Escolar Documentos
Profissional Documentos
Cultura Documentos
Bruno César dos Santos¹, Rafael Grecco Sanches², Rodrigo Martins Moreira³, Vandoir Bourscheidt4 e Paulo Henrique
de Souza5
¹Doutorando em Ciências da Engenharia Ambiental, Escola de Engenharia de São Carlos, Universidade de São Paulo (USP), São Carlos/SP, Brasil.
ORCID: https://orcid.org/ 0000-0001-8218-6803, Email: bruno-unifal@hotmail.com; ² Doutor em Ciências da Engenharia Ambiental, Escola de
Engenharia de São Carlos, Universidade de São Paulo (USP), São Carlos/SP, Brasil. ORCID: https://orcid.org/ 0000-0003-2471-5070, Email:
rafagsanches@alumni.usp.br; 3Doutor em Ciências da Engenharia Ambiental, Universidade Federal de Rondônia (UNIR), Ji-Paraná/RO, Brasil.
ORCID: https://orcid.org/0000-0001-6794-6026, Email: rodrigo.moreira@unir.br; 4Doutor em Geofísica Espacial pelo Instituto Nacional de Pesquisas
Espaciais (INPE), Universidade Federal de São Carlos (UFSCar), São Carlos-SP, ORCID: https://orcid.org/0000-0001-5419-323X , Email:
vandoir@ufscar.br; 5Doutor em Ciências da Engenharia Ambiental, Escola de Engenharia de São Carlos, Universidade Federal de Alfenas (UNIFAL-
MG), Alfenas/MG, Brasil. ORCID: https://orcid.org/0000-0003-0399-9123, Email: phsouza31@hotmail.com.
Artigo recebido em 03/02/2022 e aceito em 16/06/2022
RESUMO
A climatologia tropical e as oscilações das chuvas colidem nas mais diversas regiões dos continentes. Com o avanço das
tecnologias, dados pluviométricos vêm sendo utilizados e aplicados para realização de análises ao longo em séries
temporais utilizando produtos de sensoriamento remoto orbital. Com isso, o estudo objetivou analisar à distribuição
espacial em escala multiespacial e multitemporal de 1981 até 2020, usando com os dados pluviométricos CHIRPS, para
a região central do estado de São Paulo. Analisou 40 anos de dados mensais de chuvas, em 31 postos pluviométricos.
Utilizou-se da relações entre as estimativas por satélite e os os coletados pelas estações de superfície apenas dos valores
observados dentro do recorte temporal. Para isso, foram utilizadas duas análises de erro absoluto médio e erro médio
quadrático e aliadas ao coeficiente de determinação. Para analise temporal, aplicou-se o Índice de Precipitação
Normalizada (SPI) e tendências por regressão linear. As análises global dos dados evidenciaram que o CHIRPS
apresentou-se uma tendência abrupta à subestimar os valores de precipitação (74%), através dos valores médios de ME;
valores médios de RMSE variando entre 36,4 mm a 49,3 mm; e a regressão linear de R² acerca de 0.81. E, para as
tendências com espacialidade uma distribuição de redução para áreas a sudoeste e norte e de aumento para áreas a sudeste.
Essa diferença pode estar associada aos efeitos orográficos. Em tempo, o CHIRPS, proporcionalizou-se uma análise
completa de dados séries temporalmente e favoreceu-se com o desenvolvimento do comportamento da atmosfera nas
diversas porções da superfície terrestre.
Palavras-chaves: Chuvas, Dados de Satélite, Tendência pluviométrica e Topografia;
ABSTRACT
Tropical climatology and rainfall fluctuations collide in the most diverse regions of the continents. With the advancement
of technologies, pluviometric data have been used and applied to analyze time series using orbital remote sensing
products. Thus, the study aimed to analyze the spatial distribution in multi spatial and multi temporal scale from 1981 to
2020, using CHIRPS rainfall data for the central region of the state of São Paulo. Forty years of monthly rainfall data
were analyzed at 31 rainfall stations. The relationships between satellite estimates and rainfall data from surface stations
on a global scale were used only for values observed within the time frame. For this, two analyzes of mean absolute error
and mean square error were used, together with the coefficient of determination. For temporal analysis, it was applied the
Normalized Precipitation Index (SPI) and trends by linear regression. The global analysis of the data showed that the
CHIRPS display an abrupt tendency to underestimate the precipitation values (74%), through the mean ME values; mean
RMSE values ranging from 36.4 mm to 49.3 mm; and the linear regression of R² about 0.81. And, for trends with
spatiality, a decreasing distribution for areas to the southwest and north and an increase for areas to the southeast. This
difference may be associated with orographic effects. In time, the CHIRPS, enabled a complete analysis of time series
data and favored the development of the behavior of the atmosphere in the different portions of the Earth's surface.
Keywords: Rainfall, Satellite Data, Rainfall Trend and Topography;
2582
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
Figura 01.
Localização e transformação do uso e ocupação do solo em 1985 e 2020 para área de estudo.
Fonte: MapBiomas1. Maiores detalhes em Souza et al (2020).
O clima nesta localização central do estado São Paulo, o padrão atmosférico das chuvas está
paulista enquadra (Figura 02) (b), segundo a associado com a interação entre sistemas tropicais
classificação de Monteiro (1973), em climas e extratropicais que, controlados pela dinâmica no
regionais tropicais alternadamente secos (abril a avanço de sistemas frontais polares sobre a porção
setembro) e úmidos (outubro a março) com Centro-Sul do Brasil, contribuem na configuração
predomínio do tipo A2/Vb (Serra de São Carlos). de episódios de ZCAS (Zona de Convergência do
Além disso, de acordo com a classificação de Atlântico Sul) e, portanto, gerando condições de
Köppen, a área é classificada como Cwb (Figura instabilidade atmosférica e elevados volumes de
02)-(a), ou seja, clima subtropical de terras altas chuva (Cavalcanti, 2009; Reboita et al., 2012).
com invernos secos (Alvares et al., 2013). Em termos geomorfológicos (Figura 02)
Isso representa uma característica (c), a área encontra-se na transição entre o Planalto
importante da distribuição das chuvas, Ocidental, formada numa grande zona de relevo
principalmente relacionada ao padrão de circulação suave compostas por colinas, morros baixos e
atmosférica regional, o que acaba por levar a serras, com uma altitude média aproximadamente
episódios excepcionais na região (Moruzzi e de 900m e a Depressão Periférica Paulista,
Oliveira, 2009; Zilli et al., 2017; Sanches et al., apresentando um relevo predominantemente
2018; Santos et al., 2017; 2018 e 2020). Também colinoso e suave, além de morros e serras isoladas
representa um aspecto importante e pontual de com níveis de aproximadamente 600m (Figura 02)
variação sazonal da distribuição das chuvas frente (d - I e II) (Ross; Moroz, 2011; Penteado, 1976
ao padrão da circulação atmosférica regional que Pinheiro; Queiroz Neto, 2014). Essa formação
compõe a área estudada, diante da eventualidade de possui altos coeficientes de permeabilidade,
episódios excepcionais se manifestarem na região favorecendo a infiltração que ocorre
(Sanches et al., 2018; 2020; Santos et al., 2017; principalmente na área aflorante caracterizada
2018; 2020; 2021;). Na região central do Estado de como região de recarga do Aquífero Guarani.
1
Projeto MapBiomas - iniciativa multi-institucional para gerar mapas anuais de uso e cobertura da terra por processos
de classificação automática aplicada a imagens de satélite. O projeto encontra-se em http://mapbiomas.org"
2584
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
Figura 02: (a) Localização do Estado de São Paulo dentro da classificação climática de Koppen para o Brasil;
(b) Localização da área de estudo (vermelho) dentro da classificação climática de São Paulo; (c) Sobre o
mapa hipsométrico da área de estudo indica a localização dos postos de superfície representado pelos pontos
em amarelo, os pixels do CHIRPS representado em preto e dos transectos (I e II) do relevo representado
pelas linhas tracejadas em branco; (d) O transecto (I) representa o perfil vertical do relevo no sentido N-S e o
transecto (II) o perfil horizontal do relevo na direção O-L. Fonte: elaborado pelos autores.
2585
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
Tabela 01: Informações sobre os postos pluviométricos selecionados dentro da área de estudo.
CÓDIGO
ÓRGÃO MUNICÍPI ALTITUDE FALHAS
DO NOME DO POSTO LATITUDE LONGITUDE
RESPONSÁVEL O (Metros) (%)
POSTO
ANALÂNDI
2247004 ANALÂNDIA DAEE-SP -22 7 48.000 -47 40 12.000 660 0,4%
A
FAZENDA CAMPO
2247185 ANA BROTAS -22 9 0.000 -48 0 0.000 733 8,1%
ALEGRE
EST. FERROVIÁRIA
2247197 ANA BROTAS -22 14 24.000 -47 57 36.000 747 4,4%
CAMPO ALEGRE
CHARQUEA
2247208 RECREIO DAEE-SP -22 35 1.000 -47 41 47.000 530 0%
DA
CORUMBA
2247010 CORUMBATAI DAEE-SP -22 13 12.000 -47 37 12.000 600 0,4%
TAÍ
FAZENDA SANTA DESCALVA
2147043 DAEE-SP -21 58 12.000 -47 42 0.000 780 0,2%
RITA DO
DOIS
2248116 GUARAPUA DAEE-SP -22 14 46.000 -48 23 18.000 719 13,8%
CORREGOS
2248009 DOURADO DAEE-SP DOURADO -22 7 48.000 -48 19 12.000 700 0,6%
FAZENDA
2247198 PEQUENA ANA ITIRAPINA -22 10 48.000 -47 46 48.000 780 2,7%
HOLANDA
2247015 GRAUNA DAEE-SP ITIRAPINA -22 18 0.000 -47 45 0.000 610 4,4%
VISCONDE DE RIO
2247006 DAEE-SP ITIRAPINA -22 9 0.000 -47 48 0.000 740 11,5%
CLARO
2247180 ITIRAPINA ANA ITIRAPINA -22 15 0.000 -47 49 48.000 739 10,4%
ITAQUERI DA
2247184 ANA ITIRAPINA -22 20 24.000 -47 55 12.000 894 2,7%
SERRA
RIBEIRÃO
2248005 RIBEIRÃO BONITO DAEE-SP -22 4 48.000 -48 10 48.000 590 7%
BONITO
RIBEIRÃO
2148168 GUARAPIRANGA ANA - 21 57 36.000 -48 15 0.000 - 7,2%
BONITO
2247020 RIO CLARO ANA RIO CLARO -22 25 12.000 -47 33 0.000 600 2,1%
FAZENDA SÃO
2247018 DAEE-SP RIO CLARO -22 19 48.000 -47 28 48.000 600 5,5%
JOSÉ
USINA CAPÃO SÃO
2147059 DAEE-SP -21 52 12.000 -47 48 0.000 610 8,3%
PRETO CARLOS
FAZENDA DA SÃO
2247060 DAEE-SP -21 53 8.000 -47 47 9.000 610 0,2%
BARRA CARLOS
FAZENDA AGUA SÃO
2247109 DAEE-SP -22 4 3.000 -48 2 46.000 598 2,1%
BRANCA CARLOS
FAZENDA SANTA SÃO
2247206 DAEE-SP -22 6 0.000 -47 58 48.000 780 1,4%
BÁRBARA CARLOS
SÃO
2147031 SANTA EUDOXIA DAEE-SP -21 46 48.000 -47 46 48.000 620 1,2%
CARLOS
RIBEIRÃO DO SÃO
2247182 ANA -22 9 0.000 -47 53 24.000 676 4,4%
FEIJÃO CARLOS
SÃO
83726 INMET/UFSCar INMET -21 57 37.723 -47 51 37.650 856 3,2%
CARLOS
2247025 SÃO PEDRO DAEE-SP SÃO PEDRO -22 31 48.000 -47 55 12.000 600 1,4%
D5-006 SITIO BOA VISTA DAEE-SP TORRINHA -22 23 45.000 -48 9 50.000 783 1,7%
Além dos dados de superfície, também Station), no mesmo recorte temporal (1981 a
foram utilizados dados orbitais (Figura 02) (c), na 2020). A estimativa e validação dos dados passa
escala mensal, da plataforma CHIRPS (Climate por uma série de etapas, que ajudam garantir a
Hazards Group Infra-Red Precipitation with qualidade de informações, além de fornecer
2586
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
parâmetros de controle de qualidade que os valores estimados pelo produto CHIRPS podem ser
usuários do CHIRPS podem considerar úteis. As vistas na Figura 03 a seguir.
etapas no processo de preparação e validação dos
Figura 03: Etapas realizadas na estimativa e procedimento da validação dos dados de precipitação do produto
CHIRPS. Fonte: Funk et al., (2015).
Diante disso, as estimativas do CHIRPS global apenas dos valores observados (sem falhas)
vêm sendo validadas em diversos trabalhos, por pelos postos de superfície e os valores estimados
meio de sua comparação com dados de superfície, pelo satélite, dentro do recorte temporal (1981 a
buscando demonstrar a qualidade das suas 2020).
informações, servindo como uma base de dados Para isso, foram utilizadas duas análises de
alternativa dentro do território brasileiro (Costa el. erro – erro absoluto médio e erro médio quadrático
al. 2019; Santos; Cunha; Ribeiro-Neto, 2019; Silva – aliadas ao coeficiente de determinação (ajuste
et al, 2019; Pereira et al, 2018; Castelhano; linear). As técnicas são descritas em detalhe a
Pinehiro; Roseghini, 2017). seguir.
próximo de zero, apontando melhor representação O R² linear avalia o ajuste dos dados
de um conjunto de dados. CHIRPS em relação ao conjunto de dados
observados nos postos pluviométricos. Isto é, a
Raiz do erro médio quadrático (RMSE) proporção da variação das estimativas por satélite
CHIRPS que pode ser explicada pela variação total
O RMSE (Equação 2) é a medida média dos dados observados (Montgomery et al., 2008).
dos erros estimados, sendo os menores Morettin e Bussab (2010) complementam que esse
erros/melhores ajustes encontrados quanto mais critério varia entre 0 e 1, de modo que quanto maior
próximo de zero for esse valor. o valor de R² linear, melhor a qualidade de ajuste
do conjunto de dados de análise aos valores
observados nas estações meteorológicas.
𝑅𝑀𝑆𝐸 = √1 ∑𝑛𝑡=1[𝑦̂ − 𝑦𝑡 ]² Os cálculos e a sistematização dos dados foram
𝑛
(2) realizados no programa RStudio (RStudio Team,
Onde: 2021), onde também foram elaborados tabelas e
• n: número de amostras gráficos dos resultados obtidos por meio dos
• t: período métodos aplicados.
• yt: valor observado no posto de superfície
no período t
• Yt: valor estimado pelo satélite no período Análise da série histórica dos dados CHIRPS
t Para análise histórica dados
pluviométricos foram utilizados ferramentas de
classificação e de tendência das chuvas. Os
O RMSE determina a variabilidade no erro métodos foram aplicados pixel a pixel, para um
de duas séries temporais. Para isso, somam-se os total de 278 pixels dentro da área de estudo
erros obtidos a partir do quadrado da diferença delimitada.
entre o valor observado nos postos pluviométricos
e os dados estimados pelo satélite (Montgomery et Os dados CHIRPS foram obtidos no
al., 2008). Segundo Hallak e Filho (2011), esse formato matricial com extensão Tagged Image File
critério estatístico é normalmente utilizado para (TIF), incluindo a precipitação anual de 1981 a
expressar a acurácia dos resultados numéricos, com 2020, num total de 40 imagens, que foram
a vantagem de que esse parâmetro apresenta ajustadas ao Sistema de Referência Geodésico
valores de erro na mesma dimensão da variável SIRGAS 2000. Para o processamento dos dados
analisada. espaciais, foram utilizados os programas livres e
gratuitos RStudio (RStudio Team, 2021) e o QGis
(QGis Development Team, 2021).
Coeficiente de determinação (R²) Para o cálculo do Índice de Precipitação
Normalizada (SPI) e para a Inclinação de
O R² (Equação 3) é uma medida de
Tendência (slope) da regressão linear, foram
ajustamento estatístico que visa estimar os valores
realizadas no programa RStudio análises pixel a
de Y em função do alor de X.
pixel, onde, os cálculos foram realizados em cada
pixel do arquivo matricial. Os métodos das análises
são descritos a seguir.
entrada apenas dados de precipitação (Royer et al., Onde o 𝑥̅ representa a precipitação média.
2021; Silva et al., 2021).
A distribuição cumulativa é transformada
O SPI é elaborado baseando-se na função
em distribuição de probabilidade normal com
de densidade e probabilidade gama, onde α é
média igual a zero e desvio padrão igual a um
parâmetro de forma (α > 0), β parâmetro de escala
utilizando o logaritmo natural:
(β > 0) e x é a quantidade de chuva. Maior
detalhamento sobre os princípios matemáticos e ∑ ln (x)
𝐴 = ln(𝑥̅ ) −
estatísticos da elaboração do SPI podem ser 𝑛
encontrados em McKee et al. (1993). De modo Após isso, a probabilidade acumulada de
geral, o índice pode ser obtido a partir da função ocorrência de cada valor mensal é estimada. Para a
gama, expressa por: padronização, o valor de Z é obtido por meio da
−𝑥 subtração do valor da precipitação 𝑖 pela média de
𝑋 𝛼 −1 × 𝑒 𝛽
𝑔(𝑥) = 𝑝𝑎𝑟𝑎 𝑋 > 0 precipitação do período e é dividida pelo desvio
𝛽 𝛼 Γ(𝛼) padrão.
Sendo, 𝛼 > 0 parâmetro de forma; 𝛽 > 0 (𝑃 − 𝑃̅𝑖 )
parâmetro de escala; x > 0, a quantidade de 𝑆𝑃𝐼 = 𝑍𝑖 = 𝑖
𝜎𝑖
precipitação (mm) e Γ (𝛼 ) a função gama completa.
Os valores do SPI podem ser classificados
Para estimativa dos parâmetros 𝛼 e 𝛽 da
em períodos secos e chuvosos (Tabela 02). Ainda,
distribuição gama aplica-se:
por padronizar os dados, o SPI permite comparar
1 4𝐴 𝑥̅ regiões com características distintas.
𝛼 = (1 + √1 + ) 𝑒𝛽̂ =
4𝐴 3 𝛼
Regressão linear pixel a pixel o modelo não permite explicar. Para todos os
testes, foi utilizado alfa igual a 0,05.
A regressão linear pixel a pixel utilizada
neste trabalho foi desenvolvida no programa
RStudio (RStudio Team, 2021). Foram usados Resultados e discussão
arquivos matriciais com a soma da precipitação Análise global das séries temporais (1981-2020)
anual por pixel de cada ano. A partir de sua A Tabela 03 apresenta uma análise
aplicação, foi possível modelar a variável contínua conjunta dos resultados médios dos métodos
precipitação (Y) como uma função matemática do estatísticos, descritos anteriormente, aplicados
tempo (X), permitindo usar esse modelo de sobre toda a informação existente (sem as falhas)
regressão para prever o quanto Y foi alterado ao para cada posto dentro do recorte temporal
longo de X anos. Assim, este método indica a adotado. Os resultados obtidos sugerem um
tendência do regime de precipitação (mm/ano) em desempenho semelhante entre as variáveis
aumentar ou diminuir, durante o período de 40 anos comparadas.
(01/01/1981 a 31/12/2020). A equação matemática Para o ME, os erros
aplicada pode ser expressa da seguinte forma: calculados oscilaram entre -14,7mm (P20) e
10,7mm (P4) dentre os pontos analisados,
𝑌 = 𝛽1 + 𝛽2𝑋 + 𝜖
demonstrando que a diferença média não
Onde, β1 é o intercepto e β2 é a inclinação ultrapassou mais 25,4 mm para toda as 31 séries
de tendência. ϵ representa o erro, a parte de Y que temporais. Entre os postos, cerca de 74%
2589
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
subestimaram os valores, e apenas 9,6% destes que se trata de valores obtidos a partir de
superestimaram os valores de precipitação. Cerca acumulados mensais (que chegam
de 16% dos postos obtiveram valor ótimo, com aproximadamente 550 mm), pode-se afirmar que
valores de ME igual a zero. Estes resultados são os erros são relativamente baixos.
reforçados pela análise da inclinação da reta, para Por último, os resultados de R² apresentam
a qual todos os valores ficaram abaixo de um, a qualidade do ajuste de cada um dos pontos.
reforçando a tendência de subestimação para as Segundo Morettin e Bussab (2010), quanto mais
estimativas de precipitação por satélite. próximo de 1,0 a estatística R² estiver, melhor é a
Esta condição (subestimação de baixa taxa qualidade do ajuste. Diante disso, nota-se que na
de chuva e superestimação de alta taxa de chuva) já grande maioria dos pontos os valores de R² indicam
foi relatada por outros autores (por exemplo, Toté um ótimo ajuste, variando entre 0,64 (P4) e 0,87
et al., 2015; Paredes-Trejo et al 2017; Torres- (P6 e P22). De forma mais específica, para cerca de
Batlló, J., Martí-Cardona, 2020). 80% das estações, os valores ficaram acima de
Já os resultados do RMSE indicaram erros 0,80, e para os demais 20% esses valores ainda
variando entre 36,4mm (P22) e 49,3mm (P25), com podem ser considerados satisfatórios (>0,6).
uma média de amplitude de 12,9mm. Considerando
Para ilustrar de forma mais clara esse estimados (satélite). O valor de R² para este caso
ajuste, a Figura 04 apresenta um diagrama de foi de 0,8, indicando uma ótima qualidade para
dispersão entre os dados observados (superfície) e todos os 31 pontos analisados.
2590
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
Entretanto, é possível notar (Figura 04) que podemos destacar o ano de 1983 como
registros de precipitações acima de 500mm tendem excepcionalmente chuvoso (>2500mm) e o ano de
a apresentar uma saturação para o caso do 2014 como excepcionalmente seco (<1000mm).
CHIRPS. Enquanto para os valores de chuvas Segundo Santos et al (2020), a circulação
registrados em superfície é possível observar atmosférica foi, nitidamente, distinta em ambos os
momentos que os postos de superfície registraram anos, sobretudo durante o primeiro semestre,
precipitações superiores a 600mm (chegando a reproduzindo numa dinâmica hidroclimática
ultrapassar 800mm em alguns momentos), para os discrepante e denotando um processo que resultou
dados estimados esses valores não ultrapassam o em chuvas intensas no verão do ano de 1983 e, em
limite de 600mm. uma acentuada e prolongada, estiagem no ano de
Isso demonstra que o comportamento 2014 para a região central do estado de São Paulo.
mensal para ambos os dados (satélite e superfície), Ainda foi possível notar que, nos últimos
é semelhante para valores de até 500mm. Porém, anos, os valores de SPI vem apresentando uma
para valores mensais superiores a 500mm classificação contínua de anos secos, ou seja, as
(podendo até considerar como valores extremos de chuvas estão se distanciando do padrão habitual
precipitação), com diferenças crescentes entre os para a área de estudo. Esse aumento no padrão de
dados estimados e observados a partir desse limiar, anos secos também foi evidenciado na região por
sugerindo limitações das estimativas por satélite Santos et al. (2020 e 2021).
para acumulados de precipitação mais elevados. Na Figura 5 (b), é possível observar a
distribuição espacial dos valores pluviométricos
Análise da distribuição espacial da variabilidade anuais por meio de mapas ao longo do período de
anual das chuvas do CHIRPS no período de 1981- 1981 até 2020. Entre os mapas, nota-se algumas
2020 regiões que apresentaram anos classificados como
A Figura 5 demonstra a distribuição da úmido (azul) ou seco (vermelho), como por
variabilidade e classificação das chuvas ao longo exemplo 1982, 1983, 2009 e 2012, como os mais
de 1981 a 2020. Segundo Peixoto (1987, p.15), “a úmidos e, os anos de 1984, 2008, 2014 e 2020,
variabilidade climática refere-se a intervalos de como os mais secos. Além disso, os resultados
tempo a que se pode associar uma causa definida evidenciaram ao longo dos anos que as chuvas se
menor e incluir os valores extremos e as diferenças concentram em regiões onde a orografia é
entre valores médios anuais, sazonais, mensais”. marcante, contribuindo nos volumes
O gráfico na Figura 5 (a), demonstra a pluviométricos mais elevados por efeito orográfico
variabilidade nas chuvas por meio do índice SPI em comparação com áreas onde o relevo é mais
entre o período de 1981 a 2020, para toda a área de plano.
estudo. Nota-se no gráfico uma flutuação nos dados
pluviométricos, ou seja, momentos na série que as
chuvas foram acima do padrão médio
pluviométrico (em azul) e, outros momentos,
abaixo do padrão (em vermelho).
Entre as quatro décadas de registros,
2591
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
Figura 05 – (a) Gráfico da variabilidade temporal das chuvas anual entre o recorte de 1981 a 2020; (b) Mapas da classificação histórica da distribuição espaço-
temporal da precipitação anual; (c) Classificação da precipitação dos últimos doze meses para o período de 1981 a 2020.
2592
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
2593
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
Figura 06 – (a) Gráfico da distribuição temporal das chuvas mensais (mm) entre 1981 a 2020; (b) Gráfico da distribuição sazonal das chuvas (mm); (c)
Distribuição espaço-temporal da tendência das chuvas anuais entre o recorte de 1981 a 2020; (d) Tendência das chuvas anuais (aumento e redução) para a área
de estudo.
2594
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
2595
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
passam sobre essa região não precipitem, volume anual acumulado. Portanto, para os
depositando os volumes pluviométricos com municípios que compõem a área de estudo, é
mais frequências nas áreas mais a centro- necessária uma atenção pública de segurança
leste do mapa. hídrica sobre a situação climática no regime
Portanto, a presença marcante de pluviométrico, para que esse cenário de
regiões orográficas também pode influenciar redução não afete a economia e a sociedade.
nos valores de chuvas (Dinku et al., 2011, Além disso, pode se afirmar que as
Rahman et al., 2009, Toté et al., 2015) e, informações registradas pelos postos em
com isso, resultar em um comportamento superfície apresentam uma boa relação com
pluviométrico distinto por efeito orográfico as estimativas por satélite, o que legitima o
em relação a outras áreas onde o relevo é uso desses dados para análises
mais plano (Santos et al. 2020; 2021). pluviométricas, principalmente para áreas
que não apresentam disponibilidade de
Conclusões dados, uma vez que não há solução para a
Em geral, os resultados obtidos com grave falha que muitos postos de coleta
os métodos estatísticos aplicados para possuem ao não catalogarem de forma
comparar as estimativas de precipitação do contínua e permanente os dados
produto CHIRPS com as medidas em climatológicos que se presumia serem
superfície de 31 estações localizadas na coletados.
região central do Estado de São Paulo, se Portanto, o uso dessas
mostraram satisfatórios. As análises globais tecnologias/recursos permite suprir essas
revelaram que o CHIRPS apresenta uma falhas, proporcionando uma análise
tendência a subestimar os valores de completa de suas séries e, assim,
precipitação na maioria dos casos (74%), contribuindo sobremaneira com o
conforme observado através dos valores desenvolvimento das pesquisas e no
médios de ME; valores médios de RMSE entendimento do comportamento da
variando entre 36,4 mm e 49,3 mm; e bom atmosfera nas diversas porções da superfície
ajuste para o modelo de regressão linear (R² terrestre, sobretudo nas áreas onde as
médio de 0.81). carências humanas e financeira dificultam a
Entre as análises de classificação e coleta de dados de forma contínua e longa.
de tendências realizadas nos dados históricos
de precipitação foi observado uma flutuação Referências
nos volumes de chuvas ao longo dos 40 anos Abreu, F. G. de; Sobrinha, L. A.; Brandão, J.
de registros da plataforma CHIRPS. Entre os L. B. Análise da distribuição temporal
anos, classificou-se o de 1983 como o mais das chuvas em eventos hidrológicos
úmido, e o de 2014 como o mais seco. extremos. Engenharia Sanitaria e
Além disso, notou-se pelo SPI-12 Ambiental, 22, 239–250, 2017.
uma predominância da condição seca mais Alvares CA, Stape JL, Sentelhas PC, et al
recorrente em áreas a sudoeste da região nos (2013) Köppen’s climate classification
últimos anos. De forma similar, para as map for Brazil. Meteorologische
tendências, evidenciou espacialmente uma Zeitschrift 711–728.
concentração na distribuição de redução em https://doi.org/10.1127/0941-
áreas O-N e, de aumento em áreas L-S, no 2948/2013/0507
volume de chuvas para a região. Essa Aires, U. R. V.; Neto, J. O. N.; Mello, C. R.
diferença pode estar associada aos efeitos Estimativas de precipitação derivadas do
orográficos, dada a complexidade do terreno satélite TRMM para a bacia hidrográfica
que algumas áreas apresentam, bem como do rio Paraopeba, MG. Revista Scientia
relacionada a redução das chuvas com a Agrária, 17, Curitiba, abril/maio 2016, p.
influência oceânica (teleconexão) em 57-66.
determinado período do recorte temporal Ambrizzi, T.; Sacco, M. A. L.; Ferraz, S. E.
analisado nesse estudo. T. A importância das teleconexões para a
Diante desse cenário, as chuvas na previsão sazonal. Ciência e Natura, 36
região central do estado de São Paulo vêm 2014.
demonstrando tendência de redução no
2596
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
Aksu, H., Cavus, Y., Aksoy, H. et al. over mountainous and arid parts of east
Spatiotemporal analysis of drought by Africa. International Journal of Remote
CHIRPS precipitation estimates. Theor Sensing, 32, 5965–5979, 2011. Taylor &
Appl Climatol 148, 517–529, 2022. Francis.
https://doi.org/10.1007/s00704-022- Filho, D. F. F.; Bezerra, P. E. S.; Silva, M.
03960-6 de N. A. DA; Rodrigues, R. S. S.;
Blain, G. C. Seasonal variability of Figueiredo, N. de M. Aplicação de
maximum daily rainfall in Campinas, técnicas de interpolação para
state of Sao Paulo, Brazil: trends, espacialização de chuvas da rede
periodicities, and associated hidrográfica: estudo de caso calha norte –
probabilities. Acta Scientiarum PA. Revista Brasileira de Climatologia,
Technology, 35, 557-, 2013. 24, 2019.
Cavalcante, R. B. L. et al.: Evaluation of Filho, G. M. R.; Coelho, V. H. R.; Freitas, E.
extreme rainfall indices from CHIRPS S.; Xuan, Y.; Brocca, L.; Almeida, C. N.;
precipitation estimates over the Brazilian Regional-scale evaluation of 14 satellite-
Amazonia, Atmospheric Research, based precipitation products in
Volume 238, 2020. characterising extreme events and
Cavalcanti, I. R. A.; Ferreira, N. J.; Silva, M. delineating rainfall thresholds for flood
G. A.; Dias, M. A. F. S. (Orgs.) Tempo e hazards, Atmospheric Research, 276,
clima no Brasil. São Paulo: Oficina de 2022.
Textos, 2009. https://doi.org/10.1016/j.atmosres.2022.
Carvalho, L. M. V.; Jones, C.; Liebmann, B. 106259.
The South Atlantic Convergence Zone: Fofana, M.; Adounkpe, J.; Larbi, I.;
Intensity, Form, Persistence, and Hounkpe, J.; Toure, H. K. A.; Bokar, H.;
Relationships with Intraseasonal to Dotse, S.; Limantol, A. M.; Urban flash
Interannual Activity and Extreme flood and extreme rainfall events trend
Rainfall. Journal of Climate, 17. 88–108, analysis in Bamako, Mali, Environmental
2004. Challenges, Volume 6, 2022.
Castelhano, F. J.; Pinehiro, G. M.; https://doi.org/10.1016/j.envc.2022.1004
Roseghini, W. F. F. Correlação entre 49.
precipitação estimada por satélite e dados Funk, C. Peterson, P.; Landsfeld, M.;
de superfície para aplicação em estudos Pedreros, D.; Verdin, J.; Shukla, S;
climatológicos. Geosul, Florianópolis, Husak, G.; Rowland, J.; Harrison, L.;
32, 179-192, mai./ago. 2017. Hoell, A.; Michaelsen, J. The climate
Costa, J.; Pereira, G.; Siqueira, M. E.; hazards infrared precipitation with
Cardozo, F.; DA Silva, V. V. Validação stations—a new environmental record for
dos dados de precipitação estimados pelo monitoring extremes. Scientific data, v. 2,
chirps para o brasil. Revista Brasileira de p. 150066, 2015.
Climatologia, Ano 15 – Vol. 24 – jan/jun Ghozat, A., Sharafati, A. & Hosseini, SA
2019. Monitoramento por satélite da seca
Cunha, A. C. DA; Vilhena, J. E. D. S.; meteorológica em diferentes regiões do
Santos, E. S. D.; et al. Evento extremo de Irã: aplicação do produto de precipitação
chuva-vazão na bacia hidrográfica do rio CHIRPS. Environ Sci Pollut Res 29,
Araguari, Amapá, Brasil. Revista 36115-36132, 2022.
Brasileira de Meteorologia, 29, p. 95– https://doi.org/10.1007/s11356-022-
110, 2014. 18773-3
Dembélé, M.; Zwart, S.J. Avaliação e Hallak, R.; Filho, A. J. P. Metodologia para
comparação de produtos pluviométricos análise de desempenho de simulações de
baseados em satélite em Burkina Faso, sistemas convectivos na região
África Ocidental. International Journal of metropolitana de São Paulo com o
Remote Sensing, 37 (17), pp. 3995 - modelo ARPS: sensibilidade a variações
4014, 2016. com os esquemas de advecção e
Dinku, T.; Ceccato, P.; Connor, S. J. assimilação de dados. Revista Brasileira
Challenges of satellite rainfall estimation
2597
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
2598
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
2599
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .
Revista Brasileira de Geografia Física v.15, n.05 (2022) 2582-2600.
Region. Theor Appl Climatol, 2022. Torres-Batlló, J., & Martí-Cardona, B.;
https://doi.org/10.1007/s00704-022- Precipitation trends over the southern
04087-4. Andean Altiplano from 1981 to 2018.
Silva, C. B.; Silva, M. E. S.; Ambrizzi, T. et Journal of Hydrology, 590, 125485,
al.: Precipitação na américa do sul – 2020.
dados obtidos em estações Toté, C.; Patricio, D.; Boogaard, H.; et al.
meteorológicas automáticas e sistemas Evaluation of Satellite Rainfall Estimates
orbitais. Revista Brasileira de for Drought and Flood Monitoring in
Climatologia, ano25, 25, Jul/Dez 2019. Mozambique. Remote Sensing, v. 7, n. 2,
Silva, Greicy Kelly da et al. Análise da p. 1758–1776, 2015. Multidisciplinary
Variabilidade Espaço-Temporal do SPI: Digital Publishing Institute.
Um Estudo de Caso para a Sub-Bacia Vásquez P., I. L.; de Araujo, L. M. N.;
Choró, Ceará, Brasil. Revista Brasileira Molion, L. C. B.; et al. Historical analysis
de Meteorologia, 2021. of interannual rainfall variability and
Souza at. al. (2020) - Reconstructing Three trends in southeastern Brazil based on
Decades of Land Use and Land Cover observational and remotely sensed data.
Changes in Brazilian Biomes with Climate Dynamics, 50, 801–824, 2018.
Landsat Archive and Earth Engine - Zandonadi, L.; Acquaotta, F.; Fratianni, S.;
Remote Sensing, Volume 12, Issue 17, Zavattini, J. A. Changes in precipitation
10.3390/rs12172735 extremes in Brazil (Paraná River Basin).
Tavares, A.C.; Reynaldo, N.A.; Donatto, Theoretical and Applied Climatology,
M.C.B.D.C.; Cruz, M. P. O Uso da 123, 741–756, 2016.
Análise Episódica na Caracterização de Zilli, M. T.; Carvalho, L. M. V.; Liebmann,
Aspectos Topoclimáticos da Serra de B.; Silva DIas, M. A. A comprehensive
Itaqueri-SP. Boletim de Geografia - analysis of trends in extreme precipitation
UEM, 3, 84-108, 1985. over southeastern coast of Brazil.
Teixeira, M. DA S.; Satyamurty, P. Trends International Journal of Climatology, 37,
in the Frequency of Intense Precipitation 2269–2279, 2017.
Events in Southern and Southeastern
Brazil during 1960–2004. Journal of
Climate, 24, 1913–1921, 2011.
2600
Santos., B., C., Sanches., R., G., Moreira., R., M., Bourscheidt., V., Souza., P., H .