UNIVERSIDADE ESTADUAL DE SANTA CRUZ

PATRICK BORGES RODRIGUES

AQUECIMENTO GLOBAL E TENDÊNCIAS DE TEMPERATURAS MÁXIMAS

ASSOCIADAS COM PERÍODOS DE ESTIAGEM NO LITORAL DA BAHIA

ILHÉUS – BAHIA
2018
 PATRICK BORGES RODRIGUES

AQUECIMENTO GLOBAL E TENDÊNCIAS DE TEMPERATURAS MÁXIMAS

ASSOCIADAS COM PERÍODOS DE ESTIAGEM NO LITORAL DA BAHIA

Trabalho de conclusão de curso apresentado à

Universidade Estadual de Santa Cruz para
obtenção do grau de Bacharel em Engenharia
Civil.

Orientador: Prof. Dr. Manoel Camilo Moleiro

Cabrera.

ILHÉUS – BAHIA
2018
 SUMÁRIO

1 INTRODUÇÃO ........................................................................................................................ 3
1.1 Objetivos ............................................................................................................................ 5
1.1.1 Geral ................................................................................................................................ 5
1.1.2 Específicos ...................................................................................................................... 5
2 REFERENCIAL TEÓRICO .................................................................................................... 6
2.1 Extremos climáticos extremos ............................................................................................ 6
2.2 Análise climática clássica ................................................................................................... 7
2.3 Análise climática dinâmica ................................................................................................. 8
2.4 Análise por cópulas ............................................................................................................ 9
2.5 Tempo de retorno ............................................................................................................. 10
2.6 O problema das secas ....................................................................................................... 11
3 MATERIAIS E MÉTODOS ................................................................................................... 13
3.1 Definição da área de estudo .............................................................................................. 13
3.1.1 Ilhéus, Bahia .............................................................................................................. 13
3.1.2 Caravelas, Bahia ................................................................................................................... 14
3.1.3 Salvador, Bahia .................................................................................................................... 15
3.2 Coleta dos dados ......................................................................................................................... 16
3.3 Tratamento de dados e identificação de erros .................................................................. 18
3.3.1 Identificação de erros grosseiros .......................................................................................... 18
3.3.2 Preenchimento de falhas....................................................................................................... 19
3.4 Análise bivariada de dados de temperatura e precipitação e determinação dos períodos de
retorno. .................................................................................................................................. 19
4 CRONOGRAMA.................................................................................................................... 20
REFERÊNCIAS ........................................................................................................................ 21
 3

1 INTRODUÇÃO

A verificação da ocorrência de extremos climáticos tem sido objeto de estudo em um

número expressivo de pesquisas no semiárido nordestino devido, sobretudo, à seca e a
observação do aumento de sua frequência e intensidade (DA SILVA et al, 2011; DINIZ;
SANTOS; SANTOS, 2008; MARENGO; CUNHA; ALVES, 2016; MARENGO et al, 2011;
PEREIRA; CUELLAR, 2016). Também, tem sido verificado um aumento na intensidade dos
fenômenos climatológicos e dos mecanismos atmosféricos, mesmo em regiões nas quais a
intensidade desses efeitos mantinha-se em níveis considerados normais por um período
relativamente longo de tempo, como tem-se observado em boa parte da Europa (KLEIN
TANK; KONNEN, 2003; TROMEL; SCHONWIESE, 2007). A principal causa dessas
observações, apontada pela grande maioria dos pesquisadores, tem sido as mudanças
ocasionadas pelo fenômeno do aquecimento global, sendo seus impactos observados tanto em
microescala quanto em macroescala.
Dentre os principais efeitos sentidos pelas populações, é importante citar a ampliação
do número e da intensidade dos fenômenos associados à precipitação e ao aumento da
temperatura. Se por um lado algumas regiões têm experimentado um crescimento expressivo
nos índices pluviométricos, como ocorreu com a Amazônia (ESPINOZA, 2014), outras,
mesmo aquelas nas quais os níveis pluviométricos mantinham-se estáveis em valores
relativamente elevados por muitos anos, tem experimentado a escassez das chuvas e aumentos
de temperatura que criam situações de secas severas e comprometem a disponibilidade hídrica
na região.
Apesar de ser um fenômeno recorrente que tem registros no Brasil desde o final do
século XIV (1583/1585) (EMBRAPA, 2014), a seca afetou severamente o Leste do Brasil
entre 2012 e 2017, o que seguiu um período prolongado de temperaturas acima da média e
baixas taxas de precipitação. Essas condições comprometeram tanto a disponibilidade hídrica
superficial quanto subsuperficial e tiveram impactos significativos na produção agrícola e de
energia, assim como na disponibilidade hídrica para abastecimento e irrigação. Ainda,
conforme apresenta Getirana (2015), desenvolvimento energético e políticas de
gerenciamento hídrico ineficientes tem aumentado o impacto de secas severas recentes, o que
inclui perdas massivas na agricultura, restrições no abastecimento de água e racionamento de
energia.
 4

Dois grandes exemplos recentes para o Brasil foram a crise hídrica verificada no
Sudeste e a seca verificada em grande parte do Nordeste entre 2012 e 2017. Em ambos os
casos, foi verificado um aumento nos valores médios de temperatura associados a uma
redução significativa nos índices pluviométricos, o que acabou por reduzir a oferta de água às
populações, trazendo prejuízos de ordem social e econômica.
Para se ter uma ideia da extensão do problema, durante a seca no Nordeste mais da
metade dos municípios baianos estiveram em situação de emergência declarada pelo governo
do estado. Somente nos Diários Oficiais do Estado da Bahia nos dias 15 e 29 de março de
2017 o governador do estado, com base nos relatórios da Superintendência de Proteção e
Defesa Civil – SUDEC, declarou situação de emergência em 250 dos 417 municípios baianos.
Ainda, como aproximadamente 32% da água no país é utilizada na agricultura, a seca
supracitada causou uma perda de pelo menos R$ 10 bilhões no setor somente em 2014
(RAPOZA, 2014).
Muitos estudos têm apresentado características semelhantes às identificadas nos dois
casos apresentados para o Brasil em outras regiões do planeta, seja por meio de análises de
dados obtidos em estações climatológicas ou em simulações feitas a partir do levantamento de
dados históricos para precipitação e temperatura (BENISTON, 2009; BORONEAUNT et al.,
2006; BRABSON; PALUTIKOF, 2002; COPPOLA; GIORGI, 2010; ESTRELLA;
MENZEL, 2013). Para além, essas pesquisas apresentam a tendência de que no futuro a
ocorrência de fenômenos climatológicos extremos tenda a se situar nos modos conjuntos de
temperatura e precipitação classificados como quente e seco (WD) e como quente e úmido
(WW) em detrimento dos conjuntos frios, tanto secos (CD) quanto úmidos (CW), o que mais
uma vez reforça a observação do aumento da temperatura média do planeta.
A definição de seca é complexa por si só e, embora a maioria das pessoas possam
considerar a escassez extrema de precipitação como seca, como caracterizá-la para o
planejamento e gerenciamento de recursos hídricos ainda é uma tarefa desafiadora (FAN et al,
2017; ZARGAR et al, 2011).
Para explicar esse fenômeno, muitos pesquisadores recorrem às análises isoladas dos
eventos climáticos e dos mecanismos atmosféricos, o que figura entre as análises da
climatologia clássica. Nesses casos, as consequências da variação dos níveis pluviométricos e
da temperatura, além de outras variáveis climatológicas, são analisadas como se cada uma das
variáveis fosse independente das outras. É sabido, porém, que muitos desses efeitos não
conseguem ser explicados quando se consideram isoladamente os efeitos da precipitação ou
 5

da dinâmica da temperatura e as análises univariadas podem superestimar ou subestimar os

efeitos do evento sob análise.
Para resolver esse problema pretende-se utilizar uma análise integrada entre
precipitação e temperaturas máximas utilizando o conceito hidrológico do tempo de retorno e
análise bivariada. Como principais resultados positivos das análises que consideram um
conjunto mais abrangente de variáveis hidrometeorológicas quando agindo
concomitantemente, pode-se citar uma melhor compreensão dos fenômenos climatológicos
aliados a probabilidade de risco, o que permite um processo de tomada de decisão mais
racional (AGHAKOUCHAK, 2014).

1.1 Objetivos

1.1.1 Geral

Caracterizar as séries cinquentenárias de temperatura máxima e chuva no litoral da Bahia,

região de domínio de mata atlântica e clima tropical úmido. Verificar se existe uma tendência
temporal de elevação nos valores de temperatura máxima do ar, e se esses valores extremos
estão associados com períodos de baixa precipitação.

1.1.2 Específicos

a) Obter séries históricas de dados de temperatura e chuva das localidades de Ilhéus

Caravelas e Salvador;
b) Realizar preenchimento de falhas nos dados de precipitação e temperatura
utilizando o método da ponderação regional utilizando dados de estações
meteorológicas vizinhas e de satélites como o Tropical Rainfall Measuring Mission
(TRMM);
c) Fazer uma análise integrada de precipitação, temperatura e o conceito hidrológico
de período de retorno visando estimar uma probabilidade conjunta;
d) Verificar se existe uma tendência temporal de aumento da temperatura do ar
associada a períodos de seca.
 6

2 REFERENCIAL TEÓRICO

2.1 Extremos climáticos extremos

Um conjunto extenso de pesquisas demonstra que o aquecimento global tem

aumentado a ocorrência de eventos climáticos concorrentes, como é o caso das secas e das
ondas de calor (AGHAKOUCHAK et al, 2014). Ainda, todas as previsões relacionadas às
mudanças climáticas revelam que a maior parte do planeta se tornará mais quente e seca,
sendo que, um quinto das terras do globo já se encontram em regiões áridas, devendo ser as
primeiras a sentir os efeitos da diminuição da disponibilidade hídrica (SOLH; VAN GINKEL,
2014).
Segundo o quinto relatório do Intergovernmental Panel on Climate Change - IPCC
(STOCKER et al, 2013), caso as emissões de gases estufa se mantenham nas taxas praticadas
atualmente, é possível que a temperatura média do planeta aumente em até 4,8 °C até o final
do século XXI, o que poderá elevar o nível do mar em até 82 cm em algumas regiões
costeiras. Os efeitos desse aumento da temperatura média do planeta, porém, já começam a
ser observados a nível local e global à medida em que aumenta a quantidade e a intensidade
de alguns eventos climatológicos considerados extremos.
Contudo, o incremento da temperatura média global, sozinha, não consegue explicar o
aumento da ocorrência dos extremos climáticos, embora ele tenda a intensificar a severidade
de tais ocorrências (AGHAKOUCHAK et al, 2014). Assim, é muito provável que no futuro as
anomalias e mudanças climáticas irão afetar não somente o clima médio, mas também levarão
a uma maior frequência dos eventos extremos (JONES et al, 2007; SWART et al, 2008).
Extremo se refere a um evento infrequente e raro, que ocorre na cauda da função
densidade de probabilidade da distribuição estatística de referência para os elementos do
clima em uma localização particular (IPCC, 2001). Muitas pesquisas têm detectado mudanças
nos padrões das funções densidade de probabilidade para vários elementos do clima, tanto na
análise de dados históricos (observados) quanto na análise de dados futuros simulados, nas
escalas local e global nas quais podemos citar Jones et al (2007) e Estrella et al (2013).
A percepção das mudanças nos padrões desses extremos se dá pela verificação de
variações nas médias e nas variâncias de elementos do clima de um modo complexo. A
explicação para essa afirmativa, conforme apresentam Zhang, Zwiers e LI (2004) e Trömel e
 7

Schönwiese (2005), é que a identificação das alterações nos extremos é dependente da técnica
de análise empregada. Ainda, de acordo com Jones et al (2007), as mudanças nos extremos
são verificadas em várias escalas de tempo e espaço, por exemplo, de anos extremamente
quentes globalmente até picos de precipitação localmente.
Esses eventos climatológicos extremos, como inundações e secas, têm um profundo
impacto na sociedade e afetam os ecossistemas, qualidade de água, abastecimento público, a
produção de alimentos, a geração de energia e a saúde humana, sobretudo nas populações
socialmente vulneráveis (GETIRANA, 2015). Por outro lado, há ainda uma preocupação
crescente que eles possam estar mudando em frequência e intensidade como resultado da
influência humana no clima (JONES et al, 2007).
Na tentativa de definir, identificar e estimar a ocorrência de extremos climáticos,
muitas metodologias de análise de dados climatológicos têm sido propostas. Em algumas
delas, apenas uma variável de controle é escolhida e o extremo é caracterizado com base em
sua análise, sem se considerar a influência de outras variáveis sobre aquela única escolhida
como de controle, o que corresponde à chamada análise climática clássica. Em outras, duas ou
mais variáveis climáticas são analisadas e se busca identificar a interdependência entre elas na
caracterização do extremo, o que compõe a análise climática dinâmica.

2.2 Análise climática clássica

Dada a simplicidade e a disseminação de algumas análises, a prática mais comum

entre a maioria dos pesquisadores ainda é a definição de um único parâmetro de controle para
a avaliação de eventos extremos, utilizando, nesses casos, uma metodologia estatística de
análise univariada, também chamada de análise climática clássica. Assim, a ocorrência de um
período de seca, por exemplo, pode ser verificada a partir da observação de um período
prolongado com déficit de precipitação, da observação do déficit de umidade no primeiro
metro superficial de um dado solo, ou ainda na observação de uma vazão ou nível abaixo do
normal para um corpo hídrico (JONES et al, 2007).
Se por um lado a análise univariada pode explicar bem alguns fenômenos
climatológicos observados, por outro, ela tende a subestimar ou superestimar o risco
associado à ocorrência de extremos que são resultado da ação concorrente de fenômenos
diversos e de suas dependências, o que só pode ser explicado a partir de uma análise
 8

multivariada (DE MICHELLE et al, 2005; POULIN et al, 2007). Essa questão torna-se ainda
mais evidente quando se considera que em muitos problemas hidrológicos são as variáveis
aleatórias que possuem o papel mais significante, e que tais variáveis não são independentes
(SALVADORI; DE MICHELE, 2007). Assim, surge a necessidade de análises que englobem
diversas variáveis meteorológicas na identificação de extremos climáticos.

2.3 Análise climática dinâmica

Considerar o conjunto de dados para a temperatura e a precipitação conjuntamente é

uma metodologia relativamente nova que começou a ser empregada com os trabalhos de
Beniston (2009). Até esse momento, a tendência era a de considerar as variáveis individuais e
definir para elas limiares baseados em suposições simples, a exemplo do número de dias
acima ou abaixo de um valor limite para que seja observado ou não o efeito de determinada
variável climática. (ESTRELLA; MENZEL, 2013). Enquanto no caso univariado o quantil de
projeto é usualmente definido sem ambiguidade, o que é amplamente usado na prática de
engenharia, no caso multivariado essa não é a prática (SALVADORI; DE MICHELE;
DURANTE, 2011).
Recentemente, abordagens multivariadas têm sido propostas para a análise dos eventos
hidrológicos, o que tem ajudado muitos pesquisadores na definição dos tempos de retorno,
por exemplo, porém, como comparar as diferentes abordagens existentes e como definir qual
a melhor para cada aplicação ainda é um desafio (GRÄLER et al, 2013). Nessas análises, as
variáveis climáticas mais comumente estudadas são a temperatura e a precipitação, mas a
relação mútua entre elas tem sido raramente considerada (ESTRELLA; MENZEL, 2013).
Nesses casos, a construção de funções de distribuição multivariadas pode ser feita com
o uso de cópulas, dada a sua praticidade na análise da frequência multivariável e também pela
sua habilidade em modelar estruturas de dependência de maneira flexível (GRÄLER et al,
2013). As cópulas têm resolvido muitos dos problemas relacionados ao desenvolvimento de
modelos de probabilidade multivariados, que possuem uma série de dificuldades matemáticas
na definição de leis de conjuntos consistentes com aquelas observadas nas variáveis
climáticas individuais. Ainda assim, o uso de cópulas em hidrometeorologia é recente e
muitos resultados importantes ainda podem ser descobertos ou derivados (SALVADORI; DE
MICHELE, 2007).
 9

2.4 Análise por cópulas

Tendo sido proposta inicialmente nos trabalhos de De Michele e Salvadori (2003) e

Favre et al (2004), a modelagem por cópulas está rapidamente ganhando popularidade no
tratamento de dados hidrológicos multivariados (GENEST et al, 2007). Para além,
desenvolvimentos recentes em hidrologia estatística têm demonstrado o potencial das cópulas
na construção de Funções de Distribuição Cumulativas multivariadas (GRÄLER et al, 2013).
Conforme apresentado, trata-se de uma abordagem estatísticas na qual as cópulas são
funções que combinam diversas funções marginais univariadas de distribuição cumulativas.
Elas descrevem a dependência entre variáveis aleatórias e permitem o cálculo de
probabilidade conjunta, independentemente do comportamento marginal das variáveis
envolvidas (GRÄLER et al, 2013).
Estatisticamente falando, dado um vetor 𝑿 = (𝑋1, … , 𝑋𝑝 ), para 𝑝 ≥ 2 com variáveis
aleatórias contínuas, a abordagem por cópulas se desdobra na representação apresentada na
eq. (1).

𝑃𝑟 (𝑋1 ≤ 𝑥1 , … , 𝑋𝑝 ≤ 𝑥𝑝 ) = 𝐶{𝐹1 (𝑥1 ), … , 𝐹𝑝 (𝑥𝑝 )} (1)

Para a distribuição conjunta de X em termos de suas distribuições marginais, tem-se a

eq. (2).

𝐹𝑘 (𝑥) = Pr(𝑋𝑘 ≤ 𝑘) , 𝑘 ∈ {1, … , 𝑝} (2)

e uma cópula C, isto é, a função de distribuição cumulativa de um vetor (𝑈1 , … , 𝑈𝑝 ) de

variáveis aleatórias uniformes dependentes no intervalo (0,1) (GENEST et al, 2007).
Sob o ponto de vista teórico, as cópulas são atrativas dada a flexibilidade que
oferecem na construção de modelos para o vetor X através da escolha de diferentes famílias
de distribuição univariadas e da seleção de uma adequada estrutura de dependência entre os
componentes de X, como representado por C. Já sob o ponto de vista prático, o interesse no
uso das cópulas se dá devido à observação de que a maioria dos fenômenos hidrológicos são
multifatoriais e que a dependência entre as variáveis deve ser levada em conta de modo a
construir um modelo realista (GENEST et al, 2007).
 10

2.5 Tempo de retorno

O estudo hidrológico é parte integrante de grande parte dos projetos civis,

principalmente naqueles relacionados à infraestrutura urbana e ao abastecimento de água para
as populações. Sua importância provém do fato de que obras de infraestrutura são
sensivelmente afetadas pela presença de água e, na maioria dos casos, dimensionadas para
recebê-la até certos limites, como é o caso dos sistemas de esgotamento e drenagem
superficial, por exemplo. Em outros casos, como ocorre para as rodovias e ferrovias, a
presença de água pode comprometer o uso e a segurança dos usuários e, com isso, devem ser
dimensionados para escoar rapidamente o escoamento superficial resultante da precipitação..
Em hidráulica e hidrologia, um enorme número de aplicações requer a definição de um
período de retorno na ocasião da seleção das chuvas de projeto e dos hidrogramas, entre elas o
projeto de sistemas de esgoto e drenagem, barragens e análise de risco no mapeamento de
enchentes (GRÄLER et al, 2013). Em hidrologia, os projetos adotam o tempo de retorno de
um evento prescrito como o critério comum para o dimensionamento das obras hidráulicas de
engenharia (GRÄLER et al, 2013; SALVADORI; DE MICHELE, 2007).
A definição tradicional de tempo de retorno é o tempo médio entre duas ocorrências
sucessivas de um evento prescrito, o que apresenta claramente uma base estatística
(SALVADORI; DE MICHELE, 2007; SALVADORI; DE MICHELE; DURANTE, 2011).
Adicionalmente, Collischonn e Dornelles (2013) apresentam que o tempo de retorno é o
inverso da probabilidade de excedência de um determinado valor, seja ele de vazão, de
precipitação, etc. Comumente, o tempo de retorno é utilizado na estimativa do risco e provê
um meio racional de tomada de decisão com relação a uma obra qualquer, considerando, para
isso, eventos que tenham uma probabilidade de 1/T de ser ultrapassada em um ano qualquer,
onde T representa o tempo de retorno (GRÄLER et al, 2013; SALVADORI; DE MICHELE;
DURANTE, 2011).
É importante considerar que a noção de risco em hidrologia é um pouco diferente da
noção de risco em outras áreas do conhecimento, nas quais risco é sinônimo de probabilidade.
Em hidrologia, o risco é entendido como a probabilidade de ocorrência de dado evento
multiplicada pelas consequências, ou prejuízos, associadas à ocorrência do evento. Projetos de
estruturas hidráulicas são sempre projetados admitindo a possibilidade de falha porque é
muito caro dimensionar considerando o evento mais extremo possível, o qual também não é
conhecido. Dada a importância social e econômica da estrutura seu colapso pode causar
 11

grandes prejuízos, por isso os tempos de retorno tendem a ser maiores, o que significa que as
probabilidades de falhas são menores (COLLISCHONN; DORNELLES, 2013).
A escolha do tempo de retorno não se baseia numa decisão arbitrária do projetista,
mas, sobretudo, depende da importância da estrutura e do alcance e impacto de sua falha
(SALVADORI; DE MICHELE; DURANTE, 2011). A opção do método de análise e
determinação do tempo de retorno afeta o evento de projeto e por isso, muita atenção deve ser
dada à abordagem utilizada nos estudos (GRÄLER et al, 2013).
Igualmente importante é o conceito de quantil de projeto, usualmente definido como o
valor das variáveis que caracterizam o evento associado a um dado período de retorno
(SALVADORI; DE MICHELE; DURANTE, 2011). Na realidade, o período de retorno provê
um simples, mas eficiente, meio de realizar a na análise de risco, uma vez que que é capaz de
concentrar em um único parâmetro um conjunto grande de informações (SALVADORI; DE
MICHELE, 2007).
Frequentemente o estudo dos tempos de retorno envolve casos univariados, o que
pode, infelizmente, levar a uma subestimativa, ou superestimativa do risco (SALVADORI;
DE MICHELE, 2007).

2.6 O problema das secas

A seca é um dos principais obstáculos que afetam a segurança alimentar e a

subsistência das mais de dois bilhões de pessoas que vivem em áreas secas do globo, o que
constitui 41% da superfície terrestre (SOLH; VAN GINKEL, 2014). No Brasil, as áreas mais
afetadas com secas estão no Semiárido, região que compreende os estados da região nordeste,
além de parte do estado de Minha Gerais e é caracterizada por um clima complexo que
apresenta baixos níveis de precipitação pluvial (< 1000 mm/ano), que também é concentrada
em alguns meses do ano, e altos índices de evapotranspiração, da ordem de 3000 mm/ano.
Segundo informações da Empresa Brasileira de Pesquisa Agropecuária – EMBRAPA (2014),
nos anos 2012 e 2013, mais de 1.400 municípios da região Nordeste e do norte de Minas
Gerais foram severamente afetados com a estiagem.
A seca é definida como um desequilíbrio natural temporário na disponibilidade
hídrica, o que pode estar relacionado a uma persistente precipitação menor que a média. As
secas têm frequências, durações e severidades incertas, e sua ocorrência é difícil de prever, o
 12

que torna a sua análise um tópico desafiador no gerenciamento de recursos hídricos (FAN et
al, 2017). Conforme apresentam Solh e Ginkel (2014) e Zargar et al (2011), ela pode ser
geralmente definida como um déficit de precipitação de extrema persistência em uma região
específica em dado período de tempo que resulta na escassez de água. Tsakiris e Vangelis
(2004) expandiram essa definição para incluir os impactos sobre o ambiente e a sociedade.
Entre os desastres naturais, as secas são conhecidas por causar dano extensivo ao
ambiente natural e afetar um número significativo de pessoas (WILHITE, 2000; GETIRANA,
2015), o que têm levado hidrologistas e gerentes de recursos hídricos a tentar estimar a
frequência relativa entre esses eventos (KIM; VALDÉS; YOO, 2003). Os custos e as perdas
econômicas, sociais e ambientais associados com as secas têm crescido dramaticamente,
embora seja difícil quantificar essa tendência precisamente devido à carência de estimativas
de perdas históricas confiáveis (WILHITE, 2000). Dois bons exemplos de tentativas de
quantificação dos efeitos adversos das secas são apresentados por National1 (2000 apud KIM;
VALDÉS; YOO, 2003), que trata da seca verificada entre 1987-1989 nos Estados Unidos e
que cobriu 36% do país, causando uma perda de aproximadamente US$ 39 bilhões em
energia, água, para o ecossistema e para a agricultura, e por Rapoza (2014), que apresenta que
a seca no leste do Brasil causou um prejuízo de aproximadamente R$ 10 bilhões para a
agricultura somente em 2014.
Entre os desastres naturais, as secas possuem certas características únicas; além dos
efeitos retardados, as secas variam em múltiplas dimensões dinâmicas incluindo a severidade
e a duração, além de causar um conjunto de impactos subjetivos de difícil caracterização
(ZARGAR et al, 2011). Segundo Jones et al (2007), as secas são fáceis de verificar dada a sua
longa duração e, segundo Hagman et al2 (1984 apud WILHITE, 2000), a seca é considerada
como o mais complexo, e menos compreendido, dos desastres naturais, afetando mais pessoas
que qualquer outro desastre.
Diminuições na precipitação continental, especialmente a partir do início da década de
1980, são as principais causas para o aumento na tendência de seca observado, embora o
aquecimento superficial nas últimas duas a três décadas também tenha contribuído para essas
observações (JONES et al, 2007).

1
NATIONAL OCEANIC AND ATMOSPHERIC ADMINISTRATION PALEOCLIMATOLOGY PROGRAM
(NOAA). North American drought: A paleo perspective. 2000. Disponível em:
<http://ngdc.noaa.gov/paleo/drought/>. Acesso em: 5 fev. 2003.
2
HAGMAN G. et al. Prevention better than cure: report on human and environmental disasters in the Third
World. Stockholm: Swedish Red Cross, 1984.
 13

Para reduzir os danos causados pelas secas é crucial a sua caracterização, o que
permite operações tais quais o alerta antecipado e a análise de risco de secas, além de uma
melhor preparação e um plano de contingência (ZARGAR et al, 2011). Reconhecida como
um evento hidrológico complexo, a seca é um tipo de evento multivariado caracterizado por
algumas variáveis aleatórias correlatas (FAN et al, 2017). Assim, métodos paramétricos
univariados para a análise de sua frequência podem não revelar relações importantes entre
características da seca. Alternativamente, métodos não paramétricos permitem estimativas das
funções densidade univariadas e multivariadas ao utilizar médias ponderadas dos dados em
uma vizinhança pequena ao redor do ponto de estimativa e oposto aos métodos paramétricos
(KIM; VALDÉS, YOO, 2003).

3 MATERIAIS E MÉTODOS

3.1 Definição da área de estudo

A área de estudo da pesquisa compreende o sul do litoral baiano, mais especificamente

as cidades de Ilhéus, Caravelas e Salvador.

3.1.1 Ilhéus, Bahia

Localizado na Microrregião Ilhéus-Itabuna, na Mesorregião Sul Baiano, o município

de Ilhéus, Bahia, possui área territorial de 1.584,693 km² e a 8ª maior população do estado da
Bahia, com 176.341 habitantes, segundo estimativas do Instituto Brasileiro de Geografia e
Estatística - IBGE para o ano de 2017. A Figura 1 apresenta a localização de Ilhéus, Bahia.
 14

Figura 1 - Mapa de localização de Ilhéus, Bahia

Fonte: GNU Free Documentation License.

Autor: Darlan P. de Campos

Ilhéus está localizado entre as coordenadas aproximadas de latitude e longitude 14° 47'
20" S 39° 02' 56" O, a uma altitude média de 52 m acima do nível do mar e caracteriza-se
pelo clima semiárido, subúmido a seco e úmido.
Segundo a classificação climática de Köppen-Geiger, o município de Ilhéus apresenta
clima tropical úmido (Af) e, segundo dados do Instituto Nacional de Meteorologia – INMET,
a temperatura média compensada para o município é de 24,3 ºC e a precipitação média anual
é de 2.035,5 mm. A Mata Atlântica (Floresta ombrófila densa) é a principal forma de
vegetação do município.

3.1.2 Caravelas, Bahia

Localizado na Microrregião Porto Seguro, na Mesorregião Sul Baiano, o município de

Caravelas, Bahia, possui área territorial de 2.396,608 km² e população de 21.437 habitantes,
segundo o Censo 2010 do IBGE. A Figura 2 apresenta a localização e Caravelas, Bahia.
Caravelas está localizado entre as coordenadas aproximadas de latitude e longitude
17° 43' 55" S 39° 15' 57" O a uma altura média de 10 m acima do nível do mar e caracteriza-
se pelo clima subúmido a seco e úmido.
 15

Figura 2 - Mapa de localização de Caravelas, Bahia

Fonte: GNU Free Documentation License.

Autor: Raphael Lorenzeto de Abreu

Segundo a classificação climática de Köppen-Geiger, o município de Caravelas

apresenta clima tropical úmido (Af) e, segundo dados do Instituto Nacional de Meteorologia –
INMET, a temperatura média compensada para o município é de 24,3 ºC e a precipitação
média anual é de 1519,0 mm.

3.1.3 Salvador, Bahia

Localizado nas coordenadas de latitude e longitude 12° 58' 16" S 38° 30' 39" O a uma
altitude média de 8 m acima do nível do mar, o município de Salvador é a capital do estado da
Bahia. Possui área territorial de 692,818 km² e a maior população do estado da Bahia (4ª
maior do Brasil), com 2.953.986 habitantes, segundo estimativas do IBGE para o ano de
2017. A Figura 3 apresenta a localização de Salvador, Bahia.
 16

Figura 3 - Mapa de localização de Caravelas, Bahia

Fonte: GNU Free Documentation License.

Autor: Raphael Lorenzeto de Abreu

O município caracteriza-se pelo clima úmido a subúmido. Segundo a classificação

climática de Köppen-Geiger, o município de Salvador apresenta clima tropical úmido (Af) e,
segundo dados do Instituto Nacional de Meteorologia – INMET, a temperatura média
compensada para o município é de 25,6 ºC e a precipitação média anual é de 1871,1 mm.

3.2 Coleta dos dados

Os dados de temperatura e precipitação serão obtidos do Sistema Nacional de

Informações sobre Recursos Hídricos – SNIRH, da Agência Nacional de Águas – ANA, e do
INMET para o período 1961-2017.
Esses dados correspondem às informações hidrometeorológicas para os municípios em
questão obtidas nas estações pluviométricas localizadas nos municípios e em suas
proximidades.
A Tabela 1 apresenta as informações referentes às estações utilizadas nesse trabalho.
 17

Tabela 1 - Estações pluviométricas utilizadas na pesquisa

(continua)
Município Responsável Código Estação Latitude Longitude
ILHÉUS INEMA-BA 1439106 ILHÉUS - 14° 48' 0" - 39° 10' 48"
ILHÉUS CEMADEN 1439110 ILHÉUS_Conquista - 14° 47' - 39° 2' 42"
46"
ILHÉUS CEMADEN 1439111 ILHÉUS_Malhado - 14° 47' - 39° 2' 53"
17"
ILHÉUS CEPLAC 1439058 CEPEC - 14° 45' - 39° 13' 57"
23"
ILHÉUS CEPLAC 1439067 ILHÉUS - 14° 47' - 39° 2' 11"
58"
ILHÉUS INMET 1439010 ILHÉUS - 14° 47' - 39° 3' 5"
22"
CARAVELAS INMET 1739007 CARAVELAS - 17° 44' - 39° 15' 27"
22"
CARAVELAS DEPV 1739011 CARAVELAS (SBCV) - 17° 39' 6" - 39° 14' 58"
CARAVELAS CEPLAC 1739013 EMARC - T. FREITAS - 17° 34' - 39° 43' 57"
32"
SALVADOR CEMADEN 1238139 SALVADOR_EMBASA- - 12° 53' - 38° 27' 29"
Pirajá 54"
SALVADOR CEMADEN 1238133 LAURO DE - 12° 54' 4" - 38° 18' 29"
FREITAS_Vila Praiana
SALVADOR CEMADEN 1238149 SALVADOR_EMBASA- - 12° 56' - 38° 28' 26"
Gomeia 17"
SALVADOR CEMADEN 1238150 SALVADOR_Hosp.Sarah- - 12° 58' - 38° 27' 11"
C.das Árvores 34"
SALVADOR CEMADEN 1238151 SALVADOR_EMBASA- - 12° 58' - 38° 29' 42"
Brotas 41"
SALVADOR CEMADEN 1238152 SALVADOR_EMBASA- - 12° 51' - 38° 26' 13"
Valéria 47"
SALVADOR CEMADEN 1238153 SALVADOR_BATRE- - 12° 51' - 38° 22' 5"
São Cristovão 40"
SALVADOR CEMADEN 1238143 SALVADOR_EMBASA- - 12° 53' - 38° 28' 5"
Rio Sena 17"
SALVADOR CEMADEN 1238144 SALVADOR_BNA- - 12° 47' - 38° 29' 20"
Paripe 38"
SALVADOR CEMADEN 1238145 SALVADOR_EMBASA- - 12° 53' - 38° 26' 28"
Águas Claras 35"
SALVADOR CEMADEN 1238146 SALVADOR_19 BC - - 12° 57' - 38° 27' 36"
Cabula 36"
SALVADOR CEMADEN 1238147 SALVADOR_EMBASA- - 12° 56' - 38° 25' 16"
Alto do Pituaçu 35"
SALVADOR CEMADEN 1238148 SALVADOR_EMBASA- - 12° 56' - 38° 29' 6"
Alto do Peru 17"
SALVADOR CEMADEN 1238140 SALVADOR_MAS-Dois - 12° 58' - 38° 30' 57"
de Julho 53"
SALVADOR CEMADEN 1238141 SALVADOR_Politécnica - 12° 59' - 38° 30' 41"
- Federação 57"
SALVADOR CEMADEN 1238142 SALVADOR_Inema- - 12° 55' - 38° 30' 58"
Monte Serrat 44"
SALVADOR INEMA-BA 1238154 SALVADOR - ABAETÉ - 12° 56' - 38° 21' 36"
(PCD-PLU) 37"
SALVADOR INEMA-BA 1238155 SALVADOR (PITUAÇU - 12° 49' - 38° 20' 51"
PCD) 58"
 18

Tabela 2 - Estações pluviométricas utilizadas na pesquisa

(conclusão)
SALVADOR INEMA-BA 1238156 SALVADOR - (MONT - 12° 55' - 38° 30' 56"
SERRAT - PCD) 45"
SALVADOR INEMA-BA 1238125 LAGOA DO ABAETÉ - 12° 56' - 38° 21' 37"
39"
SALVADOR INEMA-BA 1238126 SALVADOR-Plu-Itapuã - 12° 55' - 38° 21' 39"
(INEMA) 52"
SALVADOR INEMA-BA 1238123 SALVADOR - ABAETÉ - 12° 56' - 38° 21' 36"
37"
SALVADOR INEMA-BA 1238124 SALVADOR - PITUAÇU - 12° 57' - 38° 24' 51"
(V. PARIS) 58"
SALVADOR INEMA-BA 1238121 SALVADOR - ITAPUÃ 12° 55' 53" - 38° 21' 40"
SALVADOR INMET 1338007 SALVADOR - ONDINA - 13° 1' 0" - 38° 52' 60"
SALVADOR CIA 1238079 BALANÇA DE PARIPE - 12° 50' - 38° 27' 0"
60"
SALVADOR RFFSA 1238106 QUERENTE (HORTO) - 12° 43' 0" - 38° 34' 0"
(VFFLB)
SALVADOR DEPV 1238052 SALVADOR (DOIS DE - 12° 54' - 38° 20' 1"
JULHO) (SBSV) 41"
SALVADOR RFFSA 1238018 PITUAÇU - 12° 55' - 38° 30' 0"
60"
Fonte: Adaptado de ANA (2018).

3.3 Tratamento de dados e identificação de erros

É bastante comum que haja falhas ou erros nas séries históricas de dados obtidas nas
estações pluviométricas devido a problemas relacionados aos aparelhos utilizados nas
medições ou a sua operação. Assim, é necessário realizar análises de consistência nas
planilhas obtidas das estações pluviométricas (COLLISCHONN; DORNELES, 2013).

3.3.1 Identificação de erros grosseiros

Os erros grosseiros estão relacionados a problemas nas medidas obtidas pelos

operadores ou a defeitos nos aparelhos de medição. Para a sua determinação será feita a
análise de consistência com a plotagem dos gráficos e verificação de outliers na planilha
eletrônica do Microsoft Excel.
 19

3.3.2 Preenchimento de falhas

Outra situação bastante comum é a ausência dos dados de pluviometria e temperatura

para determinados períodos devido a problemas relacionados aos equipamentos de medição
no que se refere à leitura e ao arquivamento dos dados. Nessas situações será feito o
preenchimento das falhas dos dados de precipitação utilizando os dados das estações vizinhas
segundo os métodos da ponderação regional e da regressão linear. Esses dois últimos métodos
são melhores explicados no livro do Collischonn e Dorneles (2013).

3.4 Análise bivariada de dados de temperatura e precipitação e determinação dos

períodos de retorno.

Será feita a análise estatística integrada dos dados de temperatura e precipitação

utilizando as cópulas gaussianas, segundo a metodologia apresentada em AghaKouchak et al
(2014), o que culminará na determinação dos tempos de retorno conjuntos para os dados
relativos às variáveis termopluviométricas. Serão utilizadas diferentes cópulas, as quais terão
a qualidade de seus ajustes testadas utilizando o método de máxima verossimilhança e valores
p estatísticos segundo os trabalhos de Genest et al. (1995) e Kojadinovic e Jun (2010).
 20

4 CRONOGRAMA

A Tabela 2 apresenta o cronograma de atividades para o Trabalho de Conclusão de

Curso referente ao trabalho aqui apresentado entre para o período de 27 de junho de 2018 a 30
de novembro de 2018.

Tabela 3 - Cronograma de atividades do Trabalho de Conclusão de Curso

Semana
1ª 2ª 3ª 4ª 5ª 6ª 7ª 8ª 9ª 10ª 11ª 12ª 13ª 14ª 15ª 16ª 17ª 18ª 19ª 20ª
Atividade
Revisão
X X X X X X X X X X X X X X X X X X X X
bibliográfica
Coleta de
X X X X
dados
Análise de
consistência X
dos dados
Tratamento
X X X X X X
dos dados
Obtenção
dos X X X X
resultados
Análise dos
X
resultados
Formatação
X X X X
do trabalho
Correções
do X X X X X X X X X X
orientador
Ajustes
X X X X
finais
Reunião
com o X X X X X X X X X X X X
orientador
Fonte: Dados da pesquisa.
 21

REFERÊNCIAS

AGHAKOUCHAK, A. et al. Global warming and changes in risk of concurrent climate

extremes: Insights from the 2014 California drought. Geophysical Research Letters, v. 41,
n. 24, p. 8847-8852, 2014.

AGÊNCIA NACIONAL DE ÁGUAS (ANA). HidroWeb: sistemas de informações

hidrológicas. (2018). Disponível em: <http://hidroweb.ana.gov.br/HidroWeb>. Acesso em: 19
jun. 2018.

BENISTON, M. Trends in joint quantiles of temperature and precipitation in Europe since

1901 and projected for 2100. Geophysical Research Letters, v. 36, n. 7, 2009.

BORONEANT, C. et al. Extreme precipitation over the Maritime Alps and associated weather
regimes simulated by a regional climate model: Present-day and future climate scenarios.
Theoretical and Applied Climatology, v. 86, n. 1-4, p. 81-99, 2006.

BRABSON, B. B.; PALUTIKOF, J. P. The evolution of extreme temperatures in the Central

England temperature record. Geophysical Research Letters, v. 29, n. 24, 2002.

COLLISCHONN, W.; DORNELLES, F. Hidrologia para engenharia e ciências ambientais.

Porto Alegre: Associação Brasileira de Recursos Hídricos, 2013.

COPPOLA, E.; GIORGI, F. An assessment of temperature and precipitation change

projections over Italy from recent global and regional climate model simulations.
International Journal of Climatology, v. 30, n. 1, p. 11-32, 2010.

DA SILVA, V. P. R. et al. Análise da pluviometria e dias chuvosos na região Nordeste do

Brasil. Revista Brasileira de Engenharia Agrícola e Ambiental-Agriambi, v. 15, n. 2, p.
131-138, 2011.

DE MICHELE, C. et al. Bivariate statistical approach to check adequacy of dam spillway.

Journal of Hydrologic Engineering, v. 10, n. 1, p. 50-57, 2005.

DE MICHELE, C.; SALVADORI, G. A generalized Pareto intensity‐duration model of storm

rainfall exploiting 2‐copulas. Journal of Geophysical Research: Atmospheres, v. 108, n.
D2, 2003.

DINIZ, A. F.; SANTOS, R. L.; SANTOS, S. M. Avaliação dos riscos de seca para o
município de Feira de Santana-BA associado à influência do El Niño no semiárido do
nordeste brasileiro. + Geografia’s. Feira de Santana, n. 1, p. 18-24, 2008.

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA (Embrapa). Convivência com

a seca. 10 dez. 2014. Disponível em: < https://www.embrapa.br/tema-convivencia-com-a-
seca>. Acesso em: 15 jun. 2018.
 22

ESPINOZA, J. C. et al. The extreme 2014 flood in south-western Amazon basin: the role of
tropical-subtropical South Atlantic SST gradient. Environmental Research Letters, v. 9, n.
12, 2014.

ESTRELLA, N.; MENZEL, A. Recent and future climate extremes arising from changes to
the bivariate distribution of temperature and precipitation in Bavaria, Germany. International
Journal of Climatology, v. 33, n. 7, p. 1687-1695, 2013.

FAN, L. et al. Exploration of Use of Copulas in Analysing the Relationship between

Precipitation and Meteorological Drought in Beijing, China. Advances in Meteorology, v.
2017, 2017.

FAVRE, A.‐C. et al. Multivariate hydrological frequency analysis using copulas. Water
resources research, v. 40, n. 1, 2004.

GENEST, C.; GHOUDI, K.; RIVEST, L.-P. A semiparametric estimation procedure of

dependence parameters in multivariate families of distributions. Biometrika, v. 82, n. 3, p.
543-552, 1995.

GENEST, C. et al. Metaelliptical copulas and their use in frequency analysis of multivariate
hydrological data. Water Resources Research, v. 43, n. 9, 2007.

GETIRANA, A. Extreme water deficit in Brazil detected from space. Journal of

Hydrometeorology, v. 17, n. 2, p. 591-599, 2016.

GRÄLER, B. et al. Multivariate return periods in hydrology: a critical and practical review
focusing on synthetic design hydrograph estimation. Hydrology and Earth System Sciences,
v. 17, n. 4, p. 1281-1296, 2013.

INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE (IPCC). Observed climate

variability and change. In Climate Change 2001: The Scientific Basis. Contribution of
Working Group I to the Third Assesment Report of the Intergovernmental Panel on
Climate Change. Cambridge University Press: Cambridge, 881, 2001.

JONES, P. D. et al. Observations: surface and atmospheric climate change. Climate change,
p. 235-336, 2007.

KIM, T.-W.; VALDÉS, J. B.; YOO, C. Nonparametric approach for estimating return periods
of droughts in arid regions. Journal of Hydrologic Engineering, v. 8, n. 5, p. 237-246, 2003.

KLEIN TANK, A. M. G.; KÖNNEN, G. P. Trends in indices of daily temperature and

precipitation extremes in Europe, 1946–99. Journal of climate, v. 16, n. 22, p. 3665-3680,
2003.

KOJADINOVIC, Ivan et al. Modeling multivariate distributions with continuous margins

using the copula R package. Journal of Statistical Software, v. 34, n. 9, p. 1-20, 2010.

MARENGO, J. A. et al. Variabilidade e mudanças climáticas no semiárido brasileiro.

Recursos hídricos em regiões áridas e semiáridas, p. 384-422, 2011.
 23

MARENGO, J. A.; CUNHA, A. P.; ALVES, L. M. A seca de 2012-15 no semiárido do

Nordeste do Brasil no contexto histórico. Climanálise, v. 3, p. 1-6, 2016.

PEREIRA, G. R.; CUELLAR, M. D. Z. Conflitos pela água em tempos de seca no Baixo

Jaguaribe, Estado do Ceará. Estudos avançados, v. 29, n. 84, p. 115-137, 2015.

POULIN, Annie et al. Importance of tail dependence in bivariate frequency analysis. Journal
of Hydrologic Engineering, v. 12, n. 4, p. 394-403, 2007.

RAPOZA, K. Brazil loses billions as crops reduced by wacky weather. Forbes Magazine.
March, v. 3, p. 2014, 2014.

SALVADORI, G.; DE MICHELE, C. On the use of copulas in hydrology: theory and

practice. Journal of Hydrologic Engineering, v. 12, n. 4, p. 369-380, 2007.

SALVADORI, G.; DURANTE, F.; DE MICHELE, C. On the return period and design in a
multivariate framework. 2011. Hydrology and Earth System Sciences, v. 15, p. 3293–3305,
2011.

SOLH, M.; VAN GINKEL, M. Drought preparedness and drought mitigation in the
developing world‫ ׳‬s drylands. Weather and Climate Extremes, v. 3, p. 62-66, 2014.

STOCKER, T. F. et al (Ed.). IPCC, 2013: summary for policymakers. In climate change

2013: the physical science basis, contribution of working group I to the fifth assessment
report of the intergovernmental panel on climate change. Cambridge University Press,
Cambridge, United Kingdom and New York, NY, USA, 2013.

SWART, R. J (Ed.). Impacts of Europe's changing climate-2008 indicator-based assessment.

European Environment Agency (EEA), 2008.

TRÖMEL, S.; SCHÖNWIESE, C.-D. A generalized method of time series decomposition into
significant components including probability assessments of extreme events and application to
observational German precipitation data. Meteorologische Zeitschrift, v. 14, n. 3, p. 417-
427, 2005.

TRÖMEL, S.; SCHÖNWIESE, C.-D. Probability change of extreme precipitation observed

from 1901 to 2000 in Germany. Theoretical and Applied Climatology, v. 87, n. 1-4, p. 29-
39, 2007.

TSAKIRIS, G.; VANGELIS, H. Towards a drought watch system based on spatial SPI.
Water resources management, v. 18, n. 1, p. 1-12, 2004.

WILHITE, D. A. (Ed.) Drought as a natural hazard: concepts and definitions. In:

Drought: A Global Assessment. Pp. 3-18. Londres: Routledge, 2000.

ZARGAR, A. et al. A review of drought indices. Environmental Reviews, v. 19, n. NA, p.

333-349, 2011.

ZHANG, X.; ZWIERS, F. W.; LI, G.. Monte Carlo experiments on the detection of trends in
extreme values. Journal of Climate, v. 17, n. 10, p. 1945-1952, 2004.