Avaliação do modelo climático regional RegCM4 sobre o Nordeste brasileiro para o período do outono

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA

BACHARELADO EM METEOROLOGIA

GLÍCIA RUTH GARCIA DE ARAÚJO

AVALIAÇÃO DO MODELO CLIMÁTICO REGIONAL REGCM4 SOBRE O NORDESTE BRASILEIRO PARA O PERÍODO DO OUTONO

Natal

AVALIAÇÃO DO MODELO CLIMÁTICO REGIONAL REGCM4 SOBRE O NORDESTE BRASILEIRO PARA O PERÍODO DO OUTONO

por

Glícia Ruth Garcia de Araújo

Orientador (a): Prof. Dr. Cláudio Moisés Santos e Silva. Co-orientador (a): Prof. Dr. Bergson Guedes Bezerra.

Natal

Dezembro de 2017

Monografia apresentada à Coordenação do Curso de Meteorologia da Universidade Federal do Rio Grande do Norte, como requisito parcial à obtenção do Título de Bacharel em Meteorologia.

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA

BACHARELADO EM METEOROLOGIA

A Monografia "Avaliação do Modelo Climático Regional sobre o Nordeste Brasileiro para o período do outono"

elaborada por (Glícia Ruth Garcia de Araújo)

e aprovada por todos os membros da Banca Examinadora foi aceita pelo Colegiado do Curso de Meteorologia e homologada pelos membros da banca, como requisito parcial à obtenção do título de BACHAREL EM METEOROLOGIA

Natal, 08 de Dezembro de 2017. BANCA EXAMINADORA

_________________________________________________ Cláudio Moisés Santos e Silva (Departamento de Ciências Atmosféricas e

Climáticas da UFRN)

_________________________________________________ Bergson Guedes Bezerra (Departamento de Ciências Atmosféricas e

Climáticas da UFRN)

_________________________________________________ Cristiano Prestrelo de Oliveira (Departamento de Ciências Atmosféricas e

Resumo

Os modelos regionais possuem erros sistemáticos em diferentes regiões, principalmente nos trópicos, devido aos ajustes nas parametrizações físicas, cúmulos convectivos e de precipitação na escala de grade. Diante disto, o objetivo deste trabalho foi avaliar a precipitação e temperatura das parametrizações Grell e Emanuel do modelo Regcm4 sobre a região Nordeste do Brasil no período de 1998 a 2008. Para avaliar este modelo foi preciso realizar uma interpolação bilinear através do programa Climate Data Operators (CDO), onde todos os dados foram interpolados para grade de 0.25 do satélite Tropical Measuring Mission (TRMM). Em seguida foi feita uma média do outono da precipitação em mm e da temperatura em °C. Posteriormente foi realizada a análise de cluster, correlação, variância (ANOVA), teste de diferenças entre médias (t-student), e os cálculos dos erros como, o Erro Absoluto Médio (MAE), Erro Médio Quadrático (EQM) e Raiz do Erro Médio Quadrático (REQM). Concluiu-se que a parametrização Emanuel superestima a precipitação em relação aos dados estimados pelo TRMM, principalmente em regiões que apresentam maiores acumulados de chuva. A parametrização Grell simulando a precipitação foi a que obteve menores erros nas simulações em todos os clusters. Em relação à temperatura simulada pelo Regcm4, as parametrizações obtiveram resultados melhores na simulação desta variável em todos os clusters.

Abstract

The regional models have systematic errors in different regions, mainly in the tropics, due to adjustments in physical parameterizations, cumulus convective and precipitation grid scale. On this, the objective of this work was to evaluate the precipitation and temperature of parameterizations Grell and Emanuel Regcm4 model on the northeastern region of Brazil during the period from 1998 to 2008. To evaluate this model was necessary to do a bilinear interpolation through the Climate Data Operators (CDO) program, where all data was interpolated to grid of 0.25 of the Tropical Measuring Mission satellite (TRMM). Then was made an average of autumn precipitation in mm/day and temperature in °C. Posteriorly were realized cluster analysis, correlation, variance (ANOVA), differences between test averages (t-student), and calculations of errors as the Absolute Mean Error (MAE), Mean Squared Error (EQM) and Root Mean Squared Error (REQM). Concluded that Emanuel parameterization overestimate the precipitation in relation to estimate by TRMM, especially in regions that are more accumulated rainfall. The Grell parameterization simulating precipitation was minor errors in the simulations on all clusters. In relation the temperature simulated by the Regcm4, the best results were obtained in simulation settings of this variable in all clusters.

Sumário

2.3 Características das simulações ... 19

2.4 Ferramentas de análises ... 20

3. Resultados e discussão... 22

4. Conclusões ... 33

Referências ... 34

LISTA DE ABREVIATURAS

ANOVA Análise de Variância

BAM Brazilian Global Atmospheric Model BATS Biosphere-Atmosphere Transfer Scheme CDO Climate Data Operators

CPTEC Centro de Previsão de Tempo e Estudos Climáticos CERES Sistema de Energia Radiante da Terra e das Nuvens CLM Community Land Model

CORDEX Coordinated Regional Climate Downscaling Experiment DOL Distúrbio Ondulatório de Leste

ECMWF European Centre for Medium-range Weather Forecasting ENSO Oscilação Sul – El Niño

EQM Erro Quadrático Médio

JAXA Japan Aerospace Exploration Agency LIS Sensor para Imageamento de Relâmpagos MAE Erro Absoluto Médio

MCGs Modelos Climáticos Globais MCRs Modelos Climáticos Regionais NC Costa Nordeste

NCAR National Center for Atmospheric Research NEB Nordeste Brasileiro

NS Nordeste do Semiárido NW Noroeste

PR Radar de Precipitação REGCM Modelo Climático Regional REQM Raiz do Erro Quadrático Médio SC Costa Sudeste

SI Índice Silhueta

SS Sudeste do Semiárido

SUBEX Subgrid Explicit Moisture Scheme TMI Imageador de Microondas

TRMM Tropical Measuring Mission

TSM Temperatura da Superfície do Mar VCAN Vórtice Ciclônico de Altos Níveis

VIRS Radiômetro no Visível e no Infravermelho ZCAS Zona de Convergência do Atlântico Sul ZCIT Zona de Convergência Intertropical

LISTA DE TABELAS

Tabela 1 - Análise estatística do Erro Quadrático Médio (EQM), a Raiz do Erro Quadrático Médio (REQM) e do Erro Absoluto Médio (MAE), ANOVA e teste t-student da precipitação no período do outono entre o satélite TRMM e as parametrizações Emanuel e Grell. ... 31

Tabela 2 - Análise estatística do Erro Quadrático Médio (EQM), a Raiz do Erro Quadrático Médio (REQM) e do Erro Absoluto Médio (MAE), ANOVA e teste t-student da temperatura no período do outono entre os dados de reanálise do Era-Interim e as parametrizações Emanuel e Grell. ... 32

LISTA DE FIGURAS

Figura 1 - Nordeste do Brasil... 17 Figura 2 – Área dos experimentos com modelo REGCM4 de Silva (2016). ... 20 Figura 3 – Distribuição espacial das áreas homogêneas encontradas por Oliveira (2014) sobre o Nordeste Brasileiro... 23 Figura 4 - Gráfico silhueta à direita para determinação da quantidade de clusters da variável precipitação; (azul - grupo 1, amarelo - grupo 2, cinza - grupo 3 e vermelho - grupo 4). Análise de cluster espacializada (à esquerda) da precipitação total média do satélite TRMM no período do outono de 1998 a 2008. ... 24 Figura 5 - Gráfico Silhueta à direita para determinação da quantidade de clusters da variável temperatura; (azul - grupo 1, amarelo - grupo 2, cinza - grupo 3 e vermelho - grupo 4). Análise de cluster espacializada da temperatura média do Era-Interim no perído do outono de 1998 a 2008 (à esquerda). ... 25 Figura 6 - Precipitação total média do outono em mm/dia de cada cluster no período de 1998-2008. Dados do satélite TRMM em linha contínua azul, parametrização Emanuel em linha tracejada vermelha e parametrização Grell em linha pontilhada verde. ... 26 Figura 7 - Temperatura média do outono em °C de cada cluster no período de 1998-2008. Dados de reanálise do Era-Interim em linha contínua azul, parametrização Emanuel em linha tracejada vermelha e parametrização Grell em linha pontilhada verde. ... 28 Figura 8 - Correlação entre a precipitação total média diária do satélite TRMM e da simulação Emanuel (a) e Grell (b), entre a temperatura média diária do Era-Interim e a simulação Emanuel (c) e Grell (d) dos clusters no período do outono de 1998-2008. Dados do cluster1 em linha contínua azul, cluster2 em linha tracejada vermelha, cluster3 em linha pontilhada verde e cluster4 em linha pontilhada roxa. ... 29

1. Introdução

A região Nordeste do Brasil (NEB) é composta por nove estados brasileiros, onde na sua maior parte do território concentra a região semiárida. Esta possui uma grande irregularidade das chuvas proporcionando situações climáticas desfavoráveis, tanto para o desenvolvimento econômico, quanto social. De acordo com Marengo (2008) as chuvas irregulares são como um obstáculo para o desenvolvimento das atividades agrícolas e pecuárias, pois muitas pessoas não possuem sistemas eficientes para o armazenamento de água, fazendo com que haja uma intensificação dos problemas sociais.

Os principais sistemas meteorológicos atuantes que consequentemente trazem chuvas para o NEB são a Zona de Convergência Intertropical (ZCIT), Vórtices Ciclônicos de Altos Níveis (VCAN), Distúrbios Ondulatórios de Leste (DOL), e por últimos, a Zona de Convergência do Atlântico Sul (ZCAS) e os sistemas frontais que atuam mais ao sul do Nordeste. De acordo com Reboita et al. (2012), a ZCIT é uma região chuvosa que se encontra próxima à linha do equador onde há a convergência dos ventos alísios de Sudeste e Nordeste, sendo que durante o ano, a mesma muda sua posição latitudinalmente, estando mais ao Sul do Equador entre os meses de Dezembro e Maio contribuindo para a estação chuvosa do Nordeste, e mais ao Norte do Equador nas demais estações do ano.

Os VCAN têm maior ocorrência no mês de Janeiro, sendo que a sua atividade convectiva se encontra na direção do seu movimento, ou seja, se o sistema se desloca para o continente ou percorre águas quentes, formam-se nuvens do tipo cumulunimbus na sua periferia oeste provocando chuvas na região (KOUSKY e GAN, 1981).

Os DOL são ondas de leste que possui maior ocorrência nos meses de Julho, Agosto e Setembro entre 850 e 500 hpa, e se desloca pelo Oceano Atlântico até atingir o litoral e a zona da Mata no Nordeste (COUTINHO e FISCH, 2007). Este último sistema atua mais no litoral leste da costa do NEB, podendo adentrar no continente. Outros sistemas que têm influência sobre a climatologia do Nordeste é o ENSO (Oscilação Sul – El Niño) juntamente com o

dipolo do atlântico, que dependendo da Temperatura da Superfície do Mar (TSM) faz com que mude a circulação zonal referente à célula de Walker. Em anos de El Niño (La Niña) as águas do Oceano Pacífico estão mais aquecidas (frias) fazendo com que haja movimentos ascendentes (descendentes) nesta região e descendentes (ascendentes) sobre o Norte da América do Sul e consequentemente inibindo (favorecendo) chuvas no Nordeste do Brasil. Além disto, o dipolo do Atlântico influência na posição da ZCIT, onde o gradiente meridional da TSM no Atlântico tropical tem sua fase positiva, com anomalia de TSM fria no Atlântico Sul e quente no Atlântico Norte tropical, impedindo a migração da ZCIT para o Sul do Equador, provocando chuvas abaixo da média no Nordeste, o contrário ocorre quando a fase é negativa, ou seja, anomalia quente no Atlântico Sul e fria no Atlântico Norte tropical favorecendo a migração da ZCIT para o Sul e consequentemente o aumento das chuvas na região (HASTENRATH, 2006).

Alguns estudos abordam que os Modelos Climáticos Globais (MCGs) são bons em representar os sistemas de grande escala (como a ZCIT), mas possuem resolução espacial baixa (com espaçamento de grade de aproximadamente 100 km) e não conseguem representar sistemas de mesoescala devido a grande complexidade do terreno, heterogeneidade da vegetação e sistemas de escala menor (como as brisas), sendo que os Modelos Climáticos Regionais (MCRs) possuem uma alta resolução e representam melhor os sistemas de escala regional e local (QIAN et al. 2003; SALES et al. 2015). Atualmente isso vem mudando, onde grandes centros estão começando a utilizar MCGs com grade mais refinada, como o Centro de Previsão de Tempo e Estudos Climáticos (CPTEC) no Brasil, que utiliza operacionalmente o modelo BAM (Brazilian Global Atmospheric Model) com espaçamento de grade de 20 Km.

Especificamente, o Modelo Climático Regional (REGCM) teve sua primeira versão desenvolvida no final da década de 1980 no National Center for Atmospheric Research (NCAR) por Dickinson et al. (1989); Giorgi (1990), baseado no Modelo de Mesoescala (sigla em inglês – MM4, 4a versão), posteriormente foram desenvolvidas as versões do REGCM2 (GIORGI et al., 1993a, b), REGCM2.5 (GIORGI e MEARNS, 1999) na década de 1990,

REGCM3 (PAL et al., 2007) e a quinta versão REGCM4 (GIORGI et al. 2012), utilizada no presente trabalho.

O REGCM4 possui área limitada com discretização horizontal de acordo com a grade B de Arakawa-Lamb, utilizando a coordenada sigma-p na vertical, e para um fluido compressível e hidrostático (GRELL, 1993). Este modelo possui vários tipos de parametrizações físicas, desde a radiação, camada limite planetária, fluxo oceânico, lagos, superfície, esquemas de precipitação convectiva e de grande escala, entre outras. O modelo possui três opções de convecção cumulus: Kuo, MIT-Emanuel e Grell.

A parametrização Kuo de Anthes (1977) foi a primeira versão do esquema convectivo, estando presente desde a versão anterior do REGCM1. Este esquema ativa a convecção quando a convergência de umidade da coluna excede um determinado limite, ou seja, uma fração desta convergência de umidade humedece a coluna e o restante são convertidos em precipitação. Este esquema simula precipitações mais pobres, ou seja, simula menos chuva do que as demais parametrizações (GIORGI et al. 2012).

A parametrização MIT – Emanuel (1991) representa o fluxo convectivo usando um modelo idealizado de correntes ascendentes e descendentes de escala de sub-nuvens. Este esquema oferece várias vantagens em comparação com outros esquemas convectivos disponíveis no REGCM. Este inclui uma autoconversão que é dependente da temperatura, sendo que a precipitação é adicionada a uma única hidrostática e insaturada corrente descendente, que transporta calor e água. Por sua vez, a parametrização Grell considera a nuvem como duas circulações, ascendente e descendente. A interação com a atmosfera ocorre somente na base e no topo da nuvem, sendo que o fluxo de massa é constante com a altura. O esquema Grell utiliza dois pressupostos de fechamento, o primeiro é o de Arakawa – Schubert, assume que nuvens convectivas estabilizam o ambiente tão rápido quanto os processos não convectivos (GRELL, 1993), e o segundo Fritsch e Chappell (1980).

O REGCM conta com o esquema em escala de grade da precipitação não convectiva, denominado de Subgrid Explicit Moisture Scheme (SUBEX) que foi desenvolvido por Pal et al. (2000). Este esquema explica a variabilidade das nuvens em subgrade agregando a umidade relativa média à fração de

nuvens e ao conteúdo de água liquida contida (SUNDQVIST et al. 1989). Segundo a Pal et al. (2000), quando a umidade relativa é menor, mais facilmente se forma a nuvem, consequentemente será necessário maior quantidade de água para ela se manter, e devido a isto menor será a precipitação. Além disto, o SUBEX melhora a representação física das nuvens estratiformes e da precipitação sem nenhum custo computacional (SILVA, 2016).

Vários estudos foram realizados utilizando o modelo REGCM4, onde a maioria deles mostra que o modelo possui um bom desempenho em simular a precipitação sobre algumas regiões do planeta, contudo o mesmo necessita de ajustes nas parametrizações para determinadas regiões. O primeiro trabalho publicado foi o de Giorgi et al. (2012), que discuti as diferenças da quinta versão do modelo com as anteriores, mostrando que o REGCM4 apresentou várias melhorias em relação às demais versões. Além disto, mostraram através de testes de sensibilidade sobre quatros domínios do CORDEX (Coordinated Regional Climate Downscaling Experiment) (GIORGI et al. 2009), que o modelo era sensível a diferentes parametrizações e configurações dos parâmetros. Almazroui (2012) analisou a climatologia, ciclos anuais, interanuais e variabilidade da precipitação e temperatura simulada pelo REGCM4 e por um modelo global sobre a Península Arábica. Onde o mesmo mostrou que as simulações do REGCM4 representaram bem os maiores acumulados de chuva em uma área maior da península de acordo com as observações.

Ávila et al. (2013) realizaram uma análise subjetiva do desempenho do modelo em três domínios geográficos sazonalmente (verão e outono), utilizando duas parametrizações de cumulus (MIT-Emanuel e Grell) simulando a chuva sobre o estado do Pará em anos de ENOS. Estes mostraram que o REGCM4 conseguiu captar a variabilidade sazonal da precipitação no Pará tanto em anos secos quanto em chuvosos.

Para o Nordeste do Brasil foram realizados poucos trabalhos relacionados ao modelo como, Dantas et al. (2013) que analisaram a precipitação simulada sazonalmente sobre o Nordeste Brasileiro, utilizando as parametrizações de convecção de cumulus do REGCM4 no ano de 2009. Com isso, utilizaram técnicas estatísticas para testar a sensibilidade do modelo. Cuja

uma das principais conclusões foi que o modelo regional conseguiu captar a sazonalidade da precipitação sobre o Nordeste. Para melhoramento das simulações feitas por modelos regionais e globais têm se utilizado ensemble (previsão por conjunto). Silva e Silva (2014) realizaram sete experimentos com as parametrizações de cúmulos (Emanuel e Grell) do modelo REGCM4, simulando a precipitação no período do outono, com isso utilizaram técnicas estatísticas para combinar estas simulações através da regressão linear múltipla por componentes principais sobre a Amazônia e Nordeste do Brasil, e analisam o método utilizando o satélite TRMM (Tropical Measuring Mission). Mostraram que o método das componentes principais apresentou melhor desempenho na Amazônia, onde antes as simulações não representavam bem as observações. Em relação ao Nordeste o viés foi próximo à zero. Além disto, o método conseguiu captar extremos nas regiões estudadas.

Recentemente foi realizado um trabalho para a América do Sul da Llopart et al. (2017), que avaliou duas parametrizações de superfície terrestre contida no REGCM4, a BATS (Biosphere-Atmosphere Transfer Scheme) e CLM (Community Land Model), simulando a precipitação, temperatura do ar e a circulação em baixos níveis climatologicamente, e analisando a sua variabilidade. Concluíram que houve algumas melhoras na simulação da climatologia, e nos balanços de energia e água com a utilização do esquema CLM, sendo que este teve dificuldades em reproduzir a variabilidade interanual, devido à associação à parametrização Emanuel.

Diante do exposto, os modelos regionais mostram que apesar dos progressos obtidos na área de modelagem em previsão climática no decorrer dos últimos anos apresentam erros sistemáticos em diferentes regiões, principalmente sobre a região tropical, devido à falta de ajustes nas parametrizações físicas, inclusive nas parametrizações de cumulus convectivos e de precipitação em escala de grade (Giorgi et al., 2004; Souza et al., 2009). Portanto, estes modelos precisam ser avaliados e aperfeiçoados para haver um melhoramento substancial nas simulações. Logo, o objetivo deste estudo foi avaliar a precipitação e a temperatura (medida a 2 metros em relação à superfície) das parametrizações Grell e Emanuel do modelo REGCM4 sobre a região Nordeste do Brasil no período do outono, identificar os modelos que

apresentem os melhores desempenhos para a região e identificar erros sistemáticos através de análises estatísticas.

2. Material e métodos 2.1 Área de estudo

O presente trabalho é realizado na região Nordeste do Brasil, tendo uma área de 1.558.000 km², com uma população de 53,59 milhões de acordo com o Instituto Brasileiro de Geografia Estatística (IBGE, 2009), e constituído por nove estados e está situado entre as latitudes de 1°S/18°S e longitudes de 48°W/34°W (Figura 1).

Figura 1 - Nordeste do Brasil.

2.2 Dados

Os dados utilizados para avaliação do REGCM4 foram de precipitação diária estimada pelo produto 3B42 do satélite Tropical Measuring Mission (TRMM) com espaçamento de grade de 0.25° x 0.25°, e de temperatura do ar medida a 2 metros em relação à superfície utilizando dados de reanálise do European Centre for Medium-range Weather Forecasting (ECMWF; ERA-Interim) com espaçamento de grade de 0.25° x 0.25° no período do outono (março, abril e maio) de 1998 a 2008.

O período do outono foi escolhido por se tratar de um período de transição entre o verão e inverno, e que comumente os modelos numéricos apresentam mais erros sistemáticos em períodos de transição. Além disto, segundo a Hastenrath (2006) as chuvas se concentram nos meses de Março, Abril e Maio em grande parte da região Nordeste.

O satélite TRMM é um projeto feito pela NASA em parceria com a Japan Aerospace Exploration Agency (JAXA), este é de orbita equatorial e com altitude de 350 km, tendo como objetivo principal monitorar a precipitação pluvial nos trópicos e verificar a influência da mesma no clima global. Este satélite foi lançado em 27 de novembro de 1997, fazendo suas medições a partir do ano seguinte, com término no ano de 2014. Os instrumentos a bordo do TRMM são o Imageador de Microondas (TMI), Radar de Precipitação (PR), Radiômetro no Visível e no Infravermelho (VIRS), Sistema de Energia Radiante da Terra e das Nuvens (CERES), e Sensor para Imageamento de Relâmpagos (LIS).

O TRMM gera várias estimativas através da combinação de instrumentos. O produto 3B42, utilizado neste trabalho, combina a precipitação estimada pelo TMI com o perfil de precipitação do PR, no final este produto gera medições a cada 3 horas, com uma resolução temporal de aproximadamente 25 km, na faixa entre 50°S e 50°N (COLLISCHONN, 2007). O ERA-Interim é a versão mais atualizada da reanálise do ERA-40, sendo um conjunto de dados globais da atmosfera com frequência de 6 horas (00h, 06h, 12h e 18h UTC) (no presente trabalho, utilizou-se apenas o horário

das 12 horas UTC). Cobre o período que compreende do dia primeiro de janeiro do ano de 1989 e se estende até os dias atuais. As observações disponíveis são combinadas com informações a priori do modelo de previsão a cada 12 horas para estimar o estado de evolução da atmosfera global e superfície adjacente. Isto envolve uma análise do campo da atmosfera (temperatura, vento, umidade, ozônio, pressão). Essa análise é usada inicialmente para previsão a curto prazo que fornece uma estimativa do estado da atmosfera para o próximo ciclo (DEE et al., 2011).

2.3 Características das simulações

Foram utilizadas diferentes simulações realizadas pelo modelo REGCM4 (Regional Climatic Model, versão 5) sobre uma área que compreende as latitudes de 11.4N a 22.5S e longitudes de 85.07W a 14.4E (Figura 2), sendo estas configuradas por Silva (2016), a MIT – Emanuel (1991) com SUBEX (Subgrid Explicit Moisture Scheme) Seco (EM_SS), ou seja, com Umidade Relativa Mínima (RHmin) de 65%, e Grell com Eficiência de Precipitação (PEF-úmido) e SUBEX úmido (GR_PU_SU), ou seja, PEF entre 0.25 e 0.50, e RHmin de 90% com o fechamento de Arakawa e Schubert (1974), e espaçamento de grade de 0.50° x 0.50°.

Figura 2 – Área dos experimentos com modelo REGCM4 de Silva (2016).

Fonte: Autoria própria.

2.4 Ferramentas de análises

Primeiramente foi delimitada as coordenadas geográficas no programa OpenGrads de 48°W a 34°W de longitude e 18°S a 1°S de latitude. Para realização da análise estatística de comparação dos dados das parametrizações do modelo com o satélite TRMM e o Era-Interim foi realizada uma interpolação bilinear através do programa Climate Data Operators (CDO), onde todos os dados foram interpolados para grade de 0.25° do satélite TRMM. Em seguida foram extraídos todos os pontos da grade de 25 km sobre a área de estudo, totalizando 5476 pontos, contento os dados dos acumulados de precipitação em mm e média da temperatura em °C de todos os outonos no período de 1998 a 2008. Posteriormente os dados foram tratados para realização das técnicas estatísticas como a análise de cluster, variância (ANOVA), teste de diferenças entre médias (t-student), e os cálculos dos erros como, o Erro Absoluto Médio (MAE), Erro Médio Quadrático (EQM) e Raiz do

Erro Médio Quadrático (REQM), todos estes demonstram que quanto menor o valor do erro, ou seja, próximo à zero, melhor é a simulação.

Os testes estatísticos utilizados neste trabalho, como o teste t-student ou teste das médias possui as seguintes hipóteses: Nula (H0: As médias são iguais); Alternativa (H1: As médias são diferentes). E o teste de variância (ANOVA) têm as seguintes hipóteses (H0: As médias populacionais são iguais e H1: As médias populacionais não são iguais, ou seja, pelo menos uma das médias difere das outras). Neste estudo foi considerado o nível de significância de 5% para rejeição da hipótese nula, ou seja, se o p-valor dos testes citados acima for menor ou igual à 0.05, rejeita-se H0.

A análise de cluster também conhecida como agrupamento, é uma técnica estatística que agrupa um conjunto de objetos em grupos ou classes similares, ou seja, esta divide vários grupos, onde os objetos são inseridos em cada classe que possui características semelhantes ao do objeto e que estes mesmos grupos possuam dissimilaridades entre si. A análise de cluster possui diferentes métodos e medidas de similaridade entre os objetos a serem agrupados, sendo expressos como função da distância ou métrica (OLIVEIRA, 2014). No presente estudo foi utilizado a distância euclidiana que é um método de dissimilaridade, e o método hierárquico da variância mínima de Ward, que é um método aglomerativo.

Para obtenção da quantidade de clusters foi utilizado o Índice Silhueta (SI), que foi desenvolvido por Rousseeuw (1987). Este índice avalia a semelhança das observações inseridas em um determinado grupo comparando com outros grupos formados. O SI indica valores que variam entre -1 a 1, ou seja, quanto mais próximo de -1, a observação provavelmente foi atribuída a um cluster inadequado. Próximo a 0 indica que o elemento está próximo do limite entre dois grupos e não pertence a nenhum cluster. Já o valor próximo a 1 indica que a observação está no cluster correto.

Com a definição da quantidade de clusters, para uma melhor visualização dos grupos definidos sobre o NEB, foi utilizada uma ferramenta

geoestatística para espacializar os grupos através do método de Krigagem que é conhecido como um interpolador “perfeito”.

Após a escolha do número de clusters, foi realizada uma nova extração da média da área de cada cluster, contendo os dados diários de precipitação e temperatura de cada outono (totalizando 92 dias) do período estudado, desta vez com a finalidade de fazer uma análise de correlação entre os dados do modelo utilizado com os dados do TRMM e Era-Interim. De acordo com Wilks (2011), para a análise de correlação o correto é ter uma amostra acima de 30.

3. Resultados e discussão

Aplicando o SI nos dados do satélite TRMM e do Era-Interim, foi possível determinar o número de clusters para uma melhor avaliação do modelo REGCM4.

O gráfico silhueta da variável precipitação dos dados de satélite TRMM, obteve um melhor resultado com 4 clusters, onde os mesmos possuem uma média de silhueta de 0.29, sendo que o menor valor obtido foi do grupo 4 (vermelho) com 0.25 (Figura 4 à direita). Os clusters espacializados de precipitação no período do outono de 1998 a 2008 (Figura 4 à esquerda), mostra que o grupo 1 (azul) se estende desde o estado da Bahia, sul do Piauí, Maranhão, parte de Pernambuco e Paraíba, até o Rio Grande do Norte. O grupo 2 (amarelo) compreende os estados do Ceará, Piauí e centro do Maranhão. O grupo 3 (cinza) se estende no noroeste e centro do Maranhão até o norte do Piauí. O grupo 4 (vermelho) se encontra sobre o litoral do Maranhão. Oliveira (2014) analisou as regiões homogêneas de precipitação climatologicamente sobre o NEB, onde utilizou 148 estações meteorológicas e identificou cinco áreas homogêneas dentre estas, às denominou de Costa Nordeste (NC), Costa Sudeste (SC), Nordeste do Semiárido (NS), Sudeste do Semiárido (SS) e Noroeste (NW) (Figura 3). Nas regiões SS e SC a estação chuvosa ocorre em dezembro, janeiro e fevereiro, na região NC a estação chuvosa ocorre em junho, julho e agosto, e nas demais regiões ocorre no

período do outono (março, abril e maio). Como o presente estudo é apenas no período do outono, a análise de cluster difere um pouco do estudo feito por Oliveira (2014), sendo que as regiões SS, NC e SC se encontram dentro do grupo 1, já as regiões NS se encontra no grupo 2, e a NW nos grupos 3 e 4 (Figura 4 à esquerda).

Figura 3 – Distribuição espacial das áreas homogêneas encontradas por Oliveira (2014) sobre o Nordeste Brasileiro.

Fonte: Adaptado de Oliveira (2014).

(+) Costa Nordeste (NC) ( ) Semiárido Nordeste (NS) ( ) Noroeste (NW)

( ) Semiárido Sudeste (SS) ( ) Costa Sudeste (SC)

Figura 4 - Gráfico silhueta à direita para determinação da quantidade de clusters da variável precipitação; (azul - grupo 1, amarelo - grupo 2, cinza - grupo 3 e vermelho - grupo 4). Análise de cluster espacializada (à esquerda) da precipitação total média do satélite TRMM no período do outono de 1998 a 2008.

O gráfico de silhueta de temperatura obteve uma média de silhueta de 0.33, onde o grupo 1 (azul) foi o que obteve menor valor (0.22), tendo menor incerteza neste grupo, ou seja, se os dados são pertencentes ao grupo 1 ou grupo 2 (Figura 5 à direita). A análise de cluster da temperatura difere um pouco da precipitação, cujo grupo 1 se estende desde o sul da Bahia até o sudeste do Piauí. O grupo 2 compreende o leste da Bahia, parte do semiárido até Pernambuco. O grupo 3 se estende na costa norte do NEB, e o grupo 4 se encontra no estado do Maranhão (Figura 5 à esquerda).

Figura 5 - Gráfico Silhueta à direita para determinação da quantidade de clusters da variável temperatura; (azul - grupo 1, amarelo - grupo 2, cinza - grupo 3 e vermelho - grupo 4). Análise de cluster espacializada da temperatura média do Era-Interim no perído do outono de 1998 a 2008 (à esquerda).

Em todos os clusters, a análise temporal da precipitação total média de cada outono desde de 1998 a 2008 (Figura 6) sobre o NEB mostrou que a simulação Emanuel (linha tracejada vermelha) superestima a precipitação em relação ao satélite TRMM (linha contínua azul), tendo valores menos discrepantes no cluster 1, que compreende uma área maior do nordeste, já nos demais clusters que compreendem o oeste e norte do NEB, esta simulação superestima a precipitação. Silva (2016) observou que as simulações com a parametrização de cumulus MIT-Emanuel intensifica a chuva no norte do Brasil e desistensifica na região Nordeste, ou seja, em regiões mais quentes e úmidas, a parametrização Emanuel depende da instabilidade condicional das parcelas de ar próximo à superfície o que gera precipitação elevada nessas áreas. É o que observamos nos clusters 2, 3 e 4, onde a precipitação é mais elevada, a simulação Emanuel superestima muito os valores de precipitação estimados pelo TRMM, chegando a diferenças de aproximadamente 3000mm. Além disto, esta superestimação é consistente com os resultados encontrados no estudo feito por Santos e Silva et al. (2014), este verificou que a precipitação simulada com o experimento Emanuel excede as observações do satélite TRMM na área continental.

A parametrização Grell (linha pontilhada verde) varia em cada cluster (Figura 6), no grupo 1 a parametrização Grell superestima a precipitação em relação ao TRMM, com uma diferença de aproximadamente 800mm no ano de 2000. No grupo 2 a parametrização Grell superestima a precipitação até o ano de 2004, subestimando nos anos de 2005 a 2006. Nos clusters 3 e 4 a simulação Grell subestima a chuva na maior parte, com uma diferença de aproximadamente 500mm e 600mm no ano de 2006, respectivamente, sendo que no ano de 2000 foi mais chuvoso nessas regiões, devido à um evento de La Niña, a simulação Grell superestimou a chuva, colocando valores elevados em relação aos estimados pelo satélite (isto é observado também nos demais clusters). Em todos os clusters observa-se que os valores simulados pelo Grell, chegam mais próximos do estimado pelo TRMM, mas o que melhor acompanha a série temporal é a simulação Emanuel.

Figura 6 - Precipitação total média do outono em mm/dia de cada cluster no período de 1998-2008. Dados do satélite TRMM em linha contínua azul, parametrização Emanuel em linha tracejada vermelha e parametrização Grell em linha pontilhada verde.

Na análise temporal de temperatura média de cada outono (Figura 7), nota-se que a parametrização Grell (linha pontilhada verde) superestima a temperatura nas regiões dos clusters 1 e 3 em relação ao dados do Era-Interim, com diferença de aproximadamente 5°C. Já a parametrização Emanuel (linha tracejada vermelha) superestima também, mas tem os seus valores simulados mais próximos dos dados do Era-Interim (linha contínua azul). Nos clusters 2 e 4, a parametrização Grell subestima os valores do Era-Interim em aproximadamente 2°C, o contrário ocorre na simulação Emanuel, superestimando a temperatura. Em todos os clusters é observado que as simulações Emanuel e Grell representam melhor a temperatura temporalmente do que a precipitação, isto pode ser explicado pelo simples fato de que a temperatura varia menos espacialmente em relação a precipitação, logo os MCRs simulam melhor esta variável. Além disto, o ano de 2000 é destacado nestas simulações do modelo REGCM4, pois como visto anteriormente foi um ano de La Niña, onde as simulações de precipitação captaram a precipitação elevada neste período, já para as simulações de temperatura, o mesmo ocorre, sendo que ao contrário da precipitação, a temperatura diminui, e isto, o modelo captou bem esta diminuição.

Figura 7 - Temperatura média do outono em °C de cada cluster no período de 1998-2008. Dados de reanálise do Era-Interim em linha contínua azul, parametrização Emanuel em linha tracejada vermelha e parametrização Grell em linha pontilhada verde.

As correlações variam de ano para ano em todas as áreas tanto para variável precipitação quanto para a temperatura do ar (Figura 8). Na análise de correlação da precipitação acumulada diária observa-se que no cluster1 obteve correlações altas com o satélite TRMM (Figura 8a;b). Sendo a parametrização Emanuel a obter maiores correlações entre 20% e 60% (Figura 8a), aproximadamente. Como visto anteriormente na Figura 6, esta correlação alta pode ser explicada devido que a parametrização Emanuel representa melhor a série temporal da precipitação.

Na análise de correlação das parametrizações Emanuel e Grell em todos os clusters simulando a temperatura média diária no outono obtiveram uma alta correlação com o Era-Interim (Figura 8c;d) comparado a precipitação, sendo a simulação Emanuel a obter maior correlação com os dados de reanálise entre aproximadamente 50% e 70%. Nota-se uma correlação inversa e baixa de

aproximadamente 25% nos clusters 3 e 4 no ano de 2000, como discutido anteriormente nas Figuras 4 e 5, houve um evento de La Niña neste referido ano, e nestas áreas ocorreu precipitação significativa de aproximadamente 1500mm no período do outono. Isto fez com que as parametrizações superestimassem muito a precipitação e diminuísse a temperatura.

Figura 8 - Correlação entre a precipitação total média diária do satélite TRMM e da simulação Emanuel (a) e Grell (b), entre a temperatura média diária do Era-Interim e a simulação Emanuel (c) e Grell (d) dos clusters no período do outono de 1998-2008. Dados do cluster1 em linha contínua azul, cluster2 em linha tracejada vermelha, cluster3 em linha pontilhada verde e cluster4 em linha pontilhada roxa.

Na ANOVA, em todos os clusters na parametrização Grell, não rejeitou-se a hipóterejeitou-se H0 de que as médias populacionais são iguais. Apenas os clusters 2 e 3, na parametrização Emanuel não rejeitou-se a hipótese nula, ou

(c)

(d)

seja, a média populacional são iguais. No teste das médias (t-student), o p-valor da maioria dos clusters foi menor do que 0.05, rejeitando-se a hipótese nula de que as médias são iguais, com excessão do cluster 3, onde a parametrização Grell obteve p-valor de 0.33, não rejeitando a hipótese nula. Com relação ao EQM e o MAE mostraram que a parametrização Grell simulando a precipitação foi a que obteve menor erro em todos os clusters (Tabela 1), com valores variando de 287.83mm a 584.15mm. Os erros obtidos nesta simulação podem ser explicados devido a aproximação dos valores simulados com os dados do satélite TRMM, como visto anteriormente nas figuras da série temporal dos outonos.

O teste de variância da simulação da temperatura (Tabela 2), mostrou que apenas a parametrização Grell no cluster 2 obteve o p-valor igual a 0.12 maior que o nível de significância de 5%, não rejeitando a H0, ou seja, as médias populacionais são iguais. Nos demais clusters o p-valor foi menor que 5%, rejeitando-se a hipótese nula, ou seja, as médias populacionais não são iguais, ou pelo menos uma difere das outras. No teste das médias todos os p-valores obtiveram p-valores menores que 0.05, rejeitando-se a hipótese nula de que as médias são iguais, ou seja, todas as médias diferem uma das outras. Já o EQM e o MAE, obtiveram valores menores na parametrização Emanuel nos clusters 1, 2 e 3, com valores de 0.65°C, 0.76°C e 0.88°C, respectivamente. Sendo que apenas o cluster 4 obteve menor valor dos erros na parametrização Grell, com valor de aproximadamente 0.30°C.

Tabela 1 - Análise estatística do Erro Quadrático Médio (EQM), a Raiz do Erro Quadrático Médio (REQM) e do Erro Absoluto Médio (MAE), ANOVA e teste t-student da precipitação no período do outono entre o satélite TRMM e as parametrizações Emanuel e Grell.

Precipitação EQM REQM MAE

ANOVA (p-valor) Teste t-student (p-valor) Cluster 1 Emanuel 859213 926.93 865.9 0.04 8.72E-03 Grell 155092.1 393.81 351.41 0.82 9.49E-02 Cluster 2 Emanuel 3878884 1969.48 1930.67 0.97 1.71E-03 Grell 174221 417.39 338.38 0.75 0.03 Cluster 3 Emanuel 4021557 2005.38 1900.1 0.06 2.88E-03 Grell 82851.23 287.83 229.14 0.2 0.33 Cluster 4 Emanuel 6533721 2556.11 2523.93 0.02 2.44E-09 Grell 341239.1 584.15 543.45 0.17 0.0007

Tabela 2 - Análise estatística do Erro Quadrático Médio (EQM), a Raiz do Erro Quadrático Médio (REQM) e do Erro Absoluto Médio (MAE), ANOVA e teste t-student da temperatura no período do outono entre os dados de reanálise do Era-Interim e as parametrizações Emanuel e Grell.

Temperatura EQM REQM MAE ANOVA

(p-valor) Teste t-student (p-valor) Cluster 1 Emanuel 3.54 1.88 1.79 0.0003 1.46E-03 Grell 17.92 4.23 4.16 0.005 9.87E-06 Cluster 2 Emanuel 0.58 0.76 0.72 0.001 1.43E-02 Grell 0.74 0.86 0.78 0.12 4.28E-02 Cluster 3 Emanuel 0.79 0.88 0.83 0.0001 0.0001 Grell 11.25 3.35 3.26 0.0002 8.19E-05 Cluster 4

Emanuel 0.42 0.65 0.62 1.43E-02 1.61E-06

4. Conclusões

Diante do exposto, conclui-se que a parametrização Emanuel superestima a precipitação em relação aos dados estimados pelo TRMM, principalmente em regiões que apresentam maiores acumulados de chuva. Além disto, esta parametrização foi a que melhor representou a variação temporal da precipitação comparado com a Grell. A parametrização Grell simulando a precipitação foi a que obteve menores erros nas simulações em todos os clusters, devido que esta parametrização se aproximou mais dos valores estimados pelo TRMM, mas não representou bem esses dados temporalmente.

Em relação à temperatura simulada pelo Regcm4, as parametrizações obtiveram resultados melhores na simulação desta variável em todos os clusters, sendo que a temperatura é uma variável mais fácil de simular, pois os modelos em geral simulam melhor esta variável, devido que a mesma varia menos espacialmente do que a precipitação. A parametrização Emanuel obteve menores erros nos clusters 1, 2 e 3, já o cluster 4 (região que abrange maior parte do litoral norte do NEB) foi a parametrização Grell que obteve menor erro.

Agradecimentos

Agradeço ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPQ) pelo apoio e concessão de bolsa.

Referências

ALMAZROUI, M. Dynamical downscaling of rainfall and temperature over the Arabian Peninsula using RegCM4. Climate Research, v. 52, n. 1, p. 49–62, 2012.

ANTHES, R. A. A Cumulus Parameterization Scheme Utilizing a One-Dimensional Cloud Model. Monthly Weather Review, 1977.

ARAKAWA, A.; SCHUBERT, W.H. 1974. Interaction of a cumulus cloud ensemble with the large-scale environment, Part I. Journal of Atmospheric Science, v. 31, n. 3, p. 674-701.

ÁVILA, P. L. R.; SOUZA, E. B.; PINHEIRO, A. N. Revista Brasileira de Geografia Física. Revista Brasileira de Geografia Física, v. 6, p. 1275–1291, 2013.

COLLISCHONN, B. Desempenho do satélite TRMM na estimativa de precipitação sobre a bacia do Paraguai Superior. Revista Brasileira de Cartografia, Porto Alegre, v. 1, n. 59, p.93-99. 2007.

COUTINHO, E. DE C.; FISCH, G. Distúrbios Ondulatórios de Leste (DOLs) na região do Centro de Lançamento de Alcântara-MA. Rev. Bras. Meteorol., v. 22, n. 2, p. 193–203, 2007.

DANTAS, V. A.; AMORIM, A. C. B.; COSTA, M. S.; SILVA, C. M. S. Downscaling dinâmico sobre o Nordeste do Brasil utilizando um modelo climático regional: impacto de diferentes parametrizações na precipitação simulada. Revista Brasileira de Geografia Física, v. 6, n. 4, p. 995–1008, 2013.

DEE, D. P.; UPPALA, S. M.; SIMMONS, A. J.; et al. The ERA-Interim reanalysis: Configuration and performance of the data assimilation system. Quarterly Journal of the Royal Meteorological Society, v. 137, n. 656, p. 553–597, 2011.

DICKINSON, R. E.; ERRICO, R. M.; GIORGI, F.; BATES, G. T. A regional climate model for the western United States. Climatic Change, v. 15, n. 3, p. 383–422, 1989.

EMANUEL, K. A. A Scheme for Representing Cumulus Convection in Large-Scale Models. Journal of the Atmospheric Sciences. p. 2313-2335, 1991. FRITSCH, J. M. AND CHAPPELL, C. F. Numerical Prediction of Convectively Driven Mesoscale Pressure Systems. Part II: Mesoscale Model. Journal of the Atmospheric Sciences, p. 1734–1762, 1980.

GIORGI, F. Simulation of Regional Climate Using a Limited Area Model Nested in a General Circulation Model. Journal of Climate, 1990. Disponível em:

<http://journals.ametsoc.org/doi/abs/10.1175/1520-0442%281990%29003%3C0941%3ASORCUA%3E2.0.CO%3B2>. .

GIORGI, F.; BI, X.; PAL, J. S. Mean, interannual variability and trends in a regional climate change experiment over Europe. I. Present-day climate (1961-1990). Climate Dynamics, v. 22, n. 6–7, p. 733–756, 2004.

GIORGI, F.; COPPOLA, E.; SOLMON, F.; et al. RegCM4: Model description and preliminary tests over multiple CORDEX domains. Climate Research, v. 52, n. 1, p. 7–29, 2012.

GIORGI, F.; JONES, C.; ASRAR, G. R. Addressing climate information needs at the regional level: The CORDEX framework. World Meteorological Organization Bulletin, v. 58, n. 3, p. 175–183, 2009.

GIORGI, F.; MARINUCCI, M. R.; BATES, G. T. Development of a Second-Generation Regional Climate Model (RegCM2). Part I: Boundary-Layer and Radiative Transfer Processes. Monthly Weather Review, 1993. Disponível em:

<http://journals.ametsoc.org/doi/abs/10.1175/1520-0493%281993%29121%3C2794%3ADOASGR%3E2.0.CO%3B2>. .

GIORGI, F.; MARINUCCI, M. R.; BATES, G. T.; DE CANIO, G. Development of a Second-Generation Regional Climate Model (RegCM2). Part II: Convective Processes and Assimilation of Lateral Boundary Conditions. Monthly Weather

Review, 1993. Disponível em:

<http://journals.ametsoc.org/doi/abs/10.1175/1520-0493%281993%29121%3C2814%3ADOASGR%3E2.0.CO%3B2>. .

GIORGI, F.; MEARNS, L. O. Introduction to special section: Regional climate modeling revisited. Journal of Geophysical Research: Atmospheres, v. 104,

n. D6, p. 6335–6352, 1999.

GRELL, G. A. Prognostic evaluation of assumptions used by cumulus parameterizations, Monthly Weather Review, vol. 121, no. 3, p. 764–787, 1993.

HASTENRATH, S. Circulation and teleconnection mechanisms of Northeast Brazil droughts. Progress in Oceanography, v. 70, n. 2–4, p. 407–415, 2006. KOUSKY, V. E.; GAN, M. A. Upper tropospheric cyclonic vortices in the tropical South Atlantic Upper tropospheric cyclonic vortices in the tropical South Atlantic. , v. 2826, n. February, 1981.

LLOPART, M.; DA ROCHA, R. P.; REBOITA, M.; CUADRA, S. Sensitivity of simulated South America climate to the land surface schemes in RegCM4. Climate Dynamics, v. 49, n. 11–12, p. 3975–3987, 2017. Disponível em: <http://link.springer.com/10.1007/s00382-017-3557-5>. .

MARENGO, J. A. Vulnerabilidade, impactos e adaptação à mudança do clima no semi-árido do Brasil. Parcerias Estratégicas, v. 13, n. 27, p. 149–176,

2008. Disponível em:

<http://seer.cgee.org.br/index.php/parcerias_estrategicas/article/view/329>. . OLIVEIRA, P. T. Estudos Estatísticos sobre Eventos de Precipitação Intensa no Nordeste do Brasil. Programa de Pós-Graduação em Ciências Climáticas, Universidade Federal do Rio Grande do Norte, Tese de doutorado, 114p. 2014.

PAL, J. S.; GIORGI, F.; BI, X.; et al. Regional climate modeling for the developing world: The ICTP RegCM3 and RegCNET. Bulletin of the American Meteorological Society, v. 88, n. 9, p. 1395–1409, 2007.

PAL, J. S.; SMALL, E. E.; ELTAHIR, E. A. B. Simulation of regional-scale water and energy budgets: Representation of subgrid cloud and precipitation processes within RegCM. Journal of Geophysical Research: Atmospheres, v. 105, n. D24, p. 29579–29594, 2000. Disponível em: <http://doi.wiley.com/10.1029/2000JD900415>. .

QIAN, J.-H.; SETH, A.; ZEBIAK, S. Reinitialized versus Continuous Simulations for Regional Climate Downscaling. Mon Wea Rev, v. 131, p. 2857–2874, 2003.

REBOITA, M.; KRUSCHE, N.; AMBRIZZI, T.; PORFÍRIO, R.; ROCHA, D. Entendendo o Tempo e o Clima na América do Sul O Sol como Fonte de Energia. Terra e Didatica, v. 8, n. 1, p. 34–50, 2012.

ROUSSEEUW, P. J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, v. 20, n. C, p. 53–65, 1987.

SALES, D. C.; COSTA, A. A.; SILVA, E. M.; et al. Projeções de mudanças na precipitação e temperatura no nordeste Brasileiro utilizando a técnica de downscaling dinâmico. Revista Brasileira de Meteorologia, v. 30, n. 4, p. 435–456, 2015.

SANTOS E SILVA, C. M.; SILVA, A.; OLIVEIRA, P.; LIMA, K. C. Dynamical downscaling of the precipitation in Northeast Brazil with a regional climate model during contrasting years. Atmospheric Science Letters, v. 15, n. 1, p. 50–57, 2014.

SILVA, A. G. Estudo sobre a precipitação simulada no outono na região tropical da América do Sul através de downscaling dinâmico e previsão por conjunto. Programa de Pós-Graduação em Ciências Climáticas, Universidade Federal do Rio Grande do Norte, Tese de doutorado, 125p. 2016. SILVA, A. G.; E SILVA, C. M. S. Improving regional dynamic downscaling with multiple linear regression model using components principal analysis: Precipitation over Amazon and Northeast Brazil. Advances in Meteorology. 2014.

SILVA, C. M. S.; Silva, A.; Oliveira, P.; Lima, K. C. Dynamical downscaling of the precipitation in Northeast Brazil with a regional climate model during contrasting years. Atmospheric Science Letters, v. 15, n. 1, p.50-57. 2014. SOUZA, E. B. et al. Precipitação sazonal sobre a Amazônia oriental no período chuvoso: Observações e simulações regionais com o RegCM3. Revista Brasileira de Meteorologia, v.24, n.2. 2009.

WILKS, D. S. Statistical Methods in the Atmospheric Sciences. Estados

APÊNDICE

Apêndice A – Precipitação total média (mm) sobre o Nordeste Brasileiro. Satélite TRMM com espaçamento de grade de 25 km (a), parametrizações Emanuel (b) e Grell (c) com espaçamento de grade de 50 km.

Apêndice B – Temperatura média do ar a 2 metros em relação à superfície (°C) sobre o Nordeste Brasileiro. Era-Interim com espaçamento de grade de 25 km (a), parametrizações Emanuel (b) e Grell (c) com espaçamento de grade de 50 km.

Apêndice C – Comparação dos Grupos da precipitação do satélite TRMM e da parametrização Emanuel espacializados sobre o Nordeste no período do outono de 1998 a 2008 (Grupo 1 – Azul, Grupo 2 – Amarelo, Grupo 3 – Cinza e Grupo 4 – Vermelho), e a diferença de ambos (mostrando as áreas homogêneas em branco e heterogêneas em cinza).

Apêndice D – Comparação dos Grupos da precipitação do satélite TRMM e da parametrização Grell espacializados sobre o Nordeste no período do outono de 1998 a 2008 (Grupo 1 – Azul, Grupo 2 – Amarelo, Grupo 3 – Cinza e Grupo 4 – Vermelho), e a diferença de ambos (mostrando as áreas homogêneas em branco e heterogêneas em cinza).

Apêndice E – Comparação dos Grupos da temperatura do Era-Interim e da parametrização Emanuel espacializados sobre o Nordeste no período do outono de 1998 a 2008 (Grupo 1 – Azul, Grupo 2 – Amarelo, Grupo 3 – Cinza e Grupo 4 – Vermelho), e a diferença de ambos (mostrando as áreas homogêneas em branco e heterogêneas em cinza).

Apêndice F – Comparação dos Grupos da temperatura do Era-Interim e da parametrização Grell espacializados sobre o Nordeste no período do outono de 1998 a 2008 (Grupo 1 – Azul, Grupo 2 – Amarelo, Grupo 3 – Cinza e Grupo 4 – Vermelho), e a diferença de ambos (mostrando as áreas homogêneas em branco e heterogêneas em cinza).

(b)

Apêndice G – Box-plots da precipitação total média do outono em mm/dia da análise de cluster no período de (1998-2008). Grupo 1 (a), Grupo 2 (b), Grupo 3 (c) e Grupo 4 (d).

(d)

(b)

Apêndice H – Box-plots da temperatura média do outono em mm/dia da análise de cluster no período de (1998-2008). Grupo 1 (a), Grupo 2 (b), Grupo 3 (c) e Grupo 4 (d).

Apêndice I – Matriz de dispersão da precipitação média do outono em mm/dia da análise de cluster no período de (1998-2008). Grupo 1 (a), Grupo 2 (b), Grupo 3 (c) e Grupo 4 (d).

Apêndice J – Matriz de dispersão da precipitação média do outono em mm/dia da análise de cluster no período de (1998-2008). Grupo 1 (a), Grupo 2 (b), Grupo 3 (c) e Grupo 4 (d).