Escolar Documentos
Profissional Documentos
Cultura Documentos
Revista Brasileira de
Geografia Física
ISSN:1984-2295
Homepage:https://periodicos.ufpe.br/revistas/rbgfe
2037
average of air temperature. In most stations, RQMEs were higher than the RQME u , which indicated that simulators can
be fitted using statistical techniques.
Keywords: climate model, meteorological dataset, downscaling.
Introdução
Em estudos climáticos, os Modelos de apresentem erros inerentes às observações. Para
Circulação Global da Atmosfera (MCGA) são avaliar essas incertezas, métodos estatísticos são
ferramentas capazes de caracterizar o cenário atual utilizados para indicar índices de erros e possíveis
e futuro do clima global (Ambrizi et al., 2019). limitações dos modelos (Santiago et al., 2016).
Contudo, por sua baixa resolução espacial Essas incertezas preconizam o fato de que
(superior a 1º, equivalente a aproximadamente 100 as projeções obtidas por modelos de simulações de
km) é utilizada a técnica de transferência das clima, não devem ser utilizadas de forma direta
informações de grande escala para escalas menores antes de uma avaliação prévia para quantificar a
em busca de melhor representação do clima exatidão e precisão de suas simulações. Portanto,
regional, as denominadas técnicas de downscaling esse entendimento torna-se fundamental para se
(Lyra et al., 2018a). Existem diversas técnicas de compreender as mudanças climáticas,
refinamento da grade dos modelos (downscaling), principalmente as de clima futuro (Marengo et al.,
entre eles o downscaling estatístico e o dinâmico 2010; PBMC, 2014).
(Sachindra et al., 2015; Vaittinada Ayar et al., Comumente as simulações dos modelos
2016; Reboita et al., 2018). No refinamento climáticos são comparadas com outras fontes de
dinâmico, as saídas dos MCGA são usadas para dados, como medições em estações meteorológicas
iniciar modelos atmosféricos regionais ou de área de superfícies, imagens de satélites, dados de
limitada (e.g. Weather Research and Forecasting - reanálise, medições de radiossondas (Aloysius et
WRF e/ou o Modelo Eta) (Ambrizi et al., 2019). al., 2016; Palerme et al., 2017). Essa comparação
Diversas pesquisas utilizam modelos busca verificar a capacidade dos modelos em
regionais, em particular o Eta/CPTEC, por reproduzir os estados médios climatológicos e os
apresentaram simulações realísticas das variáveis ciclos sazonais de elementos meteorológicos como
meteorológicas em escalas sazonais e intrasazonais a temperatura do ar e precipitação, assim como, a
(Marengo et al., 2012; Chou et al., 2014; Silva et temperatura da superfície do mar, extensão do gelo
al., 2014; Oliveira et al., 2015; Ploszai et al., 2015; do mar e termoclina equatorial, dentre outros
Mourão, Chou e Marengo, 2016; Holbig et al., (Rong et al., 2018). Tal verificação proporciona
2018; Imbach et al., 2018; Lyra et al., 2018a; identificar possíveis viés existentes nos modelos,
Ambrizi et al., 2019). Destacam-se estudos passíveis esses até de correções (Park et al., 2016;
realizados nas regiões Sul e Sudeste do Brasil, que Silva et al., 2020).
apresentam baixa previsibilidade dos downscaling Deste modo, surge a necessidade de avaliar
dinâmicos que usam modelos regionais ou de área as simulações obtidas pelos modelos climáticos,
limitada iniciados os MCGAs, de Regional Cimate principalmente para o clima atual, com a finalidade
Models (RCM) (Dereczynski et al., 2013; Silva et de entender as proporções associadas à erros
al., 2014; Cavalcanti et al, 2017; Lyra et al., 2018a) sistemáticos e não sistemáticos. Esse entendimento
ou então de aplicações práticas para cidades permite quantificar as incertezas entre o que foi
litorâneas. Neste último caso, as cidades de simulado para o clima atual e os dados observados
Santos/SP e Rio de Janeiro/RJ apresentam em estações meteorológicas por meio de correções
geografia e topografia similares, sendo que as (Oliveira et al., 2015, Almagro et al., 2020).
simulações climáticas podem ser úteis no Portanto, o objetivo deste trabalho foi
delineamento de políticas públicas de ocupação e avaliar as simulações numéricas de precipitação e
uso da terra, com a estimativa de riscos temperatura do ar do clima atual (1961-1990) do
meteorológicos (Lyra et al., 2018a; Nunes et al., modelo climático regional Eta/CPTEC com
2019). resolução de 40 km, inicializado com o modelo
Assim, pode ocorrer, nos downscaling global HadCM3, em relação aos dados observados
dinâmicos iniciados com as simulações dos em estações meteorológicas no estado do Rio de
MCGAs, discrepâncias na diversidade de Janeiro no mesmo período. Assim, a hipótese deste
fenômenos atmosféricos projetados e entre os trabalho é que as saídas do modelo descrito acima
dados simulados e observados em estações de possam representar uma informação útil para os
superfícies (Ambrizzi et al., 2019). Deste modo, os tomadores de decisão.
modelos numéricos podem apresentar simulações
incertas, que se distanciam da realidade ou
2038
Figura 1. Mapa da grade do modelo Eta/CPTEC delimitada para o estado do Rio de Janeiro e seu
entorno e estações meteorológicas do INMET usadas nas avaliações das simulações.
*Círculos em vermelho no entorno (buffer) das estações INMET representam a distância (25 km) de
abrangência considerada para definir o ponto de grade do modelo a ser avaliado. Fonte: elaborada pelos
autores.
2039
Tabela 1. Estações meteorológicas do Instituto Nacional de Meteorologia usadas no estudo suas coordenadas
geográficas e altitude. A percentagem de falhas é apenas para a série de temperatura do ar.
Nome Id Latitude Longitude Altitude (m) Falhas± (%)
Angra dos Reis* 1 23,00 o S 44,32 o W 3 21,4
Rio de Janeiro* 2 22,89 o S 43,18 o W 11 9,7
Bangu 3 22,87 o S 43,45 o W 124 -
Ecologia Agrícola 4 22,77 o S 43,68 o W 34 -
Resende* 5 22,48 o S 44,45 o W 440 16,1
Vassouras 6 22,42 o S 43,67 o W 438 -
Nova Friburgo 7 22,28 o S 42,53 o W 846 -
Cordeiro* 8 22,02 o S 42,36 o W 506 40,0
Santa Maria Madalena* 9 21,95 o S 42,02 o W 620 24,7
Carmo* 10 21,93 o S 42,62 o W 342 14,2
Campos dos Goytacazes* 11 21,75 o S 41,33 o W 11 1,9
Itaperuna* 13 21,20 o S 41,90 o W 124 55,8
* Estações com séries de temperatura do ar e precipitação. ±percentagem de falhas das séries de temperatura
do ar. Fonte: INMET.
A série de referência foi obtida pela média usando a regressão ajustada entre a série da estação
aritmética das séries de estações próximas a em análise e a série de referência após a análise de
estação em análise, selecionadas pelos critérios: i) qualidade dos dados (Lyra et al., 2018b). Todas as
inseridas no mesmo grupo de precipitações falhas foram preenchidas, de forma, a obter séries
homogêneas, ii) menor distância entre as estações continuas de 30 anos para as 12 estações em estudo.
e iii) coeficiente de correlação de Pearson entre as As séries de temperatura do ar mensal não
séries maior que 0,7 (Lyra et al., 2018b). estavam disponíveis para todas as estações, então
Os grupos de precipitações homogêneas foram consideradas apenas oito estações para o
foram determinados pela análise de agrupamento, estado do Rio de Janeiro com séries superiores a 15
usando o método aglomerativo de Ward, com anos e inseridas no período de 1961 a 1990.
medida de dissimilaridade a distância Euclidiana
ao quadrado (Brito et al., 2017). Apenas estações Simulações do modelo Eta/CPTEC
que apresentaram valores de coeficiente de
determinação da regressão (r²) > 0,7 e 0,7 < β 1 < As simulações das séries meteorológicas
1,3 foram analisadas (Kite, 1988). mensais para o clima atual (denominada de
O intervalo do r² e β 1 proposto por Kite baseline), compreendido entre 1961 a 1990, foram
(1988), permite inferir que a série da estação em geradas pelo modelo climático regional
análise e a série de referência apresentam Eta/CPTEC-INPE, a partir das condições de
tendências regionais similares e, os métodos de fronteira do modelo global HadCM3, fornecidas
análise de qualidade e preenchimento de falhas, pelo Metoffice Hadley Centre (MOHC) do Reino
baseados em regressão linear, podem ser aplicados. Unido (Marengo et al., 2012).
Quando foi determinada que a observação estava O modelo regional Eta é um modelo de
fora dos limites definidos pelo intervalo de ponto de grade com área limitada e desenvolvido
confiança da regressão (95%), a mesma foi na coordenada vertical Eta (), resultando num
considerada discrepante e retirada da série. sistema de coordenadas à superfície quasi-
Após terem sido realizadas as análises da horizontal. As variáveis prognósticas pelo modelo
qualidade dos dados de precipitação foram são temperatura do ar, vento horizontal, umidade
consideradas apenas 12 estações meteorológicas específica, pressão superficial, energia cinética
para o presente estudo. Para essas estações, quando turbulenta e hidrometeoros/nuvens (Chou et al.,
da ocorrência de falhas, as mesmas foram 2014). Em vista de sua dinâmica, ele é mais
preenchidas pelo método da regressão linear, apropriado para ser usado em regiões com
2040
∑𝒏 𝟏/𝟐
𝒊 ( 𝑶𝒊 −𝑷𝒊) ²
𝑹𝑸𝑴𝑬 = [ ] (Eq. 1)
𝒏
2041
Tabela 2 - Análise do modelo com base no índice O índice de desempenho (c) variou de 0,07
de desempenho (c). (Bangu) a 0,42 (Vassouras), o que indicou
desempenhos de “mau” a “péssimo” (Tabela 3).
Valor de c Desempenho
Notou-se também que o RQME (%) em relação à
> 0,85 Ótimo média da precipitação mostrou erros superiores a
0,76 a 0,85 Muito bom 100%.
0,66 a 0,75 Bom Assim, os índices indicaram que a precisão
0,61 a 0,65 Mediano (r2 ) das simulações foram baixas, enquanto a
exatidão (d de Willmott) foi superior a precisão. De
0,51 a 0,60 Sofrível qualquer forma, as simulações precisam ser
0,41 a 0,50 Mau corrigidas ou avaliadas diferentes parametrizações
≤ 0,40 Péssimo do modelo Eta/CPTEC para melhor simular a
precipitação no estado do Rio de Janeiro.
Fonte: Camargo e Sentelhas, 1997. As estações de Bangu, Campos dos
Resultados e discussão Goytacazes e Rio de Janeiro foram onde se
observaram as maiores imprecisões das
Precipitação
simulações, com valores de r² e de c menores ou
As simulações da precipitação pelo modelo
iguais a 0,20 e RQME maior que 103 mm. A
Eta/CPTEC em relação às observações das
estação de Bangu também apresentou menor
estações apresentaram baixa precisão, com valores exatidão, com d de Willmott de 0,16 e índice de
de r² entre 0,05 (Rio de Janeiro) e 0,32 (Vassouras). desempenho c igual a 0,07, que em relação à
O RQME variou entre 76,25 (Ecologia Agrícola) e classificação desse índice (Tabela 2), encontra-se
133,40 mm (Bangu), enquanto o coeficiente de na faixa de desempenho “péssimo”. A estação de
concordância de Willmott (d), que permite inferir
Vassouras foi aquela que teve melhor desempenho,
sobre a exatidão das simulações, foi superior a
ao apresentar os valores de r² e índice d mais
aproximadamente 0,5, com exceção da estação de
próximos do ideal (1) e o valor c classificado como
Bangu (0,16). O baixo valor para a estação de “mau” desempenho. Ressalta-se que todas as
Bangu deve-se ao fato de que esta localiza-se na outras estações se encontraram na classe de
parte baixa de uma Bacia aérea e/ou devido à desempenho “péssimo”.
distância e diferença latitudinal da estação e do
ponto de grade.
Tabela 3 - Índices estatísticos usados na comparação dos dados de precipitação observada e simulada.
Coeficiente de determinação (r²), índice de concordância de Willmott (d), índice de desempenho (c), Raiz
do Quadrado Médio do Erro (RQME, mm e %) e RQME sistemática (RQME s , %) e não sistemática
(RQMEu , %).
De forma análoga aos resultados deste estações avaliadas com maior contribuição do erro
estudo, Santiago et al. (2016), para o estado de sistemático, as simulações podem ser corrigidas
Pernambuco, observaram que os valores de por métodos estatísticos para melhorar sua precisão
precipitação modelados foram mais exatos (d) do e exatidão (Silva et al., 2020).
que precisos (r²), ou seja, o modelo não representou Nas Figuras 2b e 3f encontram-se as séries
adequadamente a variabilidade da precipitação. dos dados de precipitação das estações que
Assim, estes autores concluíram que foi possível apresentaram o pior (Bangu) e melhor desempenho
perceber que a precipitação é a variável (Vassouras). A série da estação de Bangu
comprometida em nível de incerteza das saídas do encontrou-se mais dispersa em relação à série da
modelo, em que a simulação apresentou estação de Vassouras, o que significou que a
comportamento e valores distantes dos valores precisão entre os dados simulados e observados foi
observados, para o período presente (1960-1990) menor para estação de Bangu. Em Vassouras, o
na área estudada. Ambrizzi et al. (2007) modelo apresentou tendência de subestimar
verificaram que o modelo Eta/CPTEC apresentou (superestimar) valores de precipitação superiores
baixo índice de correlação (0,49) em simular o (inferiores) a aproximadamente 150 mm.
ciclo sazonal da chuva no Nordeste do Brasil. Similar à estação de Vassouras, em todas
Ambos autores ressaltaram que isso pode ser as outras estações o modelo mostrou tendências de
devido à complexidade da simulação desta subestimar (superestimar) valores de precipitação
variável, que é influenciada por diferentes superiores (inferiores) a aproximadamente 35 mm
fenômenos atmosféricos, além da diferença de (Cordeiro), 40 mm (Nova Friburgo), 50 mm
escala espacial entre os valores simulados e (Resende), 65 mm (Itaperuna), 80 mm (Santa
observados, pois enquanto o modelo gera uma Maria Madalena e Angra dos Reis), 100 mm
informação em grades de 40 x 40 km a estação (Carmo), 110 mm (Rio de Janeiro), 130 mm
meteorológica mede a precipitação pontualmente. (Vassouras), 140 mm (Ecologia Agrícola -
Adicionalmente, outros estudos Seropédica) e 160 mm (Campos de Goytacazes),
assinalaram que os modelos climáticos globais conforme visualizadas nas Figuras 2 e 3. Bangu
ainda não conseguem reproduzir com alto grau de apresentou tendência inversa, e superestimativa
confiabilidade o padrão sazonal de precipitação (subestimativa) para valores menores (maiores)
que a climatologia observacional apresenta que 100 mm.
(Valverde e Marengo, 2010; Dereczynski et al., Os resultados acima obtidos estão de
2013). Recentemente, Almagro et al. (2020) acordo com outros estudos realizados no Brasil e
fizeram uma análise similar a esta sobre o elemento no Rio de Janeiro, que usaram o modelo Eta. Moura
climático precipitação para o bioma característico et al. (2010) avaliaram o desempenho do modelo
de Floresta Atlântica, que tem vegetação e Eta, utilizando o erro médio (EM) e a Raiz do
topografia similar ao Rio de Janeiro. Além do mais, Quadrado Médio do Erro (RQME) e, constataram
considerando-se que toda a técnica de que houve tendência de superestimativa (valores
regionalização ou downscaling contém erros positivos do erro médio) da precipitação sobre a
derivados do modelo global, forçando o modelo região Norte do Brasil.
regional, era de se esperar maior dif iculdade do Alves et al. (2004), ao avaliarem o
modelo em representar espacialmente a desempenho e a evolução das previsões sazonais de
precipitação regional (Kharin et al., 2005; precipitação previstas pelo Eta sobre o Brasil,
Ambrizzi et al., 2007; Ambrizzi et al., 2019; Chou verificaram que para a região Sudeste, o modelo
et al., 2019). global também superestima os valores de
Na maior parte das estações (Angra dos precipitação em praticamente toda a série, e
Reis, Bangu, Cordeiro, Itaperuna, Nova Friburgo, levantaram a expectativa de que o modelo regional
Resende e Rio de Janeiro), o erro sistemático possa prever razoavelmente a distribuição temporal
representou a maior parcela do erro, sendo entre e espacial de dias com ou sem chuvas durante o
51,5% (Rio de Janeiro) e 88,2% (Resende). No mês. Chou et al. (2019) observaram que as
caso das estações onde o erro não sistemático se simulações de precipitação usando o Eta com
sobressaiu, a sua contribuição no RQME foi entre resolução de 5 km, iniciado com o HadGEM2-ES
65,1% (Santa Maria Madalena) e 75,7% (Ecologia para região Sudeste do Brasil, geralmente mostram
Agrícola). Para as regiões, representadas pelas subestimativa durante a estação chuvosa e
2043
Figura 2. Comparação das séries de precipitação observadas e simuladas para o período de 1961-90
nas estações de (a) Angra dos Reis, (b) Bangu, (c) Campos dos Goytacazes, (d) Carmo, (e) Cordeiro
e (f) Ecologia Agrícola no estado do Rio de Janeiro .
2044
Figura 3. Comparação das séries de precipitação observadas e simuladas para o período de 1961-1990
nas estações de (a) Itaperuna, (b) Nova Friburgo, (c) Resende, (d) Rio de Janeiro, (e) Santa Maria
Madalena e (f) Vassouras no estado do Rio de Janeiro.
2045
2046
Tabela 4 - Índices estatísticos usados na comparação dos dados de temperatura do ar observada e simulada.
Coeficiente de determinação (r²), índice de concordância de Willmott (d), índice de desempenho (c), Raiz do
Quadrado Médio do Erro (RQME, mm e %) e RQME sistemática (RQME s , %) e não sistemática (RQMEu,
%).
Nome r² d c RQME(o C) RQME(%) RQMEs (%) RQMEu (%)
Angra dos Reis 0,41 0,66 0,42 2,89 12,1 75,2 24,8
Campos 0,48 0,64 0,45 2,88 11,7 78,9 21,1
Carmo 0,52 0,65 0,47 3,40 14,4 82,4 17,6
Cordeiro 0,53 0,72 0,52 2,68 12,4 71,4 28,6
Itaperuna 0,49 0,63 0,44 3,24 13,4 81,3 18,7
Resende 0,52 0,50 0,36 5,73 25,6 93,1 6,9
Rio de Janeiro 0,53 0,70 0,51 2,34 9,8 69,1 30,9
Santa Maria 0,39 0,79 0,49 1,89 9,0 29,8 70,2
Legenda: Índice de desempenho (c): ótimo (violeta), muito bom (azul-escuro), bom (azul claro), mediano
(verde), sofrível (amarelo), mau (laranja), péssimo (vermelho).
Figura 4. Comparação das séries de temperatura do ar observadas e simuladas nas estações de (a)
Angra dos Reis, (b) Campos dos Goytacazes, (c) Carmo e (d) Cordeiro no estado do Rio de Janeiro .
2047
a) 35
b) 35
Temperatura do ar - Modelo (°C)
25 25
20 20
15 15
10 10
10 20 30 10 20 30
Temperatura do ar - Observada (°C) Temperatura do ar - Observada (oC)
30 30
25 25
20 20
15 15
10 10
10 20 30 10 20 30
Temperatura do ar - Observada (oC) Temperatura do ar - Observada(oC)
Figura 5. Comparação das séries de temperatura do ar observadas e simuladas nas estações de (a)
Itaperuna, (b) Resende, (c) Rio de Janeiro e (d) Santa Maria Madalena, no estado do Rio de Janeiro .
2048
determinação (r2 ) e índice de concordância (d) ficou evidenciado que é necessário realizar
elevados para as simulações do modelo Eta- correções, principalmente, no elemento climático
HadCM3, com precisão maior que 0,6 e exatidão de precipitação.
superior a 0,7. Além disso, os resultados indicaram
que o modelo tende a superestimar em todos os Agradecimentos
pontos, com relação aos dados observados. Deve
ser ressaltado que as características geográficas e Os autores agradecem à Fundação de
climáticas de Pernambuco são diferentes daquelas Amparo à Pesquisa do Estado do Rio de Janeiro
do Rio de Janeiro, por isso estes resultados são (FAPERJ) pelo financiamento do Projeto
diferentes daqueles encontrados em nosso estudo. (Processo No. 141.663) “Risco à Desertificação no
Outros resultados análogos também foram Estado do Rio de Janeiro baseado em Índices
registrados para diferentes locais no Brasil Climáticos e Mudança do Uso e Ocupação do Solo:
(Dereczynski et al., 2013; Chou et al., 2014). Cenário Atual e de Mudanças Climáticas” e ao
Dereczynski et al. (2013) mostraram que as Programa PIBIC/UFRRJ pela bolsa de iniciação
simulações do modelo regional Eta tiveram científica da Fernanda da Silva Pinheiro. Além
tendências significativas de aquecimento quando desses, agradecemos também ao Instituto Nacional
comparadas com os dados observacionais de Meteorologia (INMET) por fornecer os dados
(superestimativa) para o clima atual, porém ficou observados e o INPE pela disponibilidade das
evidenciado que estas tendências eram mais simulações do Eta/CPTEC através do Dr. José A.
intensas para a temperatura do ar média máxima Marengo.
anual do que para a temperatura do ar média
mínima anual na cidade do Rio de Janeiro. Referências
Chou et al. (2014) verificaram que a
temperatura do ar média anual foi subestimada para Aloysius, N.R., Sheffield, J., Saiers, J.E., Li, H.,
todas as simulações feitas pelo modelo regional Eta Wood, E.F., 2016. Evaluation of historical and
e pelo MCGA, como também em todas as regiões future simulations of precipitation and
no Brasil, na maior parte do ano. Além disso, os temperature in central Africa from CMIP5
autores encontraram que as distribuições de climate models. Journal of Geophysical
frequência da temperatura do ar nas simulações do Research: Atmospheres 121, 130-152.
Eta e do MCGA contêm mais valores extremos do https://doi.org/10.1002/2015JD023656
que os dados observados para o clima presente. Alvares, C.A. et al., 2013. Köppen's climate
Resultado similar foi obtido para a região Sudeste classification map for Brazil. Meteorologische
do Brasil por Chou et al. (2019) usando o Eta com Zeitschrift 22, 711-728.
grade de 5 km e iniciado com o HadGEM2-ES. https://doi.org/10.1127/0941-2948/2013/0507
Almagro, A., Oliveira, P.T.S., Rosolem, R.,
Conclusões Hagemann, S., Nobre, C.A., 2020. Performance
evaluation of Eta/HadGEM2-ES and
Pelas análises realizadas chegou-se às Eta/MIROC5 precipitation simulations over
seguintes conclusões: Brazil. Atmosphere Research 244.
As simulações de precipitação mensal https://doi.org/10.1016/j.atmosres.2020.105053
realizadas não demonstraram estimativas precisas Alves, L.M., Chou, S.C., Marengo, J.A. Avaliação
e exatas em todas as estações analisadas, devido à das previsões de chuvas sazonais do modelo
alta variabilidade da chuva, quer seja por fatores ETA climático sobre o Brasil. In: XIII
geográficos (topografia complexa, proximidade do Congresso Brasileiro de Meteorologia, 2004.
ambiente costeiro) e/ou climáticos (diversos Ambrizzi, T., Rocha, R.P., Marengo, J.A.,
fenômenos de subgrade e de circulações de Pisnitchenco, I., Nunes, L.A., Fernandez, J.P.R.,
mesoescala). No caso das simulações de 2007. Cenários regionalizados de clima no
temperatura do ar, estas apresentaram melhor Brasil e América do Sul para o Século XXI:
desempenho, com maior exatidão e precisão. Projeções de clima futuro usando três modelos
As simulações climáticas regionais podem ser regionais. Ministério do Meio Ambiente.,
empregadas para diversos estudos de problemas Brasília (Relatório 3: CPTEC/INPE; IAG/ USP;
relacionados ao tema de mudanças climáticas (e.g. FBDS. Secretaria de Biodiversidade e Florestas.
secas, enchentes, desertificação, deslizamento de Diretoria de Conservação da Biodiversidade).
massas, inundações) no Rio de Janeiro, mas que,
2049
Ambrizzi, T., Reboitta, M.S., Rocha, R.P.D., Imbach, P., Chou, S.C., Lyra, A., Rodrigues, D.,
Llopart, M., 2019. The state of the art and Rodriguez, D., Latinovic, D., Siqueira, G., Silva
fundamental aspects of regional climate A., Garofolo, L., Georgiou, S., 2018. Future
modeling in South America. Annals of the New climate change scenarios in Central America at
York Academy of Sciences 1436, 98-120. high spatial resolution. PLoS ONE 13(4).
https://doi.org/10.1111/nyas.13932 https://doi.org/10.1371/journal.pone.0193570
Brito, T.T., Oliveira-Júnior, J. F., Lyra, G.B., Gois, IPCC. Intergovernmental Panel on Climate
G., Zeri, M., 2017. Multivariate analysis applied Change, 2007. Climate change 2007: The
to monthly rainfall over Rio de Janeiro state, physical science basis. IPCC, AR4, WGI
Brazil. Meteorology and Atmospheric Physics Report. Cambridge Univ. Press.
129, 469-478. https://doi.org/10.1007/s00703- Kharin, V.V., Zwiers, F.W., Zhang, X., 2005.
016-0481-x Intercomparison of Near-Surface Temperature
Camargo, A.P., Sentelhas, P.C., 1997. Avaliação and Precipitation Extremes in AMIP-2
do desempenho de diferentes métodos de Simulations, Reanalyses, and Observations.
estimativa da evapotranspiração potencial no Journal of Climate 18, 5201-5223.
Estado de São Paulo, Brasil. Revista Brasileira https://doi.org/10.1175/JCLI3597.1
de Agrometeorologia 5, 89-97. Kite, G.W., 1988. Frequency and Risk Analyses in
Cavalcanti, I.F.A., Marengo, J.A., Alves, L.M., Hydrology. Water Resources Publications,
Costa, D.F., 2017. Projections of Precipitation Littleton, CO.
Changes in Two Vulnerable Regions of São Lumbreras, J.F., Naime, U.J., Carvalho Filho, A.,
Paulo State, Brazil. American Journal of Wittern, K.P., Shinzato, E., Dantas, M.E.,
Climate Change 6 (2), 268-293. Palmieri, F., Fidalgo, E.C.C., Calderano, S.B.,
https://doi.org/10.4236/ajcc.2017.62014 Medina, A.I. M., Pimentel, J., Chagas, C.S.,
Chou, S.C., Lyra, A., Mourão, C., Dereczynski, Goncalves, A.O., Martorano, L.G., Santos,
C.P., Pilotto, I.L., Gomes, J.L., Bustamante, L.C.O., Tôsto, S.G., Brandão, E.S., Anjos, G.T.,
J.F., Tavares, P. S., Silva, A., Rodrigues, D.C., Amaral, F.C.S., Lima, J.A.S., Valle, L.C.S.,
Campos, D., Chagas, D., Medeiros G.S., Pereira, N.R., Baruqui, A.M., Prado, R.B.,
Siqueira, G., Nobre, P., Marengo, J.A., 2014. Oliveira, R.P., Aglio, M.L.D., 2003.
Evaluation of the Eta simulations Nested in Zoneamento agroecológico do Estado do Rio de
Three Global Climate Models. American Janeiro. Embrapa Solos, Rio de Janeiro
Journal of Climate Change 3, 438-454. (Boletim de Pesquisa e Desenvolvimento, 33).
https://doi.org/10.4236/ajcc.2014.35039 Lyra, A., Tavares, P., Chou, S.C., Sueiro, G.,
Chou, S.C., Marengo, J.A., Silva, A.J., Lyra, A.A., Dereczynski, C.P., Sondermann, M., Silva, A.,
Tavares, P., Souza, C.R.G., Harari, J., Nunes, Marengo, J.A., Giarolla, A., 2018a. Climate
L.H., Greco, R., Hosokawa, E.K., Aragão, change projections over three metropolitan
L.E.O.C., Alves, L.M., 2019. Projections of regions in Southeast Brazil using the non-
Climate Change in the Coastal Area of Santos, hydrostatic Eta regional climate model at 5-km
in: Nunes L., Greco R., Marengo J. (Eds.), resolution. Theoretical and Applied
Climate Change in Santos Brazil: Projections, Climatology 132, 663–682.
Impacts and Adaptation Options. Springer, https://doi.org/10.1007/s00704-017-2067-z
Cham, Heidelberg, pp. 59-73. Lyra, G.B., Correia, T.P., Oliveira-Júnior, J.F.,
https://doi.org/10.1007/978-3-319-96535-2_4 Zeri, M., 2018b. Evaluation of methods of
Dereczynski, C., Silva, W.L., Marengo, J., 2013. spatial interpolation for monthly rainfall data
Detection and Projections of Climate Change in over the state of Rio de Janeiro, Brazil.
Rio de Janeiro, Brazil. American Journal of Theoretical and Applied Climatology 134, 955-
Climate Change 2, 25-33. 965. https://doi.org/10.1007/s00704-017-2322-
https://doi.org/10.4236/ajcc.2013.21003 3
Holbig, C.A., Mazzonetto, A., Borella, F., Pavan, Marengo, J.A., 2007. Mudanças Climáticas
W., Fernandes, J.M.C., Chagas, D.J., Gomes, Globais e seus Efeitos sobre a Biodiversidade-
J.L., Chou, S.C., 2018. PROJETA platform: Caracterização do Clima Atual e Definição das
accessing high resolution climate change Alterações Climáticas para o Território
projections over Central and South America Brasileiro ao longo do Século XXI. 2ª Ed.,
using the Eta model. Agrometeoros 26, 71-81. Brasília: Ministério do Meio Ambiente, V.1,
p.214.
2050
Intercomparison of statistical and dynamical Wang, Y.Q., 2014 MeteoInfo: GIS software for
downscaling models under the EURO and meteorological data visualization and analysis.
MED-CORDEX initiative framework: Present Meteorological Applications 21, 360-368.
climate evaluations. Climate Dynamics 46, https://doi.org/10.1002/met.1345
1301-1329. https://doi.org/10.1007/s00382- Willmott, C.J., 1981 On the validation of models.
015-2647-5. Physical Geography 2, 184-194.
Valverde, M.C., Marengo, J.A., 2010. Mudanças Willmott, C.J., Ackleson, S.G., Davis, R.E., Davis,
na circulação atmosférica sobre a América do R.E., Feddema, J.J., Klink, K.M., Legates, D.R.,
Sul para cenários futuros de clima projetados O’Donnell, J., Rowe, C.M., 1985. Statistics for
pelos modelos globais do IPCC AR4. Revista the evaluation and comparison of models.
Brasileira de Meteorologia 25, 125-145. Journal of Geophysical Research: Oceans 90,
https://doi.org/10.1590/S0102- 8995-9005.
77862010000100011 https://doi.org/10.1029/JC090iC05p08995
2052