Escolar Documentos
Profissional Documentos
Cultura Documentos
Manaus, Amazonas
Maio, 2016
Adriane Lima Brito
Manaus, Amazonas
Maio, 2016
Dedico este trabalho a todos meus fa-
miliares, em especial, Luís Ernesto de
Lima Araújo (namorado), Antonia Lo-
pes de Lima (mãe), Pedro Paulo Silva
Brito (Pai), Agda Lima Brito (irmã),
Paulo Brito (Irmão), Otávio Valente
Brito (irmão) e Pedro Brito (irmão)
que me incentivaram a perseverar e
acreditar sempre.
iv
agradecimentos
A meu namorado Luís pelo amor, paciência e ajuda indispensável na realização deste
trabalho.
Aos meus queridos pais (Antonia e Paulo), irmãos (Agda, Paulinho, Otávio e Pedro)
e agregados (Wal e Jacinha) pelo apoio, incentivo e por estarem comigo em todos os mo-
mentos da minha vida.
A meu orientador José Augusto Paixão Veiga, pela dedicação dispensada e motivação
durante estes dois anos de curso.
v
"Você pode encontrar a derrota muitas
vezes, mas não deve se deixar derrotar.
As derrotas são importantes - só assim
você saberá quem é e o que pode se tor-
nar".
Maya Angelou
vii
resumo
viii
abstract
The greenhouse effect is a phenomenon that causes the natural warming of the earth’s
surface. However, in recent decades this warming is increasing due to natural causes and
principalemente to human activities, causing global climate change, including the Ama-
zon region with potentially catastrophic impacts. These changes in climate are measured
using historical series of meteorological variables such as the temperature and precipita-
tion. Thus, the World Meteorological Organization (WMO), through various worksops
created twenty-seven changes in weather detection indicators based on temepratura and
precipitation. They were used in this study 8 climate indices based on precipitation
and calculated in the Amazon Basin region, which is Grende importance econônima for
the people (directly and/or indirectly), in view of the role of these climatic indicators
for the middle and end of the century XXI in order to better planning to minimize the
environmental, social and economic impacts.
Thus, the present study used data from precipitation Climate Prediction Center (CPC)
and the regional model ETA EXP-CTRL, both for the period 1981-1990, in order to
evaluate 8 climatic indicators, comparing their-spatial patterns and ETA validate the
model using statistical methods BIAS and RMSE. The present study also used data from
the regional model ETA, with the boundary conditions of numerical simulations of the
general circulation model HadGEM2 for the scenario of greenhouse gas emissions RCP 8.5,
we selected three different periods, they are: 1 ) 1961-1990 (EXP-CTRL), 2) 2021-2050
(EXP-FP8.5) and 3) 2071-2100 (EXP-FD8.5). To evaluate the influence of the increase
in the concentration of greenhouse gases, characterized by the IPCC scenario RCP8.5 on
8 climate indices based on rainfall data to the Amazon Basin.
The results showed that the validation based on BIAS, the model showed changes
similar to that observed in terms of spatial distribution. In the validation based on the
RMSE, it was observed that the model has good accuracy of the model in relation to
what was observed for the number of consecutive days and dried the maximum amount
of rainfall in a day. The results also indicated that the EXP-FP8.5 only the number of
consecutive rainy days, the total number of dry days and the total number of rainy days
are significantly impacted. So for the EXP-FP8.5 and EXP-FD8.5 experiments, model
ETA forced the HadGEM2, there may be a significant increase in the number of dry days
and a reduction in the number of rainy days and consecutive or not between the middle
and end the twenty-first century. For other climatic indicators (total amount of rainfall,
maximum rainfall occurred in 1 day, maximum rainfall amount occurred in five days, the
percentile 95% of rain) model indicates a reduction in the amount of rain on the region
of the Amazon Basin mainly for the indicators associated with extreme events.
ix
sumário
LISTA DE TABELAS xii
LISTA DE FIGURAS xvi
LISTA DE SIGLAS E ABREVIATURAS xvii
1 INTRODUÇÃO 1
2 OBJETIVOS 4
2.1 Objetivo geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 REVISÃO BIBLIOGRÁFICA 5
4 MATERIAIS E MÉTODOS 11
4.1 Dados Observados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.1.1 Dados Provenientes do Modelo ETA . . . . . . . . . . . . . . . . . 11
4.1.2 Modelo Global HadGEM2 . . . . . . . . . . . . . . . . . . . . . . . 12
4.1.3 O Modelo de Mesoescala ETA . . . . . . . . . . . . . . . . . . . . . 12
4.1.4 Os cenários RCPs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2.1 Índices Climáticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2.2 Validação do modelo ETA . . . . . . . . . . . . . . . . . . . . . . . 17
4.2.3 Análise de Composição dos Dados Oceânicos e Atmosféricos . . . . 18
4.2.4 Método para Avaliação da Significância dos Impactos . . . . . . . . 19
x
7 AVALIAÇÃO DOS CAMPOS DE COMPOSIÇÃO CLIMÁTICOS PARA
O CENÁRIO RCP 8.5 47
7.1 Campos de composição climáticos para o cenário de gases de efeito estuda
RCP 8.5 - Experimento Futuro Próximo . . . . . . . . . . . . . . . . . . . 49
7.2 Campos de composição climáticos para o cenário de gases de efeito estuda
RCP 8.5 - Experimento Futuro Distante . . . . . . . . . . . . . . . . . . . 51
8 CONCLUSÃO 54
REFERÊNCIAS BIBLIOGRÁFICAS 56
xi
lista de tabelas
2 Tabela de índices extremos de chuva utilizados neste estudo, como re-
comendado pelo World Meteorological Organization Commission of Cli-
matology and the Climate Variability and Predictability Project (ETC-
CDMI) e desenvolvido a partir do Climatic Variability and Predictability
(CCI/CLIVAR). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
xii
lista de figuras
1 Emissões dos principais gases de efeito estufa para todos os RCPs. A área
cinza indica os percentis 98 e 90 (cinzas claro e escuro, respectivamente)
da literatura. As linhas tracejadas i são representativos de quatro cenários
do Special Report on Emission Scenarios (SRES). As linhas sólidas verde,
vermelha, preta e zul, são respecitivamente, RCP2.6, RCP4.5, RCP6 e
RCP8.5. [Fonte: Detlef et al. 2011] . . . . . . . . . . . . . . . . . . . . . . 14
2 Média anual dos Índices Climáticos para o período de 1981 a 1990. Número
de dias consecutivos secos (dias) - CDD: (a) CPC e (b) modelo regional
ETA. Número de dias consecutivos úmidos (dias) - CWD: (c) CPC e (d)
modelo regional ETA. Número total de dias secos (dias) - NDD: (e) CPC e
(f) modelo regional ETA. Número total de dias úmidos (dias) - NWD: (g)
CPC e (h) modelo regional ETA. . . . . . . . . . . . . . . . . . . . . . . . 23
3 Média anual dos Índices Climáticos para o período de 1981 a 1990. Quan-
tidade total de chuva em dias úmidos (mm) - PRECPTOT: (i) CPC e (j)
modelo regional ETA. Quantidade máxima de chuva ocorrida em 1 dia (mm
dia−1 ) - R1D: (k) CPC e (l) modelo regional ETA. Quantidade máxima de
chuva ocorrida em 5 dias (mm dia−1 ) - R5D: (m) CPC e (n) modelo regi-
onal ETA. Percentil de 95% de chuva (mm dia−1 ) - P95%: (o) CPC e (p)
modelo regional ETA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4 BIAS dos índices climáticos - CPC versus ETA, média anual para o pe-
ríodo de 1981 a 1990. (a) Número de dias consecutivos secos (dias) - CDD,
(b) Número de dias consecutivos úmidos (dias) - CWD, (c) Número to-
tal de dias secos (dias) - NDD, (d) Número total de dias úmidos (dias),
(e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT, (f)
Quantidade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g)
Quantidade máxima de chuva ocorrida em 5 dias (mm dia−1 ) - R5D e (h)
Percentil de 95% de chuva (mm dia−1 ) - P95%. . . . . . . . . . . . . . . . 27
5 BIAS dos índices climáticos - CPC versus HadGEM2, média anual para
o período de 1981 a 1990. (a) Número de dias consecutivos secos (dias) -
CDD, (b) Número de dias consecutivos úmidos (dias) - CWD, (c) Número
total de dias secos (dias) - NDD, (d) Número total de dias úmidos (dias),
(e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT, (f)
Quantidade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g)
Quantidade máxima de chuva ocorrida em 5 dias (mm dia−1 ) - R5D e (h)
Percentil de 95% de chuva (mm dia−1 ) - P95%. . . . . . . . . . . . . . . . 30
xiii
6 RMSE dos índices climáticos - CPC versus ETA, média anual para o pe-
ríodo de 1981 a 1990. (a) Número de dias consecutivos secos (dias) - CDD,
(b) Número de dias consecutivos úmidos (dias) - CWD, (c) Número to-
tal de dias secos (dias) - NDD, (d) Número total de dias úmidos (dias),
(e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT, (f)
Quantidade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g)
Quantidade máxima de chuva ocorrida em 5 dias (mm dia−1 ) - R5D e (h)
Percentil de 95% de chuva (mm dia−1 ) - P95%. . . . . . . . . . . . . . . . 33
7 RMSE dos índices climáticos - CPC versus HadGEM2, média anual para
o período de 1981 a 1990. (a) Número de dias consecutivos secos (dias) -
CDD, (b) Número de dias consecutivos úmidos (dias) - CWD, (c) Número
total de dias secos (dias) - NDD, (d) Número total de dias úmidos (dias),
(e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT, (f)
Quantidade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g)
Quantidade máxima de chuva ocorrida em 5 dias (mm dia−1 ) - R5D e (h)
Percentil de 95% de chuva (mm dia−1 ) - P95%. . . . . . . . . . . . . . . . 36
8 Anomalias significativas dos índices climáticos, média anual para o período
de 2021 a 2050 (Futuro Próximo). (a) Número de dias consecutivos secos
(dias) - CDD, (b) Número de dias consecutivos úmidos (dias) - CWD, (c)
Número total de dias secos (dias) - NDD, (d) Número total de dias úmidos
(dias), (e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT,
(f) Quantidade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g)
Quantidade máxima de chuva ocorrida em 5 dias (mm dia−1 ) - R5D e (h)
Percentil de 95% de chuva (mm dia−1 ) - P95%. . . . . . . . . . . . . . . . 39
9 Anomalia significativas de (a) Temperatura da superfície do mar (1∘ C) -
TSM, (b) Temperatura do ar em 1000 mb (1∘ C), (c) Pressão ao nível médio
do mar (hPa), (d) Linhas de Corrente e Vorticidade Relativa (10−5 s−1 ), (e)
Fluxo umidade integrado na vertical (kgm−1 s−1 ) e Divergência do fluxo de
umidade (1×10−5 kgm−2 s−1 ) e (f) Precipitação (mmdia−1 ). Média anual
para o período de 2021 a 2050 (Futuro Próximo). . . . . . . . . . . . . . . 42
10 Anomalia significativas dos índices climáticos, média anual para o período
de 2071 a 2100 (Futuro Distante). (a) Número de dias consecutivos secos
(dias) - CDD, (b) Número de dias consecutivos úmidos (dias) - CWD, (c)
Número total de dias secos (dias) - NDD, (d) Número total de dias úmidos
(dias), (e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT,
(f) Quantidade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g)
Quantidade máxima de chuva ocorrida em 5 dias (mm dia−1 ) - R5D e (h)
Percentil de 95% de chuva (mm dia−1 ) - P95%. . . . . . . . . . . . . . . . 44
xiv
11 Anomalia significativas de (a) Temperatura da superfície do mar (1∘ C) -
TSM, (b) Temperatura do ar em 1000 mb (1∘ C), (c) Pressão ao nível médio
do mar (hPa), (d) Linhas de Corrente e Vorticidade Relativa (10−5 s−1 ), (e)
Fluxo umidade integrado na vertical (kgm−1 s−1 ) e Divergência do fluxo de
umidade (1×10−5 kgm−2 s−1 ) e (f) Precipitação (mmdia−1 ). Média anual
para o período de 2071 a 2100 (Futuro Distante). . . . . . . . . . . . . . . 47
12 Composição do índice climático Número total de dias secos - NDD (dias),
utilizando o cenário RCP 8.5 para: (a) Futuro Próximo e (b) Futuro Distante. 48
13 Composição de (a) Temperatura da superfície do mar (1∘ C) - TSM, (b)
Temperatura do ar em 1000 mb (1∘ C), (c) Pressão ao nível médio do mar
(hPa), (d) Linhas de Corrente e Vorticidade Relativa (10−5 s−1 ), (e) Fluxo
umidade integrado na vertical (kgm−1 s−1 ) e Divergência do fluxo de umi-
dade (1×10−5 kgm−2 s−1 ) e (f) Precipitação (mmdia−1 ). Média para cinco
anos dentro do período 2021 a 2050 (Futuro Próximo). . . . . . . . . . . . 51
14 Composição de (a) Temperatura da superfície do mar (1∘ C) - TSM, (b)
Temperatura do ar em 1000 mb (1∘ C), (c) Pressão ao nível médio do mar
(hPa), (d) Linhas de Corrente e Vorticidade Relativa (10−5 s−1 ), (e) Fluxo
umidade integrado na vertical (kgm−1 s−1 ) e Divergência do fluxo de umi-
dade (1×10−5 kgm−2 s−1 ) e (f) Precipitação (mmdia−1 ). Média para cinco
anos dentro do período 2071 a 2100 (Futuro Distante). . . . . . . . . . . . 53
15 Média climatológica do índice climático Número consecutivo de dias secos
- CDD, utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990),
(b) EXP-FP8.5 (2021-2050) e (c) EXP-FD8.5 (2071-2100). . . . . . . . . . 63
16 Média climatológica do índice climático Número consecutivo de dias umidos
- CWD, utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990),
(b) EXP-FP8.5 (2021-2050) e (c) EXP-FD8.5 (2071-2100). . . . . . . . . . 63
17 Média climatológica do índice climático Número total de dias secos - NDD,
utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b) EXP-
FP8.5 (2021-2050) e (c) EXP-FD8.5 (2071-2100). . . . . . . . . . . . . . . 63
18 Média climatológica do índice climático Número total de dias umidos -
NDD, utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b)
EXP-FP8.5 (2021-2050) e (c) EXP-FD8.5 (2071-2100). . . . . . . . . . . . 64
19 Média climatológica do índice climático Quantidade total de chuva em dias
úmidos - PRECPTOT, utilizando o cenário RCP 8.5 para: (a) EXP-CTRL
(1981-1990), (b) EXP-FP8.5 (2021-2050) e (c) EXP-FD8.5 (2071-2100). . . 64
20 Média climatológica do índice climático Quantidade máxima de chuva ocor-
rida em 1 dia - R1D, utilizando o cenário RCP 8.5 para: (a) EXP-CTRL
(1981-1990), (b) EXP-FP8.5 (2021-2050) e (c) EXP-FD8.5 (2071-2100). . . 64
xv
21 Média climatológica do índice climático Quantidade máxima de chuva ocor-
rida em 5 dia - R5D, utilizando o cenário RCP 8.5 para: (a) EXP-CTRL
(1981-1990), (b) EXP-FP8.5 (2021-2050) e (c) EXP-FD8.5 (2071-2100). . . 65
22 Média climatológica do índice climático Percentil de 95% de chuva - P95%,
utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b) EXP-
FP8.5 (2021-2050) e (c) EXP-FD8.5 (2071-2100). . . . . . . . . . . . . . . 65
xvi
LISTA DE SIGLAS E ABREVIATURAS
AMO – Oscilação Multidecenal do Atlântico
CDD – Número Consecutivo de Dias Secos
CPC – Climate Prediction Center
CWD – Número Consecutivo de Dias Úmidos
ENOS – El Niño Oscilação Sul
EXP-CTRL – Experimento Controle
EXP-FP8.5 – Experimento Futuro Próximo RCP 8.5
EXP-FD8.5 – Experimento Futuro Distente RCP 8.5
GEE – Gases do Efeito Estufa
IPCC – Painel Intergovernamental de Mudanças Climáticas
IVDN – Índice de Vegetação por Diferença Normalizada
MCG – Modelos de Circulação Global
MCG – Modelo Climático Regional
NDD – Número Total de Dias Secos
NWD – Número Total de Dias ùmidos
OMM – Organização Mundial de Meteorologia
PRECPTOT – Total Anual de Precipitação em Dias Úmidos
PNUMA – Programa das Nações Unidas para o Meio Ambiente
PDO – Oscilação Decadal do Pacífico
R1D – Precipitação Anual Máxima em 1 Dia
R5D – Precipitação Anual Máxima em 5 Dias
P95% – Percentil 95
RECE – Relatório Especial sobre Cenários de Emissões
RCP – Cenário de Emissão de Gases de Efeito Estufa
TSM – Temperatura da Superfície do Mar
TNAI – Índice do Atlântico Norte Tropical
TSAI – Índice do Atlântico Sul Tropical
xvii
1 INTRODUÇÃO
bre Cenários de Emissões) (IPCC, 2007). Assim, mesmo que as concentrações de todos os
gases de efeito estufa e aerossóis se mantivessem constantes nos níveis registrados no ano
2000, seria esperado um aquecimento adicional de cerca de 0,1∘ C por década. Nas áreas
mais secas, se prevê que o aquecimento global acarrete a salinização e a desertificação
das terras agrícolas, de forma que as mudanças na precipitação e o desaparecimento das
geleiras afetem de forma significativa a disponibilidade de água para o consumo humano,
a agricultura e a geração de energia (IPCC, 2007).
Muitos são os impactos ocasionados pelas mudanças no clima que podem acarretar ou-
tros impactos ambientais além do aumento da temperatura, como a desertificação, extin-
ção de milhares de espécies, aumento no nível dos oceanos, intensificação de tempestades
e furacões. Estes impactos podem gerar uma série de problemas, dentre eles econômicos,
sociais e ambientais. Em suma, vários são os fatores mencionados pelos cientistas, que
provocam mudanças no clima e que consequentemente vêm ocasionando problemas ao
longo dos tempos. Do ponto de vista regional, os fatores que podem modificar o clima são
o desmatamento e a degradação ambiental, contribuindo assim para alterações no sistema
global. Por outro lado, do ponto de vista local, a temperatura do ar e a precipitação são
elementos meteorológicos que podem ser empregados na detecção de mudanças climáticas
(Santos, 2006).
Como já foi abordado, localmente as mudanças climáticas são medidas por meio de
análise de séries históricas de variáveis meteorológicas, tais como, temperatura do ar e
precipitação. De acordo com as tendências temporais dessas variáveis para um determi-
3
Os efeitos das mudanças climáticas vêm se tornando cada vez mais evidentes, segundo
cientistas do IPCC (2000) nos últimos cem anos, a temperatura do planeta teve um au-
mento de 0,7∘ C. Alguns eventos extremos, como secas, furacões, tempestades tropicais,
ondas de calor e de frio, têm afetado diferentes partes do planeta causando grandes catás-
trofes. Outros impactos como alterações na biodiversidade das espécies, aumento no nível
do mar e impactos na saúde, na agricultura e na geração de energia hidrelétrica também
estão sendo observados, tanto no Brasil como no restante do planeta (Marengo, 2006).
Analisando a variabilidade do clima a curto e a longo prazo, Molion (2005) propõe que o
aquecimento do planeta está relacionado ao fenômeno denominado Oscilação Decadal do
6
Pacífico (PDO) e não está ligado aos efeitos antrópicos. Em seu estudo ele conclui que a
variabilidade da temperatura média global pode estar relacionada com a PDO que dura
de 20 a 30 anos. Este fenômeno é bem semelhante ao El-Niño que persiste num período
de 6 a 18 meses.
Soon e Baliunas (2003) questionaram os modelos do IPCC, segundo eles, para se fazer
uma análise mais precisa do clima é importante validar os dados a partir de uma média
de temperatura em longo prazo. Assim, para o IPCC afirmar um possível aquecimento
no século XX seria interessante comparar o clima dos últimos mil anos (Ex. paleoclima-
tologia), a fim de se obter informações mais precisas.
Os questionamentos sobre as mudanças climáticas vem se tornando cada vez mais fre-
quentes, pois não existe um consenso científico estabelecido a cerca deste assunto. Sendo
assim, diante de inúmeros desacordos de opiniões e com o intuito de analisar as questões
relacionadas às mudanças climáticas, a OMM criou um grupo de pesquisa que elaborou os
chamados Índices de Detecção de Mudanças Climáticas dependentes de fatores naturais,
como precipitação e temperatura do ar que podem provocar extremos climáticos (Zhang
e Yang, 2004).
Diversos estudos com diferentes finalidades sobre extremos climáticos vêm sendo rea-
lizados por muitos cientistas, em todo mundo, por ser um tema que vem gerando muitas
discussões a cerca de suas causas e consequências. Alguns estudos sobre indicadores
climáticos de precipitação indicam uma fraca tendência positiva da precipitação global
continental durante o século XX, embora este padrão não seja homogêneo, uma vez que
grandes áreas são caracterizadas por tendências negativas (IPCC 2001, 2007; Alexander
et al. 2005).
Santos (2006) estimou a tendência dos índices de detecção de mudanças climáticas re-
lacionadas à precipitação pluvial diária para os estados do Rio Grande do Norte e Paraíba
analisando suas relações com o Índice de Vegetação por Diferença Normalizada (IVDN),
anomalias de temperatura e áreas de produção agrícola do Agreste, Zona da Mata e Lito-
ral e do Sertão. Dentre os resultados obtidos constatou-se que nos dois estados houve um
aumento do número de dias chuvosos, bem como no total anual de chuva, embora com
menor ocorrência de eventos extremos.
O estudo observacional desenvolvido por Haylock et al. (2006) sobre tendências nos
totais e extremos de chuva na América do Sul, particularmente ao sul de 12∘ S, durante o
período de 1960-2000 mostra que o comportamento dos índices anuais de chuva (r10mm,
r20mm, cdd, cwd, r95p, r99p entre outros) na grande maioria das estações de superfície
estudadas é semelhante ao da chuva total anual (prcptot) e indicam uma tendência de
aumento das condições de umidade no Equador, no norte do Peru, na região sul do Brasil,
no Paraguai, no Uruguai e na região central e norte da Argentina. Em contrapartida, so-
bre o sul do Peru e do Chile, foram observadas tendências de diminuição tanto nos totais
de chuva quanto nos seus extremos.
8
Santos et al., (2012), estudaram tendências nos índices de extremos climáticos ba-
seados em dados de precipitação para três estações localizadas em Manaus e na região
circunvizinha para o período de 1971-2007. Os autores observaram que houve aumento da
precipitação total anual sobre a região. A estação localizada na zona urbana de Manaus
(INMET) teve aumento, com significância estatística, dos eventos de precipitação iguais
ou superiores a 50 mm (R50mm), na precipitação máxima acumulada em cinco dias con-
secutivos (Rx5day) e nos dias úmidos (R95p), indicando que Manaus poderá sofrer com
o aumento das chuvas extremas.
Chou et al. (2012a), utilizaram o modelo climático regional (MCR) ETA forçado por
três modelos de circulação global (MCG), o HadGEM2-ES, BESM e MIROC5, para o pe-
ríodo de 1961 a 1990, para o domínio da América do Sul, América Central e Caribe. Estas
simulações foram comparadas com os dados do CRU e utilizadas para a avaliação das pro-
jeções de mudanças climáticas nessa regiões. Eles adotaram cinco indicadores de extremos
climáticos (PRCPTOT, RX5Day, R95P, CWD e CDD). Os resultados mostraram que, as
distribuições de frequência de temperatura e precipitação revelam que as simulações dos
MCR e MCG contêm valores mais extremos do que os observados no CRU. As avaliações
dos indicadores extremos climáticos mostram que em geral os dias quentes, noites quentes
e ondas de calor estão aumentando no período, de acordo com as observações. As simula-
ções do modelo Eta forçadas por HadGEM2-ES mostram tendências úmidas no período,
9
enquanto que o Eta forçado por BESM e por MIROC5 mostra tendências para condições
mais secas.
Chou et al. (2012b), realizaram quatro conjuntos de simulações com base no modelo
ETA forçados por dois MCG, o HadGEM2-ES e o MIROC5, e dois cenários de emis-
sões de gases de efeito estufa RCP 8.5 e RCP 4.5. Eles objetivaram avaliar a mudança
climática na América do Sul com base nas simulações ETA. As mudanças futuras são
mostrados para 30 anos: 2011-2040, 2041-2070 e 2071-2100. E são avaliadas em relação
ao período de referência, 1961-1990, considerado como o clima atual. A avaliação é base-
ada principalmente na temperatura e precipitação exibidos em alterações médias sazonais,
ciclo anual, séries temporais, distribuição de frequência e indicadores climáticos extremos
(PRCPTOT, RX5Day, R95P, CWD e CDD). Os resultados mostraram um aumento do
comprimento de dias secos consecutivos (CDD) no Nordeste do Brasil e diminuição de
dias chuvosos consecutivos (CWD) na região amazônica.
Com base no que foi apresentado, o presente trabalho propõe Avaliar a influência do
aumento na concentração de gases de efeito estufa, caracterizados pelos cenários do Inter-
governmental Panel on Climate Change (IPCC), sobre indicadores de mudanças climáticas
baseados em dados observados (CPC) e modelados (saídas do ETA) de precipitação so-
bre a Bacia amazônica. Isto posto, a pesquisa mostra-se bastante relevante, pois nas
últimas décadas inúmeros trabalhos mostraram os efeitos dos índices climáticos em torno
do globo, porém poucos com um enfoque sobre a Bacia Amazônica, principalmente em
estudos simulados para o clima atual como para o clima futuro.
11
4 MATERIAIS E MÉTODOS
Em sua versão terrestre existem vários componentes do sistema climático, tais como
oceano, atmosfera, continente, criosfera, química atmosférica, biosfera terrestre e marinha
e ciclo do carbono (Marengo, et al. 2002). O modelo climático HadGEM2-ES compreende
um GCM atmosférico e um GCM oceânico com uma resolução horizontal de 1 grau e 40
níveis verticais (Chou et al. 2014a,b). O principal avanço da recente versão do modelo
Hadley Center é sua capacidade de representar as condições climáticas da Amazônia para
ambas as estações seca e chuvosa com precisão (Li et al. 2006, Yin et al. 2013). O modelo
utiliza o esquema de vegetação dinâmica TRIFFID.
Os quatro diferentes cenários são: RCP8.5, RCP6.0, RCP4.5 e RCP2.6, que corres-
pondem à forçantes radiativas de 8,5𝑊 𝑚−2 , 6,0𝑊 𝑚−2 , 4,5𝑊 𝑚−2 e 2.6𝑊 𝑚−2 , respecti-
vamente (ver Figura 1). O primeiro RCP é o mais pessimista e resulta em uma média de
aquecimento global de 4∘ 𝐶 no final do século XXI, considerando que o último RCP é o
mais otimista e corresponde a um aquecimento global de 1∘ 𝐶 .
14
Figura 1: Emissões dos principais gases de efeito estufa para todos os RCPs. A área cinza
indica os percentis 98 e 90 (cinzas claro e escuro, respectivamente) da literatura. As linhas
tracejadas i são representativos de quatro cenários do Special Report on Emission Scenarios
(SRES). As linhas sólidas verde, vermelha, preta e zul, são respecitivamente, RCP2.6, RCP4.5,
RCP6 e RCP8.5. [Fonte: Detlef et al. 2011]
O RCP4.5 é desenvolvido pela MiniCAM modeling team at the Pacific Northwest Na-
tional Laboratory’s Joint Global Change Research Institute (JGCRI). É um cenário de
estabilização onde a forçante radiativa é estabilizada antes de 2100 por emprego de uma
variedade de tecnologias e estratégias para reduzir as emissões de gases de efeito estufa.
O RCP6.0 é desenvolvido pela AIM modeling team at the National Institute for En-
vironmental Studies (NIES), Japão. É um cenário de estabilização, no qual, as forçantes
radiativas são estabilizadas após 2100, sem superação pelo emprego de uma variedade de
tecnologias e estratégias para reduzir as emissões de gases de efeito estufa.
O RCP8.5 é desenvolvido pela MESSAGE modeling team and the IIASA Integrated
Assessment Framework at the International Institute for Applies Systems Analysis (II-
ASA), na Áustria. O RCP8.5 é caracterizado pelo aumento das emissões de gases de
efeito estufa ao longo do tempo.
15
4.2 Metodologia
4.2.1 Índices Climáticos
Os índices climáticos extremos foram estabelecidos para a detecção e atribuição das
mudanças no clima, com um total de 27 índices com base em dados diários de precipitação
(11 índices) e temperatura máxima e mínima (16 índices) (Karl et al. 1999; Peterson et al.
2001; Alexander et al. 2005; Valcerde e Marengo, 2014). Os índices que serão utilizados
no presente trabalho estão descritos na Tabela 2.
Tabela 2: Tabela de índices extremos de chuva utilizados neste estudo, como recomendado
pelo World Meteorological Organization Commission of Climatology and the Climate Variability
and Predictability Project (ETCCDMI) e desenvolvido a partir do Climatic Variability and
Predictability (CCI/CLIVAR).
de dias consecutivos (ininterruptos) onde o valor total da chuva diária em cada ponto de
grade do domínio permaneceu abaixo do limiar de 1 𝑚𝑚.
O número máximo anual de dias secos (NDD) é calculado considerando-se que, para
cada ponto de grade do domínio avaliado, o valor da precipitação total diária não alcance
o valor de 1 𝑚𝑚. Sendo este o caso, o ponto de grade avaliado é considerado como um dia
seco, assim como no cálculo do CDD. O cálculo do NMDS será feito para cada ano dentro
do período considerado (ex: 1960-1990, 2020-2050 e 2070-2100) de forma a se determinar
o número máximo de dias secos (não necessariamente consecutivos) onde o valor total da
chuva diária em cada ponto de grade do domínio permaneceu abaixo do limiar de 1 𝑚𝑚.
Desta forma, o NMDS mostra o número total de dias sem chuva, dentro de um ano, no
domínio considerado.
𝐵𝐼𝐴𝑆 = 𝑀 − 𝑂 (2)
Outro método estatístico utilizado foi o erro médio quadrático (RMSE) que expressa
o quão as simulações oriundas, por exemplo, de um modelo são precisas em relação aos
dados observados. A partir da métrica avaliada no presente trabalho, quanto mais próximo
de zero for o valor do RMSE, mais próximo do observado será o resultado do modelo, ele
é definido como:
√︃
∑︀𝑁
(𝑀 − 𝑂)2
𝑅𝑀 𝑆𝐸 = 𝑖=1
(3)
𝑁
no qual N é o número total da série, M é o dado do modelo e O é o dado observado.
Primeiramente calculou-se o NDD para cada ano entre o período dos experimentos
EXP-FP8.5 (2021-2050) e EXP-FD8.5 (2071-2100). Após esse processo calculou-se a sua
climatologia e na sequência escolheu-se uma área dentro da Bacia Amazônica e calculou-se
o valor médio, do NDD anual e climatológico, dentro da área selecionada. A partir dai,
o NDD médio, na área escolhida, para todos os anos do período utilizado foi comparado
com o NDD médio climatológico, de forma que os anos selecionados foram aqueles onde o
valor do NDD anual foi superior ao valor do NDD climatológico mais uma vez seu desvio
padrão (Tabela 2). Esses anos servirão de base para os compostos oceânicos e atmos-
féricos, ou seja, para cada ano que foi selecionado foram gerados campos anômalos de
TSM, temperatura, pressão, vorticidade e linhas de corrente, transporte de convergência
19
𝑋1 − 𝑋2
𝑡 = √︁ 2 (4)
𝑠1 𝑠2
𝑛1
+ 𝑛22
Inicialmente foi avaliado o padrão espacial dos oito ICs comparando os dados proveni-
entes do CPC com os do modelo ETA utilizando a média anual para o período de 10 anos
citado acima. Os resultados mostram que o índice CDD proveniente do CPC e do mo-
delo ETA (Figuras 2a-b, respectivamente) apresentam distribuição espacial e magnitude
semelhantes, com valores mínimos no oeste do estado do Amazonas e máximos próximo
a costa nordeste do Brasil. Estes resultados mostram que o modelo ETA é capaz de si-
mular bem o padrão espacial do índice CDD na região de interesse. Para o caso do índice
CWD provenientes do CPC e do modelo ETA, figuras 2c-d, respectivamente, nota-se que
seus padrões espaciais não são tão próximos. No entanto, ambos possuem algumas seme-
lhanças como os valores máximos observados nas regiões do estado do Pará, Amazonas e
Mato Grosso. Na região noroeste da Bacia Amazônica, observa-se que o modelo produz
menores valores de CWD.
A partir das figuras 2e-f, que mostram, respectivamente, os valores do índice NDD,
para ambos dados do CPC e do modelo ETA, nota-se que ambas apresentaram padrões
espaciais semelhantes. No qual, observa-se que existem valores mínimos do índice NDD
na região conhecida como Cabeça do Cachorro (Noroeste do estado do Amazonas) e má-
ximos valores na região nordeste do Brasil. No entanto, em linhas gerais, nota-se que o
índice NDD proveniente do modelo ETA está de acordo no que diz respeito a magnitude
dos valores e padrão espacial do índice NDD oriundo do CPC. Com relação ao índice
NWD, verifica-se que o mesmo é oposto ao índice NDD (Figuras 2g-h, respectivamente).
Dessa forma, a distribuição espacial do índice NWD provenientes do CPC e do modelo
ETA são semelhantes. Neste sentido, nota-se que ambos apresentam máximos valores do
21
Ao analisar os resultados nas figuras 3m-n, que apresentam a média anual da quan-
tidade máxima de chuva ocorrida em 5 dias (R5D), para os dados provenientes do CPC
e do modelo ETA respectivamente, observa-se que a distribuição espacial de ambos não
possuem semelhanças aproximadas. Isto posto, nota-se que o padrão espacial do modelo
ETA é homogêneo, com valores máximos situados no centro oeste do Amazonas, noroeste
e nordeste do Pará e valores mínimos localizados no nordeste do Brasil. Em contrapartida
o padrão espacial do R5D, resultante dos dados observados, apresenta valores máximos
pontuais distribuídos ao longo da região que abrange a Bacia Amazônica.
A média anual do percentil de 95% de chuva (representada pelo índice P95%), pro-
veniente dos dados do CPC (Figura 3o) e do modelo ETA (Figura 3p), exibem padrões
espaciais próximos do que foi observado no R5D (Figuras 3m-n), porém com valores de
magnitude mais intensos. Por conseguinte, observa-se também a uniformidade do padrão
espacial do modelo ETA, com valores máximos no centro oeste do estado do Amazonas,
22
Figura 2: Média anual dos Índices Climáticos para o período de 1981 a 1990. Número de
dias consecutivos secos (dias) - CDD: (a) CPC e (b) modelo regional ETA. Número de dias
consecutivos úmidos (dias) - CWD: (c) CPC e (d) modelo regional ETA. Número total de dias
secos (dias) - NDD: (e) CPC e (f) modelo regional ETA. Número total de dias úmidos (dias) -
NWD: (g) CPC e (h) modelo regional ETA.
24
Figura 3: Média anual dos Índices Climáticos para o período de 1981 a 1990. Quantidade total
de chuva em dias úmidos (mm) - PRECPTOT: (i) CPC e (j) modelo regional ETA. Quantidade
máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D: (k) CPC e (l) modelo regional ETA.
Quantidade máxima de chuva ocorrida em 5 dias (mm dia−1 ) - R5D: (m) CPC e (n) modelo
regional ETA. Percentil de 95% de chuva (mm dia−1 ) - P95%: (o) CPC e (p) modelo regional
ETA.
25
Em relação ao número total de dias secos (NDD), nota-se que o modelo apresenta ten-
dência positiva na região nordeste do Brasil e extremo norte do continente (Figura 4c).
Por outro lado, no setor oeste do continente, incluindo os estados do Amazonas, Acre,
Rondônia, Pará e parte do Mato Grosso, o modelo ETA tende a reduzir o número total de
dias secos. Ou seja, de acordo com os resultados apresentados, onde os valores são mais
extremos e negativos (positivos) o modelo produz maiores (menores) acumulados chuvo-
sos (Figura 4e). Máximos valores negativos do número total de dias úmidos (NWD) são
observados em parte do setor nordeste do Brasil e extremo norte do continente, indicando
que o modelo ETA tende a produzir menores volumes chuvosos em relação as observa-
ções (Figura 4d). O oposto deveria ocorrer em relação aos valores positivos de NWD. No
entanto, isso não ocorre em grande parte dos estado do Pará, Amazonas e Mato Grosso
(veja figura 4e). Nestes casos, o volume total de chuvas relativo as simulações numéricas
deve ser menor do que o volume total de chuvas que de fato ocorrem.
No que diz respeito ao volume chuvoso total anual (Figura 4e), observa-se que na
Bacia Amazônica há tendência do modelo ETA em produzir maior ou menor volume chu-
voso. Os máximos valores de chuva são observados em parte do estado do Amazonas,
na Colômbia e Peru. Em contrapartida, máximos negativos são observados no leste do
26
estado do Amazonas, grande parte do Pará, Roraima e Amapá. Estes resultados estão
coerentes com o artigo de Chou et al. (2014a).
Quando o índices de extremos R1D, R5D e P95% são apresentadas (Figuras 4f-h),
nota-se que os resultados apresentam semelhanças no que tange a distribuição espacial e
em alguns casos máximos valores. Estes resultados tem em comum que o modelo ETA
possui uma tendência em produzir acumulados chuvosos (associados a eventos extremos)
menor do que de fato ocorre, principalmente na maior parte da Bacia Amazônica. Re-
giões com maiores acumulados chuvosos associados a eventos extremos são mais esparsas
e pontuais. No entanto, ocorrem praticamente nos mesmos locais, independentemente de
índice (R1D, R5D e P95%).
27
Figura 4: BIAS dos índices climáticos - CPC versus ETA, média anual para o período de 1981
a 1990. (a) Número de dias consecutivos secos (dias) - CDD, (b) Número de dias consecutivos
úmidos (dias) - CWD, (c) Número total de dias secos (dias) - NDD, (d) Número total de dias
úmidos (dias), (e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT, (f) Quanti-
dade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g) Quantidade máxima de chuva
ocorrida em 5 dias (mm dia−1 ) - R5D e (h) Percentil de 95% de chuva (mm dia−1 ) - P95%.
28
No que diz respeito ao número total de dias secos (Figura 4c), nota-se que o modelo
apresenta tendência positiva no litoral do Brasil e nordeste do Pará. Em contrapartida,
em praticamente toda a região da América do Sul o modelo HadGEM2 apresenta tendên-
cia de diminuir o número total de dias secos. Verifica-se que o oposto ocorre com o número
total de dias chuvosos, em que observa-se tendências negativas no litoral brasileiro e nor-
deste do Pará e tendências positivas em praticamente toda a América do Sul (Figura 5d).
Esses resultados indicam que, em grande parte da América do Sul, o modelo apresenta
tendência em diminuir o indicador NDD e aumentar o NWD em relação as observações.
Em relação a quantidade de chuva total anual (Figura 5e), observa-se que o HadGEM2
tem tendência em diminuir o volume chuvoso em praticamente toda a América do Sul,
abrangendo todo o território brasileiro, com máximos negativos sobre a Bacia Amazônica.
Nota-se que, sobre a região da Bacia Amazônica, o modelo tem tendência de diminuir o
número de dias secos e aumentar o número de dias chuvosos, sejam eles consecutivos ou
não (Figuras 5a-d). No entanto, esses resultados não influenciam o índice PRECPTOT,
isto é, apesar de haver um maior número de dias com chuva o volume chuvoso diminuiu.
Isso deve-se ao fato de que o volume de chuvas que ocorrem nestes dias apresentar menor
volume em relação as observações.
Nas figuras 5f-h, observa-se que para os indicadores climáticos R1D, R5D e P95%,
o modelo do sistemas terrestre HadGEM2, apresenta tendência em produzir acumulados
chuvosos menores do que nas observações. Essa tendência ocorre em praticamente toda a
região da América do Sul, abrangendo todo o território Brasileiro, com máximos negativos
principalmente sobre a Bacia Amazônica. Esses resultados indicam que o modelo produ-
ziu uma quantidade de chuva associada a eventos extremos menor sobre a região da Bacia.
29
Figura 5: BIAS dos índices climáticos - CPC versus HadGEM2, média anual para o período
de 1981 a 1990. (a) Número de dias consecutivos secos (dias) - CDD, (b) Número de dias
consecutivos úmidos (dias) - CWD, (c) Número total de dias secos (dias) - NDD, (d) Número
total de dias úmidos (dias), (e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT,
(f) Quantidade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g) Quantidade máxima
de chuva ocorrida em 5 dias (mm dia−1 ) - R5D e (h) Percentil de 95% de chuva (mm dia−1 ) -
P95%.
31
As figuras 6a-h apresentam a média anual do RMSE para os 8 índices climáticos ava-
liados no presente estudo. A partir da figura 6a, os resultados mostram que os valores
do CDD são mínimos na região da Cabeça do Cachorro, seguido do restante do estado
do Amazonas e noroeste do Pará. Isto indica que a precisão do modelo em simular o que
foi observado, nessas regiões, é melhor que no restante da área da Bacia Amazônica. Em
contrapartida o índice CDD apresenta altos valores de RMSE em uma região localizada
no nordeste do Brasil, indicando baixa precisão do modelo nessa área.
Em relação ao índice CWD (figura 6b), observa-se que o modelo apresenta uma per-
formance relativamente boa em praticamente toda a Bacia Amazônica, com exceção da
cabeceira da Bacia e nordeste do estado do Pará, onde o modelo apresenta valores altos
de RMSE, o que está associado à uma menor precisão nessas regiões.
Nas figuras 6c-d os valores dos índices NDD e NWD, respectivamente, são máximos
no setor oeste da Bacia Amazônica, sudoeste do Amazonas e nordeste do Pará, indicando
baixa precisão do modelo em relação ao que foi observado nessas regiões. Nas demais
áreas da Bacia Amazônica os valores do RMSE são menores, associados a um melhor
desempenho do modelo ETA. Observa-se, por outro lado, que os valores de RMSE dos
índices NDD e NWD são iguais. Isso ocorre porque quando faz-se o calculo dos dados do
modelo menos os dados do CPC (Equação 1), tanto o NDD como o NWD apresentarão
valores iguais, porém com sinais opostos. Ademais, quando aplica-se o quadrado da equa-
ção 1, os valores negativos tornam-se positivos. Dessa forma o restante do cálculo terá o
mesmo resultado para NDD e NWD.
Para o índice PRECPTOT (figura 6e), nota-se que a distribuição espacial do RMSE
é bem homogênea, apresentando valores máximos em apenas três regiões, sendo elas:
extremo norte do Pará, Amapá e norte do Peru. Estes resultados sugerem incertezas
na simulação do modelo em relação ao que foi observado. Nas demais regiões da Bacia
Amazônica o padrão espacial é bastante uniforme com valores de RMSE relativamente
menores, o que está relacionado a valores mais precisos do modelo nesses setores, apon-
tando uma melhor previsão do modelo com relação ao que foi observado no período.
32
Para os índices de extremos R1D, R5D e P95% (Figuras 6f-h, respectivamente), nota-
se que os resultados apontam semelhanças em relação a distribuição espacial e em alguns
casos valores máximos. Em termos de valores, na figura 6f, observa-se que para o índice
R1D o modelo melhor representou os dados observados (comparando com R5D e P95%)
em praticamente toda a região que abrange a Bacia Amazônica, indicando eficácia do mo-
delo no que concerne a simulação numérica do mesmo, principalmente na região que vai
do noroeste a sul do estado do Amazonas, onde os valores de RMSE são mínimos. No que
diz respeito aos índices R5D (Figura 6g) e P95% (Figura 6h), os resultados apresentam
variações espaciais semelhantes, com valores máximos e pontuais em praticamente toda
a Bacia Amazônica, indicando que o modelo apresenta baixa performance em simular os
acumulados chuvosos relacionados à esses índices extremos.
No geral, observa-se que dentre os 8 ICs, o modelo ETA apresentou um melhor de-
sempenho em apenas dois, são eles: o CDD (Figura 4a) e R1D (Figura 4f). Nos quais os
valores de RMSE são mínimos na região da Bacia Amazônica, indicando que o modelo
possui uma boa previsão para esses indicadores climáticos.
33
Figura 6: RMSE dos índices climáticos - CPC versus ETA, média anual para o período de 1981
a 1990. (a) Número de dias consecutivos secos (dias) - CDD, (b) Número de dias consecutivos
úmidos (dias) - CWD, (c) Número total de dias secos (dias) - NDD, (d) Número total de dias
úmidos (dias), (e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT, (f) Quanti-
dade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g) Quantidade máxima de chuva
ocorrida em 5 dias (mm dia−1 ) - R5D e (h) Percentil de 95% de chuva (mm dia−1 ) - P95%.
34
No número consecutivo de dias chuvosos (figura 7b), o modelo apresenta valores má-
ximos de RMSE nas regiões sul e oeste da Bacia Amazônica, indicando que o modelo
HadGEM possui baixa precisão nessas regiões. No norte da Bacia os valores de RMSE
diminuem, apontando uma maior eficácia do modelo ao norte da Bacia.
No que tange aos indicadores NDD e NWD, figuras 7c-d respectivamente, os respecti-
vos valores de RMSE desses indicadores são altos em praticamente toda a região da Bacia
Amazônica. Estes resultados indicam baixa precisão do modelo em relação ao que foi
observado nessa região. Observa-se também que, assim como no NDD e NWD do modelo
ETA (figuras 6c-d), os valores de RMSE do modelo HadGEM, para os mesmos índices,
também são similares.
Para o caso do índice PRECPTOT (figura 7e), nota-se que os valores de RMSE são
máximos principalmente no estado do Amazonas e extremo norte do estado do Pará. Estes
resultados sugerem incertezas na simulação do modelo em relação ao que foi observado.
No que tange as demais regiões da Bacia Amazônica os valores de RMSE são relativa-
mente menores, o que está relacionado a uma melhor previsão do modelo com relação ao
que foi observado no período.
Com relação aos indicadores associados a extremos R1D, R5D e P95% (Figuras 7f-h,
respectivamente), nota-se que os resultados apontam semelhanças em relação a distribui-
ção espacial e em alguns casos valores máximos. Dessa forma, dos três indicadores em
questão, o que melhor foi representado pelo modelo, em termos de precisão, foi o R1D
(Figura 7f), seguido do P95% (Figura 7h) e por último o R5D (Figura 7g). O R1D, dos
três indicadores associados a extremos, é o que possui menores valores de RMSE indicando
eficácia do modelo em relação a simulação numérica do mesmo. No que diz respeito aos
índices R5D e P95%, os resultados apresentam variações espaciais relativamente seme-
35
Figura 7: RMSE dos índices climáticos - CPC versus HadGEM2, média anual para o período
de 1981 a 1990. (a) Número de dias consecutivos secos (dias) - CDD, (b) Número de dias
consecutivos úmidos (dias) - CWD, (c) Número total de dias secos (dias) - NDD, (d) Número
total de dias úmidos (dias), (e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT,
(f) Quantidade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g) Quantidade máxima
de chuva ocorrida em 5 dias (mm dia−1 ) - R5D e (h) Percentil de 95% de chuva (mm dia−1 ) -
P95%.
37
Neste Capítulo de resultados avaliou-se a saída do modelo regional ETA, para o clima
futuro, utilizando o cenário de concentração de gases de efeito estufa RCP 8.5, tendo-se
como base os oito indicadores climáticos apresentados na Tabela (2). Para tal fim, aplicou-
se o método do teste t de student (Equação 4) para calcular a significância estatística nas
anomalias dos índices climáticos, correspondentes aos experimentos EXP-FP8.5 (Expe-
rimento para o futuro próximo utilizando o cenário RCP 8.5 para o período de 2021 a
2050) e EXP-FD8.5 (Experimento para o futuro distante utilizando o cenário RCP 8.5
para o período de 2071 a 2100) versus EXP-CTRL (condição climática para o período de
1961 a 1990). O teste t de student também foi utilizado para calcular a significância nas
anomalias das variáveis de temperatura da superfície do mar, precipitação, temperatura
do ar, pressão, vorticidade e linhas de corrente, com o intuito de explanar as mudanças
dos índices climáticos que ocorreram nos EXP-FP8.5 e EXP-FD8.5.
A partir das figuras 8c-d, nota-se que os valores significativos de NDD e NWD, res-
pectivamente, compreendem os pontos sul e nordeste do estado do Amazonas, norte do
Peru, também no nordeste do pará e Amapá e no litoral da região sudeste do Brasil. De
modo que, o modelo produziu valores positivos para o total de dias secos (Figura 8c) com
máximos no sudoeste do estado do Amazonas e Peru e valores negativos para o total de
dias úmidos (Figura 8d) com máximos igualmente distribuídos no sudoeste do estado do
Amazonas e Peru. Assim, ambos os índices indicam que, para o futuro próximo, dentro
do período avaliado, o modelo aponta que haverá um decréscimo de chuvas nas regiões
citadas.
Em relação ao volume chuvoso total anual (índice PRECPTOT), ver figura 8e, observa-
se que, em sua maioria, o modelo produziu valores negativos nos setores sul do Amazonas,
nordeste e leste do Pará e Amapá, com maior concentração sobre os estados do Maranhão
e Tocantins. Esses resultados indicam, no que se refere ao EXP-FP8.5, que o modelo
aponta decréscimo da quantidade de chuva que ocorrerá nas regiões citadas, dentro do
período em questão.
Para os índices de extremos R1D, R5D e P95% (Figuras 8f-h, respectivamente), nota-
se que os resultados apontam semelhanças no que tange a distribuição de valores posi-
tivos e negativos. Estes resultados tem em comum que, a saída do modelo ETA para o
EXP-FP8.5, produziu acumulados chuvosos, associados a eventos extremos, maior sobre
o norte do Peru e estado do Amazonas e sudeste da Colômbia. No entanto nota-se valores
negativos dos índices de extremos no nordeste do Pará, principalmente na Ilha de Marajó.
39
Figura 8: Anomalias significativas dos índices climáticos, média anual para o período de 2021 a
2050 (Futuro Próximo). (a) Número de dias consecutivos secos (dias) - CDD, (b) Número de dias
consecutivos úmidos (dias) - CWD, (c) Número total de dias secos (dias) - NDD, (d) Número
total de dias úmidos (dias), (e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT,
(f) Quantidade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g) Quantidade máxima
de chuva ocorrida em 5 dias (mm dia−1 ) - R5D e (h) Percentil de 95% de chuva (mm dia−1 ) -
P95%.
Figura 9: Anomalia significativas de (a) Temperatura da superfície do mar (1∘ C) - TSM, (b)
Temperatura do ar em 1000 mb (1∘ C), (c) Pressão ao nível médio do mar (hPa), (d) Linhas de
Corrente e Vorticidade Relativa (10−5 s−1 ), (e) Fluxo umidade integrado na vertical (kgm−1 s−1 )
e Divergência do fluxo de umidade (1×10−5 kgm−2 s−1 ) e (f) Precipitação (mmdia−1 ). Média
anual para o período de 2021 a 2050 (Futuro Próximo).
Bacia. Esses resultados indicam que, para ambos os índices, o modelo aponta decréscimo
de chuva nas regiões citadas, principalmente no setor norte da Bacia Amazônica.
Para o total de dias secos (Figura 10c), observa-se que o modelo gerou valores positivos
de NDD em toda a região que compreende a Bacia Amazônica, com máximos no Peru,
oeste do estado do Amazonas e norte do Pará. Quanto ao total de dias úmidos (Figura
10d), nota-se que os valores significativos abrangem as mesmas regiões descritas no NDD,
bem como seus máximos, porém com valores negativos. Dessa forma, analisando os re-
sultados, os valores do NDD, para o EXP-FD8.5, estão maiores quando comparados com
a média anual da condição climática atual (Ver Apêndice A) e do NWD estão menores
(efetuando a mesma comparação), ou seja, o modelo aponta um decréscimo expressivo de
dias com chuva, para esses indicadores climáticos, principalmente no setor da nascente da
Bacia Amazônica, no Peru.
Figura 10: Anomalia significativas dos índices climáticos, média anual para o período de 2071 a
2100 (Futuro Distante). (a) Número de dias consecutivos secos (dias) - CDD, (b) Número de dias
consecutivos úmidos (dias) - CWD, (c) Número total de dias secos (dias) - NDD, (d) Número
total de dias úmidos (dias), (e) Quantidade total de chuva em dias úmidos (mm) - PRECPTOT,
(f) Quantidade máxima de chuva ocorrida em 1 dia (mm dia−1 ) - R1D, (g) Quantidade máxima
de chuva ocorrida em 5 dias (mm dia−1 ) - R5D e (h) Percentil de 95% de chuva (mm dia−1 ) -
P95%.
45
Figura 11: Anomalia significativas de (a) Temperatura da superfície do mar (1∘ C) - TSM, (b)
Temperatura do ar em 1000 mb (1∘ C), (c) Pressão ao nível médio do mar (hPa), (d) Linhas de
Corrente e Vorticidade Relativa (10−5 s−1 ), (e) Fluxo umidade integrado na vertical (kgm−1 s−1 )
e Divergência do fluxo de umidade (1×10−5 kgm−2 s−1 ) e (f) Precipitação (mmdia−1 ). Média
anual para o período de 2071 a 2100 (Futuro Distante).
Neste capítulo utilizou-se a saída do modelo regional ETA, para o clima do futuro pró-
ximo e distante, utilizando o cenário RCP 8.5, tendo-se como base a composição do índice
climático NDD (Figura 12), com o intuito de mensurar as contribuições atmosféricas e
oceânicas responsáveis pela variação que ocorreu no índice em questão. Para isso, aplicou-
se o método do teste t de student (Equação 4) para calcular a significância estatística nas
anomalias do NDD, correspondentes aos experimentos EXP-FP8.5 e EXP-FD8.5 versus
EXP-CTRL. O teste t de student também foi utilizado para calcular a significância nas
48
As figuras 12a-b, apresentam a media para cinco anos do NDD (selecionados através
da metodologia descrita na seção 4.6), os anos selecionados foram: 2022, 2023, 2030, 2035
e 2050 para o EXP-FP8.5 e 2079, 2080, 2081, 2084 e 2088 para o EXP-FD8.5. Nota-se
na composição desse índice, que o total de dias secos do EXP-FP8.5 (Figura 12a) mostra
anomalias positivas em praticamente toda a região da Bacia Amazônica, com máximos
nos setores norte e leste do Peru, no nordeste e sul do estado do Amazonas e no norte do
Pará. Todavia, observa-se que a composição do NDD para o EXP-FD8.5 (Figura 12b),
apresenta valores de anomalia positivos em aproximadamente todo o Brasil incluindo in-
tegralmente a região que abrange a Bacia Amazônica, com valores máximos sobre o norte
do Peru, oeste e leste do Amazonas. Esses resultados indicam que para ambos os expe-
rimento, o EXP-FP8.5 e EXP-FD8.5, o número de dias secos irá aumentar na proporção
em que a concentração dos gases de efeito estufa na atmosfera também aumenta, com
influências significativas na quantidade de chuva, ou seja, para um número de dias secos
maior espera-se decréscimo na quantidade de chuvas, ver Figuras 13f e 14f.
Outro elemento que é notado ao longo do trabalho, e também nesta seção, é que o
EXP-FP8.5 tende a ser menos intenso, nas anomalias significativas dos indicadores climá-
ticos e das variáveis meteorológicas, em comparação ao EXP-FD8.5. Isso ocorre porque
no cenário RCP 8.5 a concentração dos gases de efeito estufa aumenta linearmente ao
longo do século XXI, isto é, a concentração dos gases de efeito estufa são menores no
EXP-FP8.5 (meio do século) e maiores no EXP-FD8.5 (final do século), ver figura 1.
Figura 12: Composição do índice climático Número total de dias secos - NDD (dias), utilizando
o cenário RCP 8.5 para: (a) Futuro Próximo e (b) Futuro Distante.
49
Em relação ao que foi explanado acima, nota-se que o aumento dos gases de efeito
estufa no EXP-FD8.5, levando-se em consideração a média para cinco anos selecionados,
ocasiona aumento da temperatura e diminuição da convergência do fluxo de umidade para
o meio do século XXI na região da Bacia Amazônica, essas condições atmosféricas podem
ter causado o aumento do número de dias secos (Figura 12a) principalmente no sul e nor-
deste do Amazonas e também no noroeste do Pará, no qual são regiões onde o NDD foi
mais intenso. Parte do aumento do NDD também pode ter sido ocasionado pelo aumento
da TSM principalmente no Pacífico na região do El Niño que pode provocar aumento da
temperatura e diminuição da precipitação na região da Bacia.
51
Figura 13: Composição de (a) Temperatura da superfície do mar (1∘ C) - TSM, (b) Tempera-
tura do ar em 1000 mb (1∘ C), (c) Pressão ao nível médio do mar (hPa), (d) Linhas de Corrente
e Vorticidade Relativa (10−5 s−1 ), (e) Fluxo umidade integrado na vertical (kgm−1 s−1 ) e Diver-
gência do fluxo de umidade (1×10−5 kgm−2 s−1 ) e (f) Precipitação (mmdia−1 ). Média para cinco
anos dentro do período 2021 a 2050 (Futuro Próximo).
No geral nota-se que a composição das variáveis atmosféricas e oceânica, que foram
descritas acima, apresentam as condições necessárias para que ocorra o aumento do nú-
53
mero de dias secos, observados sobre a Bacia, na figura 12b. A combinação de valores
anômalos significativamente altos de TSM, na região do Pacífico, podem provocar aumento
da temperatura na região da Bacia, que em conjunto com convergência do fluxo de umi-
dade positiva, podem ocasionar decréscimo de precipitação. Diminuindo a precipitação a
quantidade de dias úmidos diminuem e consequentemente o NDD irá aumentar.
Figura 14: Composição de (a) Temperatura da superfície do mar (1∘ C) - TSM, (b) Tempera-
tura do ar em 1000 mb (1∘ C), (c) Pressão ao nível médio do mar (hPa), (d) Linhas de Corrente
e Vorticidade Relativa (10−5 s−1 ), (e) Fluxo umidade integrado na vertical (kgm−1 s−1 ) e Diver-
gência do fluxo de umidade (1×10−5 kgm−2 s−1 ) e (f) Precipitação (mmdia−1 ). Média para cinco
anos dentro do período 2071 a 2100 (Futuro Distante).
8 CONCLUSÃO
do CDD. Apontando que o modelo ETA forçado pelo HadGEM2 não possui confiabili-
dade suficiente para o tipo de metodologia aplicado na presente pesquisa. No entanto
ao compararmos o RMSE do modelo ETA com o RMSE do modelo HadGEM2, o ETA
apresentou o melhor resultado de RMSE em todos os indicadores, mesmo sendo forçado
pelo modelo HadGEM2.
No geral observou-se que, em ambos os experientos, para o cenário mais pessimista, ha-
verá aumento significativo do número total de dias secos (observado no CDD e NDD) e con-
sequentemente diminuição da precipitação (observado no CWD, NWD e PRECPTOT),
principalmente na região que abrange a Bacia Amazônica. Esse aumento no número de
dias secos e diminuição da precipitação, podem estar relacionados com o aquecimento
anômalo da TSM do Pacífico e do Atlântico e também com o aumento da temperatura
que juntamente com a divergência do fluxo de umidade, ou seja sumidouro de umidade,
podem provocar condições atmosféricas para redução da precipitação na região da Bacia.
referências bibliográficas
Alexander L. V.; Zhang X.; Peterson T. C.; Caesar J.; Gleason B.; Klein Tank AMG.;
Haylock M.; Collins D.; Trewin B.; Rahimzadeh F.; Tagipour A.; Rupa Kumar K.; Re-
vadekar J.; Griffiths G.; Vincent L.; Stephenson D. B.; Burn J.; Aguilar E.; Brunet M.;
Taylor M.; New M.; Zhai P.; Rusticucci M.; Vazquez-Aguirre J. L.; 2005: Global observed
changes in daily climate extremes of temperature and precipitation. J Geophys Res 111:
D05109, doi:10.1029/2005JD006290.
Araújo, R. G.; Andreoli, R. V.; Candido, L. A.; Kayano, M. T.; Souza, R. A. F.; 2013:
A influência do evento El Niño - Oscilação Sul e Atlântico Equatorial na precipitação
sobre as regiões norte e nordeste da América do Sul. Acta Amazonica, 43, 469-480.
Arakawa, A.; Lamb, V. R.; 1997: Computational design of the basic dynamical proces-
ses of the ucla general circulation model. Methods in Computational Physics, p. 173-265.
Black, T. L.; 1994: The new nmc mesoscale eta model: Description and forecast
examples. Weather and Forecasting, p. 265-278, June.
Chen, F.; Janjic, Z.; Mitchell, K.; 1997: Impact of atmospheric surface-layer paramete-
rizations in the new land-surface scheme of the ncep mesoscale eta model. Boundary-Layer
Meteorology, p. 291-421, Dec.
Chen, M.; Xie, P.; 2008: CPC precipitation working group. CPC Unified Gauge-
based Analysis of Global Daily Precipitation, Western Pacific Geophysics Meeting, Cairns,
Australia.
Chou, S. C.; Marengo, J. A.; Lyra, A. A.; Sueiro, G.; Pesquero, J. F.; Alves, L. M.;
Kay, G.; Betts, R.; Chagas, D. J.; Gomes, J. L.; Bustamante, J. F.; Tavares, P.; 2012:
Downscaling of south america present climate driven by 4-member hadcm3 runs. Clim
57
Chou, S. C.; Lyra, A.; Mourão, C.; Dereczynski, C.; Pilotto, I.; Gomes, J.; Busta-
mante, J.; Tavares, P.; Silva, A.; Rodrigues, D.; Campos, D.; Chagas, D.; Sueiro, G.;
Siqueira, G.; Marengo, J.; 2014a: Evaluation of the Eta Simulations Nested in Three
Global Climate Models. American Journal of Climate Change, 3, 438-454.
Chou, S. C.; Lyra, A.; Mourão, C.; Dereczynski, C.; Pilotto, I.; Gomes, J.; Busta-
mante, J.; Tavares, P.; Silva, A.; Rodrigues, D.; Campos, D.; Chagas, D.; Sueiro, G.;
Siqueira, G.; Nobre, P.; Marengo, J.; 2014b: Assessment of Climate Change over South
America under RCP 4.5 and 8.5 Downscaling Scenarios. American Journal of Climate
Change, 3, 512-525.
Collins, W. G.; et al., 2008: Hadley Centre, Evaluation of the HadGEM2 Model,
Technical note 74 at Hadley Centre, 2008, 47 p.
Detlef, V. P. V.; Edmonds, J.; Kainuma, M.; Riahi, K.; Thomson, A.; Hibbard,
K.; Hurtt, G. C.; Kram, T.; Krey, V.; Lamarque, J.-F.; Masui, T.; Meinshausen, M.;
Nakicenovic, N.; Smith, S. J.; Rose, S. K. The representative concentration pathways: an
overview. Climatic Change, p. 5âĂŞ31, Aug. 2011.
Ek, M. B.; Mitchell, K. E.; Lin, Y.; Rogers, E.; Grenmann, P.; Koren, V.; Gayano,
G.; Tarpley, S. J. D.; 2003: Implementation of noah land surface model advances in the
national centers for environmental prediction operational mesoscale eta model. Journal
of Geophysical Research, Washinton, p. 291-421, Nov.
Fels, S. B.; Schwaezkopf, M. D.; 1975: The simplified exchange approximation: a new
method for radiative transfer calculations. J Atmos Sci.
Fischer, G. R.; Diniz G. B.; Marquez J. R. Q.; 2008: Previsão do número de dias de
chuva para a metade sul do Rio Grande do Sul utilizando a temperatura da superfície do
mar (TSM). Revista Brasileira de Meteorologia, 23, 143-151.
Frich P.; Alexander L. V.; Della-Marta P.; Gleason B.; Haylock M.; Klein Tank A.
M. G.; Tom Peterson; 2002: Observed coherent change in climatic extremes during the
58
Fu R.; Dickinson R. E.; Chen M.; Wang H.; 2001: Tropical sea surface temperatures
influence the seasonal distribution of precipitation in the Equatorial Amazon? J. Clim.,
14: 4003-4026.
Haylock M. R.; Peterson T.; Alves L. M.; Ambrizzi T.; Anunciação Y. M. T.; Baez J.;
Barros V. R.; Berlato M. A.; Bidegain M.; Coronel G.; Corradi V.; Garcia V. J.; Grimm
A. M.; Karoly D.; Marengo J. A.; Marino M. B.; Moncunill D. F.; Nechet D.; Quintana
J.; Rebello E.; Rusticucci M.; Santos J. L.; Trebejo I.; Vincent L.; 2006: Trends in total
and extreme South American rainfall 1960-2000 and links with sea surface temperature.
Journal of Climate 19: 1490-1512.
Hooper, D. U.; Chaping, F. S.; Ewel, J. J.; Hector, E.; Inchausti, P.; Lavorel, S.;
Lawton, J. H.; Lodge, D. M.; Loreau, M.; Naeem, S.; Schmid, B.; Setala, H.; Symstad, A.
J.; Vandermeer, J.; Wardle, D. A.; 2005: Effects of biodiversity on ecosystem functioning:
A consensus of current knowledge. Ecological Monographs, v. 75, p 3-35.
Intergovernmental Panel on Climate Change IPCC; 2002: Climate Change and Bio-
diversity. Cambridge, University, 86 p.
Intergovernmental Panel on Climate Change IPCC; 2013: Climate Change: The Phy-
sical Science Basis. Contribution of Working Group I to the Fifth Assessement Report
of the Intergovernmental Panel on Climate Change. Stocker, T.F., Qin, D., Plattner,
G.-K., Tignor, M., Allen, S.K., Boschung, J., Nauels, A., Xia, Y., Bex, V. and Midgley,
P.M. Eds., Cambridge University Press, Cambridge, United Kingdom and New York, NY,
USA, 1535. http://dx.doi.org/10.1017/CBO9781107415324.
Janjic, Z. I.; 1994: The step-mountain eta coordinate model: Further developments
of the convection, viscous sublayer, and turbulence closure schemes. Monthly Weather
Review, p. 927-945, May.
Johns, T. C. et al.; 2006: The New Hadley Centre Climate Model (HadGEM1): Eva-
luation of Coupled Simulations, Journal of Climate, Vol. 19, No. 7, 2006, pp. 1327-1353.
doi:10.1175/JCLI3712.1.
Karl, T.; Nicholls, N.; Ghazi, A.; 1999: Clivar/gcos/wmo workshop on indices and
59
Klein S. A.; Soden B. J.; Lau N-C.; 1999: Remote Sea Surface Temperature Variations
during ENSO: Evidence for a Tropical Atmospheric Bridge. J. Clim., 12: 917-932.
Kostopoulo, E.; Jones, P. D.; 2005: Assesment of climate extremes in the Eastern
Mediterrenean. Meteorology and Atmospheric Physics, v. 89, p. 69-85.
Li, W.; Fu, R. and Dickinson R. E.; 2006: Rainfall and its seasonality over the Amazon
in the 21st century as assessed by the coupled models for the IPCC AR4 J. Geophys. Res.
111 D02111.
Liebmann B.; Vera C. S.; Carvalho L. M. V.; Camilloni I.; Hoerling M. P.; Barros V. R.;
Báez J.; Bidegain M.; 2004: An observed trend in central South American Precipitation.
Journal of Climate 17: 4357-4367.
Marengo, J. A.; Ambrizzi, T.; Kiladis, G.; Liebmann, B.; 2002: Upper-Air Wave Trains
over the Pacific Ocean and Wintertime Cold Surges in Tropical-Subtropical South Ame-
rica Leading the Freezes in Southern and Southeastern Brazil, Theoretical and Applied
Climatology, Vol. 73, No. 3-4, 2002, pp. 223-242. doi:10.1007/s00704-001-0669-x.
Marengo, J. A.; 2004: Interdecadal variability and trends of rainfall across the Amazon
basin. Theoretical and Applied Climatology 78: 79-96.
Marengo, J.; 2006: Mudanças Climáticas Globais e seus efeitos sobre a Biodiversidade.
Brasilia: Editora Biodiversidade 26, 25p.
Marengo, J.A.; Chou, S.C.; Kay, G.; Alves, L.M.; Pesquero, J.F.; Soares, W.R. et
al.; 2012: Development of Regional Future Climate Change Scenarios in South America
Using the Eta CPTEC/HadCM3 Climate Change Projections: Climatology and Regional
Analyses for the Amazon, São Francisco and the Parana River Basins. Climate Dynamics,
38, 1829-1848. http://dx.doi.org/10.1007/s00382-011-1155-5.
Martin, G. M.; Ringer, M. A.; Pope, V. D.; Jones, A.; Dearden C. and Hinton T.
J.; 2006: The Physical Properties of the Atmosphere in the New Hadley Centre Global
Environmental Model (HADGEM1), Part I: Model Description and Global Climatology,
Journal of Climate, Vol. 19, No. 7, 2006, pp. 1274-1301. doi:10.1175/JCLI3636.1.
Martin, G. M.; Bellouin, N.; Collins, W. J.; Culverwell, I. D.; Halloran, P. R.; Hardi-
man, S. C.; Hinton, T. J.; Jones, C. D.; Mcdonald, R. E.; Mclaren, A. J.; OâĂŹConnor, F.
M.; Roberts, M. J.; Rodriguez, J. M.; Woodward, S.; Best, M. J.; Brooks, M. E.; Brown,
A. R.; Butchart, N.; Dearden, C.; Derbyshire, S. H.; Dharssi, I.; Doutriaux-Boucher, M.;
60
Edwards, J. M.; Falloon, P. D.; Gedney, N.; Gray, L. J.; Hewitt, H. T.; Hobson, M.;
Huddleston, M. R.; Hughes, J.; Ineson, S.; Ingran, W. J.; ; James, P. M.; Johns, T. C.;
Johnson, C. E.; Jones, A.; Jones, C. P.; Joshi, M. M.; Keen, A. B.; Liddicoat, S.; Lock,
A. P.; Maidens, A. V.; Manners, J. C.; Milton, S. F.; Rae, J. G. L.; Ridley, J. K.; Sellar,
A.; Senior, C. A.; Totterdell, I. J.; Verhoef, A.; Vidale, P. L.; Wiltshire, A.; 2011: He
hadgem2 family of met office unified model climate configurations. Geoscientific Model
Development, p. 723-757, Sept.
Mesinger, F.; Janjic, Z. I.; Nickovic, S.; Gavrilov, D.; Deaven, D. G.; 1988: The
step-mountain coordinate: model description and performance for cases of alpine lee
cyclogenesis and for a case of appalachian redevelopment. Monthly Weather Review, p.
1493-1518, July.
Moss R. H. et al.; 2010: The next generation of scenarios for climate change research
and assessment Nature 463 747-56
Moura, R. G.; Herdies, D. L.; Mendes, D.; Mendes, M. C. D.; 2010: Avaliação do
modelo regional eta utilizando as análises do cptec e ncep. Revista Brasileira de Meteo-
rologia, p. 46-53, Mar.
Peterson, T. C.; Folland, C.; Greuza, G.; Hogg, W.; Mokssit, A.; Plumer, N.; 2011:
Report on the activities of the working group on climate change detection and related
rapporteurs 1991-2001. 1. ed. Geneve: WMO.
Qian, W.; Lin, X.; 2005: Regional trends in recent precipitation indices in China.
Meteorology and Atmospheric Physics, v. 90, p. 193-207.
Riahi, K.; Rao, S.; Krey, V.; Cho, C.; Chirkov, V.; Fischer, G.; Kindermann, G.;
Nakicenovic, N.; Rafaj, P.; 2011: RCP 8.5 - A scenario of comparatively high greenhouse
gas emissions Clim. Change 109 33-57.
Santos C. A. C.; Brito J. I. B.; 2007: Análise dos índices de extremos para o semi-
árido do Brasil e suas relações com TSM e IVDN. Revista Brasileira de Meteorologia 22:
303-312.
Santos, C.A.C.; Neale, C.M.U.; Rao, T.V.R.; Silva, B.B.; 2011: Trends in indices for
61
extremes in daily temperature and precipitation over Utah, USA. International Journal
of Climatology, 31: 1813 - 1822 (2011), DOI: 10.1002/joc.2205, 2011.
Santos, D. C.; Medeiros, R. M.; Brito, J. I. B.; 2013: Análise de índices de precipitação
na Amazônia Ocidental. Revista Brasileira de Geografia Física, 6, 1336-1355.
Satyamurty, P.; Castro, A. A.; Tota, J.; Gularte, L. E. S.; Manzi, A. O.; 2012: Rainfall
trends in the Brazilian Amazon Basin in the past eight decades. Theoretical Applied
Climatology, v. 99, 139-148.
Sestine, M. F.; Alvalá, R. C. S.; Mello, E. M. K.; Valeriano, D. M.; Chou, S. C.;
Nobre, C. A.; Paiva, J. A. C.; Reimer, E. S.; 2002: Vegetation map elaboration for use in
numerical models ("elaboração de mapas de vegetação para utilização em modelos mete-
orolÃşgicos e hidrolÃşgicos") internal report. Instituto Nacional de Pesquisas Espaciais.
Skansi, M. M.; Brunet, M.; SigrÃş, J.; Aguilar, E.; Groening, J. A. A.; Bentancur, O.
J.; Geier, Y. R. C.; Amaya, R. L. C.; Jácome, H.; Ramos, A. M.; Rojas, C. O.; Pasten,
A. M.; Mitro, S. S.; Jiménez, C. V.; Martínes, R.; Alexander, L. V.; Jones, P. D.; 2013:
Warming and wetting signals emerging from analysis of changes in climate extreme indices
over South America. Global and Planetary Change, 100, 295-307.
Spiegel, M.Estatística. 1. ed. São Paulo: Embrapa Pecuária Sudeste (CPPSE), 1972.
Soon, W.; Baliunas, S.; 2003: Proxy climatic and environmental changes of the past
1000 years. Climate Research, v. 23, 89-110.
Subak, S.; Palutikof, J. P.; Agnew, M. D.; Watson, S. J.; Bentham, C. G.; Cannell,
M. G. R.; Hulme, M.; McNally, S.; Thornes, J. E.; Waughray, D.; Woods, J. C.; 2000:
The impact of the anomalous weather of 1995 on the UK economy. Climatic Change, v.
44, p. 1-26.
Valverde, M. C.; Marengo, J. A.; 2014: Extreme rainfall indices in the hydrographic
basins of brazil. Open Journal of Modern Hydrology.
Walsh, K.; Pittock, A. B.; 1998: Potential changes in tropical storms, hurricanes, and
extreme rainfall events as a result of climate change. Climatic Change, v. 39, p. 199-213.
Warner, T. T.; 2011: Numerical weather and climate prediction. 1. ed. New York:
Cambrigde University Press.
You, Q.; Kang, S.; Aguilar, E.; Pepin, N.; Flugel, W.; Yan, Y.; Xu, Y.; Zhang, Y.;
62
Huang, J.; 2010: Changes in daily climate extremes in China and their connection to the
large scale atmospheric circulation during 1961-2003. Climate Dynamics, 36:2399-2417
(2011), DOI: 10.1007/s00382-009-0735-0.
Yin, L.; Fu, R.; Shevilakova, E.; Dickinson, R. E.; 2013: How well can CMIP5 simulate
precipitation and its controlling processes over tropical South America? Clim. Dyn. 41
3127-43.
Zhang, X.; Yang, F.; 2004: RClimDex (1.0) User Guide. Climate Research Branch
Environment Canada. Downsview (Ontario, Canada), 22p.
Zhao, Q.; Black, T. L.; Baldwinb, M. E.; 1997: Implementation of the cloud prediction
scheme in the eta model at ncep. Weather and Forecasting, p. 697-712, Sept.
Zin, W. Z. W.; Jamaludin, S.; Deni, S. M.; Jemain, A. A.; 2010: Recent changes
in extreme rainfall events in Peninsular Malaysia: 1971-2005. Theoretical and Applied
Climatology, 99: 303-314.
63
APÊNDICE A
Figura 15: Média climatológica do índice climático Número consecutivo de dias secos - CDD,
utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b) EXP-FP8.5 (2021-2050) e
(c) EXP-FD8.5 (2071-2100).
Figura 16: Média climatológica do índice climático Número consecutivo de dias umidos - CWD,
utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b) EXP-FP8.5 (2021-2050) e
(c) EXP-FD8.5 (2071-2100).
Figura 17: Média climatológica do índice climático Número total de dias secos - NDD, utilizando
o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b) EXP-FP8.5 (2021-2050) e (c) EXP-
FD8.5 (2071-2100).
64
Figura 18: Média climatológica do índice climático Número total de dias umidos - NDD,
utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b) EXP-FP8.5 (2021-2050) e
(c) EXP-FD8.5 (2071-2100).
Figura 19: Média climatológica do índice climático Quantidade total de chuva em dias úmidos
- PRECPTOT, utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b) EXP-FP8.5
(2021-2050) e (c) EXP-FD8.5 (2071-2100).
Figura 20: Média climatológica do índice climático Quantidade máxima de chuva ocorrida em
1 dia - R1D, utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b) EXP-FP8.5
(2021-2050) e (c) EXP-FD8.5 (2071-2100).
65
Figura 21: Média climatológica do índice climático Quantidade máxima de chuva ocorrida em
5 dia - R5D, utilizando o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b) EXP-FP8.5
(2021-2050) e (c) EXP-FD8.5 (2071-2100).
Figura 22: Média climatológica do índice climático Percentil de 95% de chuva - P95%, utilizando
o cenário RCP 8.5 para: (a) EXP-CTRL (1981-1990), (b) EXP-FP8.5 (2021-2050) e (c) EXP-
FD8.5 (2071-2100).