número de tendências significantes negativas foi maior, contando com 134 no total, distribuídas entre as capitais conforme demonstrado na Figura 24.

Figura 24 – Gráfico comparativo da porcentagem de tendências negativas por capital

Aracaju 19%

Fortaleza 15%

João Pessoa 7%

Maceió 6%

Natal 10%

Recife 11%

Salvador 2%

São Luís 14%

Teresina 16%

Tendências negativas

(41)

5. CONSIDERAÇÕES FINAIS

A precipitação horária das nove capitais nordestinas estudadas, para o período de 2009-2018, resultou em tendências significativas quando submetidas ao teste não- paramétrico de Mann-Kendall, sejam elas de crescimento (valor positivo da estatística Z) ou de decrescimento (valor negativo da estatística Z). Isso demonstra o potencial dessas localidades em apresentar, nos próximos anos, uma mudança em seu valor de precipitação para determinados horários, como discutido e mostrado anteriormente.

É imprescindível que ao longo dos anos sejam consideradas as médias e as tendências horárias de precipitação para a colaboração em previsões e projetos que tenham esse dado climatológico como fator preponderante para sua execução. Como foram identificadas estas tendências de chuvas por horário, é possível que existam alterações também nas chuvas intensas.

Sendo assim, é muito importante que as curvas de intensidade x duração x frequência de precipitação destas capitais sejam atualizadas para que sirvam como uma espécie de enriquecimento nos dados para o dimensionamento de obras de infraestrutura que visem o escoamento ou o aproveitamento da água pluvial, colaborando para a diminuição de eventos de inundações, e possibilitando o armazenamento dessa água.

Também é importante salientar que, para a obtenção de uma análise mais plena e precisa, é necessário que esse estudo se estenda pelos próximos anos, de maneira que contemple uma série de dados horários de precipitação de pelo menos 30 anos – tempo recomendado pela Organização Mundial de Meteorologia (OMM) para dados meteorológicos. Como a captação dos dados horários nas estações meteorológicas automáticas do INMET só se iniciaram em meados de 2009, não foi possível seguir a recomendação sugerida pela OMM.

(42)

REFERÊNCIAS BIBLIOGRÁFICAS

CHIVERS, B. D. et al. Imputation of missing sub-hourly precipitation data in a large sensor network: A machine learning approach. Journal of Hydrology, v. 588, n.

March, p. 125126, 2020.

DA SILVA, V. D. P. R. On climate variability in Northeast of Brazil. Journal of Arid Environments, v. 58, n. 4, p. 575–596, 2004.

HONAKER, J.; KING, G.; BLACKWELL, M. Amelia II: A Program for Missing Data.

Journal of Statistical Software, v.45, p. 1–47. 2011.

HOU, J. et al. Effects of the temporal resolution of storm data on numerical simulations of urban flood inundation. Journal of Hydrology, v. 589, n. January, p. 125100, 2020.

RUBIN, D. B. Multiple Imputation for Nonresponse in Surveys. New York: John Wiley & Sons, 1987.

SALMI, T. Detecting trends of annual values of atmospheric pollutants by the Mann-Kendall test and Sen's slope estimates-the Excel template application MAKESENS. Ilmatieteen laitos, 2002.

SILVA, V. P. R. DA et al. Análise da pluviometria e dias chuvosos na região Nordeste do Brasil. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 15, n. 2, p.

131–138, 2011.

SOUZA, W. M.; AZEVEDO, P. V. DE; ARAÚJO, L. E. DE. Classificação da Precipitação Diária e Impactos Decorrentes dos Desastres Associados às Chuvas na Cidade do Recife-PE. Revista Brasileira de Geografia Física, v. 5, n. 2, p. 250, 2012.

(43)

APÊNDICE

Tabela 3 - Tendências significativas de precipitação da estação automática de Aracaju- SE pelo teste de Mann-Kendall

Mês Hora UTC Teste Z Significância

Janeiro 0400 -2,45 *

0500 -1,89 +

0800 -2,22 *

2000 2,03 *

Fevereiro 1100 2,60 **

Março 0400

0700 1000 1100 1200 1300

2,81 1,71 1,71 2,68 2,96 1,79

**

+ +

**

+

Abril - - -

Maio 1500

2100 2200

1,79 1,79 1,79

+ + +

Junho 0100

1400

1,71 1,79

+ +

Julho 0900

1500

-1,79 -1,97

+

*

Agosto 0100

0500 2300

-1,89 -1,89 -2,15

+ +

*

Setembro - - -

Outubro 0700

0800 1600 1700

-1,79 -1,98 -1,80 -1,66

+

* + +

Novembro 0100

0900 1000 1400 1500 1700 1800 1900 2000 2100 2200 2300

-1,92 -2,09 -1,72 -1.98 -2,69 -2,34 -2,54 -2,88 -2,03 -2,11 -2,88 -1,77

+

* +

*

**

*

**

*

**

+

Dezembro 0100 -1,73 +

(44)

Tabela 4 - Tendências significativas de precipitação da estação automática de Fortaleza- CE pelo teste de Mann-Kendall

Janeiro - - -

Fevereiro - - -

Março 0700 1,97 *

Abril 0900 1,79 +

Maio 1800 -1,72 +

Junho 0100

0700 0800 1700

-1,71 -2,15 -2,15 -1,98

+

*

Julho 2300 -1,67 +

Agosto 0300

0500 1600

-1,92 -2,64 -2,12

+

**

*

Setembro - - -

Outubro 0100

0200 0300 0400 0700 1000

-1,81 -1,81 -2,31 -1,75 -2,37 -1,89

+ +

* +

Novembro 0300

0600 0700 0800 0900

-2,04 -1,73 -2,63 -1,85 -1,67

* +

**

+ +

Dezembro - - -

(45)

Tabela 5 - Tendências significativas de precipitação da estação automática de João Pessoa-PB pelo teste de Mann-Kendall

Janeiro - - -

Fevereiro - - -

Março 0200

0300 1200

2,15 2,33 1,97

*

Abril - - -

Maio - - -

Junho 1000

1200

-1,97 -1,79

* +

Julho - - -

Agosto 0200

0300 0600 0700 1300 1800 2000 2200

-1,97 -2,68 -2,33 -2,86 -2,68 -1,79 -2,15 -2,33

*

**

*

**

+

*

Setembro - - -

Outubro - - -

Novembro - - -

Dezembro 0700

0800 2300

2,33 2,42 2,68

*

**

(46)

Tabela 6 - Tendências significativas de precipitação da estação automática de Maceió- AL pelo teste de Mann-Kendall

Janeiro 0700 1,79 +

Fevereiro - - -

Março 2300 2,21 *

Abril - - -

Maio - - -

Junho 0700

0900

-1,71 -2,15

+

*

Julho 0200 -1,79 +

Agosto 1500

1700

-2,33 -1,79

* +

Setembro 2100

2300

-2,15 -1,71

* +

Outubro - - -

Novembro - - -

Dezembro 0300

0400 1700 1800

2,52 2,95 2,34 2,12

*

**

*

(47)

Tabela 7 - Tendências significativas de precipitação da estação automática de Natal-RN pelo teste de Mann-Kendall

Janeiro 0300 -1,97 *

Fevereiro 2300 -2,50 *

Março 1300

1700 2100 2200

1,79 2,34 2,25 2,42

+

*

Abril - - -

Maio - - -

Junho 2100 -2,07 *

Julho - - -

Agosto 0800

0900 1200 1300 1700 1800 2000 2100 2200

-1,79 -2,15 -1,79 -2,07 -2,23 -1,82 -1,73 -1,72 -1,82

+

* +

*

* + + + +

Setembro 1000 1,97 *

Outubro - - -

Novembro 0600 -1,80 +

Dezembro 1000 2,07 *

(48)

Tabela 8 - Tendências significativas de precipitação da estação automática de Recife – PE pelo teste de Mann-Kendall

Janeiro 0014

0015

-2,86 -2,68

**

Fevereiro 0013

0017

-2,60 -2,07

**

*

Março 0900

1800

1,79 -1,97

+

*

Abril - - -

Maio - - -

Junho 0700 -1,79 +

Julho 2200 -1,79 +

Agosto 0000

0200 0500 0600 0900 1400 2300

-2,25 -1,79 -2,68 -1,71 -1,97 -1,97 -2,68

* +

**

+

*

**

Setembro 1400 -1,71 +

Outubro 1500 2,01 *

Novembro 1800 1,67 +

Dezembro 0400

0500 0600

1,91 1,80 1,79

+ + +

(49)

Tabela 9 - Tendências significativas de precipitação da estação automática de Salvador - BA pelo teste de Mann-Kendall

Janeiro - - -

Fevereiro - - -

Março 1200

1400 1500

1,71 2,78 3,50

+

**

***

Abril - - -

Maio 1200

1500 1900

2,15 2,50 1,97

*

Junho 0400

2300

-1,71 1,97

+

*

Julho 0900

2300

-1,79 -1,79

+ +

Agosto - - -

Setembro 0800

1000 1700 1800

2,09 2,60 1,71 1,71

*

**

+ +

Outubro - - -

Novembro - - -

Dezembro 0900 2,15 *

(50)

Tabela 10 - Tendências significativas de precipitação da estação automática de São Luís- MA pelo teste de Mann-Kendall

Janeiro 0200

2200

-1,79 -2,34

+

*

Fevereiro 2000 1,79 +

Março - - -

Abril 1000 1,79 +

Maio 0400

0500 1100

-1,97 -1,71 -2,07

* +

*

Junho 0000

0100 2000 2300

-1,72 -2,25 2,33 -1,89

+

*

* +

Julho 1700

2000

-1,89 1,79

+ +

Agosto 1300

1800

-1,93 -1,67

+ +

Setembro - - -

Outubro - - -

Novembro 0200

0300 0500 0600 0700 0800 0900

-1,73 -1,73 -2,23 -1,67 -1,67 -2,14 -1,73

+ +

* + +

* +

Dezembro 1100

1300 1400 1500

1,82 2,12 1,73 2,07

+

* +

*

(51)

Tabela 11 - Tendências significativas de precipitação da estação automática de Teresina - PI pelo teste de Mann-Kendall

Janeiro - - -

Fevereiro 1100

1700

2,15 1,89

* +

Março 1300

1400

1,67 1,80

+ +

Abril 0200

0900

-1,79 -2,60

+

**

Maio 0900

1100 1200 1300 1400 1700 1800 2300

-1,80 -1,77 -1,91 -2,19 -1,85 -1,77 -1,67 -2,27

+ + +

* + + +

*

Junho 0400

1900

-1,73 -1,67

+ +

Julho 0200 1,85 +

Agosto - - -

Setembro - - -

Outubro 0300

0400 2100

-1,82 -1,67 -1,73

+ + +

Novembro 0100

0200 2000

-1,89 -2,27 -1,67

+

* +

Dezembro 1300

1800 1900

-2,04 -1,71 -1,71

* + +