Arquivo do Trabalho - IAG - USP

UNIVERSIDADE DE SÃO PAULOInstituto de Astronomia, Geofísica e Ciências AtmosféricasDepartamento de Ciências AtmosféricasVariabilidade da Precipitação e Temperatura Anômalaem Baixa Freqüência no centro-leste da América do Sule Relações com a Vegetação do Cerrado:Análise Diagnóstica e Modelagem EstatísticaMichel Nobre MuzaTese de Doutorado apresentada aoDepartamento de Ciências Atmosféricascomo condição parcial para obtenção dotítulo de Doutor em Ciências Atmosféricas.Orientador: Prof. Dra. Leila Maria Véspoli de CarvalhoCo-Orientador: Dr. Charles JonesSão PauloJunho de 2009

Um pouco de ciência pode nos afastar de Deus.Entretanto, muita ciência faz nos aproximarmos Dele.Louis Pasteur (1822 – 1895)

DedicatóriaA Ele,Que nem me deixa falar das ingratidões,Onde morre nos seus braços o mal que faço,Que têm as vitórias alcançadas em minha vidaQue alivia o meu sofrimentoQue esta comigoQue me quer sorrindoQue me ajudaQue é amorQue não me deixa sofrerPai, Filho e Espírito Santo.

AGRADECIMENTOSÀ Juliana Marques Schöntag, que sempre me deu palavras de amor e carinho, na qual minha vida encontrou umsentido, seu sorriso e suas risadas são as minhas alegrias, e que nesse período se tornou minha esposa firme,forte e para sempre.À Professora e Orientadora Dr. Leila Maria Véspoli de Carvalho e ao Co-orientador Charles Jones, pelo qualtenho inspiração para pesquisar e ensinar. Sinceros agradecimentos a eles pela relação agradável, amigável ecientífica durante todo o trabalho. Sou grato pela oportunidade e graça de conhecê-los e fazer parte de suasvidas acadêmico-profissionais.À minha família, pais Vera Maria Nobre Muza e Edison Muza, irmãs Deise e Denise, que são a força a longadistância que impulsiona meu dia-a-dia. Em especial a minha mãe que para mim é tudo nessa vida e ao meu pai,que quando prossegui e fui em frente precisei não olhar pra trás para não ver a lágrima que molhava seu rosto.Minha tia e madrinha Márcia e minha prima Helen. Meus tios Elton e Adriana e primo Natanael.À tia Luiza Marli e Sr. Edison (sogro e sogra), cunhado, cunhadas, primos, tios e avós emprestados desta famíliaque me acolheu como um deles desde o princípio. Entre eles a Mirela e o Santana que são meus padrinhos. Emespecial ao Guilherme que tenho como irmão e a Ana Carolina e ao meu afilhado Nicolas também.Amigos Glécia e Marcos, Ângelo, Taffarel, Jerônimo, Emerson, Reginaldo, Lucas, Gigio, Márcio e Clarisse.Aos meus amigos do IAG América, Taciana, Ana Elizabeth (presente também através do Grupo de Estudos deMulti-escalas, GEM), Santiago, Marcelo Schneeder, Raupp, Gyrlene, Raquel Pink, Aline do Master, Ana Cristinae Ronaldo Palmeira e seu filhinho João Vitor, Edmilson Freitas, Gerson Conceição, Ricardo Hallak (todos essesde tantas parcerias, festas, churrascos, baladas, bolos de aniversários etc) e aqueles que foram se chegando,Mariana Palagano, Maria Cristina e Helber, Mariana Gouvêa, Rodrigo Braga, Fábio, Rodrigo do Master, BrunoBiazeto, Tatiane Jorgetti, Robinson, Odon Ccoyllo, Everaldo Souza, Andréa Cardoso, Thaís Scherrer, ThiagoBiscaro, Wando Amorin, Rodrigo Bombardi (GEM), Vlamir (GEM), chileno Sebastian (GEM), Anita Drumond,Helber Freitas, Alana, Ieda Pscheidt, Valéria, Igor, Fabio Ullman (GEM), Fabrício Silva, Olívia, Meiry, Lena,Rosiberto, Márcio, Augusto Barbosa, Eder Vendrasco, Rachel Albrecht, Guilherme Martins, Vanessa, Carol. Osque se juntaram no consulado gaúcho, Ricardo Acosta e Angélica Catarina Durigon (esses me dando a honra deser meus padrinhos), Jonatan Tatsch e Nathalie Boiaski, Fabi Weikmann, Anderson Nedel, Rubinei, André,Flavio Natal (GEM), Michele Reboita, Diego Fernandes, Ivã, Marta Llopart, Sâmara Carbone, Roger entre outros.Especial agradecimento às pessoas anônimas que fizeram parte dessa tese na análise e discussão dosresultados, apoio nos relatórios etc.Aos meus grandes amigos e os já há tempos amigos meteoros Ricardo e Carina Reinke, Sheila Paz, BadicoGemiacki, Carlinhos Moura, Japa, Lucía Chipponelli, Marina Seelig, Gisele Zepka, Luiz Marckiori, AngélicaCardoso, Marcelo Alonso, Maria Custodio, João Mattos e Ariane Frassoni, Tais Scaglioni, Vagner Anabor,Cláudia Camargo, Priscila Farias e Daniel, Cléber Corrêa, Rosandro Minuzzi e ao último e não menosimportante, Grande Mario Quadros.Aos novos amigos meteoros, Márcia Fuentes e Daniel Bitencourt e sua filhinha Manuela, Glauco Freitas, DanielCalearo e Camila Cardoso, Wallace Menezes, Daniel Menezes, Daniel Porres, Fabio Lopes, Gilsane, Marilene,Marcelo Moraes, Marcelo Martins, Gustavo a tantos outros, também os professores Uda, Marcão, Candinho eBeck e técnicos em meteorologia formados pelo atual Instituto Federal de Santa Catarina - IFSC, que tanto meensinaram.À todos os professores do IAG, em especial aos meus professores Artêmio, Humberto Rocha, Tércio Ambrizzi,Ricardo Camargo, Maria Assunção Silva Dias e Alice Grimm (profa. visitante). E também a Rosmerir da Rocha,Márcia Yamasoe, Carlos Morales Rodriguez, Maria de Fátima Andrade e Edimilson Freitas. Ao Samuel,Sebastião Antônio e Ricardo Barbosa pelo apoio técnico. Às secretarias, em especial ao Marcel e Rose. Aopessoal da Seção de Desenho e Produção Gráfica, e a outros setores do IAG pela generosa atenção.As principais pessoas que incentivaram no início da carreira científica na qual essa tese não existiria: SrinivasRao Chapa, Vilson Ávila e Estael Sias.Ao National Oceanic and Atmospheric Administration (NOAA) e National Aeronautics and Space Administration(NASA) que possibilitaram esse estudo através da disponibilidade de dados meteorológicos e ambientais. Ao Dr.Brant Liebmann do CIRES Climate Diagnostics Center, Boulder, pela participação e revisão do artigo.À agência Conselho Nacional de Desenvolvimento Científico e Tecnológico - CNPq do Ministério da Ciência eTecnologia pela bolsa de doutorado (proc. 140280/2006-5) e ao povo brasileiro que paga seus impostos commuito sofrimento, injustiça e exploração.

ÍNDICELISTA DE FIGURAS ........................................................................................................................................ IIILISTA DE TABELAS.......................................................................................................................................... XLISTA DE SIGLAS.............................................................................................................................................XIRESUMO ..........................................................................................................................................................XIIIABSTRACT ....................................................................................................................................................... XV1. INTRODUÇÃO ....................................................................................................................11.1 OBJETIVOS E ORGANIZAÇÃO DA TESE............................................................................................... 42. REVISÃO BIBLIOGRÁFICA ............................................................................................63. DADOS E METODOLOGIA............................................................................................133.1 DADOS METEOROLÓGICOS E AMBIENTAIS .................................................................................... 133.2 METODOLOGIA FUNDAMENTAL ......................................................................................................... 15A) FILTRAGEM EM FREQÜÊNCIA .............................................................................................................. 15B) ANÁLISE HARMÔNICA E ANOMALIAS TOTAIS ................................................................................ 154. ANOMALIAS DE PRECIPITAÇÃO E TEMPERATURA EM BAIXA-FREQÜÊNCIA .......................................................................................................................174.1 REGIÕES HOMOGÊNEAS ........................................................................................................................ 194.2 ESPECTRO DE POTÊNCIA DE PRECIPITAÇÃO E TEMPERATURA NAS REGIÕESSELECIONADAS ............................................................................................................................................... 224.3 EPISÓDIOS ANÔMALOS DE PRECIPITAÇÃO E TEMPERATURA EM BAIXA-FREQÜÊNCIA 254.4 VARIABILIDADE INTERANUAL E INFLUÊNCIA SAZONAL DOS EPISÓDIOS ANÔMALOS .. 274.5 RELAÇÃO COM ÍNDICES OCEANOS-ATMOSFÉRICOS................................................................... 384.6 PADRÕES ATMOSFÉRICOS DOS PERÍODOS ANÔMALOS ............................................................. 424.7 MODOS PRINCIPAIS DE VARIABILIDADE.......................................................................................... 465. MODELO ESTATÍSTICO DE PRECIPITAÇÃO E TEMPERATURA EM BAIXA-FREQÜÊNCIA .......................................................................................................................495.1 FUNDAMENTAÇÃO TEÓRICA PARA UM MODELO ESTATÍSTICO ............................................. 495.2 ESTUDO DE ERROS NAS FRONTEIRAS DE SÉRIES TEMPORAIS FILTRADAS......................... 505.3 APROXIMAÇÃO PARA AS ANOMALIAS DE PRECIPITAÇÃO EM BAIXA-FREQÜÊNCIA....... 525.4 IDENTIFICAÇÃO DO MODELO AUTO-REGRESSIVO DE PROJEÇÃO INTERANUAL ............. 57A) ORDEM DO MODELO ................................................................................................................................ 58B) TESTES DE PREDITORES.......................................................................................................................... 63C) DESTREZA DAS PREVISÕES ESTATÍSTICAS...................................................................................... 665.5 DESTREZA SAZONAL ............................................................................................................................... 705.6 TESTE DE SENSIBILIDADE ENTRE AS AMOSTRAS DE DESENVOLVIMENTO EVALIDAÇÃO ...................................................................................................................................................... 765.7 DESTREZA DURANTE EPISÓDIOS EL NIÑO-OSCILAÇÃO SUL .................................................... 775.8 PROGNÓSTICO PARA INÍCIO DA MONÇÃO E VERÃO DA AMÉRICA DO SUL......................... 835.9 ESTUDOS DE CASOS DE PREVISÕES DO MARPI .............................................................................. 83i

1ª CASO: 1989/90 ................................................................................................................................................ 832ª CASO: 1990/91 ................................................................................................................................................ 843ª CASO: 1997/98 ................................................................................................................................................ 854ª CASO: 2002/03 ................................................................................................................................................ 925ª CASO: 2003/04 ................................................................................................................................................ 925.10 MARPI PARA TEMPERATURA DO AR EM 850HPA......................................................................... 975.11 MARPI DURANTE EPISÓDIOS ANÔMALOS DE PRECIPITAÇÃO E TEMPERATURA EMBAIXA-FREQÜÊNCIA.................................................................................................................................... 1035.12 ESPECIFICAÇÃO DO MARPI............................................................................................................... 1076. A INFLUÊNCIA DE EPISÓDIOS ANÔMALOS DE PRECIPITAÇÃO ETEMPERATURA EM BAIXA-FREQÜÊNCIA NA VEGETAÇÃO DO CERRADO...1126.1 REGIÃO DO CERRADO........................................................................................................................... 1126.2 DEFASAGEM DO NDVI EM RELAÇÃO À PRECIPITAÇÃO E TEMPERATURA........................ 1166.3 SAZONALIDADE ESPAÇO-TEMPORAL DA VEGETAÇÃO DO CERRADO ................................ 1186.4 O PAPEL DE EPISÓDIOS ANÔMALOS DE PRECIPITAÇÃO EM BAIXA-FREQÜÊNCIA NADINÂMICA DA COBERTURA VEGETAL DO CERRADO ...................................................................... 1196.5 O PAPEL DE EPISÓDIOS ANÔMALOS DE TEMPERATURA EM BAIXA-FREQÜÊNCIA NADINÂMICA DA COBERTURA VEGETAL DO CERRADO ...................................................................... 1287. PROGNÓSTICO DO CICLO EVOLUTIVO DA VEGETAÇÃO DO CERRADO..1357.1 FORMULAÇÃO DO MODELO ESTATÍSTICO DO NDVI SOBRE O CERRADO.......................... 1357.2 VALIDAÇÃO DO MODELO .................................................................................................................... 1397.3 ESTUDO DE CASOS: PREVISÕES DO NDVI SOBRE O CERRADO ............................................... 1421ª CASO: 1989/90 .............................................................................................................................................. 1432ª CASO: 1990/91 .............................................................................................................................................. 1443ª CASO: 1997/98 .............................................................................................................................................. 1458. CONCLUSÃO...................................................................................................................1488.1 SUMÁRIO E CONCLUSÕES GERAIS DO TRABALHO..................................................................... 1488.2 SUGESTÕES PARA PESQUISAS FUTURAS ........................................................................................ 152APÊNDICE A: PUBLICAÇÕES EM PERIÓDICOS E APRESENTAÇÕES EM ......................................... 154REUNIÕES CIENTÍFICAS DURANTE A EXECUÇÃO DESSE TRABALHO............................................ 154APÊNDICE B: CÓPIA DO ARTIGO MUZA ET AL., 2009. ........................................................................... 1549. REFERÊNCIAS ...............................................................................................................173ii

LISTA DE FIGURASFigura 2.1: Mapas de áreas de Cerrado brasileiro. (a) Regiões homogêneas do NDVI (resolução 1°x1° lat. elon.) sobre América do Sul, Gurgel, 2003 (Dissertação de mestrado, INPE), (b) EMPRAPA, 2007,(c) IBAMA, 2007, (d) IBGE, 2003, (e) Órgãos não governamentais Concervation, 2002, nocabeçalho esquerdo uma projeção do Cerrado para 2020, (f) Órgãos não governamentais WWF,2007.Figura 4.1: Climatologia de precipitação do GPCP (mm/dia) e vento em 850 hPa (m/s) de (a) outubro e (b)janeiro menos a média anual. Máximo vetor em cada mapa é indicado no rodapé.Figura 4.2: Climatologia de temperatura do ar (°C) e vento em 850 hPa (m/s) de (a) outubro e (b) janeiro menosa média anual. Máximo vetor em cada mapa é indicado no rodapé.Figura 4.3: Distância euclidiana em cada ponto de grade para anomalias de (a) precipitação e (b) temperaturaem baixa-freqüência sobre o domínio do centro leste da América do Sul: 40-5ºS e 70-30ºW.Figura 4.4: Diagrama de agrupamento em cada ponto de grade para anomalias de (a) precipitação e (b)temperatura em baixa-freqüência. As setas indicam os pontos de grade que mostram um padrãodistinto para máxima distância entre grupos.Figura 4.5: Regiões homogêneas para anomalias de (a) precipitação e (b) temperatura em baixa-freqüênciasobre o domínio que engloba as regiões geográficas brasileiras Sudeste, Centro-oeste e Sul.Figura 4.6: Espectro da precipitação sobre as regiões homogêneas (a) P SEC , (b) P LIM , e (c) P SBR . O períodocorresponde à cobertura temporal dos dados: 1979-2005. Linha suave contínua representa o espectrodo ruído vermelho de fundo, linha tracejada refere-se ao nível de significância de 95% (pontilhadarefere-se ao nível de significância de 90%). A freqüência >370 dias é indicada no canto superioresquerdo. O comprimento da banda entre dois picos também é indicado.Figura 4.7: Espectro do GPCP sobre as regiões homogêneas (a) T SECW e (b) T SBRB . O período corresponde àcobertura temporal dos dados: 1979-2005. Linha suave continua representa o espectro do ruídovermelho de fundo, linha tracejada refere-se ao nível de significância de 95% (pontilhada refere-seao nível de significância de 90%). A freqüência >370 dias é indicada no canto superior esquerdo. Ocomprimento da banda entre dois picos também é indicado.Figura 4.8: Diagrama ilustrando a mediana, quartil superior e inferior, máximos e mínimos, e intervalointerquartil da distribuição da persistência dos episódios anômalos Wet LF e Dry LF na (a) P SEC , (b)P LIM e (c) P SBR . O intervalo interquartil é representado pelo caixa. Outliers são definidos como duasvezes o intervalo interquartil.Figura 4.9: Diagrama ilustrando a mediana, quartil superior e inferior, máximos e mínimos, e intervalointerquartil da distribuição da persistência dos episódios anômalos Warm LF e Cold LF na (a) T SECW e(b) T SBRB . O intervalo interquartil é representado pelo caixa. Outliers são definidos como duas vezeso intervalo interquartil.Figura 4.10: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P SEC (Fig. 4.5a) para (a)1979/80, (b) 1981/82, (c) 1984/85, (d) 1989/90, (e) 1996/97, (f) 1999/00, (g) 2000/01, (h) 2001/02,(i) 2002/03 e (j) 2003/04 quando houve ocorrência de episódios anômalos Wet LF . Climatologia deprecipitação também é mostrada (linha tracejada).Figura 4.11: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P SEC (Fig. 4.5a) para (a)1982/83, (b) 1983/84, (c) 1986/87, (d) 1992/93, (e) 1993/94, (f) 1995/96, (g) 1997/98, (h) 1998/99 e(i) 2000/01 quando houve ocorrência de episódios anômalos Dry LF . Climatologia de precipitaçãotambém é mostrada (linha tracejada).Figura 4.12: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P LIM (Fig. 4.5a) para (a)1979/80, (b) 1981/82, (c) 1982/83, (d) 1986/87, (e) 1990/91, (f) 1994/95, (g) 2000/01, (h) 2001/02 e(i) 2002/03 quando houve ocorrência de episódios anômalos Wet LF . Climatologia de precipitaçãotambém é mostrada (linha tracejada).iii

Figura 4.13: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P LIM (Fig. 4.5a) para (a)1980/81, (b) 1983/84, (c) 1985/86, (d) 1988/89, (e) 1991/92, (f) 1992/93, (g) 1993/93, (h) 1999/00 e(i) 2003/04 quando houve ocorrência de episódios anômalos Dry LF . Climatologia de precipitaçãotambém é mostrada (linha tracejada).Figura 4.14: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P SBR (Fig. 4.5a) para (a)1979/80, (b) 1982/83, (c) 1983/84, (d) 1989/90, (e) 1997/98 e (f) 2002/03 quando houve ocorrênciade episódios anômalos Wet LF . Climatologia de precipitação também é mostrada (linha tracejada).Figura 4.15: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P SBR (Fig. 4.5a) para (a)1981/82, (b) 1985/86, (c) 1988/89, (d) 1992/93 e (e) 1999/00 quando houve ocorrência de episódiosanômalos Dry LF . Climatologia de precipitação também é mostrada (linha tracejada).Figura 4.16: Séries temporais (°C) de anomalias de temperatura em baixa-freqüência (>370 dias) (linha espessa)e anomalias totais de temperatura (linha fina) em 850 hPa na região homogênea T SECW (Fig. 4.5b)para (a) 1982/83, (b) 1985/86, (c) 1987/88, (d) 1997/98 e (e) 1998/99 quando houve ocorrência deepisódios anômalos Warm LF . Climatologia de precipitação também é mostrada (linha tracejada).Figura 4.17: Séries temporais (°C) de anomalias de temperatura em baixa-freqüência (>370 dias) (linha espessa)e anomalias totais de temperatura (linha fina) em 850 hPa na região homogênea T SECW (Fig. 4.5b)para (a) 1981/82, (b) 1988/86, (c) 1989/90, (d) 1990/91, (e) 1991/92, (f) 1992/93, (g) 1996/97 e (h)2003/04 quando houve ocorrência de episódios anômalos Cold LF . Climatologia de precipitaçãotambém é mostrada (linha tracejada).Figura 4.18: Séries temporais (°C) de anomalias de temperatura em baixa-freqüência (>370 dias) (linha espessa)e anomalias totais de temperatura (linha fina) em 850 hPa na região homogênea T SBRB (Fig. 4.5b)para (a) 1979/80, (b) 1983/84, (c) 1985/96, (d) 1994/95, (e) 1997/98, (f) 2000/01 e (g) 2002/03quando houve ocorrência de episódios anômalos Warm LF . Climatologia de precipitação também émostrada (linha tracejada).Figura 4.19: Séries temporais (°C) de anomalias de temperatura em baixa-freqüência (>370 dias) (linha espessa)e anomalias totais de temperatura (linha fina) em 850 hPa na região homogênea T SBRB (Fig. 4.5b)para (a) 1981/82, (b) 1989/90, (c) 1990/91, (d) 1992/93, (e) 1993/94, (f) 1998/99, (g) 1999/00 e (h)2003/04 quando houve ocorrência de episódios anômalos Cold LF . Climatologia de precipitaçãotambém é mostrada (linha tracejada).Figura 4.20: (a) Série temporal de anomalias de precipitação (mm/dia) em baixa-freqüência (>370 dias) namédia da área P SEC (linha espessa sólida), P LIM (linha espessa tracejada), e índice Niño 1+2 namesma escala de tempo (linha fina sólida). (b) Série temporal de anomalias de temperatura (°C) embaixa-freqüência (>370 dias) na média da área T SECW (linha espessa sólida), índice Nino 1+2 namesma escala de tempo (linha fina sólida), e índice PNA (Pacific North American) na mesma escalade tempo (linha fina tracejada intercalada com ponto). Veja Fig. 4.5 para localização das regiões.Figura 4.21: Composições de anomalias de precipitação (mm/dia) em baixa-freqüência (>370 dias) paraepisódios anômalos Wet LF e Dry LF na região (a,b) P SEC , (c,d) P LIM , e (e,f) P SBR (respectivamente).Cores indicam significância estatística ao nível de confiança de 95%. Cor azul (vermelha) econtornos sólidos (tracejados) indicam anomalias positivas (negativas). Primeiro contorno é 0.2 (-0.2) e o segundo é 0.4 (-0.4) com intervalos 0.4.Figura 4.22: Composições de anomalias de temperatura do ar em 850 hPa (°C) em baixa-freqüência (>370 dias)para episódios anômalos Warm LF e Cold LF na região (a,b) T SECW e (c,d) T SBRB (respectivamente).Cores indicam significância estatística ao nível de confiança de 95%. Cor vermelha (azul) econtornos sólidos (tracejados) indicam anomalias positivas (negativas). Primeiro contorno é 0.2 (-0.2) e o segundo é 0.4 (-0.4) com intervalos 0.4.Figura 4.23: (a-d) Correlações entre anomalias de precipitação (mm/dia) e os quatro primeiros padrõescaracterísticos da análise de EOF em baixa-freqüência (>370 dias). (e-h) Correlações entreanomalias de temperatura do ar em 850 hPa (°C) e os quatro primeiros padrões característicos daanálise de EOF em baixa-freqüência (>370 dias). Período utilizado foi de 18-22 de outubro de 1979a 13-17 de outubro 2004. Contornos de linha contínua (tracejada) indicam correlações positivas(negativas). Intervalos de 0.2 começando em 0.2 (-0.2). Cores indicam significância estatística de95% de confiança.iv

Figura 5.1: Localização aproximada dos pontos de grade investigados.Figura 5.2: Erros nas fronteiras das séries temporais associados com filtragem em: (a) na escala submensal 10-20 dias, (b) intra-sazonal 20-100 dias, (c) semi-anual 100-180 dias, e (d) mais baixa-freqüência(>370 dias) para diversos pontos de grades (localização aproximada das cidades) nos dados deprecipitação do GPCP.Figura 5.3: Correlações entre anomalias de precipitação (mm/dia) e os quatro primeiros (a-d) padrõescaracterísticos da análise de EOF em baixa-freqüência (>370 dias) no período de 18-22 de outubrode 1979 a 13-17 de outubro 1991. Contornos de linha contínua (tracejada) indicam correlaçõespositivas (negativas). Intervalos de 0.2 começando em 0.2 (-0.2). Sombreado indica significânciaestatística de 95% de confiança.Figura 5.4: Correlação (esquerda) e RMS padronizado (direita) entre projeções com (a)(e) 1ª EOF, (b)(f) 1-6EOF, (c)(g) 1-12 EOF, (d)(h) 1-18 EOF. Correlações (RMS padronizado) com contornos emintervalos de 0.2 (0.3) começando em 0.4 e sombreado acima de 0.6 (1.0).Figura 5.5: Teste de sensibilidade para o aumento de modos característicos (EOF) da precipitação em baixafreqüência.(a) Correlações e (b) RMS padronizado entre anomalias de precipitação em baixafreqüênciae anomalias totais de precipitação projetadas na área (50°S a 10°N, 80W° a 20W°).Intervalo corresponde ao desvio padrão espacial.Figura 5.6: Correlograma do primeiro coeficiente temporal da análise de EOF para diversas escalas temporais(veja legenda e texto para mais informações) de pêntadas de precipitação sobre a América do Sul(50°S a 10°N, 80W° a 20W°).Figura 5.7: Teste de sensibilidade para o aumento da ordem de preditores (1-3). (a,c,e) Correlação entreprevisão e amostra de validação de PC PI 1 a 3. (b,d,f) Erro RMS padronizado entre previsão eamostra de validação de PC PI 1 a 3. Cada curva indica a ordem (1 para 3 pêntadas). A correlaçãocom a persistência do lag 0 também é mostrada (linha tracejada).Figura 5.8. Validação do modelo AR de previsão das PC PI 1, 2, 3, 8, 12 através da (a) correlação e (b) RMSpadronizado. Destreza da persistência também é mostrada na correlação. A amostra de validaçãocontém dados de pêntadas independentes equivalente a 12 anos.Figura 5.9: (a-d) Correlação e (e-h) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de precipitação em baixa-freqüência. Cada mapa representa a média de 6 pêntadas dacorrelação/S.RMS de 1 a 24 pêntadas. Os dados independentes equivalem a 12 anos. Correlaçõestêm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreadoclaro) e 1.0 (escuro).Figura 5.10: Soma das diferenças entre previsão e amostra de validação (dados independentes) das anomalias deprecipitação em baixa-freqüência. Cada mapa representa a média de 6 pêntadas na previsão de 1 a 24pêntadas. Os dados independentes equivalem a 12 anos. Valores têm contornos de 0.1 (sombreadoescuro) e -0.1 (claro).Figura 5.11: Destreza do MARPI para pontos de grade sobre o Brasil (localização aproximada de cidades, Fig.5.1). Cada curva mostra (a) correlações e (b) S.RMS entre previsão e amostra de validação (dadosindependentes) das anomalias de precipitação em baixa-freqüência. Linha tracejada indica limiar decorrelação igual a 0.6 e S.RMS igual a 1.0.Figura 5.12: Correlação entre previsão e amostra de validação (dados independentes) das anomalias deprecipitação em baixa-freqüência durante períodos sazonais independentes de (A-D) verão NDJFM e(E-H) inverno MJJAS. Cada mapa representa a média de 6 pêntadas da correlação de 1 a 24pêntadas. Correlações têm contornos de 0.6 (sombreado claro) e 0.8 (escuro).Figura 5.13: S.RMS entre previsão e amostra de validação (dados independentes) das anomalias de precipitaçãoem baixa-freqüência durante períodos sazonais independentes de (A-D) verão NDJFM e (E-H)inverno MJJAS. Cada mapa representa a média de 6 pêntadas do S.RMS de 1 a 24 pêntadas. S.RMStêm contornos de 0.8 (sombreado claro) e 1.0 (escuro).Figura 5.14: Destreza trimestral da previsão das anomalias de precipitação em baixa-freqüência durante (A)Dezembro a Fevereiro (B) Março a Maio, (C) Junho a Agosto e (D) Setembro a Novembro. Dadosindependentes correspondem a 12 trimestres. Cada mapa representa a média de 18 pêntadas dacorrelação. Correlações têm contornos de 0.4, 0.6 (sombreado claro) e 0.8 (escuro).Figura 5.15: Correlação entre previsão e amostra de validação (dados independentes) das anomalias deprecipitação em baixa-freqüência durante (A-D) início e (E-H) fim das monções de verão daAmérica do Sul. Cada mapa representa a média das pêntadas de cada mês. Correlações têmcontornos de 0.6 (sombreado claro) e 0.8 (escuro).Figura 5.16: Esquema para teste de sensibilidade entre as amostras de desenvolvimento e validação.v

Figura 5.17: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de dados independentes das anomaliasde precipitação em baixa-freqüência. Cada mapa representa a média de 6 pêntadas dacorrelação/S.RMS de 1 a 24 pêntadas. Os dados independentes equivalem a 12 anos. Correlaçõestêm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreadoclaro) e 1.0 (escuro).Figura 5.18: (A-D) Correlação e (E-H) S.RMS entre previsão e dados independentes das anomalias deprecipitação em baixa-freqüência durante o período sazonal de verão NDJFM com atuação deeventos El Niño. Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24pêntadas. Os dados independentes correspondem a atuação de 6 eventos El Niño de acordo com aTab. 5.6. Correlações têm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornosde 0.8 (sombreado claro) e 1.0 (escuro).Figura 5.19: (A-D) Correlação e (E-H) S.RMS entre previsão e dados independentes das anomalias deprecipitação em baixa-freqüência durante o período sazonal de verão NDJFM com atuação deeventos La Niña. Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24pêntadas. Os dados independentes correspondem a atuação de 6 eventos La Niña de acordo com aTab. 5.6. Correlações têm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornosde 0.8 (sombreado claro) e 1.0 (escuro).Figura 5.20: (A-D) Correlação e (E-H) S.RMS entre previsão dados independentes das anomalias deprecipitação em baixa-freqüência durante o período sazonal de verão NDJFM neutros em relaçãoao ENOS. Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas.Os dados independentes correspondem a 6 períodos sazonais de verão NDJFM neutros de acordocom a Tab. 5.6. Correlações têm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têmcontornos de 0.8 (sombreado claro) e 1.0 (escuro).Figura 5.21: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em setembro de 1989 e (E-H) observado. Cada mapa representa a média de 6 pêntadasprevistas de 1 a 24 pêntadas ao período de setembro a dezembro de 1989. Anomalias deprecipitação em baixa-freqüência têm contornos começando em 0.2 (-0.2) com um intervalo de 0.3até 0.5. Valores positivos (negativo) têm sombreado claro (escuro).Figura 5.22: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em dezembro de 1989 e (E-H) observado. Cada mapa representa a média de 6 pêntadasprevistas de 1 a 24 pêntadas ao período de dezembro de 1989 a março de 1990. Anomalias deprecipitação em baixa-freqüência têm contornos começando em 0.2 (-0.2) com um intervalo de 0.3até 0.5. Valores positivos (negativo) têm sombreado claro (escuro).Figura 5.23: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em setembro de 1990 e (E-H) observado. Cada mapa representa a média de 6 pêntadasprevistas de 1 a 24 pêntadas ao período de setembro a dezembro de 1990. Anomalias deprecipitação em baixa-freqüência têm contornos começando em 0.2 (-0.2) com um intervalo de 0.3até 0.5. Valores positivos (negativo) têm sombreado claro (escuro).Figura 5.24: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em dezembro de 1990 e (E-H) observado. Cada mapa representa a média de 6 pêntadasprevistas de 1 a 24 pêntadas ao período de dezembro de 1990 a março de 1991. Anomalias deprecipitação em baixa-freqüência têm contornos começando em 0.2 (-0.2) com um intervalo de 0.3até 0.5. Valores positivos (negativo) têm sombreado claro (escuro).Figura 5.25: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em setembro de 1997 e (E-H) observado. Cada mapa representa a média de 6 pêntadasprevistas de 1 a 24 pêntadas ao período de setembro a dezembro de 1997. Anomalias deprecipitação em baixa-freqüência têm contornos começando em 0.2 (-0.2) com um intervalo de 0.3até 0.5. Valores positivos (negativo) têm sombreado claro (escuro).Figura 5.26: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em dezembro de 1997 e (E-H) observado. Cada mapa representa a média de 6 pêntadasprevistas de 1 a 24 pêntadas ao período de dezembro de 1997 a março de 1998. Anomalias deprecipitação em baixa-freqüência têm contornos começando em 0.2 (-0.2) com um intervalo de 0.3até 0.5. Valores positivos (negativo) têm sombreado claro (escuro).Figura 5.27: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em setembro de 2002 e (E-H) observado. Cada mapa representa a média de 6 pêntadasprevistas de 1 a 24 pêntadas ao período de setembro a dezembro de 2002. Anomalias deprecipitação em baixa-freqüência têm contornos começando em 0.2 (-0.2) com um intervalo de 0.3até 0.5. Valores positivos (negativo) têm sombreado claro (escuro).vi

Figura 5.28: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em dezembro de 2002 e (E-H) observado. Cada mapa representa a média de 6 pêntadasprevistas de 1 a 24 pêntadas ao período de dezembro de 2002 a março de 2003. Anomalias deprecipitação em baixa-freqüência têm contornos começando em 0.2 (-0.2) com um intervalo de 0.3até 0.5. Valores positivos (negativo) têm sombreado claro (escuro).Figura 5.29: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em setembro de 2003 e (E-H) observado. Cada mapa representa a média de 6 pêntadasprevistas de 1 a 24 pêntadas ao período de setembro a dezembro de 2003. Anomalias deprecipitação em baixa-freqüência têm contornos começando em 0.2 (-0.2) com um intervalo de 0.3até 0.5. Valores positivos (negativo) têm sombreado claro (escuro).Figura 5.30: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em dezembro de 2003 e (E-H) observado. Cada mapa representa a média de 6 pêntadasprevistas de 1 a 24 pêntadas ao período de dezembro de 2003 a março de 2004. Anomalias deprecipitação em baixa-freqüência têm contornos começando em 0.2 (-0.2) com um intervalo de 0.3até 0.5. Valores positivos (negativo) têm sombreado claro (escuro).Figura 5.31: Correlações entre anomalias de temperatura do ar em 850hPa (°C) e os quatro primeiros (a-d)padrões característicos da análise de EOF em baixa-freqüência (>370 dias) no período de 18-22 deoutubro de 1979 a 13-17 de outubro 1991. Contornos de linha contínua (tracejada) indicamcorrelações positivas (negativas). Intervalos 0.2 começando em 0.2 (-0.2). Sombreado indicasignificância estatística de 95% de confiança.Figura 5.32: Teste de sensibilidade para o aumento de modos característicos (EOF) da temperatura em baixafreqüênciano nível de 850 hPa. (a) Correlações e (b) S.RMS entre anomalias de temperatura embaixa-freqüência e anomalias totais de temperatura projetadas na área (50°S a 10°N, 80W° a20W°). Intervalo corresponde ao desvio padrão espacial.Figura 5.33: Validação do modelo AR de previsão das PC PI 1, 2, 3, 8, 12 através da (a) correlação e (b) S.RMS.Destreza da persistência também é mostrada na correlação. A amostra de validação contém dadosde pêntadas independentes equivalente a 12 anos.Figura 5.34: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de temperatura do ar em 850 hPa em baixa-freqüência. Cada mapa representa a média de6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas. Os dados independentes equivalem a 12 anos.Correlações têm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8(sombreado claro) e 1.0 (escuro).Figura 5.35: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de precipitação em baixa-freqüência durante a ocorrência de episódios anômalos naregião P SEC . Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas.Correlações têm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8(sombreado claro) e 1.0 (escuro).Figura 5.36: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de precipitação em baixa-freqüência durante a ocorrência de episódios anômalos naregião P LIM . Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas.Correlações têm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8(sombreado claro) e 1.0 (escuro).Figura 5.37: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de precipitação em baixa-freqüência durante a ocorrência de episódios anômalos naregião P SBR . Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas.Correlações têm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8(sombreado claro) e 1.0 (escuro).Figura 5.38: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de temperatura em baixa-freqüência durante a ocorrência de episódios anômalos naregião T SECW . Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24pêntadas. Correlações têm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têmcontornos de 0.8 (sombreado claro) e 1.0 (escuro).Figura 5.39: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de temperatura em baixa-freqüência durante a ocorrência de episódios anômalos naregião T SBRB . Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24pêntadas. Correlações têm contornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têmcontornos de 0.8 (sombreado claro) e 1.0 (escuro).Figura 6.1. Ciclo anual de dois pontos de grade dos dados do NDVI sobre regiões de Cerrado: Cerradãopróximo a Ribeirão Preto (21°12’S e 47°52’W) e cerrado (sensu strito) próximo a Brasília (15°48’Se 48°0’W).vii

Figura 6.2. (a) Amplitude e (b) fase do ciclo anual a partir do primeiro harmônico dos dados do NDVI comresolução espacial de 1.0x1.0º lat. e lon. sobre o domínio de 40ºS – 0º e 35 – 65ºW.Figura 6.3. Analise de disco harmônico do ciclo anual do (a) NDVI com resolução espacial 1.0x1.0 lat. e lon. Afase refere-se ao máximo do primeiro harmônico. Região do Cerrado com coerência espacial émostrada. (b) Precipitação (mm/dia), (c) Temperatura do ar (°C) em 850 hPa e (d) em 1000 hPa, (e)Fluxo de Calor Sensível (W/m 2 ) e (f) Fluxo de Calor Latente (W/m 2 ) com resolução espacial de2.5x2.5 lat. e lon. Máximo vetor sobre o domínio é indicado no rodapé de cada mapa.Figura 6.4. Correlação entre NDVI e (a) GPCP e (b) T850 entre 1982-98. Defasagem negativa significa queGPCP/T850 lideram a variabilidade do NDVI (eixo abscissa).Figura 6.5. Ciclo anual dos dados do NDVI no período de 1982 a 1998 sobre a região do Cerrado mês a mês de(a) julho a (l) junho.Figura 6.6. Desvio Padrão das Anomalias Totais do NDVI no período de 1982 a 1998 sobre o Cerrado mês amês de (a) julho a (l) junho.Figura 6.7. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao máximo de GPCP LF observado durante períodos anômalos Wet LF na região P SEC .Anomalias totais do NDVI mostradas são estatisticamente significativas ao nível de confiança de95%, baseado no teste t. Os graus de liberdade correspondem a três episódios Wet LF .Figura 6.8. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do GPCP (mm/dia) em relação aomáximo de GPCP LF observado durante períodos anômalos Wet LF na região P SEC . Anomalias totaisdo GPCP mostradas são estatisticamente significativas ao nível de confiança de 95%, baseado noteste t. Os graus de liberdade correspondem a três episódios Wet LF .Figura 6.9: Série temporal do NDVI na região do Cerrado durante (a) 1984/85 e (b) 1997/98 (linha sólida).Série temporal do ciclo anual do Cerrado centrada na monção de verão (linha tracejada).Figura 6.10. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao mínimo de GPCP LF observado durante períodos anômalos Dry LF na região P SEC .Anomalias totais do NDVI mostradas são estatisticamente significativas ao nível de confiança de95%, baseado no teste t. Os graus de liberdade correspondem a sete episódios Dry LF .Figura 6.11. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do GPCP (mm/dia) em relaçãoao mínimo de GPCP LF observado durante períodos anômalos Dry LF na região P SEC . Anomaliastotais do GPCP mostradas são estatisticamente significativas ao nível de confiança de 95%,baseado no teste t. Os graus de liberdade correspondem a sete episódios Dry LF .Figura 6.12. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao máximo de GPCP LF observado durante períodos anômalos Wet LF na região P LIM .Anomalias totais do NDVI mostradas são estatisticamente significativas ao nível de confiança de95%, baseado no teste t. Os graus de liberdade correspondem a quatro episódios Wet LF .Figura 6.13. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do GPCP (mm/dia) em relaçãoao máximo de GPCP LF observado durante períodos anômalos Wet LF na região P LIM . Anomaliastotais do GPCP mostradas são estatisticamente significativas ao nível de confiança de 95%,baseado no teste t. Os graus de liberdade correspondem a quatro episódios Wet LF .Figura 6.14. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao mínimo de GPCP LF observado durante períodos anômalos Dry LF na região P LIM .Anomalias totais do NDVI mostradas são estatisticamente significativas ao nível de confiança de95%, baseado no teste t. Os graus de liberdade correspondem a seis episódios Dry LF .Figura 6.15. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do GPCP (mm/dia) em relaçãoao mínimo de GPCP LF observado durante períodos anômalos Dry LF na região P LIM . Anomaliastotais do GPCP mostradas são estatisticamente significativas ao nível de confiança de 95%,baseado no teste t. Os graus de liberdade correspondem a seis episódios Dry LF .Figura 6.16: Esquema mostrando a influência esperada de episódios anômalos de baixa-freqüência sobre oNDVI sobre o Cerrado (a) fortalecendo, (b) enfraquecendo, (c) adiantando, (d) atrasando o cicloanual.Figura 6.17. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao máximo de T850 LF observado durante períodos anômalos Warm LF na região T SECW .Anomalias totais do NDVI mostradas são estatisticamente significativas ao nível de confiança de95%, baseado no teste t. Os graus de liberdade correspondem a quatro episódios Warm LF .Figura 6.18. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do T850 (°C) em relação aomáximo de T850 LF observado durante períodos anômalos Warm LF na região T SECW . Anomaliastotais do T850 mostradas são estatisticamente significativas ao nível de confiança de 95%, baseadono teste t. Os graus de liberdade correspondem a quatro episódios Warm LF .viii

LISTA DE TABELASTabela 4.1: Correlações entre anomalias de precipitação (mm/dia) em baixa-freqüência (>370 dias) GPCP LF emcada região P SEC , P LIM , e P SBR e índices oceanos-atmosféricos na mesma escala de tempo.Apresenta-se também as correlações entre esses índices e anomalias temperatura do ar em 850 hPa(°C) em baixa-freqüência (>370 dias) T850 LF em cada região T SECW e T SBRB . ** (*) significânciaestatística de 95% (90%) de confiança.Tabela 5.1: Porcentagem da variância explicada dos primeiros 20 coeficientes temporais da EOF das anomaliasinteranuais de precipitação. Erro amostral é mostrado juntamente com a diferença entre os modosprincipais de variabilidade.Tabela 5.2: Seleção da ordem p do modelo AR para preditores de PC PI (1-10) da precipitação (pêntadas),autocorrelação Rp, variância do ruído branco, estatísticas AIC (Eq. 5.6) e AIC (Eq. 5.7).Tabela 5.3: Estatísticas AIC (Eq. 5.6) e AIC (Eq. 5.7) para seleção da ordem p de modelos AR para PC1 a PC10das anomalias totais (2ª coluna), e escalas temporais de 10-20, 20-100, 100-180, >370 e >450 dias apartir de pêntadas de precipitação. (*) indica não concordância entre AIC/BIC, então ambos osresultados são mostrados.Tabela 5.4: Estatísticas AIC (Eq. 5.6) e AIC (Eq. 5.7) para seleção da ordem p de modelos AR para pontos degrade mostrados na Fig. 1 de pêntadas de precipitação GPCP, anomalias totais, e escalas temporaisde 10-20, 20-100, 100-180, e >370. (*) indica não concordância entre AIC/BIC, então ambos osresultados são mostrados.Tabela 5.5: Sensibilidade da destreza da previsão para o aumento no número de PC PI (colunas) usadas comopreditores. Correlações para PC PI 1 e PC PI 2 usando a amostra de validação. Avanço no tempo émostrado nas linhas.Tabela 5.6: Lista de episódios El Niño, normal e La Niña incluídos nesse estudo. Por exemplo, verão (summer)1982 indica 1982/83. Fonte: CPC/NCEP.Tabela 5.7: Porcentagem da variância explicada dos primeiros 20 coeficientes temporais da EOF das anomaliasinteranuais de temperatura do ar em 850 hPa. Erro amostral é mostrado juntamente com a diferençaentre os modos principais de variabilidade.Tabela 5.8: Seleção da ordem p do modelo AR para temperatura do ar em 850 hPa para preditores ~PC (1-10),autocorrelação Rp, variância do ruído branco, estatísticas AIC (Eq. 5.6) e BIC (Eq. 5.7).Tabela 5.9: Especificações do MARPI.Tabela 7.1: Seleção da ordem p do modelo AR para anomalias totais do NDVI. É mostrada também aautocorrelação Rp, variância do ruído branco, estatísticas AIC (Eq. 5.6) e AIC (Eq. 5.7).x

LISTA DE SIGLASAICAkaike information CriterionARauto-regressivoAVHRR Advanced Very High Resolution RadiometerBICBayesian information CriterionBWbandwidthCOLA Center for Ocean–Land–Atmosphere StudieCold LF episódios anômalos de frio em baixa-freqüênciaCPCClimate Prediction CenterCPTEC Centro de Previsão de Tempo e Estudos ClimáticosDJFDezembro-Janeiro-FevereiroDry LF episódios anômalos de estiagem em baixa-freqüênciaEMBRAPA Empresa Brasileira de Pesquisa AgropecuáriaENOS El Niño-Oscilação SulEOFEmpirical Orthogonal FunctionEOF LF modo de variabilidade da Empirical Orthogonal Function em baixa-freqüênciaFFTfast Fourier transformGIMMS Global Inventory Monitoring and Modelling StudiesGPCP Global Precipitation Climatology ProjectGPCP LF Anomalias de precipitação em baixa-freqüência do GPCPGPCP LF ’ Anomalias de precipitação em baixa-freqüência do GPCP por filtragem de 1979 a 1992GPCP LF * Anomalias de precipitação em baixa-freqüência do GPCP por filtragem de 1979 a 2005≈GPCP LF Anomalias de precipitação em baixa-freqüência do GPCP reconstruídas por EOF LFGPCP TA Anomalias totais de precipitação do GPCPGSFC Goddar Space Flight CenterIBAMA Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais RenováveisIBGE Instituto Brasileiro de Geografia e EstatísticaIRIInternational Research InstituteIVPInfravermelho próximoJJAJunho-Julho-AgostoLFLow-frequencyLISAN Index for South America MonsoonMAM Março-Abril-MaioMARPI Modelo Auto-regressivo de Projeção InteranualNASA National Aeronautics and Space AdministrationNCEP National Centers for Environmental Predictionxi

NDVINDVI TANOAAPCPC LFPC PIPIP LIMPNAP SBRP SECONGRMSSAMSSIMOCSONS.RMST850 LFT850 TAT SECWT SBRBTSMUV850 LFVISZCASZCITWet LFWarm LFNormalized Difference Vegetation Indexanomalias totais do NDVINational Oceanic and Atmospheric AdministrationPrincipal ComponentPrincipal Component em baixa-freqüênciacoeficiente temporal da projeção interanualProjeção Interanualregião homogênea em relação à GPCP LF no limite entre sudeste e sul do BrasilPacific North Americanregião homogênea em relação à GPCP LF situada no sul do Brasilregião homogênea em relação à GPCP LF situada no sudeste do Brasilorganizações não governamentaisRoot Mean Square ErrorSouth America Monsoon SystemSistema de Modelagem dos OceanosSetembro-Outubro-Novembrostandardized Root Mean Square ErrorAnomalias de temperatura do ar em baixa-freqüência no nível de 850 hPaAnomalias totais de temperatura do ar no nível de 850 hParegião homogênea em relação à T850 LF situada no sudeste e centro-oeste do Brasil.região homogênea em relação à T850 LF situada no sul do Brasil e fronteiras adjacentestemperatura da superfície do marvento anômalo de baixa-freqüência no nível de 850 hPavisívelZona de Convergência do Atlântico SulZona de Convergência Inter-tropicalepisódios anômalos chuvosos em baixa-freqüênciaepisódios anômalos quentes em baixa-freqüênciaxii

RESUMOA variabilidade em baixa-freqüência na precipitação e temperatura nas monções deverão da América do Sul é investigada através de um estudo observacional e de modelagemestatística. Para tanto, dados pentadais de precipitação no período de 1979 a 2005 do GlobalPrecipitation Climate Project – GPCP foram usados para separar o sinal de mais baixafreqüênciadefinidos por análise espectral como sendo oscilações maiores do que 370 dias.Para temperatura e circulação atmosférica utilizaram-se dados de reanálises. O presenteestudo também aborda os efeitos das anomalias de precipitação e temperatura em baixafreqüência sobre a dinâmica da vegetação do Cerrado brasileiro e seu ciclo evolutivo durantea estação úmida, e assim traça prognósticos estatísticos sazonais. Dados do NormalizedDifference Vegetation Index – NDVI providos de estimativas de satélite são utilizados noperíodo de 1982-1998 para este propósito.Os estudos diagnósticos desenvolvidos neste trabalho indicam que os padrões anômalosde precipitação e temperatura em baixa-freqüência podem ser usados como preditores em ummodelo estatístico auto-regressivo. Neste estudo, a precipitação e a temperatura foramexaminadas separadamente. O modelo proposto utiliza as duas pêntadas mais recentes dasanomalias de precipitação como condição inicial. Estas são projetadas nos doze primeirosmodos principais da variabilidade de baixa-freqüência para a previsão de 1 a 24 pêntadas deum coeficiente temporal denominado de projeção interanul (PI). Para as anomalias detemperatura em baixa-freqüência foram utilizados os oito primeiros modos. A verificaçãocom as componentes principais da análise de funções ortogonais empíricas indica previsõesúteis da PI k (k = 1, 12 modos) de 1 a 18 pêntadas. A estrutura espacial foi obtida pelareconstrução dos campos de anomalias de precipitação e temperatura em baixa-freqüência apartir dos modos de variabilidade e a PI prevista de 1 a 24 pêntadas. A validação do ModeloAuto-regressivo de Projeção Interanual (MARPI) sobre parte do Sudeste e Centro-oestemostrou boa destreza estendendo-se até 18 pêntadas futuras. Além disso, esses resultadostambém são observados para o período de início e fim da estação úmida. A destreza sobreSudeste e Centro-oeste é ainda melhor quando se observa intensificação das anomalias deprecipitação e temperatura em baixa-freqüência. Sendo assim, os resultados são de granderelevância para o setor agro-ecológico e energético dessas regiões.xiii

Nesse contexto, um estudo diagnóstico da cobertura vegetal sobre a região homogêneado Cerrado foi feito para encontrar a resposta da vegetação aos períodos anômalos deprecipitação e temperatura em baixa-freqüência. Para a precipitação, foi mostrado queanomalias positivas em baixa-freqüência favorecem a evolução da vegetação acima do cicloanual de forma precoce. Enquanto que anomalias negativas de precipitação em baixafreqüênciacontribuem para desenvolvimento da vegetação abaixo do ciclo anual. Atemperatura também pode interferir na dinâmica da vegetação com anomalias de baixafreqüênciade mesmo sinal da vegetação anômala em relação ao seu ciclo anual. Essesresultados contribuíram para o desenvolvimento de um modelo estatístico de regressão queusa as anomalias de precipitação e temperatura em baixa-freqüência previstas pelo MARPIpara então, prever o ciclo evolutivo da vegetação do Cerrado. A verificação da destreza daprevisão do modelo mostrou característica particular para cada período distinto de início,meio ou fim da estação úmida. O modelo que utiliza como preditores as anomalias deprecipitação em baixa-freqüência mostra melhor destreza durante os meses de início daestação úmida. Por outro lado, as previsões durante e no fim da estação úmida têm melhoreficácia com o modelo que utiliza tanto as anomalias de precipitação, quanto a temperaturaem baixa-freqüência.xiv

Low-Frequency Variability of Precipitation and TemperatureOver east-central South America and Relationships with Savanna Vegetationover Central Brazil: Diagnostic and Prognostic AnalysisABSTRACTLow-frequency variability in precipitation and temperature in the South Americamonsoon is investigated with observational analysis and statistical models. Pentads (5-dayaverages) of precipitation during 1979-2005 from Global Precipitation Climate Project areused to isolate low-frequency variations, which are defined with spectral analysis as periodslonger than 370 days. Temperature and atmospheric circulation are investigated withreanalysis data. The present study also addresses the importance of low-frequency variationsin precipitation and temperature on the dynamics vegetation over the Brazilian Savanna andits life cycle evolution during the wet season to develop statistical seasonal forecasts.Normalized Difference Vegetation Index data derived from satellite during 1982-1998 areused.Diagnostic analysis developed in this work indicated that low-frequency patternsin precipitation and temperature can be used as predictors in an auto-regressive statisticalmodel. In this study, precipitation and temperature are examined separately. The proposedmodel utilizes the last two most recent pentads of precipitation anomalies as initial conditions.These anomalies are projected on the first twelve modes of low-frequency variability to obtainforecasts of a temporal coefficient called Interannual Projection (IP) at lead time from 1 to 24pentads. The first eight low-frequency modes of variability are used to develop forecasts oftemperature anomalies. Forecast verification of the principal components from the empiricalorthogonal function analysis indicate useful skill for IP K (k = 1, 12 modes) for lead times from1 to 18 pentads. Spatial structure is obtained with reconstruction using low-frequencyanomalies in precipitation and temperature and the forecast of IP at lead time 1-24 pentads.Validation of the Auto-regressive model of interannual projection (ARMIP) over southeastand central-west regions showed useful skill up to 18 pentads lead time. Moreover, theseresults are also observed over the onset and demise periods of the wet season. The forecastskill is even better when one observe the intensification of low-frequency anomalies inprecipitation and temperature over these regions. For this reason, these results are highlyrelevant for the agro-ecological and hydroelectric power generation sectors in these regions.xv

In this context, a diagnostic study of the vegetation cover over the homogeneousregion of the Brazilian savanna was done to identify the vegetation response to periods oflow-frequency anomalies in precipitation and temperature. It is shown that positive lowfrequencyanomalies in precipitation favor the evolution of vegetation above the annual cycle.Negative low-frequency anomalies in precipitation contribute to vegetation evolution belowthe annual cycle. Temperature can also modify the vegetation dynamics with low-frequencyanomalies with the same sign in relation to the annual cycle. These results motivated thedevelopment of a regression model that uses low-frequency anomalies in precipitation andtemperature provided by ARMIP to forecast the vegetation evolution over the Braziliansavanna. Forecast verification of this model indicated that the skill has distinct characteristicsduring the onset, peak and demise of the wet season. On the other hand, the forecast modelthat uses low-frequency anomalies in precipitation and temperature as predictors has betterskill during and at the demise of the wet season.xvi

┌ Capítulo 1 – Introdução ┐1. IntroduçãoA variabilidade climática de uma região tem uma considerável dependência dosprocessos oceânicos e atmosféricos de grande escala, onde fenômenos de baixa-freqüência podemmodular a variabilidade de eventos nas escalas temporais mais rápidas. Por exemplo, eventos deprecipitação ou estiagem prolongada são relacionados a fenômenos de mais lenta periodicidade naatmosfera (Muza et al., 2009). Na América do Sul, vários estudos (e.g., Zhou e Lau, 1998; Gan et al.,2004; Vera et al., 2006; Silva e Carvalho, 2007) tem apontado as principais características dasmonções de verão da América do Sul (referida como South America Monsoon System – SAMS), doseu ciclo diurno às variações intra-sazonais. Alguns estudos têm abordado fatores como a circulaçãode grande escala e transporte de umidade da zona tropical relacionados à variabilidade interanual doSAMS (e.g., Grimm, 2003; Gan et al., 2004). Fenômenos de baixa-freqüência como o El Niño-Oscilação Sul (ENOS) têm sido retratados como determinantes em modular anomalias climáticas detemperatura e precipitação, pois modificam padrões climatológicos durante um período sazonal(Barnston e Livezey, 1987). Assim, tanto para compreensão da dinâmica da variabilidade de baixafreqüênciarelacionada ao SAMS como para a previsão sazonal durante o período mais chuvoso nocentro-leste da América do Sul, faz-se necessário um estudo mais profundo.O centro-leste da América do Sul é a região que apresenta um evidente ciclo anual daprecipitação relacionada ao SAMS, com chuvas predominantemente ocorrendo durante o verãoaustral (estação úmida). Essa região contém características sócio-econômicas distintas. Ela englobao sudeste do Brasil que concentra a maior densidade demográfica da América do Sul (InstitutoBrasileiro de Geografia e Estatística do Brasil – IBGE, 2007), principalmente por sua concentração degrandes regiões metropolitanas juntamente às áreas industriais. Por outro lado, o sul do Brasil efronteiras adjacentes são caracterizados pela sua importante atividade econômica ligada àagropecuária e tendo chuvas relativamente bem distribuídas ao longo de todos os meses do ano,associada à alta freqüência de atuação de sistemas frontais. Segundo o IBGE, o sudeste, sul ecentro-oeste são responsáveis por mais de 80% da receita total do país, sendo grande parteresultante da atividade agro-industrial. Para o setor energético, a previsão de longo prazo,1

principalmente da precipitação, define a estratégia de utilização das águas nas bacias hidrográficasdessas regiões para absorver a demanda do país. Sobre o centro-leste da América do Sul existemtambém ecossistemas sob preservação, por exemplo, a vegetação do tipo savana conhecida comoCerrado brasileiro. O Cerrado contém áreas distintas em relação à micro climas, que variam emaltitude, solo e proximidade com cursos de água entre outros fatores, que em ecologia sãodenominados de biomas (Durigan et al., 2006). Os biomas primitivos do Cerrado cobriam grandesáreas do sudeste e centro-oeste do Brasil.A cobertura vegetal do Cerrado brasileiro apresenta um ciclo anual de desenvolvimentoda vegetação bastante pronunciado e aproximadamente em fase com a estação úmida (Rocha et al.,2002). Entretanto, pode ser influenciada por características atmosféricas tropicais e extratropicais. OCerrado ocorre sob um domínio com um evidente regime de chuvas sazonais, no qual a precipitaçãoanual concentra-se no período de outubro a abril, com máximo durante o verão austral (Rao et al.,1996; Tatsch, 2006). Este fato está relacionado às características do SAMS. Outros estudos mostramque a vegetação no Hemisfério Norte responde a temperatura tanto quanto a precipitação (Los et al.2004). Isto é, há estreita relação entre a vegetação predominante de uma região e a variabilidadesazonal da temperatura do ar. Silva e Carvalho (2007) mostraram que as anomalias de temperaturaem baixos níveis são elementos importantes no diagnóstico do estabelecimento SAMS de verão. Poressa razão, torna-se importante investigar a variabilidade de baixa-freqüência de temperatura eprecipitação e suas relações com a vegetação.A seqüência de estações úmidas e secas causa grande impacto na variação daamplitude da vegetação do Cerrado, o que faz parte do controle natural desses ecossistemas (Rochaet al., 2002; Durigan et al., 2006). Por outro lado, o Cerrado pode ser afetado por períodos anômalosde precipitação ou escassez prolongada, comprometendo a manutenção da cobertura vegetal(Batista et al., 1997). Além disso, outro fator importante é a intermitência das chuvas dentro daestação úmida, por exemplo, causada por oscilações intra-sazonais. Porém, o início, duração e fim daestação úmida apresentam variabilidade interanual segundo os estudos de Gan et al. (2004) e Silva eCarvalho (2007). Em alguns casos, isso pode modificar profundamente o ciclo anual de precipitação eassim, tendo grande influência na evolução do desenvolvimento anual da vegetação do Cerrado. Poressa razão, o conhecimento prévio da variabilidade sazonal do Cerrado e a compreensão dainfluência dos períodos anômalos de chuva e seca em baixa-freqüência são fundamentais para oprognóstico de longo prazo da dinâmica desse ecossistema. Nesse sentido, uma investigação arespeito de um modelo estatístico para o ciclo evolutivo da vegetação do Cerrado torna-se2

interessante, pois o procedimento para o desenvolvimento desse tipo de modelo considera avariabilidade da série temporal e um número de parâmetros suficientes para que se possaminterpretar fenômenos físicos que causam essa variabilidade (Li et al., 2005).Os modelos estatísticos ou probabilísticos de clima são construídos de forma a encontrarum equilíbrio entre a eficiência e o menor número possível de parâmetros envolvidos. O princípiobásico dos modelos estatísticos é que a variável a ser prevista é tratada como resultado de umprocesso estocástico, o qual possui uma componente determinística e outra aleatória (Katz eParlange, 1993). Nesse tipo de modelo, as séries temporais são analisadas quanto às suaspropriedades estocásticas, as quais incluem sua distribuição de probabilidades, auto-covariância erelação com os preditores, avaliada segundo métodos de regressão (Lo e Hendon, 2000; Mo, 2001;Jones et al., 2004; Li et al., 2005). Entretanto, algumas vezes os modelos estatísticos tendem a estarmais ajustados a série temporal, do que aos fenômenos que causam sua variabilidade. Além disso,eventos de precipitação em baixa-freqüência ocorrendo de forma intensa podem estar relacionados auma gama de escalas temporais (Muza et al., 2009). Um modelo estatístico para ser realístico, deveconsiderar vários parâmetros. Entretanto, modelos mais simples também podem fornecer umconhecimento empírico que conduza a previsões satisfatórias, por exemplo, modelos estatísticos paraprevisão de vazão em bacias hidrográficas (Collischonn et al., 2005). Mas para tanto, deve haver umconhecimento claro na dinâmica dos eventos. Neste contexto, por exemplo, a dinâmica daprecipitação anômala em baixa-freqüência investigados em Muza et al. (2009) precede um estudoenvolvendo o prognóstico desses eventos.Para a América do Sul, vários estudos de modelagem estatística foram desenvolvidosnos últimos anos, como Repelli e Alves (1996), Pezzi et al. (2000), Coelho et al. (2006) e Silva et al.(2008) que avaliaram os padrões característicos da temperatura da superfície do mar nos OceanosAtlântico e Pacífico como preditores para prognóstico sazonal de precipitação. Exemplos deaplicações desses estudos são empregados nas precipitações no Nordeste brasileiro, sul do Brasil, eprevisão climática para Brasil. Nos estudos de Repelli e Alves (1996) e Pezzi et al. (2000), elesutilizaram análise de correlações canônicas em uma área regionalizada no nordeste e sul do Brasilpara desenvolvimento de um modelo estatístico trimestral denominado Sistema de Modelagem dosOceanos – SIMOC. Análise semelhante foi feita em Silva et al. (2008), mas para todo o Brasil eincorporando prognósticos de um modelo auto-regressivo de médias móveis. Encontram-se tambémtrabalhos de modelos estatísticos de previsão climática com aplicação específica, como por exemplo,para a previsão sazonal de vazão do Rio Paraná (Grimm et al., 2004), da Bacia do Rio Paranaíba e3

temperatura de São Paulo (Cardoso e Silva Dias, 2004), e Bacia do Rio Uruguai (Collischonn et al.,2005). Já Coelho et al. (2006) descreve o procedimento usado para desenvolver um modelo deregressão multivariada para previsão empírica sazonal para América do Sul, mas com o objetivo finalde integrar ao modelo dinâmico da atmosfera. Marques e Diniz (2006) desenvolveram um modeloestatístico de previsão climática para a precipitação, temperatura máxima e mínima no Rio Grande doSul e mostraram que os preditores oceânicos na escala temporal mensal influenciam o número dedias com chuva e que índices atmosféricos e oceânicos também contribuem para as anomaliasclimáticas, embora não tenham um padrão distinto. Todos os modelos citados anteriormente exibemmelhor destreza principalmente para a previsão de anomalias sazonais de precipitação nas regiõesnorte, nordeste e sul do Brasil com forte sinal interanual na variabilidade climática (Ropelewski eHalpert, 1987; Karoly, 1989; Halpert e Ropelewski, 1992; Montecinos et al., 2000). Esses estudosanteriores têm sugerido que regiões como o sul do Brasil, e fronteiras adjacentes exibem uma melhorprevisibilidade sazonal em razão da forte influência da variabilidade de baixa-freqüência do ENOS.Isso também é válido para o Nordeste brasileiro e norte da Amazônia principalmente no outonoaustral e sul da Amazônia durante o verão (Souza et al., 2000; Muza e Carvalho, 2006).1.1 Objetivos e organização da TeseO presente estudo visa investigar as variabilidades de baixa-freqüência nos campos deprecipitação e temperatura sobre a América do Sul na época de verão austral e como estas podeminfluenciar a sazonalidade da cobertura da vegetação principalmente na região do Cerrado brasileiro.Além disso, este estudo propõe modelos estatísticos que visam prever variações sazonais nacobertura vegetal sobre o Brasil na época de verão. Nesse sentido, deseja-se responder as seguintesquestões básicas: 1) quais os principais modos característicos de variabilidade atmosférica eforçantes remotas tropical-subtropicais relacionados a essas anomalias de precipitação e temperaturaem baixa-freqüência? 2) Quais as bandas de freqüência mais significativas? 3) Qual a influênciasazonal desses modos principais de variabilidade interanual sobre as monções de verão na Américado Sul? 4) Quais as relações entre as anomalias sazonais de precipitação e temperatura e avariabilidade de baixa-freqüência? 5) Como a vegetação do Cerrado responde às variabilidadessazonais de períodos anômalos de precipitação e temperatura em baixa-freqüência nessa região? 6)É possível construir modelos estatísticos de anomalias de precipitação e temperatura em baixafreqüênciabaseados na auto-covariabilidade destes parâmetros? 7) Quais os principais preditores e4

qual a sua destreza? 8) É possível estabelecer um prognóstico sazonal para o desenvolvimento davegetação do Cerrado a partir de previsões estatísticas de precipitação e temperatura em baixafreqüência?Para responder essas questões específicas, este estudo abordou os seguintes objetivos:(a) compreender os mecanismos relacionados ao estabelecimento de padrões atmosféricos quecontribuem para ocorrências de períodos anômalos na precipitação e temperatura do ar em baixafreqüênciasobre o centro-leste da América do Sul; (b) desenvolver um modelo estatístico para aprevisão de anomalias de precipitação e temperatura do ar em baixa-freqüência, e estudar suaeficácia, principalmente sobre sudeste e centro-oeste do Brasil; (c) averiguar como a vegetação doCerrado responde às variabilidades sazonais de anomalias de precipitação e temperatura em baixafreqüência;(d) desenvolver prognósticos estatísticos sazonais para a dinâmica da cobertura vegetalnessa região tendo por base as saídas do modelo estatístico de anomalias de precipitação etemperatura em baixa-freqüência.A tese está organizada da seguinte maneira: no capítulo 2 há uma revisão bibliográficade estudos anteriores relevantes aos resultados que serão apresentados e discutidos dos capítulosseguintes; no capítulo 3 descrevem-se os dados meteorológicos e de vegetação que foram utilizadosnesse estudo e a metodologia. O capítulo 4 contém os estudos prévios da variabilidade de períodosanômalos de precipitação e temperatura em baixa-freqüência no centro-leste da América do Sul esuas influências nos padrões característicos relacionados às monções de verão, especialmente nasregiões sudeste e centro-oeste do Brasil. Os detalhes do desenvolvimento e validação do modeloestatístico de precipitação e temperatura em baixa-freqüência estão presentes no capítulo 5. Ocapítulo 6 discute diagnósticos sazonais da cobertura vegetal relacionada aos períodos anômalostanto da precipitação como da temperatura. O capítulo 7 apresenta os resultados da aplicação de ummodelo estatístico para o prognóstico da dinâmica da cobertura vegetal do Cerrado. Por fim, ocapítulo 8 apresenta as conclusões, discussões finais e sugestões para trabalhos futuros.5

┌ Capítulo 2 – Revisão Bibliográfica ┐2. Revisão BibliográficaO clima e a vegetação sobre a região central e leste da América do sul responde asazonalidade característica de monções. A existência de monções na América do Sul foi discutida emdetalhes por Zhou e Lau (1998). A existência de um padrão clássico de monções da América do Sulaté então era questionada porque os ventos alísios sobre o Atlântico equatorial predominam durantetodo o ano e, por conseguinte, a inexistência de uma reversão da direção dos ventos em baixosníveis. Entretanto, Zhou e Lau mostraram que quando a média anual é removida, a reversão sazonalfica evidente. Quando a monção de verão é estabelecida há profundas mudanças nos fluxos desuperfície do Brasil central (Rocha et al., 2002; Fu e Li, 2004; Colini et al., 2008) e padrõesatmosféricos da América do Sul (Vera et al., 2006; Gan et al., 2006; Silva e Carvalho, 2007; Grimm etal., 2007; Carvalho et al., 2008).Uma característica marcante das monções de verão da América do Sul é a formação daZona de Convergência do Atlântico Sul (ZCAS). A ZCAS posiciona-se a leste da Cordilheira dosAndes com orientação noroeste-sudeste estendida desde o sul da Amazônia, abrangendo as regiõessudeste e centro-oeste do Brasil, sul da Bahia e prolonga-se até o Atlântico sudoeste (Kodama, 1992;Nogués-Paegle e Mo, 1997; Liebmann et al, 1999). Ela é definida como uma região de altavariabilidade convectiva (Carvalho et al, 2004). Além disso, está intimamente relacionada com omovimento horizontal do ar em baixos níveis que converge da região equatorial da América do Sulpara o Brasil central (Liebmann et al., 1999). Em altos níveis, observa-se o estabelecimento de umcavado estacionário a leste da Alta da Bolívia (Barreiro et al., 2002).A variação nos padrões atmosféricos, principalmente no escoamento em baixos níveis,influencia e interfere na umidade do solo e vegetação, associado às trocas de calor entre a superfícieterrestre e a atmosfera (Fu e Li, 2004). Em outubro, observa-se um aumento nos índicespluviométricos sobre o sudeste e centro-oeste do Brasil relacionado ao início da estação úmida (Raoet al., 1996; Gan et al., 2004). A atuação da ZCAS inicia com a estação úmida no sudeste e centrooestedo Brasil, sendo esta bem caracterizada entre dezembro e fevereiro. Silva e Carvalho (2007)6

associaram os modos principais da circulação atmosférica e outras variáveis meteorológicas embaixos níveis junto à precipitação para obter um índice de monções (Large-scale Index for SouthAmerica Monsoon – LISAN) e mostraram que as monções têm seu início climatológico na pêntadacorrespondente a 28 de outubro a 1ª de novembro, sendo o fim climatológico em 26 – 30 de abril.Entretanto, a ZCAS não atua de forma homogênea durante o período sazonal de verão austral,porque apresenta uma alta variabilidade convectiva em uma gama de escalas temporais desde a altafreqüência, passando pela variabilidade intra-sazonal até a interanual (e.g.: Barreiro et al., 2002;Jones e Carvalho, 2002; Carvalho et al. 2002; Carvalho et al. 2004; Ferraz, 2004; Muza et al., 2009).Além disso, a variabilidade espacial e temporal da ZCAS tem papel fundamental para a distribuiçãodos extremos de chuvas e seca na região sudeste e Atlântico subtropical, tanto em alta como embaixa-freqüência (Liebmann et al., 2001; Carvalho et al., 2004; Muza et al., 2009).Do ponto de vista ecológico e ambiental, o sudeste e centro-oeste brasileiro apresentamo predomínio da vegetação do tipo savana denominada de Cerrado. A Figura 2.1 ilustra aabrangência dessa vegetação através de um apanhado de diferentes fontes de estudo, órgãosbrasileiros e organizações não governamentais (ONGs). O Cerrado cobre por completo os Estadosde Goiás, Tocantins, e áreas no oeste de Minas Gerais e sul do Mato Grosso. Fora essas regiões,notam-se algumas divergências entre as fontes citadas em relação à área coberta, principalmente nafronteira com outras formações vegetais. Segundo o Instituto Brasileiro do Meio Ambiente e dosRecursos Naturais Renováveis (IBAMA; Fig. 2.1c) o Cerrado ocupava 2.000.000 Km 2 (vegetaçãonativa) por volta da década de 1950, sendo a área total do sudeste e centro-oeste do Brasil deaproximadamente 2.535.000 km 2 . Ele é formado por vegetação rasteira, principalmente porgramíneas, coexistindo com árvores e arbustos esparsos. Estes indivíduos vegetais são de certaforma adaptados ao clima de duas estações anuais bem definidas: úmida e seca. A precipitaçãomédia anual é de 1500 mm, com uma variação de 800 a 2250 mm (Tatsch, 2006) devido àscaracterísticas climáticas com uma ampla gama de variabilidades temporais e espaciais que a afeta.Além disso, apresenta altitudes variando de quase 0 a 1800 metros. Ocupa diferentes baciashidrográficas (Tocantins, Paraná, Paraguai e São Francisco), e exibe uma grande diversidade desolos que se refletem numa vasta biota (Empresa Brasileira de Pesquisa Agropecuária - EMBRAPA,2007; Fig. 2.1b). Embora se considere que ainda existe um desconhecimento sobre a composição,estrutura, dinâmica e funcionalidade sazonal dos biomas do Cerrado (IBAMA, 2007), o mesmo é umdos ambientes mais ameaçados do mundo, restando apenas 20% da vegetação nativa devido,principalmente a expansão da atividade agropecuária (ONG Conservation, 2002; Fig. 2.1e, ver7

legenda para maiores detalhes). Nesse sentido, Juarez (2004) investigou através de simulaçõesnuméricas o impacto de mudanças no uso da terra em todo o sudeste do Brasil e encontrou umaredução de aproximadamente 5% na precipitação e um aumento de 0.6°C na temperatura do ar àsuperfície.A diversidade do Cerrado apresenta vários biomas como áreas com formação arbóreadensa próxima cursos de água até campos com arbustos esparsos. A vegetação de savana densaocorre, por exemplo, em áreas ao norte de São Paulo, e são denominadas de “Cerradão” (Tatsch,2006). Além disso, existem zonas de tensão ecológica (Durigan et al. 2006), que são áreas detransição entre o Cerrado e as formações vegetais vizinhas, como a Floresta Amazônica a noroestedo Cerrado, a Mata Atlântica a leste e Floresta de Araucária ao sul. Atualmente, têm-se observadomudanças no uso da terra nas áreas desse importante ecossistema de savana nativa (Tatsch, 2006).O Cerrado pode ser afetado pelos períodos anômalos de precipitação ou escassez prolongada,embora isso esteja presente na variabilidade da vegetação ao longo de vários anos, e quandosomados aos impactos antropogênicos podem comprometer a permanência dos biomas.Os diferentes biomas presentes em ecossistemas de savana são reflexos davariabilidade espaço-temporal da precipitação entre outros fatores, como as características do solo decada região (Scanlon et al. 2002). Vários estudos sugeriram que há relação entre características degrande escala da variabilidade interanual de anomalias mensais do NDVI (Normalized DifferenceVegetation Index) e variáveis climáticas (e.g., Braswell et al., 1997; Batista et. Al. 1997; Los et al,2001; Jacóbsen et al., 2004). Los et. al. (2001) detectaram dois modos estatisticamente significativosna variabilidade interanual dos padrões de anomalias do NDVI, temperatura da superfície do mar,temperatura do ar e precipitação, sendo um de 2.6 anos e outro de 3.4 anos. Esses dois modosindicaram que existe uma dependência dos aspectos globais de vegetação e anomalias climáticas,que são modulados por variações de baixa-freqüência, por exemplo, do Oceano Pacífico e/ou doAtlântico. Suas análises sugeriram que a existência de preditores das oscilações atmosféricas debaixa-freqüência pode melhorar a habilidade de previsões de anomalias climáticas e seu impacto nomeio ambiente. Sobre a Amazônia, Batista et al. (1997) mostraram que há uma redução de 0.1 noNDVI durante ocorrência de eventos El Niño, sendo que a modificação no campo do NDVI é menorpara períodos de La Niña ou neutros. Entretanto, há anos com redução ou aumento do NDVI nãorelacionadas aos episódios El Niño-Oscilação Sul (ENOS). No Brasil, nota-se que o maior impactodos mais fortes eventos ENOS ocorre exatamente nas savanas brasileiras do Cerrado e “Catinga”,essa última sendo uma vegetação do tipo savana mais esparsa presente no Nordeste do Brasil8

(Batista et al., 1997; Dessay et al., 2004). Isto é, o impacto do El Niño na vegetação mostra umatendência negativa nas anomalias do NDVI durante eventos fortes. Por outro lado, quandocomparada à influência desses eventos na cobertura vegetal do extremo sul do Brasil, que em suamaioria é do tipo estepes de planícies, o efeito notado é mais brando (Jacóbsen et al., 2004).(a)(b)Área não fitogeográficaFloresta ombrófila densaSavana (Cerrado)Savana aberta (Catinga)Floresta ombrófila mistaZona da Mata nordestinaDeserto do AtacamaÁrea não fitogeográficaEstepe (Campanha)(c)(d)(e)(f)Figura 2.1: Mapas de áreas de Cerrado brasileiro. (a) Regiões homogêneas do NDVI (resolução 1°x1° lat. elon.) sobre América do Sul, Gurgel, 2003 (Dissertação de mestrado, INPE), (b) EMPRAPA, 2007, (c) IBAMA,2007, (d) IBGE, 2003, (e) Órgãos não governamentais Concervation, 2002, no cabeçalho esquerdo uma projeçãodo Cerrado para 2020, (f) Órgãos não governamentais WWF, 2007.9

Fu e Li (2004) mostraram a relativa importância das condições de umidade do solodurante a estação seca (primavera austral) para o início da estação úmida na Amazônia (outono).Eles discutiram as contribuições desse parâmetro para as variações interanuais de fluxos entre asuperfície e a atmosfera, determinando as condições para a convecção em grande escala durante oinício do período chuvoso, uma vez que o fator primordial desta hipótese é baseado na modificaçãodos parâmetros de instabilidades atmosféricas. O padrão de variabilidade de NDVI reflete o cicloanual da vegetação, e assim as alterações anômalas desse ciclo natural também interagem com aatmosfera, provocadas por mudanças no balanço radiativo (Wang et al., 2006). Eles mostraramtambém que, as interações entre a precipitação e NDVI na escala de tempo interanual pode impactarno ciclo de desenvolvimento da vegetação com defasagem de longo período (sazonal). Isso paracobertura vegetal de estepes em uma região semi-árida da América do Norte. Por outro lado,interações simultâneas ou de curto período (menor do que 2 meses) tendem a ser amortecidas. Issoporque em regiões semi-áridas, o desenvolvimento da vegetação tende a diminuir a capacidade deágua no solo mais rapidamente que a precipitação possa repor. Por outro lado, Colini et al. (2008)aponta apenas a umidade do solo como fator crucial para estabelecimento de uma estação úmidaprecedendo a climatologia na América do Sul. Em outubro, independente de um grande ou suaveaumento da precipitação, a evapotranspiração no Brasil central não é significativamente alterada. Issopode demonstrar uma insensibilidade da vegetação em relação ao início anômalo de precipitação,seja este positivo ou negativo.Já Scanlon et al. (2002) encontraram que a variabilidade interanual do NDVI nas savanasafricanas é sensível à variabilidade do início da estação úmida, porém não tendo uma resposta linear,mas pelo contrário, podendo ocorrer ao longo dos meses seguintes. Isso é sustentado, por exemplo,pela evolução da vegetação e mudanças no balanço de radiação, embora esses autores nãomostrem, necessariamente, uma relação de causa e efeito. Por outro lado, essas característicassugerem que as interações dessas variáveis refletem uma associação combinada entre atmosfera eecossistemas terrestres (e.g., o Cerrado) na variabilidade de baixa-freqüência, principalmente durantea fase de início das monções na América do Sul, e conseqüente início da estação úmida, culminandocom a evolução da vegetação do Cerrado. Por isso, uma investigação em relação à vegetação doCerrado associada às anomalias de precipitação e temperatura na variabilidade interanual mereceatenção para elucidar questões como essas.10

As anomalias climáticas no centro-leste da América do Sul dependem de fatores remotoscomo, por exemplo, a temperatura da superfície do mar (TSM) do Oceano Pacífico (e.g., Ropelewskie Halpert, 1987; Karoly, 1989; Halpert e Ropelewski, 1992; Kousky e Kayano, 1994; Montecinos et al.,2000; Souza et al., 2000; Los et al., 2001; Grimm, 2003; Muza e Carvalho, 2006). Entretanto, osmecanismos atmosféricos e oceânicos relativos à influência da variabilidade interanual no sudeste ecentro-oeste brasileiro ainda não são bem compreendidos. Por outro lado, há também a influência doAtlântico subtropical, que apresenta um dipolo meridional na variabilidade interanual das anomaliasde TSM (Barreiro et al., 2002; Chaves e Nobre, 2004; Almeida, 2006; Muza et al., 2009) Todos essesestudos mostraram o dipolo do Atlântico Sul com anomalias de TSM com sinal oposto à precipitaçãosob a ZCAS. De fato, o papel do Atlântico Sul aparece mais como uma resposta atmosférica, do queuma fonte de calor para os mecanismos de estabelecimento da convecção na ZCAS (Chaves eNobre, 2004). Porém, durante os meses de início do SAMS, anomalias positivas de TSM no AtlânticoSul subtropical podem contribuir para o estabelecimento dos primeiros eventos da ZCAS (Grimm,2003).Durante o SAMS, eventos de precipitação ou estiagem prolongada no sudeste e centrooestedo Brasil são modulados pela circulação de grande escala, que transportam distúrbiostransientes modulados por fenômenos de baixa-freqüência (Grimm, 2003). O escoamento de oeste éparte desse transporte, que é caracterizado por trens de ondas nos padrões de circulação anômalasde baixa-freqüência (Barnston e Livezey, 1987; Hoskins e Ambrizzi, 1993; Grimm e Silva Dias, 1995;Liebmann et al., 2004). Estes contribuem para anomalias sazonais nessa região associadas aosmodos característicos de fenômenos de mais lenta periodicidade na atmosfera. Por exemplo, opadrão de gangorra de precipitação entre sul-sudeste do Brasil é observado principalmente navariabilidade intra-sazonal (Casarin e Kousky, 1986; Nogués-Paegle e Mo, 1997, Liebmann et al.,1999; Carvalho et al., 2004 Liebmann et al., 2004; Muza, 2005). Segundo Liebmann et al. (2004) oposicionamento dos trens de ondas incidindo sobre a América do Sul determina a fase que seencontra a gangorra de precipitação entre sul-sudeste. A intensificação da convecção na ZCAS e afraca atividade convectiva no sul do Brasil dependem da fase em que esses distúrbios avançamsobre a América do Sul, pois eles modificam o escoamento do ar a leste dos Andes (Liebmann et al,2004). Isto é, em baixos níveis o escoamento do ar associado à anômala circulação ciclônica sobre osul do Brasil leva calor e umidade do ar para a região da ZCAS em detrimento a convecção no sul doBrasil. Esse ciclone anômalo concorda com os resultados de Grimm et al. (2007), que mostraram quesua formação depende da topografia da Serra do Mar e Serra da Mantiqueira no sudeste e sul do11

Brasil. Além disso, essa característica está relacionada com o deslocamento para leste da altasubtropical sobre o Atlântico Sul (Nogués-Paegle e Mo, 1997).Em geral, padrões de baixa-freqüência fornecem o suporte para um prolongado períodode abundância de chuvas ou estiagem durante as monções de verão. Elas são determinantes emmodular episódios anômalos de precipitação em baixa-freqüência no sudeste e sul do Brasil (Muza,2005). Além disso, anomalias climáticas de temperatura do ar também têm sido atribuídas afenômenos de baixa-freqüência como o ENOS (Halpert e Ropelewski, 1992; Los et. al., 2001).Entretanto, a complexidade de diferentes fenômenos de baixa-freqüência ocorrendo simultaneamentee sob a interação de padrões de teleconexão faz do prognóstico de longo prazo uma tarefa bastantecomplicada (Wallace e Gutzler, 1981).O Centro de Previsão de Tempo e Estudos Climáticos – CPTEC tem procuradodesenvolver um modelo climático de circulação geral da atmosfera proveniente do Center for Ocean–Land–Atmosphere Studies (COLA). Algumas modificações e avaliações no modelo global do CPTEC-COLA são discutidas em Marengo et al. (2000) e Cavalcanti et al (2002). Em geral, modelosdinâmicos de clima para previsão trimestral apresentam baixo desempenho sobre parte do Brasil,onde o índice de acerto é menor no sudeste e centro-oeste do Brasil, na qual o posicionamentolatitudinal caracteriza transições entre o clima quente equatorial e o temperado de médias latitudes(Marengo et al., 2000; Chou et al., 2001). Esses estudos sugeriram que regiões como o sul do Brasile fronteiras adjacentes, assim como parte da Amazônia e nordeste brasileiro, exibem uma melhorprevisibilidade sazonal em razão da forte influência da variabilidade do ENOS. Atualmente no Brasil,a previsão sazonal utiliza-se do CPTEC-COLA entre outros modelos acoplados oceano-atmosfera doCPTEC, e também de informações e “ensemble” de modelos disponíveis no International ResearchInstitute – IRI (New York, U.S.) juntamente a diagnósticos climáticos de centros regionais, além demodelos estatísticos como o SIMOC (Repelli e Alves, 1996, Pezzi et al., 2000), Eurobrisa (Coelho et.al. 2006), ou do Instituto Nacional de Meteorologia – INMET (Silva et al. 2008).12

┌ Capítulo 3 – Dados e Metodologia ┐3. Dados e Metodologia3.1 Dados Meteorológicos e AmbientaisNa presente pesquisa utilizou-se de três conjuntos de dados: reanálises para dadosatmosféricos, estimativas de precipitação e cobertura vegetal como produtos de sensoriamentoremoto via satélites. A circulação atmosférica em superfície, baixos e altos níveis são descritas comas reanálises do National Centers for Environmental Prediction – NCEP-DOE do National Oceanicand Atmospheric Administration – NOAA (Kanamitsu et al., 2002; Zou et al., 2004). Esse últimoconjunto de dados apresenta algumas correções em relação à reanálises I discutida em Kalnay et al.(1996), como por exemplo, mudanças no algoritmo de assimilação de estimativas do albedooceânico, tendo considerável relevância para o Hemisfério Sul. Os dados de precipitação sãoprovenientes do Global Precipitation Climatology Project – GPCP (Xie et al., 2003) e englobamestimativas de satélite juntamente a observações em estações de superfície. Esses conjuntos dedados estão dispostos em resolução de 2.5º de latitude/longitude e de domínio limitado em 60ºS e60ºN. O GPCP tem resolução temporal em pêntadas (médias de 5 dias). Ele apresenta dadosfaltantes no conjunto de dados disponibilizado de 1979 a 2005 (total de 1971 pêntadas), queconstituem apenas 1.36 % de toda série. Neste trabalho, esses dados foram interpolados com apêntada t-1 e t+1. As reanálises foram usadas na mesma resolução temporal e espacial do GPCP.As estimativas de satélite da cobertura vegetal global são denominadas NormalizedDifference of Vegetation Index – NDVI, que é um índice de vegetação fornecido pelo Global InventoryMonitoring and Modelling Studies (GIMMS) da GSFC/NASA (Goddar Space Flight Center / NationalAeronautics and Space Administration) e tem sido amplamente usados em estudos envolvendo adinâmica da cobertura vegetal global (Tanré et al., 1992; Sellers et al., 1994; Los et al., 2001; Scanlonet al., 2002; Dessay et al., 2004). O período utilizado é de 1982 a 1998 e os dados apresentamresolução temporal de três estimativas mensais e resolução horizontal aproximadamente de 10 km(0,1º x 0,1º) com domínio global. Nesse estudo, utiliza-se de um domínio que abrange parte daAmérica do Sul focalizando o Cerrado (40°S a 0°, 55°W a 35°W). Esse índice de vegetação é13

calculado a partir das estimativas de reflectância do canal visível (VIS: 0.58 – 0.68 μm) einfravermelho próximo (IVP: 0.725 – 1 μm) obtidos pelos radiômetros imageadores Advanced VeryHigh Resolution Radiometer (AVHRR) a bordo do satélite de órbita polar do NOAA/NASA. O NDVI édefinido como:IVP - VISNDVI = (Eq. 3.1)IVP + VISOs valores do índice sobre os continentes variam entre zero (ou próximo disso) quando avegetação apresenta estresse hídrico, e valor próximo ou igual a 1.0 para cobertura vegetalhipoteticamente exuberante, como por exemplo, vegetação de florestas. Isso porque a vegetação temmaior absorção da radiação no VIS, conseqüentemente menor reflectância, enquanto que no IVP, amesma apresenta maior reflectância (Eq. 3.1). Essa característica é marcante principalmente emcoberturas vegetais, visto que solos descobertos apresentam reflectância semelhante para os doiscanais. As superfícies de água têm NDVI negativo porque há maior reflectância no VIS.O conjunto de dados do NDVI aqui utilizado sofreu ajustes pelo GIMMS para minimizar osefeitos de diferentes calibrações nos satélites e geometrias de varredura. Outros fatores também sãoconsiderados nos algoritmos de ajustamento como, por exemplo, as influências de aerossóisvulcânicos, como ocorridos em abril de 1982 no México (El Chincón), em março de 1991 nas Filipinas(Pinatubo), e em abri 1993 no Chile (Lascar). Além disso, filtros são utilizados para minimizar osefeitos de contaminação por nuvens, absorção pela atmosfera, espalhamento, variação no ângulozenital solar e dados faltantes. Segundo Sellers et al. (1994), as causas principais dos efeitosatmosféricos são: vapor de água e aerossóis (“muito variáveis”) e espalhamento molecular e ozônio(“aproximadamente não variáveis”). De acordo com Tanré et al. (1992), as causas e efeitos são: 1)vapor de água tende a diminuir o valor do NDVI porque é absorvido pelo IVP; 2) O ozônio tende aaumentar o NDVI porque reduz a reflexão VIS que chega ao satélite; 3) espalhamento molecularcausa uma diminuição no NDVI e pode ser considerado não variável para um mesmo campo devarredura. 4) aerossóis causam uma diminuição no NDVI por causa do aumento na reflectância doIVP devido à turbidez atmosférica, por exemplo, agravado em casos de nevoa densa. No Brasil, umproblema sério é a fumaça das queimadas principalmente no centro oeste brasileiro e enfrentadoanualmente na estação seca. Os filtros mais utilizados são: análise de Fourier, para suavizar a sériede dados e não interpretar erros, correção no ângulo solar, interpolação para dados aberrantes ereconstrução das séries temporais a partir das características fisionômicas da vegetação local (Sellerset al., 1994).14

3.2 Metodologia Fundamentala) Filtragem em freqüênciaEm cada ponto de grade dos dados de pêntadas de precipitação e temperatura (850 hPa)fez-se a separação das oscilações de mais baixa-freqüência (Low-frequency - LF). Isto é,variabilidade interanual compreendendo períodos maiores do que 370 dias através de filtro passabaixa(Duchon, 1979) com transformada rápida de Fourier (fast Fourier transform – FFT). A FFT parafiltragem de dados parte do princípio de atribuir pesos em domínio de freqüência que permitem umaresposta da banda de interesse (Helms, 1967). Antes disso, removeu-se a tendência linear através dareta de regressão, porque essa poderia ser entendida como uma oscilação de comprimento infinito, jáque cresce ou diminui indefinidamente. A FFT foi calculada para as N/2 funções harmônicas, sendo No tamanho da série. Assim, a mais alta ou maior freqüência relativa à resolução dos dados empêntadas corresponde, por exemplo, a uma oscilação da função cosseno executando um ciclo inteiroem apenas dois intervalos de dados igualmente espaçados no tempo. Ou seja, duas pêntadas,equivalente a chamada freqüência de Nyquist (Duchon, 1979). A separação das escalas temporais édada por uma função do tipo peso. Neste estudo, utilizou-se uma função peso, na qual se atribui umvalor predeterminado para as freqüências a que se deseja separar e zero para o restante, isso nodomínio de freqüências (ou seja, variáveis contínuas). Após a filtragem, para obter o domínio dotempo nos quais as séries temporais sejam discretas foi necessário calcular a função inversa da FFT.Assim, a precipitação e temperatura em 850 hPa correspondentes a variabilidade de mais baixafreqüência(>370 dias) foram denominados de Anomalias de Baixa-freqüência (LF), identificadoscomo GPCP LF e T850 LF , respectivamente.b) Análise Harmônica e Anomalias totaisNo cálculo das transformadas de Fourier discretas para N/2 funções harmônicas, a menor oumais baixa-freqüência corresponde, por exemplo, a uma oscilação da função cosseno executando umciclo sobre os N dados da série temporal. Isto é relativo ao primeiro harmônico, denominado tambémharmônico fundamental. Com essa propriedade, extraíram-se o ciclo anual e semi-anual dos dados15

de precipitação, variáveis atmosféricas das reanálises e do NDVI. Isso para cada ponto de grade.Nesse processo, foram executados os seguintes passos: (1) calculou-se a média em cada pêntadado ano (com um total de 73 pêntadas equivalente há 365 dias, no caso do NDVI 36 estimativas porano); (2) e encontrou-se o ciclo anual e semi-anual através da análise de Fourier, que nesse caso sãoo primeiro e segundo harmônicos, respectivamente; (3) somou-se o ciclo anual e semi-anual, o querepresenta um valor muito próximo da climatologia; (4) este foi subtraído da série de dados paraentão, obter as anomalias totais, na qual total se refere à contribuição da variabilidade de todas asescalas temporais. O ciclo semi-anual é importante para a representação de algumas regiões que,por exemplo, apresentem dois máximos de precipitação na sua distribuição anual de chuva, como é ocaso do sul do Brasil (Grimm, 2003). As anomalias totais foram identificadas como GPCP TA , no casoda precipitação.16

┌ Capítulo 4 ┐4. Anomalias de Precipitação e Temperatura em baixa-freqüênciaAnomalias de Precipitação e Temperatura em baixa-freqüênciaAs anomalias de precipitação e temperatura em baixa-freqüência (GPCP LF e T850 LF )sobre o centro-leste da América do Sul são investigadas com o objetivo de elucidar a respeito dospadrões da variabilidade interanual que contribuem para anomalias totais (GPCP TA e T850 TA ) duranteo período sazonal de monções de verão sobre a América do Sul. Em relação às monções da Américado sul, Zhou e Lau (1998) mostraram que sobre o Atlântico equatorial a mudança no vento de lesteem baixos níveis não é observada porque há o predomínio do fluxo dos alísios durante todo o ano.Entretanto, quando a média anual é removida, a reversão sazonal torna-se aparente. A Fig. 4.1mostra o padrão anômalo da precipitação juntamente ao vento em 850 hPa, representada pelaclimatologia dos meses de outubro (primavera) e janeiro (verão) removido a média anual. Nessesperíodos sazonais são observados dois estágios distintos. Em meados de outubro, a Zona deConvergência Inter-tropical (ZCIT) encontra-se ao norte do Equador, dirigindo um fluxo de ventoanômalo de sul na região equatorial, e assim causando a estação seca no norte da Amazônia enordeste do Brasil (Fig. 4.1a). Nesse momento, há um aquecimento anômalo sobre o Brasil central(Fig. 4.2a), embora ainda permaneça um padrão de resfriamento em torno dessa região devido àincursão de sistemas frontais, acompanhados de massas de ar frias de médias e altas latitudes, esomado a inércia dos oceanos, como reflexo do inverno no Hemisfério Sul. Assim, no sudeste ecentro-oeste do Brasil precipitações convectivas ocorrem no início da estação úmida associadas aoaquecimento da superfície por radiação solar. Da primavera para o verão, o maior aquecimento dasuperfície migra para os subtrópicos e no sudeste e centro-oeste do Brasil observa-se intensaprecipitação relacionada ao padrão de circulação estabelecido sobre essa região.Quando o verão já está estabelecido (Fig. 4.2b), um fluxo anômalo de norte, que aopenetrar na América do Sul dirige-se para sudeste depois de cruzar o equador. Além disso, há umforte gradiente térmico dirigido para médias latitudes intensificado pela subsidência do ar a leste daCordilheira e conseqüente compressão adiabática. Esse direcionamento para sudeste é relacionado17

com a presença da Cordilheira dos Andes (Gandu e Geisler, 1991), e observa-se uma circulaçãociclônica anômala associada com a diminuição da pressão atmosférica sobre a região continental(Zhou e Lau, 1998; Carvalho et al., 2002; Grimm et al., 2007). O principal efeito dessa mudançasazonal do fluxo anômalo do vento em baixos níveis é observado na precipitação sobre o Brasilcentral (Fig. 4.1b), na qual ocorrem períodos favoráveis ao estabelecimento da ZCAS e anomaliaspositivas desde o altiplano boliviano até norte da Argentina e Rio da Prata.Figura 4.1: Climatologia de precipitação do GPCP (mm/dia) e vento em 850 hPa (m/s) de (a) outubro e (b)janeiro menos a média anual. Máximo vetor em cada mapa é indicado no rodapé.Figura 4.2: Climatologia de temperatura do ar (°C) e vento em 850 hPa (m/s) de (a) outubro e (b) janeiro menosa média anual. Máximo vetor em cada mapa é indicado no rodapé.18

4.1 Regiões homogêneasA variabilidade espaço temporal de GPCP LF e T850 LF é investigada através de análise deagrupamento para obter regiões homogêneas sobre o centro-leste da América do Sul. A análise deagrupamento foi aplicada separadamente aos dados de GPCP LF e T850 LF sobre uma área queengloba as regiões geográficas brasileiras Sudeste, Centro-oeste e Sul: 40-5ºS e 70-30ºW. Essaanálise multivariada de dados consiste em determinar grupos considerando a similaridade entre osmembros de um conjunto de dados, em nosso caso, pontos de grade sobre o domínio de interesse. Asimilaridade é medida através da distância euclidiana (Wilks, 1995), que é a diferença quadráticatomada entre dois pontos x(i) e x(j) ou grupos de pontos (Eq. 4.1).d s⎛ ∑⎝T= ⎜t=1( − x )i,kj,k1/22 ⎞x ⎟ (Eq. 4.1)⎠Onde s é a posição e t é o tempo. No presente estudo, os dados são igualmente espaçados, então adistância euclidiana mede a similaridade no tempo. A Figura 4.3a mostra a distância euclidiana deGPCP LF sobre o domínio de interesse, onde se nota a distinção de uma área que apresentaorientação noroeste-sudeste estendendo-se para o Atlântico Sul subtropical e ocupa grande área dosudeste do Brasil. Já São Paulo, sul do Mato Grosso do Sul e parte do Paraná apresentam umadistância maior entre os pontos de grade. Sobre o sul do Brasil e fronteiras adjacentes a distânciaeuclidiana é ainda menor do que sobre sudeste e centro-oeste do Brasil. Para T850 LF (Fig. 4.3b),observa-se uma área distinta ao norte do sudeste e centro-oeste do Brasil, relativa à zona tropical daAmérica do Sul. Por outro lado, uma área ao sul tem distância maior entre os pontos de grade e érelativo à região subtropical do Atlântico Sul estendendo-se até a desembocadura do Rio do Plata.A estratégia utilizada para o agrupamento foi de máxima distância entre grupos, isto é,utiliza-se a maior distância entre membros de cada grupo, como em Freitas (2000) e Cardoso e SilvaDias (2004). Esse critério tende a formar grupos mais homogêneos segundo Wilks (1995). Quando seinicia o processo de agrupamento há muitos grupos selecionados, e à medida que decorre oprocesso um menor número de grupos torna-se presente. No fim desse procedimento, analisou-se odiagrama de agrupamento para as GPCP LF e se constatou a presença de três regiões distintas (Fig.4.4a). Enquanto que para T850 LF observaram-se apenas duas regiões (Fig. 4.4b). Portanto,selecionaram-se como regiões homogêneas aqueles grupos onde foram verificadas característicasdistintas no processo de agrupamento, separando a área de interesse deste estudo. Assim, em19

elação às GPCP LF foram obtidas três regiões denominadas P SEC , P LIM e P SBR , como mostra a Figura4.5a. Em relação às T850 LF foram obtidas duas regiões denominadas T SECW e T SBRB (Fig. 4.5b).Posteriormente, em cada região foi obtida a média da área.∑t = 1∑t = 1− P− P∑t = 1− Pcorr =(Eq. 4.2)TT(P(PSECtSECtSECt2SEC )t).(P.TLIM t(PLIM tLIM t− P)2LIM )tA correlação das GPCP LF entre P SEC e P LIM é de 0.07 (Eq. 4.2 onde t indica o tempo, T operíodo total, e média no tempo é representada por uma barra superior.). Enquanto que a região P LIMe P SBR tem correlação de 0.44. Já a correlação entre P SEC e P SBR é -0.38, que é associado ao padrãode gangorra de precipitação, principalmente na variabilidade intra-sazonal (Nogués-Paegle e Mo,1997; Liebmann et al., 1999; Carvalho et al., 2004; Liebmann et al., 2004), mas que também estápresente na variabilidade de baixa-freqüência (Muza, 2005). Para T850 LF , a correlação entre asregiões é de 0.46, mostrando que em parte as séries temporais estiveram relacionadas com o mesmosinal de variabilidade.Anomalias climáticas de precipitação e temperatura podem estar associadas, porexemplo, em uma situação de anômalo aumento de chuvas e conseqüente diminuição datemperatura ou vice-versa. Nesse sentido, a correlação entre P SEC e T SECW é -0.43. De fato, acorrelação negativa sugere que anomalias climáticas relativas ao aumento da precipitação sobre umadeterminada região podem ser acompanhadas de queda na temperatura devido a maior cobertura denuvem. Nas regiões mais subtropicais e de latitudes médias, as anomalias de precipitação etemperatura de baixa-freqüência estão mais ligadas aos padrões de circulação da atmosfera (Halperte Ropelewski, 1992). Os padrões de circulação na variabilidade de baixa-freqüência modulam aocorrência, por exemplo, de bloqueios atmosféricos, posicionamento do jato subtropical e do jato debaixos níveis a leste da cordilheira dos Andes (Nogués-Paegle e Mo, 1997; Grimm, 2003). O sul doBrasil é fortemente influenciado por esses padrões de variabilidade, por exemplo, em anos de El Niñoo jato de baixos níveis é mais presente e transporta ar quente e úmido da zona tropical para regiõessubtropicais a leste da América do Sul (Liebmann et al., 2004). Essa região apresenta anômalaintensificação da precipitação e temperatura com o mesmo sinal, na qual a correlação entre P SBR eT SBRB é 0.58.20

(a)(b)Figura 4.3: Distância euclidiana em cada ponto de grade para anomalias de (a) precipitação e (b) temperaturaem baixa-freqüência sobre o domínio do centro leste da América do Sul: 40-5ºS e 70-30ºW.Figura 4.4: Diagrama de agrupamento em cada ponto de grade para anomalias de (a) precipitação e (b)temperatura em baixa-freqüência. As setas indicam os pontos de grade que mostram um padrão distinto paramáxima distância entre grupos.21

(a)(b)P SECT SECWP LIMT SBRBP SBRFigura 4.5: Regiões homogêneas para anomalias de (a) precipitação e (b) temperatura em baixa-freqüênciasobre o domínio que engloba as regiões geográficas brasileiras Sudeste, Centro-oeste e Sul.4.2 Espectro de potência de precipitação e temperatura nas regiões selecionadasA análise espectral foi utilizada para elucidar quais faixas de freqüências contribuempara a variabilidade da precipitação e temperatura sobre as regiões homogêneas. Primeiramente, foiremovida a média, a tendência linear e o ciclo anual da série temporal de precipitação e temperaturapara cada região (média na área). Além disso, foi utilizada uma função “split-cosine-bell” (como emJones et. al., 1998) para o alisamento de 5% no início e fim da série temporal. Esse procedimentoevita que a descontinuidade no início e fim da série temporal introduza efeitos espúrios no cálculo doespectro. O número de graus de liberdade para o cálculo da significância estatística foi consideradocomo 2/3 do número de anos do conjunto de dados. Isso porque em Muza (2005) encontrou-se navariabilidade interanual eventos positivos e negativos de chuva que correspondem a 2/3 da sérietemporal. Assim, 2/3 multiplicado pelo comprimento da média móvel igual a três resulta em 56 grausde liberdade (27 anos x 2/3 x 3). Foi calculada também a largura da banda em cada espectro(bandwidth - BW) para que interpretemos de forma correta apenas os picos que estejamverdadeiramente separados.22

Os espectros dos dados de precipitação de 1979 a 2005 sobre cada região sãomostrados na Fig. 4.6. Assim, a região P SEC (Fig. 4.6a) apresenta picos espectrais de 58.4, 109, 188 e208 dias que excedendo o ruído vermelho ao nível de significância de 95%. As escalas temporais demais altas freqüências, por exemplo, menores do que 10 dias ou até mesmo dentro da intra-sazonalnão são resolvidas porque estamos utilizando pêntadas e também devido à suavização no espectro,respectivamente. O pico em 58.4 dias na escala intra-sazonal concorda com os resultados deLiebmann et al. (1999), considerando que eles utilizaram dados diários e apenas os períodossazonais de verão. Nesse sentido, Ferraz (2004) também encontrou que, as oscilações de 30-70 diasrepresentam a banda que mais afeta a ZCAS em sua posição climatológica. Na Fig. 4.6a, nota-setambém que a distância entre os picos 188 e 208 dias (0.51 e 0.57 anos no eixo da abscissa) é maiordo que a largura da banda espectral. Isto é, o pico de 188 dias é distinto em relação ao de 208 dias eindicam a variabilidade sazonal entre os regimes de precipitação durante o ano. Em relação a maisbaixa-freqüência observa-se um pico em 1.4 anos excedendo o ruído vermelho ao nível designificância de 90%. Para a região P LIM (Fig. 4.6b), têm-se picos espectrais de 74.8 dias e umabanda de 109-139 dias (significância de 95%). Em relação a mais baixa-freqüência, na região P LIMobserva-se um pico em 2 anos, porém com significância menor do que o nível de 90% (Fig. 4.6b). AFig. 4.6e refere-se à região P SBR e apresenta picos espectrais de 60.2 e 120 dias, além de 2.2 anos(significância de 95%), esse último com uma extensa banda na baixa-freqüência (Fig. 4.6c).O espectro de potência dos dados de temperatura do ar em 850 hPa de 1979 a 2005 daregião T SECW apresenta picos espectrais de 52.2, 87.6, 120 dias que excedem o ruído vermelho aonível de significância de 95% (Fig. 4.7a). Em relação a mais baixa-freqüência, observa-se picos aonível de significância de 90% começando em 1.9 anos até freqüências menores resolvidas peloespectro (Fig. 4.7a). A região T SBRB apresenta uma banda espectral entre 69-78 dias e 98.5 dias comsignificância de 95% (Fig. 4.7b). Já na baixa-freqüência, observa-se também um pico de 1.9 anosexcedendo o ruído vermelho ao nível de significância de 90% (Fig. 4.7b).23

1.2 years208 days188 days109 days58.4 days109-139 days74.8 days2.2 anos120 days60.2 daysFigura 4.6: Espectro da precipitaçãosobre as regiões homogêneas (a) P SEC ,(b) P LIM , e (c) P SBR . O períodocorresponde à cobertura temporal dosdados: 1979-2005. Linha suave contínuarepresenta o espectro do ruído vermelhode fundo, linha tracejada refere-se aonível de significância de 95%(pontilhada refere-se ao nível designificância de 90%). A freqüência>370 dias é indicada no canto superioresquerdo. O comprimento da banda entredois picos também é indicado.4 years1.9 years120 days87.6 days52.2 days1.9 years98.5 days69.3-78.4 daysFigura 4.7: Espectro do GPCP sobre as regiões homogêneas (a) T SECW e (b) T SBRB . O período corresponde àcobertura temporal dos dados: 1979-2005. Linha suave continua representa o espectro do ruído vermelho defundo, linha tracejada refere-se ao nível de significância de 95% (pontilhada refere-se ao nível de significânciade 90%). A freqüência >370 dias é indicada no canto superior esquerdo. O comprimento da banda entre doispicos também é indicado.24

4.3 Episódios Anômalos de Precipitação e Temperatura em Baixa-freqüênciaSeguindo os estudos prévios de Muza (2005), as regiões homogêneas selecionadasforam investigadas com relação à ocorrência de episódios anômalos baseando-se na distribuiçãopercentual das GPCP LF e T850 LF . Para encontrar os episódios anômalos consideraram-se os limiaresde 75% e 25% na distribuição temporal das séries de GPCP LF e T850 LF . Nesse sentido, definiu-seque, os episódios anômalos chuvosos em baixa-freqüência (Wet LF ) ocorrem quando GPCP LFexcedem o percentil de 75%. Por conseguinte, os episódios anômalos de estiagem em baixafreqüência(Dry LF ) ocorrem quando GPCP LF apresenta menores magnitudes do que o percentil de25%. O mesmo raciocínio foi efetuado para as T850 LF denominando-se episódios anômalos quentes(Warm LF ) e de frios (Cold LF ) em baixa-freqüência.Os episódios anômalos foram estudados considerando sua persistência, isto é, define-sepersistência como sendo a ocorrência consecutiva de pêntadas anômalas, e desta forma,pertencentes ao um mesmo episódio. A Fig. 4.8 mostra as propriedades da distribuição dos episódiosanômalos de GPCP LF encontrados nas regiões P SEC , P LIM e P SBR , como mediana, quartil superior einferior, máximos e mínimos. Os máximos e mínimos são valores extremos nas séries, mas nãosuperiores a duas vezes o intervalo interquartil, caso contrário são episódios a parte (“outliers“).Nos episódios Wet LF na região P SEC (Fig. 4.8a): a mediana da persistência é igual a 27pêntadas (aproximadamente 4.5 meses); o quartil superior e inferior são 45 e 12 pêntadas,respectivamente; e o máximo é 73 pêntadas (não outlier). Nos episódios Dry LF na região P SEC , amediana da persistência é 36 pêntadas, mas o máximo não é maior do que 60 pêntadas, sendo oquartil superior igual a 51 pêntadas (Fig. 4.8a). Já para Wet LF na região P LIM : os quartis superior einferior são iguais a 26 e 43 pêntadas; mediana de 32 pêntadas; máximo de 44 pêntadas; e outlier de77 pêntadas (Fig. 4.8b). Por outro lado, a distribuição de episódios Dry LF na região P LIM não seassemelha a de Wet LF na mesma região, na qual a mediana é igual a 43 pêntadas e os quartissuperior e inferior de 26 e 52 pêntadas, respectivamente (Fig. 4.8b). É interessante observar queepisódios Dry LF nessa região têm intervalo interquartil maior do que episódios Wet LF , indicando queDry LF são mais persistentes. A persistência nos episódios Wet LF na região P SBR caracteriza-se poruma evidente assimetria na sua distribuição, pois a mediana é igual a 54 pêntadas e o quartil superiorde 58 pêntadas, sendo que o quartil inferior é igual a 32 pêntadas (Fig. 4.8c). Episódios Dry LF na25

Var 1 Var 2Var 1 Var 2Va r 1 Var 2região P SBR mostraram que a persistência fica entre 24 e 54 pêntadas o que corresponde aaproximadamente a um intervalo de 4 a 9 meses. De forma geral, isso foi observado em todas asregiões, na qual apenas Wet LF nas regiões P LIM e P SBR mostraram uma distribuição de persistênciamais assimétrica.Episódios anômalos Warm LF na região T SECW (Fig. 4.9a) mostram interessante simetriana distribuição em torno da mediana igual a 59 pêntadas, com quartil superior igual a 74 quetranscende o período de um ano (equivalente a 73 pêntadas). Episódios Cold LF na região T SECW têmmenor persistência comparativamente aos episódios Warm LF . Os episódios Warm LF na T SBRBapresentam aspectos bastante peculiares, com mediana de 35 pêntadas e contém dois outliers de 89e 119 pêntadas (Fig. 4.9b). Dry LF na T SBRB contém um outlier de 149 pêntadas, embora apresenteuma distribuição mais simétrica comparativamente com Warm LF . Sendo assim, os episódiosanômalos tanto de GPCP LF quanto de T850 LF predominaram entre aproximadamente 18 e 54pêntadas. Dessa forma, nós consideramos como episódios independentes aqueles separados porpelo menos 18 pêntadas.(a)150P SEC(b)150P LIMMedian 25%-75% Non-Outlier Range OutliersMedian 25%-75% Non-Outlier Range OutliersPersistence (pentads)120906030Persistence (pentads)12090603000Wet LFDry LFWet LFDry LF(c)1501209060300Persistence (pentads)P SBRMedian 25%-75% Non-Outlier Range OutliersWet LFDry LFFigura 4.8: Diagrama ilustrando amediana, quartil superior e inferior,máximos e mínimos, e intervalointerquartil da distribuição dapersistência dos episódios anômalosWet LF e Dry LF na (a) P SEC , (b) P LIM e (c)P SBR . O intervalo interquartil érepresentado pelo caixa. Outliers sãodefinidos como duas vezes o intervalointerquartil.26

Var 1 Var 2Var 1 Var 2(a)150T SECW(b)150T SBRBPersistence (pentads)120906030Median 25%-75% Non-Outlier Range OutliersPersistence (pentads)120906030Median 25%-75% Non-Outlier Range Outliers00Hot LFCold LFHot LFCold LFFigura 4.9: Diagrama ilustrando a mediana, quartil superior e inferior, máximos e mínimos, e intervalointerquartil da distribuição da persistência dos episódios anômalos Warm LF e Cold LF na (a) T SECW e (b) T SBRB . Ointervalo interquartil é representado pelo caixa. Outliers são definidos como duas vezes o intervalo interquartil.4.4 Variabilidade interanual e influência sazonal dos episódios anômalosOs episódios anômalos identificados são contrastados com as anomalias totais deprecipitação (GPCP TA ) junto ao ciclo anual em cada região. A Fig. 4.10 mostra GPCP LF (linha sólidaespessa), GPCP TA (linha sólida fina) e climatologia (linha tracejada) durante anos que ocorreramepisódios Wet LF na região P SEC . Neste caso, o limiar de 75% de GPCP LF corresponde a 0.27 mm/dia.Para essa análise, GPCP TA foram somadas à climatologia e os anos são centrados no verão austral,que corresponde ao máximo no ciclo anual da precipitação na região P SEC . A climatologia é a somado ciclo anual e semi-anual para cada região. O episódio anômalo de 1979/80 (Fig. 4.10a) mostrouuma modulação de GPCP LF sobre a estação chuvosa em torno do mês de janeiro. Um padrão similaré observado em 1981/82 (Fig. 4.10b), entretanto o máximo de GPCP LF vem a ocorrer próximo ao mêsde março, contribuindo para um prolongamento da estação chuvosa acima da climatologia. Em1984/85 e 1996/97 (Fig. 4.10c,e), um aumento suavemente positivo atingiu maior amplitude após overão, quanto GPCP TA teve picos mais recorrentes, isto é, dois episódios que contribuíram para queGPCP TA ficassem acima da climatologia durante o fim da estação chuvosa. Os anos de 1989/90,1999/00, 2000/01 e 2001/02 (Fig. 4.10d,f,g,h) são exemplos de ocorrência de Wet LF antecedendo aestação chuvosa, e assim modulando um volume anômalo de chuva entre outubro e janeiro. Dedezembro adiante, GPCP LF enfraquecem (1989/90 e 1999/00) ou invertem de sinal (2000/01 e2001/02), contribuindo para que o fim da estação úmida fosse igual ou abaixo do ciclo anual,27

espectivamente. Em especial, o episódio de 1989/90 foi um exemplo da monção de verão daAmérica do Sul tendo um início precocemente em relação à climatologia (Silva e Carvalho, 2007).Nesse verão, Cuadra e Rocha (2006) mostraram que a atuação da ZCAS mais ao norte de suaposição climatológica esteve associada ao escoamento mais zonal de oeste em baixos níveis no ladoleste da Cordilheira do Andes (ao invés de meridional). Já os anos de 2002/03 e 2003/04 (Fig. 4.10i,j)mostraram episódios Wet LF aproximadamente em fase com o ciclo anual, e nesses casos o impactopositivo nas GPCP TA foi observado durante o verão, quando já se tem estabelecida a estaçãochuvosa. Esse fato foi mais evidente em 2003/04 (Fig. 4.10j), quando GPCP LF estiveram associadas aum verão anomalamente positivo, e nesse caso, a monção de verão da América do Sul teve um iníciolevemente tardio de acordo com Silva e Carvalho (2007).Figura 4.10: Séries temporais (mm/dia) de anomalias deprecipitação em baixa-freqüência (>370 dias) (linha espessa)e anomalias totais de precipitação (linha fina) na regiãohomogênea P SEC (Fig. 4.5a) para (a) 1979/80, (b) 1981/82, (c)1984/85, (d) 1989/90, (e) 1996/97, (f) 1999/00, (g) 2000/01,(h) 2001/02, (i) 2002/03 e (j) 2003/04 quando houveocorrência de episódios anômalos Wet LF . Climatologia deprecipitação também é mostrada (linha tracejada).28

A Fig. 4.11 contém os episódios Dry LF na região P SEC , onde o limiar de GPCP LF é de -.32mm/dia (note que a escala de valores do eixo das ordenadas difere da Fig. 4.10). Os episódios Dry LFanalisados aqui mostram que quando se tem um mínimo nas GPCP LF , notamos uma modulação demais baixa-freqüência que causa chuvas abaixo do regime climatológico, exceto em picos isolados,que ocorrem como variabilidades de mais altas freqüências ou intra-sazonais. Nitidamente, o início daestação chuvosa na região P SEC foi afetado nos episódios Dry LF em 1982/83 e 1993/94 (Fig. 4.11a,e).Durante o verão também se observa esse aspecto para os episódios anômalos de 1983/84, 1986/87,1995/96, e 1997/98 (Fig. 4.11b,c,f,g). É interessante observar que em alguns casos, um episódioanômalo pode influenciar dois anos em seqüência, como no caso de 1992/93 e 1993/94 (Fig.4.11d,e). Nesse episódio, chuvas abaixo do regime climatológico são observadas no fim da estaçãochuvosa de 1992/93 e início da estação chuvosa de 1993/94. No episódio Dry LF 1997/98 notou-seGPCP LF negativas de maior amplitude, quando a variabilidade interanual da TSM do Pacíficoequatorial tinha a presença de um dos mais fortes eventos El Niño na qual se tem registro(NCEP/CPC). Já os episódios Dry LF em 1998/99 e 2000/01 (Fig. 4.11h,i) contribuíram para GPCP TAabaixo da climatologia durante a estação chuvosa e um termino prematuro da mesma. Em especial,1998/99, Silva e Carvalho (2007) mostraram que as monções tiveram o fim mais prematuro e menorduração dos últimos 25 anos. Já 2000/01 foi computado também episódio como Wet LF durante oinício das monções, revertendo para Dry LF em torno do mês de janeiro e mostrando que em algunscasos isolados dois episódios de sinais opostos podem modular a distribuição da precipitação durantea estação chuvosa.A região P LIM também apresenta um ciclo anual do regime chuvoso bastantepronunciado, mas com a precipitação não sendo nula durante o inverno austral (ver linha tracejada naFig. 4.12). Isso se deve a incidência de algumas frentes frias que causam chuvas nessa regiãodurante esse período do ano. Esse aspecto é percebido pela própria variabilidade das GPCP TA , quetem como característica oscilações de mais alta freqüência comparada às séries temporais deGPCP TA observadas na região P SEC . Esse componente de mais alta freqüência faz com que acontribuição das GPCP LF às GPCP TA seja quase imperceptível na escala sazonal. Isto é, a modulaçãode GPCP LF na variabilidade das GPCP TA é de tal forma tão suave que, pode não ser aparentementenotada. Entretanto, observam-se episódios Wet LF (limiar acima de 0.32 mm/dia) na primavera e verãoaustral em 1979/80, 1981/82 e 1990/91, resultando em chuvas bem distribuídas ao longo da estaçãochuvosa (Fig. 4.12a,b,e). Em especial, anomalias sazonais em 1990/01 foram influenciadas pela29

contribuição conjunta de muitos modos principais de variabilidade (Krishnamurthy e Misra, 2007). Em1982/83 (Fig. 4.12c) teve-se um episódio Wet LF de grande amplitude contribuindo para umprolongamento das chuvas durante o outono. Essa característica se repetiu no ano de 1986/87 (Fig.4.12d), mas com um episódio consideravelmente menos intenso. Os episódios de 1994/95 e 2002/03(Fig. 4.12f,i) estiveram aproximadamente em fase com o ciclo anual, e assim, contribuíram para umamaior ocorrência das GPCP TA positivas durante o verão. Em alguns casos, episódios Wet LF podem terum papel negativo durante a primavera, quando há um aumento anômalo da precipitação, que podeser confundido com o início do período chuvoso. Um exemplo desse aspecto pode ser visto noepisódio de 2000/01 (Fig. 4.12g). Aspectos semelhantes se repetem em 2001/02 (Fig. 4.12h), sendoque nesse caso, GPCP LF positivas apresentaram maior amplitude. As savanas respondem às chuvasde curtas escalas temporais segundo Scanlon et al. (2002), mas o impacto de episódios Wet LF emanos consecutivos como, por exemplo, anos de 2000/01, 2001/02, e 2002/03 (Fig. 4.12g,h,i)resultaram em efeitos no ciclo hidrológico e balanço de energia desses ecossistemas, bem como noseqüestro de carbono da atmosfera (Los et al., 2001).Figura 4.11: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P SEC (Fig. 4.5a) para (a) 1982/83,(b) 1983/84, (c) 1986/87, (d) 1992/93, (e) 1993/94, (f) 1995/96, (g) 1997/98, (h) 1998/99 e (i) 2000/01 quandohouve ocorrência de episódios anômalos Dry LF . Climatologia de precipitação também é mostrada (linhatracejada).30

Figura 4.12: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P LIM (Fig. 4.5a) para (a) 1979/80,(b) 1981/82, (c) 1982/83, (d) 1986/87, (e) 1990/91, (f) 1994/95, (g) 2000/01, (h) 2001/02 e (i) 2002/03 quandohouve ocorrência de episódios anômalos Wet LF . Climatologia de precipitação também é mostrada (linhatracejada).O impacto de episódios Dry LF (limiar abaixo de -0.31 mm/dia) nas GPCP TA sobre a regiãoP LIM durante o período de término da estação chuvosa contribui para uma menor duração da mesma.Essa situação é observada em 1980/81, 1983/84, 1992/93 e 1993/94 (Fig. 4.13a,b,f,g). EpisódiosDry LF em anos consecutivos podem ter grande impacto na agricultura e vegetação natural de umaregião, por exemplo, na cobertura vegetal do Cerrado brasileiro, sendo que o estresse hídrico levadode uma estação chuvosa para outra podem ter conseqüências irreversíveis de perda de biomassados biomas do ecossistema (Fu e Li, 2004). Já episódios Dry LF ocorrendo na primavera e início doverão, como em 1985/86, 1988/89, 1991/92, 1999/00 e 2003/04 (Fig. 4.13c,d,e,h,i), não apenascontribui para uma menor duração, como também fazem com que os volumes de chuva sejam maldistribuídos ao longo da estação chuvosa. Em especial, 2003/04 (Fig. 4.13i) apresentou um início31

tardio do regime chuvoso devido ao próprio estabelecimento da monção de verão na América do Sul(Silva e Carvalho, 2007). Isto acabou por comprometer a qualidade da estação chuvosa na regiãoP LIM observada através da predominância de GPCP TA abaixo da climatologia durante o verão.Figura 4.13: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P LIM (Fig. 4.5a) para (a) 1980/81,(b) 1983/84, (c) 1985/86, (d) 1988/89, (e) 1991/92, (f) 1992/93, (g) 1993/93, (h) 1999/00 e (i) 2003/04 quandohouve ocorrência de episódios anômalos Dry LF . Climatologia de precipitação também é mostrada (linhatracejada).A região P SBR tem uma distribuição de precipitação relativamente contínua ao longo doano e assim, apresenta um ciclo semi-anual marcado no regime climatológico anual com um máximode precipitação durante a primavera e outro durante o verão (Fig. 4.14a-f). O limiar de episódiosWet LF para essa região é 0.49 mm/dia. Nessa região, destacam-se os episódios Wet LF de 1982/83 e1997/98, na qual GPCP LF atingiram um pico durante o verão austral em torno de 2.0 e 3.3 mm/dia,respectivamente (Fig. 4.14b,e). Esses casos estão fortemente relacionados com a variabilidade de32

mais baixa-freqüência do Pacifico equatorial relativo à incidência de fenômeno El Niño (e.g., Souza etal., 2000; Dessay et al., 2004; Muza, 2005). Similarmente, os episódios Dry LF de 1988/89 e 1999/00(Fig. 4.15c,e) também estiveram associados com fases de La Nina (segundo e.g., Grimm et al., 1998;Muza, 2005). Em especial 1988/89, o sinal das GPCP LF permaneceu negativo ao longo da primaverae verão austral, deixando as GPCP TA abaixo da climatologia. Essa característica foi semelhante àobservada em 1981/82 (Fig. 4.15a), enquanto que em 1999/00 (Fig. 4.15e), episódio Dry LF teve umpico negativo em novembro, exatamente quando se esperaria um maior volume de precipitação.Aspectos semelhantes a esse último também ocorreram em 1985/86 (Fig. 4.15b). No episódio Dry LFde 1992/93 (Fig. 4.15d) nota-se uma troca de sinal das GPCP LF entre inverno e primavera com o piconegativo das GPCP LF durante o verão modulando a precipitação em torno do mês de março de 1993para abaixo da climatologia.As duas regiões homogêneas T SECW e T SBRB selecionadas na variabilidade de T850 LFforam estudadas quanto à ocorrência de episódios Warm LF e Cold LF . Esses episódios foramcomparados com T850 TA junto à climatologia em cada região, sendo essa a soma do ciclo anual esemi-anual (1ª e 2ª harmônico). Nesse sentido, nota-se um forte ciclo semi-anual com um pico emoutubro e outro em fevereiro na T SECW (linha tracejada, Fig. 4.16). A Fig. 4.16a corresponde aoepisódio Warm LF em 1982/83 e mostra T850 LF (linha sólida espessa) com o máximo acima de 0.5 °Cem janeiro, sendo que o limiar de 75% das T850 LF nessa região é de 0.2°C. Comparativamente aoepisódio 1997/98 (Fig. 4.16d), o impacto nas T850 TA foi mais evidente quando as T850 LF atingiramaproximadamente 1.3°C. Entretanto, mesmo quando T850 LF são levemente positivas, como nosepisódios 1987/88 e 1998/99 (Fig. 4.16c,e), houve uma modulação das T850 TA pelo sinal de maisbaixa-freqüência com influência já durante o inverno austral até a primavera. Esse aspecto é maisevidente durante a primavera, que precede a monção de verão na América do Sul. Entretanto,Halpert e Ropelewski (1992) mostraram que o período sazonal de maior impacto de eventos ENOSno sudeste e sul do Brasil ocorre durante o outono, embora nesse estudo, nota-se um númeroreduzido de dados de temperatura do ar sobre a área analisada. Por outro lado, os episódios de1982/83 e 1985/86 (Fig. 4.16a,b) não tiveram grande influência sobre as T850 TA durante o verão naqual o máximo das T850 LF ocorre em janeiro.33

Figura 4.14: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P SBR (Fig. 4.5a) para (a) 1979/80,(b) 1982/83, (c) 1983/84, (d) 1989/90, (e) 1997/98 e (f) 2002/03 quando houve ocorrência de episódios anômalosWet LF . Climatologia de precipitação também é mostrada (linha tracejada).Figura 4.15: Séries temporais (mm/dia) de anomalias de precipitação em baixa-freqüência (>370 dias) (linhaespessa) e anomalias totais de precipitação (linha fina) na região homogênea P SBR (Fig. 4.5a) para (a) 1981/82,(b) 1985/86, (c) 1988/89, (d) 1992/93 e (e) 1999/00 quando houve ocorrência de episódios anômalos Dry LF .Climatologia de precipitação também é mostrada (linha tracejada).34

Figura 4.16: Séries temporais (°C) de anomalias de temperatura em baixa-freqüência (>370 dias) (linha espessa)e anomalias totais de temperatura (linha fina) em 850 hPa na região homogênea T SECW (Fig. 4.5b) para (a)1982/83, (b) 1985/86, (c) 1987/88, (d) 1997/98 e (e) 1998/99 quando houve ocorrência de episódios anômalosWarm LF . Climatologia de precipitação também é mostrada (linha tracejada).A Fig. 4.17 mostra os episódios Cold LF na T SECW , quando T850 LF esteve sazonalmenteabaixo do limiar de 25% da distribuição, que corresponde ao valor de -0.24°C. Do inverno para aprimavera de 1981 (Fig. 4.17a), T850 TA esteve sob o efeito de um sinal levemente negativo dasT850 LF e a influência nas T850 TA foi mais evidente antes da primavera. É interessante observar quenessa região foram constatados cinco episódios Cold LF em seqüência de 1988/89 a 1992/93 (Fig.4.17b-f), onde se destaca um mínimo das T850 LF ocorrendo sempre na primavera com forte influêncianas T850 TA . Foram encontrados também episódios Cold LF ocorrendo em 1996/97 e 2003/04 (Fig.4.17g,h), com mínimo das T850 LF durante o verão.Os episódios Warm LF foram selecionados na região T SBRB , quando T850 LF ultrapassou olimiar de 0.31°C. O ciclo anual da temperatura tem máximo em janeiro e mínimo em meados de julho(Fig. 4.18, linha tracejada). Em 1979/80, 1983/84 e 2000/01 (Fig. 4.18a,b,f), os episódios Warm LFocorreram durante o verão e estendendo para o outono, quando se notam oscilações maispersistentes nas T850 TA , tanto acima quanto abaixo da climatologia. Por outro lado, nos anos de1985/86, 1994/95, 1997/98, e 2002/03 (Fig. 4.18c,d,e,g) os episódios Warm LF ocorreram com picodurante a primavera e modularam positivamente as T850 TA . Já nos episódios Cold LF na região T SBRBem 1989/90, 1990/91, 1992/93 e 1999/00 (Fig. 4.19b,c,d,g) observamos durante a primavera umevidente impacto desses episódios sobre as T850 TA . Ou seja, características semelhantes àsobservadas nos episódios Warm LF . De forma geral, o maior impacto dos episódios Warm LF e Cold LF35

sobre as T850 TA ocorre durante a primavera. Essa característica torna-se evidente em relação àinfluência das T850 LF durante o período de verão ou outono. Uma exceção a esse aspecto ocorreuem 1981/82 (Fig. 4.19a), no qual um episódio Cold LF de grande amplitude em valor absoluto estevepresente centrada em janeiro, e assim, T850 TA abaixo da climatologia predominaram durante todo overão. Outro aspecto interessante é que, o episódio de 1999/00 (Fig. 4.18g) na verdade já tem iníciodurante o verão do ano anterior, com influência nas T850 TA durante o outono (veja Fig. 4.18f). Nestecaso, refere-se ao mesmo episódio, anteriormente classificado como outlier de 149 pêntadas.Episódios anômalos de T850 LF e GPCP LF selecionados aqui correspondem a fenômenosde baixa-freqüência que modulam as anomalias climáticas durante um período sazonal de no mínimotrês meses. Esses fenômenos têm a capacidade de desviar a curva de variabilidade de anomaliastotais para um patamar diferente da curva climatológica, com um efeito de aproximadamente mudar aclimatologia durante um período sazonal. Esse aspecto pode ser observado sobre a região sudeste ecentro-oeste do Brasil (P SEC e T SECW ), por exemplo, durante os verões de 1983/84 (Fig. 4.11b) e1992/93 (Fig. 4.17f) e um estudo de modelagem estatística do sinal da variabilidade das T850 LF eGPCP LF será apresentado no capítulo seguinte.Figura 4.17: Séries temporais (°C) de anomalias de temperatura em baixa-freqüência (>370 dias) (linha espessa)e anomalias totais de temperatura (linha fina) em 850 hPa na região homogênea T SECW (Fig. 4.5b) para (a)1981/82, (b) 1988/86, (c) 1989/90, (d) 1990/91, (e) 1991/92, (f) 1992/93, (g) 1996/97 e (h) 2003/04 quandohouve ocorrência de episódios anômalos Cold LF . Climatologia de precipitação também é mostrada (linhatracejada).36

Figura 4.18: Séries temporais (°C) de anomalias detemperatura em baixa-freqüência (>370 dias) (linha espessa) eanomalias totais de temperatura (linha fina) em 850 hPa naregião homogênea T SBRB (Fig. 4.5b) para (a) 1979/80, (b)1983/84, (c) 1985/96, (d) 1994/95, (e) 1997/98, (f) 2000/01 e(g) 2002/03 quando houve ocorrência de episódios anômalosWarm LF . Climatologia de precipitação também é mostrada(linha tracejada).Figura 4.19: Séries temporais (°C) de anomalias de temperatura em baixa-freqüência (>370 dias) (linha espessa)e anomalias totais de temperatura (linha fina) em 850 hPa na região homogênea T SBRB (Fig. 4.5b) para (a)1981/82, (b) 1989/90, (c) 1990/91, (d) 1992/93, (e) 1993/94, (f) 1998/99, (g) 1999/00 e (h) 2003/04 quandohouve ocorrência de episódios anômalos Cold LF . Climatologia de precipitação também é mostrada (linhatracejada).37

4.5 Relação com índices oceanos-atmosféricosOs resultados anteriores mostraram uma variabilidade interanual na ocorrência deepisódios anômalos nas GPCP LF e T850 LF . Essa variabilidade pode ser associada a fenômenosatmosféricos de baixa-freqüência como anomalias oceânicas, convecção tropical ou bloqueiosatmosféricos que atuam remotamente sobre uma determinada região, alterando seu estado básicopor um período sazonal ou interanual (Barnston e Livezey, 1987). Segundo Wallace e Gutzler (1981),significativas correlações simultâneas entre flutuações temporais de variáveis meteorológicas emregiões remotas formam um evidente aspecto da existência de teleconexões, através de ondasplanetárias associadas às oscilações atmosféricas de baixa-freqüência. Eventualmente, essas ondasplanetárias estão relacionadas à corrente de jato ou podem ter uma influência inter-hemisférica aocruzarem o equador em regiões equatoriais propícias, como por exemplo, sobre o oeste do Pacífico eAtlântico (Hoskins e Ambrizzi, 1993; Grimm e Silva Dias, 1995).A série temporal de GPCP LF e T850 LF isolada em cada região homogênea foiconfrontada com alguns índices atmosféricos e oceânicos comumente conhecidos e obtidos doNational Centers for Environmental Prediction/Climate Prediction Center (NCEP/CPC). Nessa análise,considerou-se a resolução temporal mensal disponível nos índices e calculou-se a média mensal dasGPCP LF e T850 LF em cada região. Além disso, separou-se o sinal de mais baixa-freqüência dosíndices, isto é, oscilações maiores do que 370 dias através de metodologia descrita anteriormente nocapítulo 3.2. A Tabela 4.1 mostra a correlação de cada região em relação a diversos índices oceanosatmosféricos,onde são destacadas as correlações com significância acima de 95% e 90% (vejalegenda da Tabela 4.1 para maiores detalhes). Wallace e Gutzler (1981) consideraram correlaçõessignificativas àquelas que eram reproduzidas em uma amostra de dados independentes. No presenteestudo, para a análise de significância estatística, o número de graus de liberdade foi considerado 2/3do número de anos do conjunto de dados, segundo Muza (2005), que encontrou na variabilidadeinteranual eventos positivos e negativos de chuva que correspondem a 2/3 da série temporal. Alémdisso, esse valor equivale aproximadamente ao número de episódios anômalos presentes no períodode 1979 a 2005. A influência de fenômenos ENOS é conhecida sobre a América do Sul, maisprecisamente no norte da América do Sul englobando as regiões da Amazônia e Nordeste brasileiro(e.g., Ropelewski e Halpert, 1987; Kousky e Kayano, 1994; Souza et al., 2000; Grimm, 2003; Muza eCarvalho, 2006). Outras regiões que também sofrem os efeitos da variabilidade interanual causada38

pelo ENOS é o Sul do Brasil, Uruguai e Norte da Argentina (Grimm et al., 1998; Montecinos et al.,2000; Muza, 2005). Concordando com esse conhecimento, GPCP LF na região P SBR sãocorrelacionadas ao nível de 95% com todos os índices relativos ao ENOS, sendo eles Niño 3.4 e 1+2,Oscilação Sul, Multivariado ENOS, e temperatura média global (NCEP/CPC). Entretanto, T850 LF naregião T SBRB apresenta correlação significativa apenas ao nível de 90% com a Oscilação Sul. Poroutro lado, se destaca as correlações -0.44 e 0.42 significativas ao nível de 90% entre o índiceNiño1+2 e as regiões P LIM e P SEC , respectivamente.Tabela 4.1: Correlações entre anomalias de precipitação (mm/dia) em baixa-freqüência (>370 dias) GPCP LF emcada região P SEC , P LIM , e P SBR e índices oceanos-atmosféricos na mesma escala de tempo. Apresentam-setambém as correlações entre esses índices e anomalias temperatura do ar em 850 hPa (°C) em baixa-freqüência(>370 dias) T850 LF em cada região T SECW e T SBRB . ** (*) significância estatística de 95% (90%) de confiança.GPCP LFT850 LFP SEC P LIM P SBR T SECW T SBRBNiño 3.4 -0.27 0.31 0.56** 0.39 0.35Southern Oscillation - SOI 0.33 -0.18 -0.52** -0.35 -0.40*Niño 1+2 -0.44* 0.42* 0.64** 0.55** 0.19Multivariate ENSO -0.34 0.38 0.63** 0.47** 0.29Pacific Decadal Oscillation -0.23 0.13 0.34 0.30 0.18Tropical Southern Atlantic -0.13 -0.13 -0.01 0.37 0.10Pacific North American -0.26 0.15 0.27 0.41* 0.04North Atlantic Oscillation 0.04 0.02 -0.02 -0.32 -0.05Antartic Oscillation 0.13 0.05 -0.26 -0.14 -0.22Quase-Biennial Oscillation -0.14 -0.08 -0.10 0.06 0.11Solar Fluxo 0.07 0.07 -0.04 -0.24 -0.25Global Mean Lan/Ocean Temp. -0.11 0.19 0.26 0.49** 0.16A variabilidade interanual das regiões P LIM , P SEC e o índice Niño1+2 são mostrados naFig. 4.20a. O índice Niño1+2 refere-se à área mais a leste do Oceano Pacífico equatorial. Nos anos1983 e 1997 houve grande concordância das GPCP LF nas regiões P LIM e P SEC , devido a grandeamplitude no sinal do índice Niño1+2, quando ocorreram eventos El Niño mais fortes. Nesses anos, avariabilidade do índice Niño1+2 tem a mesma fase das GPCP LF na região P LIM e fase oposta emrelação à P SEC . Além disso, há seqüências de anos em que GPCP LF nas regiões P LIM e P SECapresentam oscilações concordando com a variabilidade do índice Niño1+2. Um exemplo disso énotado entre regiões P LIM e o Niño1+2 durante 1983 a 1989. Na Tabela 4.1, também se observa quea série temporal de T850 LF na região T SECW concorda com as oscilações do índice Niño1+2,Multivariado ENOS, Pacific North American (PNA) e a temperatura média global. Cardoso e Silva39

Dias (2004) também encontraram relações entre o primeiro modo de variabilidade da TSM do Pacíficoe anomalias mensais de precipitação e vazão de rios sobre o sul e sudeste do Brasil, sendocorrelações significativas defasadas em até quatro meses. Já na Fig. 5.20b pode ser notado queexistem alguns anos com maior concordância entre T850 LF na região T SECW e PNA. Segundo Grimm eSilva Dias (1995), essa relação é mais provável em escala temporal intra-sazonal, mas eles ressaltamque o PNA também responde a variabilidade do ENOS. O PNA intensifica ou enfraquece asubsidência na alta subtropical do Atlântico Norte, afetando também a subsidência sobre o Atlânticosubtropical. E em relação a anomalias oceânicas sobre o Atlântico, o índice do Atlântico Sul Tropicaltem correlação de 0.37 com T SECW , porém não significativa ao nível de 90% (Tabela 4.1). Enquantoque, entre a região T SECW e o Atlântico Norte Tropical a correlação é de -0.32. Em adição, Cardoso eSilva Dias (2004) mostraram que anomalias da TSM do Atlântico Sul exercem influênciassignificativas sobre o regime de precipitação sudeste do Brasil e estabeleceu relações para aprevisão da vazão utilizando a TSM como preditor.A correlação entre a Oscilação Decadal do Pacífico é maior com as regiões T SECW eP SBR , justamente àquelas que apresentaram maior relação com os índices relativos ao ENOS. Éinteressante observar que o índice da Oscilação Antártica tem maior correlação com T SBRB e P SBRrelativo a áreas de estudo mais ao sul, embora Carvalho et al. (2005) tenha mostrado que na escalaintra-sazonal e interanual existe uma modulação da Oscilação Antártica sobre ciclones extratropicaissobre o Atlântico Sul, que influenciam na porção oceânica da ZCAS. O índice do fluxo solar (W/m 2 )descrito pelo National Geophysical Data Center (NGDC) do Canadá em conjunto com outros seisobservatórios astrofísicos espalhados pelo planeta, forma uma base de dados para forçantesclimáticas no balanço de energia dos modelos numéricos de previsão climática (e.g., Climate AnalysisCenter do NOAA). Labitzke e Van Loon (1993) discutiram que eventos fortes do ENOS podemresponder ao ciclo solar de 11 anos. Esse índice teve maior correlação em módulo com T850 LF e commesmo sinal nas duas regiões. Ele é fortemente influenciado pelo ciclo de aproximadamente 11 anosdo sol, que teve máximos nos anos de 1989 e 2000, quando o CPC/NCEP identificou fase fria doENOS. Esta análise exploratória na variabilidade das GPCP LF e T850 LF em relação a alguns índicesde baixa-freqüência da atmosfera e oceanos contribuiu para mostrarmos que esses padrõesapresentam certo grau de influência, mas atuam de forma combinada ou indireta, principalmentedurante o verão austral de acordo com Grimm e Silva Dias (1995). Por exemplo, o posicionamento daconvecção no Pacífico equatorial aliada a anomalias oceânicas devido ao ENOS, interfere naincidência ou não da convecção em sistemas meteorológicos que atuam sobre o centro leste da40

América do Sul. Por essas razões, o sucesso de prognósticos estatísticos com base na relação lineardesses índices com as GPCP LF e T850 LF pode ser ameaçado.Figura 4.20: (a) Série temporal de anomalias de precipitação (mm/dia) em baixa-freqüência (>370 dias) namédia da área P SEC (linha espessa sólida), P LIM (linha espessa tracejada), e índice Niño 1+2 na mesma escala detempo (linha fina sólida). (b) Série temporal de anomalias de temperatura (°C) em baixa-freqüência (>370 dias)na média da área T SECW (linha espessa sólida), índice Nino 1+2 na mesma escala de tempo (linha fina sólida), eíndice PNA (Pacific North American) na mesma escala de tempo (linha fina tracejada intercalada com ponto).Veja Fig. 4.5 para localização das regiões.41

4.6 Padrões atmosféricos dos períodos anômalosO propósito aqui é apresentar os padrões atmosféricos em associação à ocorrência deepisódios anômalos nas GPCP LF e T850 LF . Nesse estudo, utiliza-se de composições de GPCP LF eT850 LF , juntamente ao vento anômalo de baixa-freqüência no nível de 850 hPa (UV850 LF ) durante osepisódios selecionados para compreender as principais características atmosféricas. Na composiçãode GPCP LF durante Wet LF na P SEC (Fig. 4.21a), observam-se GPCP LF positivas no centro e nordestedo Brasil (cor de fundo indica significância estatística ao nível de 95%, segundo o teste t). No norte daAmérica do Sul, UV850 LF contribuem para um escoamento de ar anômalo de norte que cruza oequador e dirige-se para o sudeste do Brasil (veja máximo vetor anômalo indicado no rodapé de cadamapa, Fig. 4.21). Por outro lado, escoamento anômalo de leste no Atlântico subtropical em direção aosul do Brasil é associado à GPCP LF negativas nessa região. As GPCP LF com sinal negativo tambémsão visíveis sobre parte da Colômbia e Peru. Sobre o sudeste do Brasil observa-se uma circulaçãoanômala ciclônica, que está de acordo com condições chuvosas durante o verão em associação àtopografia nessa região segundo Grimm et al. (2007). Padrão inverso é observado para Dry LF naregião P SEC (Fig. 4.21b), tanto na circulação anômala quanto nas GPCP LF . Nesse sentido, GPCP LFpositivas são observadas mais ao sul, favorecidas por um cavado nas UV850 LF sobre o Atlântico ecom eixo estendendo-se sobre o sul do Brasil.Para P LIM (Fig. 4.21c e 4.21d), UV850 LF aproximadamente ciclônicas (anticiclônicas) eGPCP LF positivas (negativas) são observadas a leste da América do Sul durante Wet LF (Dry LF ,respectivamente). Além disso, Wet LF nessa região (4.21c) mostra escoamento do ar anômalo naregião equatorial contribuindo para Alísios mais intensos e GPCP LF negativas na ZCIT. Isto é, sobre aZCIT, há um predomínio de UV850 LF de leste, que indicam uma intensificação dos Alísios. Anomaliasde UV850 LF ao penetrar ao norte do Brasil dirigem-se para sudeste. Nos episódios Dry LF na P LIM(4.21d), observa-se que o escoamento que diverge do anticiclone anômalo no leste da América doSul, está associado à convergência anômala sobre o nordeste do Brasil. Além disso, sobre o Atlânticoequatorial há um predomínio de UV850 LF de oeste, indicando um enfraquecimento dos Alísios.42

Figura 4.21: Composições de anomalias de precipitação (mm/dia) em baixa-freqüência (>370 dias) paraepisódios anômalos Wet LF e Dry LF na região (a,b) P SEC , (c,d) P LIM , e (e,f) P SBR (respectivamente). Cores indicamsignificância estatística ao nível de confiança de 95%. Cor azul (vermelha) e contornos sólidos (tracejados)indicam anomalias positivas (negativas). Primeiro contorno é 0.2 (-0.2) e o segundo é 0.4 (-0.4) com intervalos0.4.43

Nos episódios de Wet LF na P SBR (Fig. 4.21e), o fator mais característico dos padrões decirculação na baixa troposfera é a contribuição para intensificação do jato de baixos níveis no leste daCordilheira do Andes. Esse fator é associado a intensas anomalias positivas de GPCP LF sobre aregião P SBR e GPCP LF negativas sobre sudeste e também na região da ZCIT. Esse padrão écaracterístico da influência do ENOS (e.g., Ropelewski e Halpert, 1987; Kousky e Kayano, 1994;Souza et al., 2000; Grimm, 2003; Muza e Carvalho, 2006) e em conseqüência disso, mostra umpadrão anômalo inverso nos episódios Dry LF nessa região (Fig. 4.21f). Esse contraste evidente entreepisódios Wet LF e Dry LF foi observado também para as demais regiões. É interessante observar queexistem padrões distintos na circulação anômala entre P SEC e P SBR , embora GPCP LF mostrecaracterísticas similares a um dipolo entre sul-sudeste que relembra a gangorra de precipitação entreessas regiões (compare Fig. 4.21a,b com Fig. 4.21e,f). Podemos ver que os padrões entre P SBR e P LIMse assemelham, considerando um leve deslocamento latitudinal (compare Fig. 4.21c,d com Fig.4.21e,f). Isso vem sugerir que apenas a porção ao sul do sudeste brasileiro aproxima-se dos padrõesdo sul do Brasil.Episódios Warm LF na T SECW são relacionados à T850 LF positivas em grande parte doBrasil (Fig. 4.22a), com maior intensidade na porção leste. O padrão na circulação anômala mostraum anticiclone de UV850 LF no Brasil central que contribui para um escoamento de norte a leste daCordilheira dos Andes. Observa-se T850 LF negativas ao sul, e assim, contribuindo para um gradientemais forte sobre sul do Brasil e Atlântico Sul. A composição de episódios Cold LF na T SECW (Fig. 4.22b)mostra um resfriamento anômalo na região equatorial da América do Sul, estendendo-se para ossubtrópicos do Brasil e Atlântico subtropical. Além disso, há uma circulação ciclônica nas UV850 LFsobre o sudeste do Brasil, relacionada ao escoamento anômalo de sul a leste da Cordilheira dosAndes, evidenciando o enfraquecimento do fluxo de ar equatorial para o sudeste. A correlação entreGPCP LF e T850 LF nas regiões P SEC e T SECW é -0.43. Além disso, o escoamento anômalo na região dojato de baixos níveis, que é o fator mais evidente observado nos episódios anômalos da região T SECW ,também aparece como importante padrão anômalo dos episódios Warm LF e Cold LF na T SBRB (Fig.4.22c,d). De fato, esse fator reflete a ocorrência de episódios Warm LF na região T SECW ou T SBRB . Já oenfraquecimento desse escoamento a leste da Cordilheira dos Andes contribui tanto para ocorrênciade episódios Cold LF na região T SBRB como para Dry LF na região P SBR , que explica a correlação positivade 0.58 das GPCP LF e T850 LF nessas regiões. Nos padrões da T SBRB , nota-se também um gradientenorte-sul deslocado para sul em relação à região T SECW . Nesse sentido, T850 LF positivas com maiores44

magnitudes estão localizadas exatamente sobre a região T SBRB . Por outro lado, quando ocorre umepisódio Cold LF na T SBRB (Fig. 4.22d), podemos esperar T850 LF negativas desde a T SBRB até asregiões centro-oeste e norte do Brasil.Figura 4.22: Composições de anomalias de temperatura do ar em 850 hPa (°C) em baixa-freqüência (>370 dias)para episódios anômalos Warm LF e Cold LF na região (a,b) T SECW e (c,d) T SBRB (respectivamente). Cores indicamsignificância estatística ao nível de confiança de 95%. Cor vermelha (azul) e contornos sólidos (tracejados)indicam anomalias positivas (negativas). Primeiro contorno é 0.2 (-0.2) e o segundo é 0.4 (-0.4) com intervalos0.4.45

4.7 Modos principais de variabilidadeEsta seção tem o propósito de comparar os padrões encontrados anteriormente nascomposições de episódios anômalos com modos principais de variabilidade das GPCP LF e T850 LF , emostrar quanto representativos são esses padrões. Para tanto, utilizou-se do método de FunçõesOrtogonais Empíricas (Empirical Orthogonal Function – EOF) (e.g., Wilks, 1995) aplicados a toda asérie temporal de GPCP LF e T850 LF em cada ponto de grade sobre a América do Sul (50°S a 10°N,80W° a 20W°). A análise de EOF ou Componentes Principais, essencialmente envolve a obtenção damatriz de covariância (ou correlação, quando se trata de dados heterogêneos), cálculo dosautovalores e autovetores, como uma transformação linear do conjunto de dados. Assim sendo, asséries temporais em cada ponto de grade tem 1971 pêntadas, formando uma matriz de dados de1971 x 625 (tempo x espaço para o domínio 50°S a 10°N, 80W° a 20W°). Neste estudo, a EOF foicalculada no espaço.A Figura 4.23a-d (coluna à esquerda) mostra os quatro primeiros modos ortogonais davariabilidade de GPCP LF através da correlação entre as séries temporais de GPCP LF e as EOFs, naqual a cor de fundo azul indica significância estatística ao nível de 95%. O primeiro padrão (Fig.4.23a) indica a variabilidade de GPCP LF com sinal oposto das correlações entre os trópicos e ossubtrópicos, cuja fração da variância dos dados explicada pelos autovetores foi igual a 20%. Essepadrão sugere a influência do ENOS sobre a América do Sul, fenômeno que causa a maiorvariabilidade interanual na precipitação (e.g., Ropelewski e Halpert, 1987; Kousky e Kayano, 1994;Souza et al., 2000; Grimm, 2003; Muza e Carvalho, 2006). Esse padrão tem grande semelhançaentre as composições de episódios anômalos nas regiões P SEC e P SBR (compare Fig. 4.23a com Fig.4.21). O segundo modo mostra um dipolo sobre o Atlântico tropical Norte e Sul (Fig. 4.23b), cujavariância explicada foi de 10%, e indica variabilidade em GPCP LF na região da ZCIT. Já o terceiromodo mostra um padrão de variabilidade com sinais opostos entre a região de atuação da ZCASdurante a monção de verão na América do Sul e uma região mais ao sul do Brasil (Fig. 4.23c), querelembra as características de gangorra de precipitação entre o sul e sudeste na variabilidadeinteranual (Muza, 2005), cuja variância explicada foi de 9% de toda a série. Esse padrão encontradoestá de acordo com o terceiro modo de baixa-freqüência encontrado por Kousky e Kayano (1994). Oquarto modo (Fig. 4.23d) característico explica 7% da variabilidade e indica um padrão de sinaisopostos entre o sudeste do Brasil e regiões meridionais adjacentes, mais especificamente a costa46

oceânica do sul do Brasil e Atlântico equatorial. Os quatro primeiros modos representam 46% davariância total de GPCP LF , embora ressaltemos aqui que apenas o primeiro modo mostrou serindependente das demais pelo critério de North et al. (1982).Uma análise similar foi aplicada também às séries temporais de T850 LF sobre o domínio50°S a 10°N e 80W° a 20W°. A Fig. 4.23e-h (coluna direita) apresenta os quatro primeiros modosprincipais de variabilidade das T850 LF , através das correlações de cada EOFs com T850 LF(significância estatística ao nível de 95% indicada com cor vermelha). O primeiro modo devariabilidade (Fig. 4.23e) mostra a faixa tropical e subtropical da América do Sul com sinais opostosexplicando 28% da variância total dos dados (Fig. 4.23e). É interessante observar que esse modotem grande consistência com os padrões de episódios anômalos na região T SECW (compare Fig. 4.23ecom Fig. 4.22). O segundo modo mostra um padrão com núcleo de correlações maiores sobre o suldo Brasil e correlação de sinal oposto na faixa latitudinal de 50°S além dos limites do domínio (Fig.4.23f). Esse padrão é responsável por 18% da variabilidade total de T850 LF e apresenta grandesemelhança com os padrões de episódios anômalos na região T SBRB (compare Fig. 4.23f com Fig.4.22). O terceiro modo mostra correlações de sinais opostos entre o Atlântico subtropical e duasáreas adjacentes, uma no sul da América do Sul e outra sobre a porção tropical do Atlântico Sul,explicando 12% da variância (Fig. 4.23g). No quarto modo, que contém 11% da variância total dosdados, se observa correlações de mesmo sinal sobre o domínio sul e norte da América do Sul,intercalado por uma região a leste da Cordilheira dos Andes com sinal oposto, mas não significativo.Os quatro modos representam aproximadamente 69% da variância total de T850 LF , e os doisprimeiros modos mostraram ser independentes dos demais pelo critério de North et al. (1982).Os estudos prévios realizados até aqui auxiliaram na identificação de padrõesatmosféricos de baixa-freqüência para o desenvolvimento de um modelo estatístico da variabilidadeinteranual da precipitação e temperatura sobre o centro-leste da América do Sul com o intuito deprevisão sazonal.47

(a)(e)(b)(f)(c)(g)(d)(h)Figura 4.23: (a-d) Correlações entre anomalias de precipitação (mm/dia) e os quatro primeiros padrõescaracterísticos da análise de EOF em baixa-freqüência (>370 dias). (e-h) Correlações entre anomalias detemperatura do ar em 850 hPa (°C) e os quatro primeiros padrões característicos da análise de EOF em baixafreqüência(>370 dias). Período utilizado foi de 18-22 de outubro de 1979 a 13-17 de outubro 2004. Contornosde linha contínua (tracejada) indicam correlações positivas (negativas). Intervalos de 0.2 começando em 0.2 (-0.2). Cores indicam significância estatística de 95% de confiança.48

┌ Capítulo 5 ┐5. Modelo estatístico de precipitação e temperatura em baixa-freqüênciaModelo Estatístico de Precipitação e Temperatura em Baixa-freqüência5.1 Fundamentação teórica para um modelo estatísticoEsse capítulo apresenta uma discussão detalhada sobre o desenvolvimento e validaçãode um modelo estatístico de previsão de anomalias de precipitação e temperatura do ar em baixafreqüência(GPCP LF e T850 LF ) para o clima contemporâneo sobre a América do Sul. Este modelo temcomo base os estudos diagnósticos prévios de Muza et al. (2009), os quais auxiliaram a identificaçãode mecanismos atmosféricos relacionados com a variabilidade interanual de extremos deprecipitação. Os resultados mostrados aqui auxiliarão na previsão de GPCP LF e T850 LF por meio deum modelo estatístico na escala de tempo sazonal.Como a ênfase deste modelo é em escalas temporais interanuais, os dados deprecipitação em pêntadas do GPCP foram separados em seu sinal de mais baixa-freqüência (Lowfrequency- LF) compreendendo períodos maiores do que 370 dias, com um filtro passa-baixa emdomínio de freqüência (Duchon, 1979). Posteriormente, os dados foram divididos em duas amostras.Uma amostra de 949 pêntadas foi utilizada para o desenvolvimento do modelo (no período de 18-22de outubro de 1979 a 13-17 de outubro 1992) e outra com 876 pêntadas para sua validação (18-22de outubro de 1992 a 13-17 de outubro 2004). A validação é independente da amostra dedesenvolvimento. O período 18-22 de outubro corresponde aproximadamente ao início climatológicoda estação úmida na região sudeste e centro-oeste do Brasil (e.g., Silva e Carvalho, 2007).A seguir, nós desenvolveremos passo a passo um estudo para aplicação de um modeloestatístico de GPCP LF , onde iniciaremos por investigar os erros no final das séries temporais filtradaspara averiguar qual a sua defasagem. Isso porque esses erros podem causar um impedimento para ouso de um modelo auto-regressivo. Posteriormente, será mostrado como esse problema foiadequadamente tratado utilizando Funções Ortogonais Empíricas para projetar as anomalias deprecipitação (dados não filtrados que apenas foi subtraída a climatologia) nos modos principais49

característicos de GPCP LF . Ainda neste Capítulo, será apresentado o desenvolvido e validação de ummodelo auto-regressivo com identificação de preditores e verificação com dados independentes.5.2 Estudo de erros nas fronteiras de séries temporais filtradasA separação de escalas temporais por meio de filtragem faz com que os dadosapresentem erros no início e final da série (Duchon, 1979) em virtude de se usar uma série finita dedados. Assim sendo, o propósito desta análise é obter uma estimativa destes erros e como elesvariam perto das fronteiras das séries temporais. Para este fim, foram usados alguns pontos de gradedistribuídos sobre o Brasil (Fig. 5.1) e o seguinte procedimento. Os dados de pêntadas deprecipitação no período de 18-22 de outubro de 1979 a 13-17 de outubro 1992 (GPCP 79-92 ) foramfiltrados em baixa-freqüência (GPCP LF ’), definidos neste estudo como períodos maiores do que 370dias. Essa série GPCP LF ’ foi comparada com a série filtrada utilizando todo o comprimento de dados(GPCP LF *). Para cada defasagem no tempo (pêntada) foi-se identificando as diferenças entre as duasséries temporais.O período de 18-22 de outubro de 1979 a 13-17 de outubro 1992 foi utilizado para umaavaliação preliminar, pois depois, foi-se acrescentado um passo no tempo (GPCP 79-92 + pêntadaseguinte) e novas filtragens foram sendo executadas até o período 13-17 de outubro 2003. Paraavaliação dos erros, correlacionou-se cada série GPCP LF ’ com a série GPCP LF *. Desta forma, épossível obter uma estimativa dos erros nas vizinhanças das fronteiras das séries temporais.FortalezaRecifeCampo GrandeAlegreteBrasília~Uberlândia~São PauloFlorianópolisPorto AlegreFigura 5.1: Localização aproximada dos pontos de grade investigados.50

Com o intuito de averiguar os erros nas fronteiras de séries filtradas em diversas escalastemporais, nos selecionamos outras bandas de freqüências típicas para comparar com a baixafreqüência(>370 dias), como: submensal (10-20 dias), intra-sazonal (20-100 dias) e semi-anual (100-180 dias). Então, um procedimento semelhante ao descrito anteriormente foi executado para cadabanda de freqüência.Na Figura 5.2a mostra que na escala submensal há uma diminuição na correlação, queindica aumento dos erros, a partir de 24 pêntadas de defasagem próximo da fronteira final da série dedados filtrados. A escala intra-sazonal (Fig. 5.2b) apresentou características que se assemelham aescala submensal. Na baixa-freqüência (Fig. 5.2d) os erros aumentam suavemente não atingindocorrelações menores do que 0.5 para todas as defasagens, enquanto a escala semi-anual (Fig. 5.2c)as correlações tende a zero próximo à defasagem de 6 pêntadas. De forma geral, para todas asescalas temporais analisadas, os erros aumentam em aproximadamente 24 pêntadas de defasagem.Resultados semelhantes foram observados para a filtragem no início da série de dados (nãomostrado).(a)110-20 days(b)120-100 dayscorrelationcorrelation0-36 -30 -24 -18 -12 -6 0Lag (pentads)0-36 -30 -24 -18 -12 -6 0Lag (pentads)(c)1100-180 days(d)1>370 dayscorrelationcorrelation0-36 -30 -24 -18 -12 -6 0Lag (pentads)0-36 -30 -24 -18 -12 -6 0Lag (pentads)Fortaleza Recife BrasiliaUberlândia-Ribeirão P reto Campo Grande São Paulo-Campinas-PiracicabaFlorianopolis P orto Alegre AlegreteFigura 5.2: Erros nas fronteiras das séries temporais associados com filtragem em: (a) na escala submensal 10-20 dias, (b) intra-sazonal 20-100 dias, (c) semi-anual 100-180 dias, e (d) mais baixa-freqüência (>370 dias) paradiversos pontos de grades (localização aproximada das cidades) nos dados de precipitação do GPCP.51

5.3 Aproximação para as anomalias de precipitação em baixa-freqüênciaO problema identificado anteriormente é grave para estudos prognósticos, pois asinformações próximas à fronteira das séries temporais tornam-se importantes para a previsão. Isto é,trata-se da condição inicial no caso da previsão for aplicada em tempo real. A fim de trataradequadamente esta questão foi executado o procedimento descrito a seguir.Os padrões característicos da variabilidade das GPCP LF sobre a América do Sul (50°S a10°N, 80W° a 20W°) foram obtidos neste estudo aplicando-se Funções Ortogonais Empíricas(Empirical Orthogonal Function – EOF) na amostra de desenvolvimento (18-22 de outubro de 1979 a13-17 de outubro 1992) de GPCP LF . Esse período não contém erros de borda de acordo com análisesanteriores, porque estamos utilizando a série filtrada com os dados de 1-5 de janeiro de 1979 a 27-31dezembro de 2005.A análise de EOF ou Componentes Principais, essencialmente envolve a obtenção damatriz de covariância (ou correlação, quando se trata de dados heterogêneos), cálculo dosautovalores e autovetores, como uma transformação linear do conjunto de dados (Wilks, 1995).Assim sendo, as séries temporais em cada ponto de grade tem 949 pêntadas, formando uma matrizde dados de 949 x 625 (tempo x espaço para o domínio considerado). O cálculo da EOF foi realizadoutilizando-se a dimensão no espaço a fim de se obter soluções estáveis para os autovalores. Ocoeficiente temporal (Principal Component - PC) da EOF é dado por:PCLFS∑(t, k) = GPCP (s, t) . EOF (s, k)(Eq. 5.1)s=1Onde k é o número de modos de variabilidade (igual ao número de autovetores), s = 1 até 625, é umvetor 1x625 com os dados no espaço. A Figura 5.3 mostra os quatro primeiros modos ortogonais davariabilidade das GPCP LF através da correlação entre as séries temporais de GPCP LF e as EOF LF . Oprimeiro padrão (Fig. 5.3a) mostra a variabilidade com sinais opostos entre os trópicos e ossubtrópicos, cuja fração da variância dos dados explicada pelos autovetores foi igual a 25%. Essepadrão sugere a influência do ENOS sobre a América do Sul, fenômeno que causa a maiorvariabilidade interanual na precipitação (e.g., Ropelewski e Halpert, 1987; Kousky e Kayano, 1994;Grimm, 2003; Muza e Carvalho, 2006). Nota-se que os estados de Mato Grosso do Sul e São Pauloapresentam o mesmo sinal do Sul do Brasil, embora com correlações não significativas. O segundomodo mostra um dipolo sobre o Atlântico tropical Norte e Sul (Fig. 5.3b), cuja variância explicada foiLFLF52

de 13%. Além disso, correlações com menores valores em módulo aparecem na região subtropical doHemisfério Sul. Já o terceiro modo (Fig. 5.3c) mostra um padrão de variabilidade com sinais opostosentre o centro-leste da América do Sul (Mato Grosso do Sul e São Paulo estendendo-se para oAtlântico subtropical) e uma região mais ao sul do Brasil. Durante o verão, esse padrão é relacionadoà gangorra de precipitação entre o Sul e Sudeste na variabilidade interanual (Muza, 2005), cujavariância explicada foi de 9% de toda a série de dados. Além disso, na região centro-leste da Américado Sul há a atuação da ZCAS durante a monção de verão na América do Sul, muitas vezes com aconvecção associada a ela intensificada sobre o Atlântico subtropical, sendo referida como ZCASoceânica (Carvalho et al., 2004). O quarto modo característico explica 7% da variabilidade e indicaum padrão de sinais opostos entre o sudeste do Brasil e o oeste da Amazônia (Fig. 5.3d), que podeser relacionado à variabilidade dos padrões de deslocamento da convecção sobre a América do Suldurante estabelecimento/encerramento sazonal das monções, como aponta Marengo et al. (2001).A Tabela 5.1 mostra a porcentagem do total da variância explicada pelas primeiras 20EOFs, junto à porcentagem acumulada, o erro amostral e a diferença entre o erro amostral das EOFsubseqüentes, tanto para a amostra de desenvolvimento, quanto para a amostra de validação. Aporcentagem de explicação da variância acumulada para as seis primeiras EOF corresponde a maisde 60%. Isso é visto na amostra de desenvolvimento e também na amostra de validação. O erroamostral foi calculado segundo North et al. (1982) com a consideração do número de anos de dadoscomo eventos independentes (graus de liberdade). A primeira EOF é independente da segunda, poisa diferença entre elas é maior que o erro amostral.As propriedades da análise de EOF permitem recompor aproximadamente os dadosoriginais GPCP LF em função dos modos de variabilidade EOF LF (s, k) e dos coeficientes temporaisPC LF (t, k). Isto é,GPCPLFK~˜ (s, t) = PC (t, k) . EOF (s, k)(Eq. 5.2)∑k=1Isso equivale a expressar que as GPCP LF podem ser reconstruídas, ou seja, umaaproximação para as GPCP LF a partir da “projeção” da EOF LF nas PC LF . Essa projeção interanualequivale aos coeficientes temporais de cada associada EOF LF de GPCP LF . Por exemplo, seLFLFutilizarmos todos os modos de variabilidade que representam 100% da variabilidade das GPCP LFpara reconstruí-las, teoricamente sua variabilidade seria reproduzida por completo. Isto é, areconstrução dos campos de GPCP LF≈ é altamente correlacionada com os dados de GPCPLF .53

(a)(c)(b)(d)Figura 5.3: Correlações entre anomalias de precipitação (mm/dia) e os quatro primeiros (a-d) padrõescaracterísticos da análise de EOF em baixa-freqüência (>370 dias) no período de 18-22 de outubro de 1979 a 13-17 de outubro 1991. Contornos de linha contínua (tracejada) indicam correlações positivas (negativas).Intervalos 0.2 começando em 0.2 (-0.2).Por que isso é importante para este estudo? Busca-se uma forma de obter anomalias deprecipitação em baixa-freqüência que não contenham erros na fronteira de dados filtrados, porqueessas anomalias são importantes parâmetros para um modelo estatístico de previsão. Assim,denominou-se de coeficiente temporal a partir da projeção interanual (PC PI ) as EOF LF projetadas nasanomalias totais (dados não filtrados, GPCP TA )PCPIS∑(t, k) = GPCP (s, t) . EOF (s, k)(Eq. 5.3)s=1TALFOs campos de GPCP LF≈ podem ser reconstruídos projetando as EOFLF nas PC PI , entãodenominadas de projeção interanual (PI) no espaço, definida na Eq. 5.4.PI (s, t)K∑= PC (t, k) . EOF (s, k)(Eq. 5.4)k=1PILFEm teoria, esse processo permite contornar o problema de erros na fronteira das séries temporais emfunção do método de filtragem. O próximo passo será averiguar a relação entre a PI e o número demodos utilizados para reconstrução do campo de dados originais GPCP LF , utilizando k modoscaracterísticos.54

Tabela 5.1: Porcentagem da variância explicada dos primeiros 20 coeficientes temporais da EOF das anomaliasinteranuais de precipitação. Erro amostral é mostrado juntamente com a diferença entre os modos principais devariabilidade.ModeExplainedvariance (%)AccumulateSamplingerrorDifferenceExplainedvariance (%)AccumulateSamplingerrorDifferenceDevelopmentValidation1 25.20 25.20 0.146 - 19.49 19.49 0.123 -2 13.30 38.50 0.052 0.093 12.12 31.61 0.049 0.0743 8.99 47.49 0.035 0.017 11.05 42.66 0.045 0.0044 7.39 54.88 0.029 0.006 8.08 50.74 0.033 0.0125 6.12 61.00 0.024 0.005 6.17 56.91 0.025 0.0086 4.69 65.69 0.018 0.006 5.15 62.07 0.021 0.0047 4.27 69.96 0.017 0.002 4.64 66.70 0.019 0.0028 3.85 73.81 0.015 0.002 4.01 70.71 0.016 0.0039 3.33 77.14 0.013 0.002 3.83 74.54 0.016 0.00110 3.07 80.21 0.012 0.001 3.02 77.55 0.012 0.00311 2.49 82.70 0.010 0.002 2.89 80.44 0.012 0.00112 2.28 84.98 0.009 0.001 2.63 83.07 0.011 0.00113 2.10 87.08 0.008 0.001 2.39 85.46 0.010 0.00114 1.73 88.81 0.007 0.001 2.02 87.49 0.008 0.00115 1.59 90.40 0.006 0.001 1.91 89.40 0.008 0.00016 1.41 91.81 0.006 0.001 1.73 91.13 0.007 0.00117 1.22 93.03 0.005 0.001 1.65 92.78 0.007 0.00018 1.17 94.20 0.005 0.000 1.46 94.24 0.006 0.00119 1.07 95.27 0.004 0.000 1.28 95.52 0.005 0.00120 0.90 96.17 0.004 0.001 1.05 96.57 0.004 0.001A análise agora tem a proposição de investigar o número de modos necessários parareconstruir o campo de PI de forma que estes sejam altamente correlacionáveis com os dadosoriginais (GPCP LF ). A Figura 5.4a mostra a correlação entre PI usando o primeiro modo característico(k=1) e GPCP LF , onde se nota correlações acima de 0.6 com dois núcleos principais: um ao nortenordestedo Brasil e outro ao sul do Brasil, ou seja, regiões que apresentam um pronunciado sinalinteranual na variabilidade da precipitação. As correlações sobre o sudeste e parte central do Brasilsão menores que 0.4. A Figura 5.4b-d compara as PI com os 6, 12 e 18 primeiros modos devariabilidade, respectivamente. Sobre o sudeste e centro-oeste do Brasil correlações acima de 0.6aparecem quando o número de modos considerados é maior dos que 6.55

(a)(e)(b)(f)(c)(g)(d)(h)Figura 5.4: Correlação (esquerda) e RMS padronizado (direita) entre projeções com (a)(e) 1ª EOF, (b)(f) 1-6EOF, (c)(g) 1-12 EOF, (d)(h) 1-18 EOF. Correlações (RMS padronizado) com contornos em intervalos de 0.2(0.3) começando em 0.4 e sombreado acima de 0.6 (1.0).56

Para avaliar as diferenças de amplitude foi analisado o erro quadrático médio (Root MeanSquare RMS Error) dividido pelo desvio padrão das GPCP LF . Esse foi denominado RMS padronizado(S.RMS, standardized).S.RMST1⎛⎜PIt− GPCP=N∑ ⎜ σt= 1 GPCPLFt⎝LF t⎞⎟⎟⎠2(Eq. 5.5)Se o S.RMS for maior do que 1.0, isso significa que o erro dado pelo somatório dasdiferenças tem a mesma amplitude de variabilidade dos dados (> σ GPCPLF ), isto é, considera-se que hásaturação do erro. Na Figura 5.4e-h, nota-se que independente de utilizar apenas o 1ª modo devariabilidade ou os 18 primeiros, o S.RMS no sudeste e centro-oeste do Brasil não é maior do que1.0. Sobre a América do Sul somente nota-se valor maior do que 1.0 em parte da região equatorial,quando apenas o 1ª modo é usado.A sensibilidade à inserção de modos característicos da EOF LF na obtenção das PI sobreo domínio considerado é mostrada na Fig. 5.5 como função entre a correlação media espacial naárea (50°S a 10°N, 80W° a 20W°), juntamente com o respectivo desvio-padrão indicado com barras.A correlação tem considerável ganho à medida que mais EOF LF são introduzidas (Fig. 5.5a). Porém, apartir da inclusão da 12ª EOF LF , nota-se que a inserção de mais EOF LF não resulta em grandemelhora da correlação. A Fig. 5.5b mostra o S.RMS médio na área como função do número deEOF LF . O S.RMS decai bruscamente quando as 12 primeiras EOF LF são usadas, onde a partir deentão, a diminuição do S.RMS é menor. Portanto, os resultados mostrados aqui sugerem que umaboa aproximação para as GPCP LF é utilizar os 12 primeiros modos da EOF LF na obtenção das PI.5.4 Identificação do Modelo Auto-regressivo de Projeção InteranualInicialmente usou-se a amostra de desenvolvimento (18-22 de outubro de 1979 a 13-17de outubro 1992) para a identificação do modelo estatístico. Isso é possível quando a variabilidadetemporal dos dados pode ser tratada como um processo estacionário. O processo é dito estacionárioquando as propriedades estatísticas não variam no tempo (Morettin e Toloi, 2004). Em outraspalavras, quando a média, função de autocorrelação e variância são constantes ao longo do tempo.Isso foi investigado para todas as PC PI utilizando as duas distintas amostras de dados independentes(desenvolvimento e validação).57

(a)1PC PI x T850 LF(average of the area)(b)1PC PI x T850 LF(average of the area)correlation0,80,60,40,2Stand. RMS error0,80,60,401 3 5 7 9 11 13 15 17 19EOF0,21 3 5 7 9 11 13 15 17 19EOFFigura 5.5: Teste de sensibilidade para o aumento de modos característicos (EOF) da precipitação em baixafreqüência.(a) Correlações e (b) RMS padronizado entre anomalias de precipitação em baixa-freqüência eanomalias totais de precipitação projetadas na área (50°S a 10°N, 80W° a 20W°). Intervalo corresponde aodesvio padrão espacial.O procedimento para modelagem estatística utilizado aqui será do tipo auto-regressivo.Neste caso, os preditores serão as PC PI . A função autocorrelação para PC PI (1) (Fig. 5.6, linhacontínua) mostra um lento decaimento com aumento da defasagem o qual é aproximadamente zeroem 72 pêntadas. A título de comparação, a Fig. 5.6 mostra também a função autocorrelação paraanomalias em diversas escalas temporais. Um decaimento mais acentuado é notado para as bandasde variabilidade de mais alta freqüência. Este resultado enfatiza que a autocorrelação é maior (maior“memória”) para processos em baixa-freqüência. As seções seguintes referem-se a testes desensibilidade em relação aos parâmetros para um modelo estatístico de previsão.a) Ordem do modeloNós começamos por investigar os preditores em relação ao número de pêntadas maisrecentes, ou seja, a ordem do modelo, baseado nos processos auto-regressivos. A ordem do modeloauto-regressivo (AR) depende da defasagem da observação utilizada. No presente caso, adefasagem indica qual o número de pêntadas anteriores ao “tempo presente” que será utilizado naprevisão. Ou seja, refere-se à condição inicial no caso de aplicação em tempo real. Para sedeterminar a ordem p do modelo foram usados os critérios AIC (Akaike information Criterion) e BIC(Bayesian information Criterion) como em Katz (1982).58

auto correlation10-1PC10 6 12 18 24 30 36 42 48 54 60 66 72Lag (pentads)>370 >450 100-18010-20 20-100 Tot. AnomFigura 5.6: Correlograma do primeiro coeficiente temporal da análise de EOF para diversas escalas temporais(veja legenda e texto para mais informações) de pêntadas de precipitação sobre a América do Sul (50°S a 10°N,80W° a 20W°).⎛ N 2 ⎞AIC (p) = N In⎜ Se ( p ) + 2(p + 1)N - p -1⎟⎝⎠(Eq. 5.6)⎛ N 2 ⎞BIC (p) = N In⎜ Se ( p ) + (p + 1) In (N)N - p -1⎟⎝⎠(Eq. 5.7)Onde N é tamanho da amostra, S e 2é a variância do ruído branco ou variância residual (emestatística, conhecido como estimador de máxima verossimilhança, segundo Morettin e Toloi 2004).Este é determinado por,222Se(p) = [1-φ p (p)]Se(p −1)(Eq. 5.8)Onde ø 2 p é a estimativa do parâmetro AR. S 2 e (0) é a variância da amostra (Wilks, 1995). Os critériosAIC e BIC sugerem que a ordem p ideal do modelo é obtida quando um mínimo nestes valores éencontrado. Ambos os critérios avaliam a relação entre variância e número de parâmetros. Em geral,a variância residual diminui com o aumento da ordem, entretanto modelos de maior ordem pocasionam um “ajustamento” excessivo à série de dados. Isto é, o modelo teria uma fortedependência do conjunto de dados utilizado para construí-lo.A Tabela 5.2 mostra os resultados para PC PI de 1 a 10 e sucessivos modelos ARvariando a ordem p. A terceira coluna mostra a função de autocorrelação que indica poucodecaimento até a defasagem de 3 pêntadas para todas as PC PI . A variação do ruído branco S 2 e59

também diminui à medida que a ordem p aumenta (Tab. 5.2, 4ª coluna). As duas últimas colunas sãoas estatísticas BIC e AIC e ambas sugerem que há um mínimo no modelo AR de ordem p igual a 2para todas as PC PI mostradas.Tabela 5.2: Seleção da ordem p do modelo AR para preditores de PC PI (1-10) da precipitação (pêntadas),autocorrelação Rp, variância do ruído branco, estatísticas AIC (Eq. 5.6) e BIC (Eq. 5.7). Mínimos em AIC e BICsão destacados.AR modelsLag p R p S 2 e (p) BIC(p) AIC(p)PC PI 1 0 1,000 5,52E-08 -15851,7 -15856,61 0,999 3,63E-10 -20612,4 -20622,12 0,996 3,61E-12 -24979,4 -24994,03 0,991 5,27E-12 -24613,1 -24632,6PC PI 2 0 1,000 4,86E-07 -13788,1 -13793,01 0,998 3,19E-09 -18549,0 -18558,72 0,991 3,18E-11 -22916,0 -22930,63 0,981 4,64E-11 -22549,7 -22569,2PC PI 3 0 1,000 3,05E-05 -9859,2 -9864,11 0,997 2,01E-07 -14619,8 -14629,52 0,990 2,00E-09 -18986,8 -19001,43 0,977 2,91E-09 -18620,5 -18640,0PC PI 4 0 1,000 7,76E-06 -11158,3 -11163,11 0,997 5,10E-08 -15918,9 -15928,62 0,989 5,08E-10 -20285,9 -20300,53 0,978 7,41E-10 -19919,6 -19939,1PC PI 5 0 1,000 5,48E-06 -11488,3 -11493,11 0,999 3,60E-08 -16248,9 -16258,62 0,996 3,59E-10 -20615,9 -20630,53 0,991 5,23E-10 -20249,6 -20269,0PC PI 6 0 1,000 5,86E-07 -13609,6 -13614,41 0,997 3,85E-09 -18370,2 -18379,92 0,990 3,84E-11 -22737,2 -22751,83 0,980 5,60E-11 -22370,9 -22390,4PC PI 7 0 1,000 1,76E-05 -10380,6 -10385,51 0,997 1,16E-07 -15141,5 -15151,22 0,991 1,15E-09 -19508,5 -19523,13 0,982 1,68E-09 -19142,3 -19161,7PC PI 8 0 1,000 2,20E-07 -14540,9 -14545,71 0,996 1,44E-09 -19301,8 -19311,52 0,987 1,44E-11 -23668,8 -23683,43 0,973 2,10E-11 -23302,6 -23322,0PC PI 9 0 1,000 9,17E-05 -8815,0 -8819,91 0,998 6,03E-07 -13575,9 -13585,62 0,993 6,00E-09 -17942,9 -17957,43 0,985 8,75E-09 -17576,6 -17596,0PC PI 10 0 1,000 1,74E-04 -8205,3 -8210,21 0,998 1,15E-06 -12965,9 -12975,62 0,992 1,14E-08 -17332,9 -17347,53 0,983 1,66E-08 -16966,6 -16986,060

Para investigar como a ordem de modelos AR variam em relação a outras escalastemporais típicas foram aplicadas as estatísticas AIC e BIC às componentes principais (domínio daAmérica do Sul: 50°S a 10°N, 80W° a 20W°) de outras escalas temporais de mais altas e baixasfreqüências do que a variabilidade interanual (Tab. 5.3). Neste caso, mostra-se apenas a ordem p emque ocorreu o mínimo no valor de AIC e BIC. Em alguns casos, as ordens identificadas nãocoincidem para ambas estatísticas AIC e BIC (ver legenda da Tab. 5.3 para maiores detalhes). Nasanomalias totais, em geral, foi identificado modelos AR de baixa ordem, sendo que casos de p igual azero significam modelos AR “sem memória” (modelos AR não podem ser aplicados). Os resultadosindicam que PC de escalas temporais submensais (10-20 dias) e intra-sazonais (20-100 dias)sugerem modelos AR de ordem maior, pois o correlograma mostrou flutuações periódicas nasprimeiras defasagens antes de cair para zero (Fig. 5.6), enquanto as freqüências mais baixas do quea intra-sazonal indicam modelos de baixa ordem. A escala temporal interanual (>370 dias) sugeremodelo AR de ordem 2 independente da PC considerada.Tabela 5.3: Estatísticas AIC (Eq. 4) e BIC (Eq. 5) para seleção da ordem p de modelos AR para PC 1 a PC 10 dasanomalias totais (2ª coluna), e escalas temporais de 10-20, 20-100, 100-180, >370 e >450 dias a partir depêntadas de precipitação. (*) indica não concordância entre AIC/BIC, então ambos os resultados são mostrados.PCTotalAnomalies10-20 days20-100days100-180days>370 days1 1 6 8 2 2 22 0/1* 10 4 2 2 33 1/2* 12 16 4 2 34 2 8 14 2 2 35 2 6 6 2 2 36 1 4 6 2 2 27 1 14 12 4 2 28 1/3* 6 6 4 2 39 2 14 6 4 2 210 0 8 6 4 2 2>450days61

Os resultados anteriores mostraram como varia a ordem p de modelos AR para escalastemporais típicas através de componentes principais sobre a América do Sul. Mas, a fim de averiguara ordem p de modelos AR na própria série de dados filtrados e não-filtrados foram investigadas asestatísticas AIC e BIC para alguns pontos de grade (Fig. 5.1) mostrados na Tabela 5.4. Nos dados doGPCP não filtrados, o modelo AR indicado é ordem 2 independente do ponto de grade avaliado (Tab.5.4, 5ª coluna). Anomalias totais também têm modelo AR de baixa ordem, quando este pôde seraplicado (Tab. 5.4, 6ª coluna). Em geral, modelos AR são de ordem p maior que 4 para escalastemporais submensais e intra-sazonais, e de ordem p menor ou igual a 4 para a baixa-freqüência(e.g., >370 dias), a qual apresenta lento decaimento da função de autocorrelação.A próxima etapa para determinar apropriadamente a ordem de um modelo AR foi avaliara destreza da previsão para as PC PI . Nesta avaliação, o aumento da ordem p do modelo é testado e averificação é feita usando a amostra de validação.PCP( t + 1) = ∑ p . PC PI k ( t − p + 1) + εPI kt+1p=1φ (Eq. 5.9)Onde ø p são os parâmetros AR determinados a partir de uma matriz de funções deautocorrelação (equações Yule-Walker, segundo Katz e Parlange, 1993) e є t+1 é a flutuação amostralobtida a partir da modelagem do resíduo pelo método de mínimos quadrados (Gauss 1777-1855).Esse método procura o melhor ajustamento dos dados minimizando a soma do quadrado dasdiferenças entre a série temporal e a função gaussiana.Para reduzir o volume de informação, mostram-se apenas a destreza da previsão paraas PC PI 1 , PC PI 3 e PC PI 8 . Os resultados foram similares para todas as 20 primeiras PC PI . Para a PC PI 1a correlação aumenta conforme se aumenta a ordem do modelo (Fig. 5.7a). Nota-se que ordem 2, acorrelação está acima de 0.6 na previsão de 24 pêntadas. Entretanto, a Figura 5.7b mostra que aprevisão do modelo usando ordem p maior do que 2 têm pouco crescimento do S.RMS durante oavanço no tempo de previsão. Analisando-se as demais PC PI (Fig. 5.7c-f), nota-se que o ganho nadestreza do modelo pelo aumento da ordem p não é tão significativo. Os modelos usando ordem p >1 têm uma correlação maior do que 0.85 até aproximadamente a previsão de 18 pêntadas ecorrelação acima de 0.6 na previsão de 24 pêntadas. Já a saturação do S.RMS ocorre adiante de 24pêntadas futuras (Fig. 5.7b,d,f).62

Tabela 5.4: Estatísticas AIC (Eq. 5.6) e BIC (Eq. 5.7) para seleção da ordem p de modelos AR para pontos degrade mostrados na Fig. 1 de pêntadas de precipitação GPCP, anomalias totais, e escalas temporais de 10-20, 20-100, 100-180, e >370. (*) indica não concordância entre AIC/BIC, então ambos os resultados são mostrados.City (between ornext or around)Lat Lon GPCPTotalAnomalies10-20 days20-100days100-180days1 Fortaleza 5,0 37,5 2 1 4 12 4 22 Recife 7,5 35,0 2 1/0* 16 6 6 43 Brasília 15,0 47,5 2 1 6 4 6 44Uberlândia-Ribeirão Preto20,0 47,5 2 1/0* 4 12 2 45 Campo Grande 20,0 55,0 2 1 12 12 2 46São PauloCampinas 22,5 47,5 2 2/1* 4 18/10* 2 4Piracicaba7 Florianópolis 27,5 47,5 2 2/1* 8 10 6 28 Porto Alegre 30,0 50,0 2 2 10 14 2 39 Alegrete 30,0 52,5 2 2 6 6 2 3>370daysb) Testes de PreditoresA avaliação para averiguar se outras PC PI k poderiam ser utilizadas como preditores deuma determinada PC PI foi executada usando modelo de regressão linear múltipla. Para essainvestigação, a ordem do modelo foi fixada em p = 2, variando-se os modos k = 1, 4.PCPIK( t + τ ) = ∑ Bk( τ ). PC PI k ( t −1)(Eq. 5.10)k = 1Onde o coeficiente de regressão B K em função dos preditores PC PI k foi determinado pela amostra dedesenvolvimento. Por simplicidade, as correlações das previsões obtidas com a amostra de validaçãosão mostradas para PC PI 1 e PC PI 2 e a previsão deτ = 1, 6, 12 e 18 pêntadas futuras (Tab. 5.5). Paraa PC PI 1 , a correlação da previsão usando a própria PC PI 1 como preditor tem bons resultados, pois acorrelação é aproximadamente 0.85 para a previsão de 18 pêntadas. O aumento no número de PC PInão aumenta a destreza do modelo. O mesmo pode ser observado para a PC PI 2 , sendo que há baixacorrelação quando apenas a PC PI 1 é utilizada no modelo.63

(a)Correlation10,750,50,25012330 6 12 18 24 30 36Lead Time (pentads)(b)Stand. RMS error1,510,500 6 12 18 24 30 36Lead Time (pentads)(c)1(d)1,5Correlation0,750,50,25Stand. RMS error10,500 6 12 18 24 30 36Lead Time (pentads)00 6 12 18 24 30 36Lead Time (pentads)(e)Correlation10,750,50,25(f)Stand. RMS error1,510,500 6 12 18 24 30 36Lead Time (pentads)00 6 12 18 24 30 36Lead Time (pentads)Figura 5.7: Teste de sensibilidade para o aumento da ordem de preditores (1-3). (a,c,e) Correlação entreprevisão e amostra de validação de PC PI 1 a 3. (b,d,f) Erro RMS padronizado entre previsão e amostra devalidação de PC PI 1 a 3. Cada curva indica a ordem (1 para 3 pêntadas). A correlação com a persistência do lag 0também é mostrada (linha tracejada).Tabela 5.5: Sensibilidade da destreza da previsão para o aumento no número de PC PI (colunas) usadas comopreditores. Correlações para PC PI 1 e PC PI 2 usando a amostra de validação. Avanço no tempo é mostrado naslinhas.Validation – PC PI 1 correlationValidation – PC PI 2 correlationLead 1 2 3 4 Lead 1 2 3 41 1.000 1.000 1.000 1.000 1 -0.150 1.000 1.000 1.0006 0.996 0.996 0.996 0.996 6 -0.148 0.992 0.992 0.99212 0.959 0.959 0.959 0.959 12 -0.156 0.914 0.914 0.91418 0.850 0.850 0.850 0.850 18 -0.159 0.716 0.716 0.71664

Os procedimentos realizados até aqui para identificação do modelo de GPCP LF indicammodelos AR de ordem p igual a 2 para cada PC PI k com k = 1 a 12. A Fig. 5.8 mostra a destreza daprevisão das PC PI k com k = 1, 2, 3, 8 e 12 em relação à amostra de validação, porque as demaismostraram resultados similares. Os parâmetros AR foram determinados pela amostra dedesenvolvimento. Mostra-se a correlação da previsão do modelo e o observado na amostra devalidação, no qual nota-se que a PC PI 1 apresenta correlações acima de 0.6 estendendo-se até pelomenos 24 pêntadas previstas (Fig. 5.8a). Correlação acima de 0.6 é um limiar de referência paravários estudos envolvendo modelagem estatística (e.g., Lo e Hendon, 2000; Mo, 2001; Jones et al.,2004, Li et al., 2005).Para as demais PC PI (2, 3, 8 e 12) as correlações são menores, porém permanecemacima de 0.6 até aproximadamente 18 pêntadas. Mostra-se também a comparação com apersistência em cada PC PI , essa correspondendo a correlação da última pêntada do tempo presentesendo progressivamente persistida e dados de validação. A correlação da persistência da PC PI 1 decaimais rapidamente do que a previsão do modelo. A Figura 5.8b mostra o S.RMS da previsão das PC PI(1, 2, 3, 8 e 12), no qual nota-se o erro menor do que 0.5 mm/dia até aproximadamente a previsão de18 pêntadas. O S.RMS somente é igual ou acima de 1.0 mm/dia (saturação do erro) próximo da 24ªpêntada prevista.(a)Correlation10,750,50,250Validation - Selected Model0 6 12 18 24 30(b)Stand. RMS error1,510,50Validation - Selected Model0 6 12 18 24 30Lead Time (pentads)Lead Time (pentads)1 2 3 8 12 Pers1 2 3 8 12Figura 5.8. Validação do modelo AR de previsão das PC PI 1, 2, 3, 8, 12 através da (a) correlação e (b) RMSpadronizado. Destreza da persistência também é mostrada na correlação. A amostra de validação contém dadosde pêntadas independentes equivalente a 12 anos.65

c) Destreza das previsões estatísticasO intuito agora é reconstruir o campo espacial de Projeção Interanual (PI) usando asprevisões de PC PI k (k = 1, 12) e EOF LF (1 a 12) para tempo de previsão deτ = 1, 24 pêntadas.MARPI(s, t12∑+ τ ) = PC (t + τ , k) . EOF (s, k)(Eq. 5.11)k = 1PI kOnde MARPI significa Modelo Auto-regressivo de Projeção Interanual. A Figura 5.9 mostra averificação espacial da destreza do modelo em relação à amostra de validação dos dados deGPCP LF . Como a previsão estende-se até 24 pêntadas, calculou-se a média das correlações a cadaseis pêntadas, ou seja, seis pêntadas equivalem aproximadamente a 1 mês. Este procedimento éválido porque estamos prevendo variabilidade GPCP LF , assim os campos espaciais variam pouco acada pêntada prevista. Nota-se que sobre as regiões que exibem maior variabilidade interanual, i.e.,norte-nordeste e sul do Brasil, há notoriamente maior correlação (Fig. 5.9a). Sobre o sudeste ecentro-oeste do Brasil há correlações acima de 0.6, exceto para uma faixa que se estende do EstadoIAde Mato Grosso do Sul para São Paulo. Essa área corresponde exatamente à região homogênea P LIMidentificada na variabilidade interanual do GPCP no capitulo anterior (seção 4.1). Nas Figuras 9(b-d),as correlações diminuem em magnitude à medida que se avança no tempo de previsão 13-18pêntadas, embora se mantenham correlações acima de 0.6 em grande parte do Brasil. O S.RMS (Fig.5.9e-h) mostra máximos valores da costa oeste da América do Sul estendendo-se sobre o Norte daArgentina. Sobre o Brasil, o S.RMS é maior do que 1.0 mm/dia sobre Mato Grosso do Sul noprognóstico entre 7-12 pêntada. Entretanto, sobre São Paulo o S.RMS é menor do que 1.0 mm/dia.Portanto, verificações com dados independentes indicam destreza útil da previsão do MARPI emgrande parte do sudeste e centro-oeste do Brasil estendendo-se até pelo menos 18 pêntadas futuras.A Figura 5.10(a-d) apresenta o erro médio dado pela média das diferenças entre previstoe observado (conhecido também como erro sistemático Bias ou Viés), mostrando que o MARPIsubestima em -0.1 mm/dia as GPCP LF ao longo do tempo de previsão numa faixa que se estende dosul da Amazônia para o sudeste do Brasil. Além disso, uma área pequena sobre o sul do Brasilmostra que o MARPI superestima em 0.1 mm/dia as GPCP LF .66

(a)FCAST x Low-frequency GPCP (VALIDATION DATA)CorrelationS.RMS(e)(b)(f)(c)(g)(d)(h)Figura 5.9: (a-d) Correlação e (e-h) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de precipitação em baixa-freqüência. Cada mapa representa a média de 6 pêntadas dacorrelação/S.RMS de 1 a 24 pêntadas. Os dados independentes equivalem a 12 anos. Correlações têm contornosde 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0 (escuro).67

Para avaliar a destreza do MARPI na própria série temporal de regiões de maiorinteresse deste estudo foram utilizados aqueles pontos de grade específicos sobre o Brasil exibidosna Fig. 5.1. A correlação entre a previsão e GPCP LF observados (dados independentes) em pontos degrade selecionados mostra que inicialmente a destreza é aproximadamente constante até 12ªpêntada prevista (Fig. 5.11a). Além disso, a correlação é maior do que 0.5 para todos os pontosconsiderados, como por exemplo, Campo Grande e São Paulo (até a 12ª pêntada prevista).Características semelhantes são observadas para outros pontos de grade sobre o sudeste e centrooestedo Brasil, diferentemente dos pontos de grade sobre o sul do Brasil (Porto Alegre e Alegrete),que apresentam uma mais rápida diminuição da correlação a partir da 18ª pêntada prevista. Por outrolado, S.RMS é menor do que 1.0 para todos os pontos considerados, e isso até a 18ª pêntadaprevista (Fig. 5.11b). Observa-se para os pontos de grade sobre o nordeste do Brasil, que o S.RMSapresenta-se com rápido crescimento até atingir 1.0 pouco adiante de 18ª pêntada, embora essestenham apresentado as melhores correlações (Fig. 5.11a). Enquanto, os pontos de grade sobre o suldo Brasil detêm os menores S.RMS até a 24ª pêntada prevista.(a)BIAS: FCAST x Low-frenquency GPCP (VALIDATION DATA)(c)(b)(d)Figura 5.10: Soma das diferenças entre previsão e amostra de validação (dados independentes) das anomalias deprecipitação em baixa-freqüência. Cada mapa representa a média de 6 pêntadas na previsão de 1 a 24 pêntadas.Os dados independentes equivalem a 12 anos. Valores têm contornos de 0.1 (sombreado escuro) e -0.1 (claro).68

(a)Model Skill1Correlation0,80,60,40,200 6 12 18 24 30 36 42 48 54Lead Time (pentads)(b)Stand. RMS error1,41,210,80,6Model Skill0,40 6 12 18 24 30 36 42 48 54Lead Time (pentads)Fortaleza Recife Brasilia~Uberlandia Campo Grande ~Sao PauloFlorianopolis Porto Alegre AlegreteFigura 5.11: Destreza do MARPI para algumas cidades brasileiras (ponto de grade). Cada curva mostra (a)correlações e (b) S.RMS entre previsão e amostra de validação (dados independentes) das anomalias deprecipitação em baixa-freqüência. Linha tracejada indica limiar de correlação igual a 0.6 e S.RMS igual a 1.0.69

5.5 Destreza sazonalA princípio neste estudo foram desenvolvidos modelos estatísticos separando osperíodos sazonais de verão e inverno austral. Mas, na fase de desenvolvimento desses modelosobservou-se que as características e resultados eram semelhantes ao MARPI. Isto é, os parâmetrosAR e coeficientes de regressão foram praticamente iguais quando o modelo foi desenvolvidoseparadamente para verão e inverno. Então, decidiu-se pelo desenvolvimento utilizando o ano inteiro.Entretanto, é de grande interesse avaliar a destreza do MARPI em períodos sazonais distintos comodurante as monções de verão e inverno da América do Sul.A verificação da previsão das GPCP LF durante 12 períodos sazonais independentes deverões resulta em correlações diferenciadas sobre o centro-leste da América do Sul, com: correlaçõesacima de 0.8 sobre o sul do Brasil e ao norte do sudeste do Brasil na previsão de 1-6 pêntadas (Fig.5.12a). Nesta comparação, foram considerados os prognósticos do MARPI para GPCP LF com tempode previsão dentro do período sazonal de 18-22 de outubro para 11-15 de abril. Este períodocorresponde à estação úmida no sudeste e centro-oeste do Brasil. O modelo ainda mantém boadestreza até a previsão de 19 – 24 pêntadas, exceto para uma faixa entre os Estados de MatoGrosso do Sul e São Paulo (Fig. 5.12d). Observam-se também correlações acima de 0.8 em parte doNordeste do Brasil que apresenta estação úmida durante o outono austral.A Fig. 5.12(e-h) mostra a correlação entre GPCP LF e as previsões do modelo, paraaqueles prognósticos iniciados durante 12 invernos austrais (16-20 de abril a 13-17 de outubro).Notam-se duas extensas regiões com correlações acima de 0.8, uma no sul do Brasil e a outra sobreo nordeste do Brasil estendendo-se sobre parte do norte e sudeste do Brasil (Fig. 5.12e).Espacialmente, esta última demonstra destreza semelhante, comparando com as previsões duranteverão no mesmo tempo de previsão. Entretanto, o prognóstico perde destreza sobre grande parte doBrasil ao longo da previsão a partir de 13-18 pêntadas (Fig. 5.12f-h).A verificação da previsão de GPCP LF com S.RMS para verão e inverno é mostrado naFig. 5.13. Nota-se que durante o verão o S.RMS é menor do que 0.8 sobre parte do centro-oeste esudeste do Brasil estendendo-se para o Atlântico subtropical. Sobre esta região durante o invernoaustral, as previsões mostram que o S.RMS aumenta em área e magnitude (compare Fig. 5.13a-d eFig. 5.13e-h). Além disso, há uma degradação da previsão também sobre o nordeste do Brasil, o quenão se observa nas previsões durante o verão.70

Figura 5.12: Correlação entre previsão e amostra de validação (dados independentes) das anomalias deprecipitação em baixa-freqüência durante períodos sazonais independentes de (A-D) verão NDJFM e (E-H)inverno MJJAS. Cada mapa representa a média de 6 pêntadas da correlação de 1 a 24 pêntadas. Correlações têmcontornos de 0.6 (sombreado claro) e 0.8 (escuro).71

Figura 5.13: S.RMS entre previsão e amostra de validação (dados independentes) das anomalias de precipitaçãoem baixa-freqüência durante períodos sazonais independentes de (A-D) verão NDJFM e (E-H) inverno MJJAS.Cada mapa representa a média de 6 pêntadas do S.RMS de 1 a 24 pêntadas. S.RMS têm contornos de 0.8(sombreado claro) e 1.0 (escuro).72

A seguir, será apresentada uma análise da previsão trimestral do MARPI a fim depodermos discutir a respeito da destreza de outros modelos estatísticos, e.i, o Sistema deModelagem dos Oceanos – SIMOC (discutido em Repelli e Alves, 1996; Pezzi et al., 2000), o projetoEurobrisa (de acordo com Coelho et al., 2006) e modelos estocástico-probabilísticos do InstitutoNacional de Meteorologia – INMET (Silva et al., 2008), embora não se tenha a intenção decomparação, porque os modelos em questão apresentam grandes diferenças na forma dedesenvolvimento e utilização de preditores.Para avaliar a destreza trimestral do modelo, inicializou-se o modelo na 1ª pêntada deDezembro até o tempo de previsão de 1 a 18 pêntadas. Isso foi feito também para Março, Junho eSetembro. A Fig. 5.14(a-d) mostra a média das correlações entre previsão e dados de validação decada trimestre DJF, MAM, JJA e SON. Assim, a destreza da previsão para o trimestre de DJFclaramente mostram correlações acima de 0.8 sobre parte do norte e nordeste do Brasil, sul do Brasil,e em menores áreas isoladas na região de atuação da ZCAS (Fig. 5.14a).Figura 5.14: Destreza trimestral da previsão das anomalias de precipitação em baixa-freqüência durante (A)Dezembro a Fevereiro (B) Março a Maio, (C) Junho a Agosto e (D) Setembro a Novembro. Dadosindependentes correspondem a 12 trimestres. Cada mapa representa a média de 18 pêntadas da correlação.Correlações têm contornos de 0.4, 0.6 (sombreado claro) e 0.8 (escuro).73

A validação do modelo estatístico nos estudos Repelli e Alves (1996) e Pezzi et al. (2000)mostra áreas isoladas do nordeste e sul do Brasil com correlações acima de 0.6 durante o trimestrede DJF. Na validação (período de 1987-2001) de Coelho et al. (2006), o modelo empírico apresentacorrelações acima de 0.6 apenas sobre o Uruguai e correlações negativas acima de 0.6 em parte dosudeste do Brasil. Silva et al. (2008) mostra correlações acima de 0.6 (0.7) no sul do sudeste (regiãosul) brasileiro durante esse trimestre, sendo que na porção norte do sudeste as correlações não sãomaiores do que 0.5.Durante MAM (Fig. 5.14b) parte do norte e nordeste do Brasil exibem correlações acimade 0.8, exatamente no período mais chuvoso, quando a ZCIT se desloca mais ao sul da faixaequatorial, causando a estação úmida nessa região. De forma geral sobre o Brasil, a menor destrezadas previsões foi durante SON (Fig. 5.14d), que é o período de início da estação úmida no Brasilcentral. Esse resultado é semelhante às verificações de validação dos outros estudos (e.g., Coelho etal., 2006; Silva et al., 2008), na qual as previsões do modelo empírico em Coelho et al. (2006) paraanomalias de precipitação no sudeste do Brasil melhoram do trimestre de SON para DJF. Entretanto,no sul do Brasil menor correlação foi notada durante JJA (Fig. 5.14c), quando a precipitação égrandemente relacionada a sistemas sinóticos latitudes médias. O padrão espacial das correlaçõesdurante esse período sazonal de JJA e SON tem grande concordância com os estudos de Coelho etal. (2006).Uma verificação na previsão durante os meses de início e fim da estação úmida nocentro-oeste e sudeste do Brasil é apresentada na Fig. 5.15(a-d). A motivação é mostrar a eficácia oulimitações do modelo no período mais importante para essa região, no qual há uma forte mudança navariabilidade da precipitação e padrões atmosféricos (Silva e Carvalho, 2007). Para a previsão dosmeses de início (fim) da estação úmida, o modelo foi iniciado na primeira pêntada do mês desetembro (março). O intervalo de previsão é de 1 a 24 pêntadas. Como anteriormente, calculou-se amédia das correlações a cada seis pêntadas. Na Fig. 5.15a, tem-se a previsão do mês de setembro,onde as correlações são maiores sobre o norte e sul do Brasil, mas há regiões com correlaçõesacima de 0.6 no leste da região sudeste do Brasil até a previsão do mês de outubro (Fig. 5.15a-b). Aprevisão degrada no sudeste do Brasil após esse mês (Fig. 5.15c-d).A verificação na previsão durante os meses do fim da estação úmida no centro-oeste esudeste do Brasil mostra melhor destreza sobre essa mesma região comparando o 1ª mês previsto(Fig. 5.15e com Fig. 5.15a). Isso porque nos meses subseqüentes (Fig. 5.15f-h), a destrezaapresenta-se muito semelhante aos meses de início das chuvas (Fig. 5.15b-d). As regiões ao74

nordeste e sul do Brasil visivelmente mostram melhores correlações durante o fim do períodochuvoso do centro-oeste e sudeste do Brasil, e deixa aparente percepção de melhor destreza nodomínio como um todo.SKILL: ONSET MONTHSSKILL: DEMISE MONTHSFigura 5.15: Correlação entre previsão e amostra de validação (dados independentes) das anomalias deprecipitação em baixa-freqüência durante (A-D) início e (E-H) fim das monções de verão da América do Sul.Cada mapa representa a média das pêntadas de cada mês. Correlações têm contornos de 0.6 (sombreado claro) e0.8 (escuro).75

5.6 Teste de sensibilidade entre as amostras de desenvolvimento e validaçãoEsta seção mostra uma verificação do MARPI no mesmo conjunto de dados apenasinvertendo as amostras de desenvolvimento e validação utilizadas inicialmente. Isto é útil paraanalisarmos se o modelo não tem uma forte dependência dos dados no qual o mesmo foi construído.Para tanto, as dados de GPCP LF no período de 18-22 de outubro de 1979 a 13-17 de outubro 2004foram divididos em duas partes: uma para calibrar o modelo (18-22 de outubro de 1992 a 13-17 deoutubro 2004) com um total de 876 pêntadas; e outra parte para validar o prognóstico (18-22 deoutubro de 1980 a 13-17 de outubro 1992), também com 876 pêntadas. No período de calibração domodelo, foram calculadas as EOFs, identificado a ordem do modelo e encontrado os preditores. Osresultados mostraram padrões da variabilidade de GPCP LF semelhantes aos já encontrados (Fig. 5.3).Identificou-se o modelo de ordem 2 e encontrou-se o mesmo número de preditores (resultados nãomostrados). A Fig. 5.16 exemplifica de forma esquemática este teste de sensibilidade, comparandocom o procedimento de validação feito anteriormente. As previsões foram iniciadas nas pêntadas 18-22 de outubro de 1980. Neste caso, para os dados de entrada de GPCP LF relativos à ordem domodelo foram utilizadas pêntadas defasadas dessa data. Neste caso, os coeficientes do modeloalteram-se a partir da terceira casa decimal, o que representa uma mudança de apenas 0.11% dovalor dos coeficientes do modelo construído com a série de desenvolvimento.VALIDATIONLag = 2DEVELOPMENT949 pentadsLag = 0VALIDATION876 pentadsSENSITIVITY TESTDEVELOPMENT876 pentadsVALIDATION876 pentads949 pentadstimeFigura 5.16: Esquema para teste de sensibilidade entre as amostras de desenvolvimento e validação.76

Os resultados da verificação para o tempo de previsão da 1ª para 24ª pêntadas sãomostrados através da média das correlações (Fig. 5.17a-d) e S.RMS (Fig. 5.17e-h) a cada 6pêntadas. Correlações acima de 0.8 aparecem em uma grande área na faixa tropical, estendendo-sedo Atlântico para o nordeste e norte do Brasil (Fig. 5.17a). Além disso, o sul do Brasil também exibecorrelações acima de 0.8, enquanto que sobre o sudeste e centro-oeste do Brasil predominacorrelações acima de 0.6. Com o avanço no tempo de previsão a destreza diminui entre 13ª para 24ªpêntada (Fig. 5.17c-d). O S.RMS está próximo ou maior do que 1.0 apenas sobre uma faixa doAtlântico Sul a leste do Brasil em 20ºS e também a noroeste do país (Fig. 5.17e-h). O S.RMS maiordo que 0.8 aparece em uma área maior do Brasil central com o decorrer da previsão, embora nãoatinja valores maiores do que 1.0 para as previsões mostradas. De forma geral, estes resultadosmostram que o prognóstico do modelo é insensível se as amostras são invertidas. Além disso, osresultados mostrados aqui foram até melhores do que os resultados anteriores (compare Fig. 5.17 eFig. 5.9), especialmente sobre os estados de Mato Grosso do Sul e São Paulo, o que sugere aeficácia da calibração do modelo utilizando dados contemporâneos.5.7 Destreza durante episódios El Niño-Oscilação SulA verificação da destreza do modelo durante episódios ENOS é enfocada nesta seçãopara períodos sazonais de verão austral compreendidos entre as pêntadas de 13-17 de outubro a 16-20 de abril. Devido à variabilidade interanual do ENOS, poucos episódios estariam presentes naamostra de dados independentes. Dessa forma a comparação ficaria empobrecida. Por essa razão,os dados foram separados em duas amostras (18-22 de outubro de 1980 a 13-17 de outubro 1992 e18-22 de outubro de 1992 a 13-17 de outubro 2004). Então, ambas as amostras foram utilizadas como seguinte procedimento: quando uma amostra foi usada para o desenvolvimento, a outra foiconsiderada para comparação com o prognóstico, e vice-versa. Dessa forma, a verificação foi sempreexecutada com dados independentes.77

(A)FCAST x Low-frequency GPCP (sensibility test)CorrelationS.RMS(E)(B)(F)(C)(G)(D)(H)Figura 5.17: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de dados independentes das anomaliasde precipitação em baixa-freqüência. Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a24 pêntadas. Os dados independentes equivalem a 12 anos. Correlações têm contornos de 0.6 (sombreado claro)e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0 (escuro).78

Os períodos sazonais de verão considerados como na fase de episódios El Niño, La Niñae neutros em concordância com National Center for Environmental Prediction/Climate PredictionCenter (NCEP/CPC) são listados na Tabela 5.6. Cada fase do ENOS contém 6 episódios com omesmo número de pêntadas. A Fig. 5.18(a-d) apresenta as correlações entre os prognósticos eGPCP LF durante episódios El Niño, com avanço no tempo de previsão de 1ª a 24ª pêntada mostradosatravés da média a cada 6 pêntadas. O prognóstico para até 12ª pêntada mostra correlações acimade 0.8 em grande parte do Brasil, incluindo o sudeste e centro-oeste do Brasil, onde as correlaçõessão acima de 0.6 até 24ª pêntada.O S.RMS não mostra valores próximos a 1.0 em praticamente em todo território brasileironas primeiras 18 pêntadas previstas (Fig. 5.18e-g), exceto sobre o Estado de Mato Grosso do Sul. Éinteressante observar que próximo à costa do sudeste do Brasil há uma diminuição no S.RMS com oaumento do tempo de previsão. Os resultados mostram a destreza do modelo em prognosticar avariabilidade espacial de GPCP LF sobre a América do Sul durante episódios El Niño com o suportenos padrões principais da escala temporal de mais baixa-freqüência. A verificação dos resultados domodelo durante episódios La Niña mostra maior destreza sobre toda a região nordeste do Brasil –com correlações acima de 0.6 ou acima de 0.8 – estendendo-se sobre o sudeste do Brasil nasprimeiras 18 pêntadas previstas (Fig. 5.19a-d). Além dessas regiões, há maior destreza sobre oextremo sul e norte do Brasil. Por outro lado, o S.RMS apresenta valores próximos ou maiores do que1.0 no sul do Brasil que se estende sobre São Paulo à medida que se avança no tempo de previsão(Fig. 5.19e-g). Porém, de forma geral os resultados sugerem boa destreza do modelo durante aocorrência do fenômeno ENOS, embora a destreza do MARPI para o sul do Brasil durante La Niñaapresente-se comprometida para a previsão entre 13-18 pêntadas.A Fig. 5.20(a-d) apresenta a comparação entre o prognóstico e GPCP LF na ausência deepisódios ENOS com correlações acima de 0.8 sobre Atlântico equatorial, Argentina, e áreas isoladasdo Atlântico Sul subtropical, este último sobre parte leste da região sudeste do Brasil. Sobre o Brasilcentral, há algumas áreas com correlações acima de 0.6, sendo que essa região apresentou melhordestreza durante a ocorrência de episódios El Niño ou La Niña, mas principalmente El Niño. Na Fig.5.20(e-h), sudeste e centro-oeste do Brasil mostram S.RMS maior do que 1.0 em grande parte de suaextensão, logo na previsão das primeiras pêntadas, visivelmente mostrando menor destreza domodelo em prognosticar a amplitude de GPCP LF durante ausência de episódios ENOS.79

(A)(E)(B)(F)(D)(G)(D)(H)Figura 5.18: (A-D) Correlação e (E-H) S.RMS entre previsão e dados independentes das anomalias deprecipitação em baixa-freqüência durante o período sazonal de verão NDJFM com atuação de eventos El Niño.Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas. Os dados independentescorrespondem a atuação de 6 eventos El Niño de acordo com a Tab. 5.6. Correlações têm contornos de 0.6(sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0 (escuro).80

(A)(E)(B)(F)(D)(G)(D)(H)Figura 5.19: (A-D) Correlação e (E-H) S.RMS entre previsão e dados independentes das anomalias deprecipitação em baixa-freqüência durante o período sazonal de verão NDJFM com atuação de eventos La Niña.Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas. Os dados independentescorrespondem a atuação de 6 eventos La Niña de acordo com a Tab. 5.6. Correlações têm contornos de 0.6(sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0 (escuro).81

(A)(E)(B)(F)(D)(G)(D)(H)Figura 5.20: (A-D) Correlação e (E-H) S.RMS entre previsão dados independentes das anomalias deprecipitação em baixa-freqüência durante o período sazonal de verão NDJFM neutros em relação ao ENOS.Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas. Os dados independentescorrespondem a 6 períodos sazonais de verão NDJFM neutros de acordo com a Tab. 5.6. Correlações têmcontornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0(escuro).82

Tabela 5.6: Lista de episódios El Niño, normal e La Niña incluídos nesse estudo. Por exemplo, verão (summer)1982 indica 1982/83. Fonte: CPC/NCEP.ENSO Summer EpisodesPentadstotalEl Niño 1982 1986 1987 1991 1997 2002 6 216neutral 1985 1989 1993 1996 2001 2003 6 216La Niña 1984 1988 1995 1998 1999 2000 6 2165.8 Prognóstico para início da monção e verão da América do SulConforme discutido em seções anteriores, os resultados do MARPI mostraram boadestreza para prognosticar GPCP LF sobre o centro-leste da América do Sul. A seguir, serão descritosalguns casos selecionados que apresentaram aspectos que limitaram a destreza das previsões.5.9 Estudos de casos de previsões do MARPIA seguir foram investigados cindo casos de previsões inicializadas na 1ª pêntada desetembro e dezembro com tempo de previsão de 24 pêntadas em anos na qual na monção de verãona América do Sul: (1ª) houve início precoce associada a um episódio Wet LF na região P SEC ; (2ª)houve início precoce com atuação de episódio Wet LF na P LIM ; (3ª) houve ocorrência de um episódioDry LF na P SEC associado a um El Nino forte; (4ª) houve episódio Wet LF tanto na região P SEC como naP LIM ; e El Niño fraco/moderado; (5ª) houve episódio Wet LF na região P SEC e Dry LF na P LIM .1ª caso: 1989/90O prognóstico de GPCP LF durante os meses de início da estação úmida (Fig. 5.21a-d)para previsões iniciadas na 1ª pêntada do mês de setembro de 1989 é mostrado através da médiadas pêntadas de cada mês até o mês de dezembro. Na Fig. 5.21(e-h) há GPCP LF observadas nomesmo período correspondente. Esse caso escolhido para avaliar o prognóstico do modelo MARPI, amonção de verão da América do Sul em 1989/90 teve um início precoce em relação à climatologia(Silva e Carvalho, 2007) relacionado à ocorrência de um episódio Wet LF na P SEC (Fig. 4.10d). Nesse83

período, foi constatado um ano normal em relação ao ENOS. O modelo MARPI reproduziu comeficiência GPCP LF positivas sobre o leste-tropical da América do Sul estendendo-se sobre o norte daregião sudeste do Brasil (compare Fig. 5.21a e Fig. 5.21e). Entretanto, não mostra corretamenteGPCP LF negativas no litoral do sudeste do Brasil e sobre o centro-oeste do Brasil para o primeiro mêsde previsão (compare Fig. 5.21a e Fig. 5.21e). Do segundo mês em diante, o resultado do modeloMARPI também não captura o padrão que corresponde GPCP LF positivas observadas no sul do Brasil(compare Fig. 5.21c-d e Fig. 5.21g-h).Durante o verão 1989/90, o regime de precipitação sobre sudeste do Brasil relacionado àatuação da ZCAS mais ao norte de sua posição climatológica teve contribuição do escoamento maiszonal de oeste em baixos níveis a leste da Cordilheira dos Andes ao invés de meridional (Cuadra eRocha, 2006). A previsão de GPCP LF para verão 1989/90 iniciada na 1ª pêntada de dezembro mostraGPCP LF positivas sobre a região equatorial e em uma faixa noroeste-sudeste estendendo-se sobre oAtlântico Sul, em uma posição mais a norte do que a região de atuação da ZCAS (Fig. 5.22a). Isso defato é observado nas GPCP LF (Fig. 5.22e). Entretanto, há uma subestimativa de GPCP LF positivas nosul do Brasil. Já na Fig. 5.22b (compare com Fig. 5.22f) nota-se que GPCP LF positivas no sul do Brasilaparecem no prognóstico do modelo MARPI.2ª caso: 1990/91No verão austral 1990/91, também um período neutro em relação ao fenômeno ENOS, asanomalias sazonais totais foram influenciadas pela contribuição conjunta de muitos modos principaisde variabilidade segundo Krishnamurthy e Misra (2007). Isto é, o modo de variabilidade principal compadrão de dipolo de precipitação entre norte-nordeste e sul do Brasil não estava com atuação robusta(Fig. 5.3a). Além disso, como no caso anterior, o início da monção ocorreu antecipadamente (Silva eCarvalho, 2007). Para esse período sazonal, o MARPI mostra o estabelecimento de uma estruturadipolar aproximadamente nas regiões tropicais e subtropicais a leste da América do Sul com GPCP LFpositivas centradas no sul do Brasil ao longo do tempo de previsão (Fig. 5.23a-d). Por outro lado,GPCP LF observadas (Fig. 5.23e-h) não apresentaram essa estrutura, embora a área ao norte dosudeste e centro-oeste (sul) do Brasil tenha predominado GPCP LF negativas (positivas) entresetembro a dezembro de 1990. Em especial, esse caso 1990/91 foi escolhido pelo grau de dificuldadede prognóstico para o verão austral como discutido por Krishnamurthy e Misra (2007). Nota-se que omodelo não consegue reproduzir a variabilidade espacial mesmo para as primeiras pêntadas84

equivalente ao primeiro mês, tanto para o início da monção (Fig. 5.23a e 5.23e), como para o verão(Fig. 5.24a e 5.24e). Ao avançar no tempo de previsão durante o verão, o MARPI simula oestabelecimento de GPCP LF positivas na região da ZCAS e ZCIT, com base na atuação dos padrõesprincipais. Mas as GPCP LF observadas apresentam grande variabilidade espacial devido àcontribuição de outros modos de variabilidade. Além disso, nesse período houve contribuição deoutras escalas temporais de mais alta freqüência como indicaram Krishnamurthy e Misra (2007). Emcontraste, eles chamam a atenção para anos com marcada variabilidade interanual atribuída a fortesepisódios ENOS, como o verão austral 1997/98, onde o primeiro modo principal de variabilidade demais baixa-freqüência determina a estrutura espacial e magnitude das anomalias sazonais totaissobre no centro-leste da América do Sul. Nesse tipo de situação, o MARPI tem grande eficácia emprognosticar GPCP LF com sinais contrários entre norte-nordeste e sul do Brasil, como mostrado nasregiões com maiores correlações nas avaliações preliminares (por exemplo, Fig. 5.9).3ª caso: 1997/98Durante o início das monções de verão, a América do Sul já sentia os efeitos de um dosmais fortes El Niño de que se tem registro. O prognóstico do MARPI durante esse período indicavaum padrão de GPCP LF positivas sobre o sul do Brasil e Argentina, estendendo-se para o AtlânticoSubtropical, e em contrapartida, GPCP LF negativas em grande área ao norte da América do Sul (Fig.5.25a-d), incluindo sudeste e centro-oeste do Brasil. Essa previsão é praticamente idêntica asGPCP LF observadas e com bastante eficácia até o 4ª mês previsto (Fig. 5.25e-h). Nesse ano extremo,o MARPI mostra toda sua habilidade em prognosticar não apenas o sinal das GPCP LF , mas tambémsua estrutura espacial.Durante o verão austral, quando o evento El Niño tem sua maturidade, o acerto nasprevisões não é diferente. Inclusive a fronteira entre GPCP LF positivas e negativas previstas (Fig.5.26a-d) localizada sobre São Paulo e Mato Grosso do Sul está de acordo com o padrão de GPCP LFobservadas (Fig. 5.26e-h). Exatamente essa área coincide com a região homogênea encontradadenominada P LIM . Para esse particular ano, o MARPI usufrui da relativa previsibilidade sazonal daAmérica do Sul, devido à predominância dos primeiros modos principais de variabilidade de baixafreqüência.Isso permite não somente ao MARPI, mas também outros modelos estatísticos (e.g.,Repelli e Alves, 1996) apontar com maior grau de certeza as anomalias da chuva nas previsõesclimáticas.85

Figura 5.21: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em setembro de 1989 e (E-H) observado. Cada mapa representa a média de 6 pêntadas previstas de 1 a24 pêntadas ao período de setembro a dezembro de 1989. Anomalias de precipitação em baixa-freqüência têmcontornos começando em 0.2 (-0.2) com um intervalo de 0.3 até 0.5. Valores positivos (negativo) têm sombreadoclaro (escuro).86

Figura 5.22: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em dezembro de 1989 e (E-H) observado. Cada mapa representa a média de 6 pêntadas previstas de 1 a24 pêntadas ao período de dezembro de 1989 a março de 1990. Anomalias de precipitação em baixa-freqüênciatêm contornos começando em 0.2 (-0.2) com um intervalo de 0.3 até 0.5. Valores positivos (negativo) têmsombreado claro (escuro).87

Figura 5.23: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em setembro de 1990 e (E-H) observado. Cada mapa representa a média de 6 pêntadas previstas de 1 a24 pêntadas ao período de setembro a dezembro de 1990. Anomalias de precipitação em baixa-freqüência têmcontornos começando em 0.2 (-0.2) com um intervalo de 0.3 até 0.5. Valores positivos (negativo) têm sombreadoclaro (escuro).88

Figura 5.24: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em dezembro de 1990 e (E-H) observado. Cada mapa representa a média de 6 pêntadas previstas de 1 a24 pêntadas ao período de dezembro de 1990 a março de 1991. Anomalias de precipitação em baixa-freqüênciatêm contornos começando em 0.2 (-0.2) com um intervalo de 0.3 até 0.5. Valores positivos (negativo) têmsombreado claro (escuro).89

Figura 5.25: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em setembro de 1997 e (E-H) observado. Cada mapa representa a média de 6 pêntadas previstas de 1 a24 pêntadas ao período de setembro a dezembro de 1997. Anomalias de precipitação em baixa-freqüência têmcontornos começando em 0.2 (-0.2) com um intervalo de 0.3 até 0.5. Valores positivos (negativo) têm sombreadoclaro (escuro).90

Figura 5.26: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em dezembro de 1997 e (E-H) observado. Cada mapa representa a média de 6 pêntadas previstas de 1 a24 pêntadas ao período de dezembro de 1997 a março de 1998. Anomalias de precipitação em baixa-freqüênciatêm contornos começando em 0.2 (-0.2) com um intervalo de 0.3 até 0.5. Valores positivos (negativo) têmsombreado claro (escuro).91

4ª caso: 2002/03O período de início da monção de verão da América do Sul em 2002 foi próximo àclimatologia quando o Oceano Pacífico estava sob efeito da fase El Niño do ENOS e assim, GPCP LFobservadas sobre o sudeste e centro-oeste do Brasil acompanharam GPCP LF positivas do sul doBrasil (Fig. 5.27e-h). Porém, o prognóstico do modelo limita GPCP LF positivas apenas sobre o sul doBrasil (Fig. 5.27 a-d). Então, o modelo indicava GPCP LF negativas sobre o sudeste e centro-oeste doBrasil durante o início da estação úmida. De fato, o período sazonal 2002/03 foi caracterizado porgrande variabilidade espacial das anomalias totais (não mostrado). Entretanto, o prognóstico duranteo verão austral (Fig. 5.28a-d) apresenta grande consistência ao longo da previsão para o centro-lesteda América do Sul exatamente pelo sucesso no posicionamento espacial de GPCP LF positivas do suldo Brasil estendendo-se sobre o sudeste e centro-oeste do Brasil (Fig. 5.28e-h). De forma geralnesse período, o prognóstico foi bastante consistente para todo o domínio.5ª caso: 2003/04Este caso escolhido corresponde a um ano com início levemente tardio da monção deverão da América do Sul (Silva e Carvalho, 2007). O prognóstico do modelo mostra-se razoável comGPCP LF negativas sobre o leste da América do Sul estendendo-se para o Atlântico Sul para aprevisão entre setembro e outubro de 2003 (compare Fig. 5.29a,b com Fig. 5.29e,f). Posteriormente,GPCP LF positivas são observadas sobre essa região estendendo-se para nordeste do Brasil e ZCIT(Fig. 5.29g,h), mas que não são prognosticadas pelo modelo (Fig. 5.29c,d). Isso porque houveaparente mudança de padrões de variabilidade predominante não capturada na previsão iniciada emsetembro. Entretanto, o prognóstico para o verão austral iniciado em dezembro de 2003 é fortementeconsistente ao longo do tempo de previsão equivalente a quatro meses (Fig. 5.30) mostrando GPCP LFpositivas sobre a ZCAS associadas à ZCIT. Além disso, GPCP LF negativas sobre o sul do Brasil tantopara o prognóstico dos meses de outono (Fig. 5.29), quanto durante o verão (Fig. 5. 30) foram bemsimuladas pelo modelo. Isso é importante, porque no sul do Brasil há o período de maior volume deprecipitação sazonal exatamente no outono, e durante o verão há ocorrência de um segundo pico naprecipitação sazonal (Grimm, 2003). De fato, o caso 2003/04 abrange um período de forte escassezde chuvas no sul do Brasil, com uma seqüência de anomalias totais negativas na estação. Nacomparação entre prognóstico e GPCP LF mostrada na Fig. 5.30 ressalta-se também o corretoposicionamento do limite entre GPCP LF positivas e negativas sobre o sudeste do Brasil.92

Figura 5.27: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em setembro de 2002 e (E-H) observado. Cada mapa representa a média de 6 pêntadas previstas de 1 a24 pêntadas ao período de setembro a dezembro de 2002. Anomalias de precipitação em baixa-freqüência têmcontornos começando em 0.2 (-0.2) com um intervalo de 0.3 até 0.5. Valores positivos (negativo) têm sombreadoclaro (escuro).93

Figura 5.28: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em dezembro de 2002 e (E-H) observado. Cada mapa representa a média de 6 pêntadas previstas de 1 a24 pêntadas ao período de dezembro de 2002 a março de 2003. Anomalias de precipitação em baixa-freqüênciatêm contornos começando em 0.2 (-0.2) com um intervalo de 0.3 até 0.5. Valores positivos (negativo) têmsombreado claro (escuro).94

Figura 5.29: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em setembro de 2003 e (E-H) observado. Cada mapa representa a média de 6 pêntadas previstas de 1 a24 pêntadas ao período de setembro a dezembro de 2003. Anomalias de precipitação em baixa-freqüência têmcontornos começando em 0.2 (-0.2) com um intervalo de 0.3 até 0.5. Valores positivos (negativo) têm sombreadoclaro (escuro).95

Figura 5.30: Comparação entre (A-D) previsão estatística de anomalias de precipitação em baixa-freqüênciainiciada em dezembro de 2003 e (E-H) observado. Cada mapa representa a média de 6 pêntadas previstas de 1 a24 pêntadas ao período de dezembro de 2003 a março de 2004. Anomalias de precipitação em baixa-freqüênciatêm contornos começando em 0.2 (-0.2) com um intervalo de 0.3 até 0.5. Valores positivos (negativo) têmsombreado claro (escuro).96

5.10 MARPI para temperatura do ar em 850hPaNessa seção são endereçadas as seguintes questões: Qual a destreza do MARPI paraas anomalias de baixa-freqüência da temperatura do ar em 850 hPa (T850 LF ) sobre o centro-leste daAmérica do Sul? Quais são os preditores para as T850 LF ? O interesse em desenvolver o MARPI paraa temperatura está relacionado com o intuito de utilizar as GPCP LF e T850 LF previstas para investigare desenvolver um modelo estatístico para o prognóstico sazonal da vegetação do Cerrado, como serámostrado nos próximos capítulos.O desenvolvimento MARPI para prognóstico de T850 LF seguiu os passos discutidosanteriormente para GPCP LF . Isto é, as séries temporais de pêntadas de 18-22 de outubro de 1979 a13-17 de outubro 2004 de T850 LF sobre o domínio de 50°S a 10°N e 80W° a 20W° foram divididas emduas partes para o desenvolvimento (18-22 de outubro de 1979 a 13-17 de outubro 1992) e validaçãodo modelo (18-22 de outubro de 1992 a 13-17 de outubro 2004). A Fig. 5.31 apresenta os modosprincipais de variabilidade das T850 LF sobre a América do Sul no período de desenvolvimento. Oprimeiro modo de variabilidade mostra a faixa tropical e subtropical com sinais opostos nascorrelações da primeira EOF LF e T850 LF , explicando 28% da variância total dos dados (Fig. 5. 31a). Asegunda componente mostra um padrão com núcleo de correlações maiores em módulo sobre o suldo Brasil e correlação de sinal oposto com menor amplitude sobre nordeste do Brasil e na faixalatitudinal de 50°S (Fig. 5. 31b). Esse padrão é responsável por 18% da variabilidade. Os doisprimeiros modos obtidos da amostra de desenvolvimento estão de acordo com os padrões devariabilidade encontrados para toda a série de dados investigada no capítulo anterior (Fig. 4.23e-g).A Fig. 5.31c mostra correlações de sinais opostos entre a porção tropical e subtropical doAtlântico Sul, com uma explicação da variância de 12%. Na Fig. 5.31d observa-se correlaçõesopostas entre grande parte do domínio e uma região subtropical a leste da Cordilheira dos Andes,mais precisamente no norte da Argentina-Paraguai (11% da variância). Comparando o terceiro equarto modos obtidos da amostra de desenvolvimento com os encontrados utilizando toda série dedados percebe-se que elas foram invertidas no resultado do cálculo das EOFs, mas a explicação davariância altera-se em apenas 1% (compare Fig. 5.31c,d com Fig. 4.23g,h).97

(a)(c)(b)(d)Figura 5.31: Correlações entre anomalias de temperatura do ar em 850hPa (°C) e os quatro primeiros (a-d)padrões característicos da análise de EOF em baixa-freqüência (>370 dias) no período de 18-22 de outubro de1979 a 13-17 de outubro 1991. Contornos de linha contínua (tracejada) indicam correlações positivas(negativas). Intervalos 0.2 começando em 0.2 (-0.2). Sombreado indica significância estatística de 95% deconfiança.A tabela 5.7 mostra a porcentagem da variância explicada pelas primeiras 20 EOF LF e aporcentagem acumulada. A porcentagem da variância acumulada para as seis primeiras EOF LFcorrespondem a 87% da explicação da variação total dos dados. A tabela 5.7 também mostra o errode amostragem (North et al., 1982), onde foi considerado o número de anos de dados como eventosindependentes para o grau de liberdade. Dessa forma, a primeira EOF LF é independente da segundae a diferença do erro de amostragem não é maior que o erro da segunda EOF LF . Resultados similaresforam obtidos com a amostra de validação, que é a amostra de dados independentes paracomparação.As EOF LF foram utilizadas para obtenção das projeções de anomalias de temperatura embaixa-freqüência (a partir de agora PC PI ), assim como executado para a precipitação. A sensibilidadeentre a inserção de modos característicos da EOF para a concordância entre PC PI e anomalias detemperatura em baixa-freqüência foi testada sobre todo o domínio (50°S a 10°N, 80W° a 20W°) e émostrada na Fig. 5.32. A correlação aumenta de 0.4 para 0.8 com o acréscimo das 8 primeiras EOF,98

a partir do qual há pouco aumento na correlação (Fig. 5.32a). O S.RMS mostra diminuiçãoconsiderável quando as 8 primeiras EOF são introduzidas na obtenção das PC PI , e pouca mudança éobservada acima desta (Fig. 5.32b). Então, consideraram-se as 8 primeiras EOF LF para a construçãodas PC PI para o prognostico das T850 LF . É Importante observar que o S.RMS já é menor do que 1.0quando apenas a primeira EOF LF foi introduzida.Tabela 5.7: Porcentagem da variância explicada dos primeiros 20 coeficientes temporais da EOF das anomaliasinteranuais de temperatura do ar em 850 hPa. Erro amostral é mostrado juntamente com a diferença entre osmodos principais de variabilidade.Explainedvariance (%)AccumulateSamplingerrorDifferenceMode1 28,24 28,24 0,163 -2 17,52 45,75 0,101 0,0623 12,13 57,88 0,070 0,0314 11,03 68,91 0,064 0,0065 6,26 75,17 0,036 0,0286 5,24 80,42 0,030 0,0067 3,96 84,37 0,023 0,0078 3,10 87,47 0,018 0,0059 2,36 89,83 0,014 0,00410 1,93 91,76 0,011 0,00211 1,38 93,14 0,008 0,00312 0,94 94,07 0,005 0,00313 0,74 94,81 0,004 0,00114 0,67 95,48 0,004 0,00015 0,59 96,07 0,003 0,00016 0,51 96,58 0,003 0,00017 0,48 97,06 0,003 0,00018 0,42 97,48 0,002 0,00019 0,31 97,79 0,002 0,00120 0,28 98,07 0,002 0,000A Tabela 5.8 apresenta a variação do ruído branco S 2 e para as PC PI de 1 a 8, diminuindoà medida que a ordem p aumenta (4ª coluna). A função de autocorrelação com uma mínimadiminuição até a defasagem 3 pêntadas para todas as PC PI (Tab. 5.8, 3ª coluna). Para a identificaçãodo número de pêntadas mais recentes que serão preditores do modelo estatístico (ou seja, acondição inicial na previsão em tempo real), sucessivos modelos AR de ordem p foram testadosatravés das estatísticas AIC (Eq. 5.6) e BIC (Eq. 5.7), e que sugerem que há um mínimo na ordemp=2 do modelo AR independentemente da PC PI considerada, que é a mesma ordem identificada nasGPCP LF .Tabela 5.8: Seleção da ordem p do modelo AR para temperatura do ar em 850 hPa para preditores PC PI (1-10),autocorrelação Rp, variância do ruído branco, estatísticas AIC (Eq. 5.6) e BIC (Eq. 5.7).99

AR modelsLag p R p S 2 e(p) BIC(p) AIC(p)PC PI 1 0 1,000 3,40E+01 3353,9 3349,01 0,997 1,72E-01 -1656,7 -1666,42 0,991 1,66E-03 -6050,0 -6064,63 0,982 2,30E-03 -5731,9 -5751,4PC PI 2 0 1,000 3,10E+01 3266,6 3261,81 0,998 1,22E-01 -1978,0 -1987,82 0,994 1,14E-03 -6409,5 -6424,03 0,987 1,89E-03 -5920,2 -5939,7PC PI 3 0 1,000 1,36E+01 2488,0 2483,21 0,997 7,67E-02 -2421,3 -2431,02 0,990 8,51E-04 -6684,7 -6699,33 0,977 1,25E-03 -6311,3 -6330,7PC PI 4 0 1,000 1,88E+01 2792,4 2787,61 0,998 7,01E-02 -2507,0 -2516,82 0,994 5,62E-04 -7078,0 -7092,63 0,987 8,36E-04 -6693,8 -6713,2PC PI 5 0 1,000 8,54E+00 2043,0 2038,21 0,997 5,89E-02 -2672,1 -2681,82 0,989 4,93E-04 -7203,1 -7217,73 0,979 9,97E-04 -6526,5 -6546,0PC PI 6 0 1,000 8,45E+00 2033,1 2028,21 0,997 5,45E-02 -2745,9 -2755,62 0,991 6,25E-04 -6977,6 -6992,23 0,984 7,89E-04 -6749,5 -6768,9PC PI 7 0 1,000 4,25E+00 1380,7 1375,81 0,997 2,29E-02 -3569,4 -3579,12 0,992 2,81E-04 -7738,2 -7752,83 0,983 3,19E-04 -7606,9 -7626,3PC PI 8 0 1,000 5,56E+00 1635,1 1630,31 0,996 4,02E-02 -3033,1 -3042,82 0,991 4,62E-04 -7264,3 -7278,93 0,983 7,39E-04 -6810,8 -6830,3Assim, a correlação entre o prognóstico de PC PI pelo esquema de simulação empíricaproposto (denominado MARPI) e os dados independentes são mostrados na Fig. 5.33a. O modeloestatístico mostrado para PC PI 1,2 e 8 (porque demais PC PI mostram resultados muito similares)produz melhor correlação do que a previsão persistida além de 7 pêntadas. Além disso, hácorrelações maiores do que 0.6 até o tempo de previsão de 24 pêntadas. O S.RMS mostra valoresmenores do que 1.0 até o tempo de previsão próximo a 25 pêntadas, exceto para a primeira PC PI ,que o S.RMS cresce mais rapidamente que as demais (Fig. 5.33b). A Figura 5.34 destaca acomparação entre as previsões e amostra de validação através da correlação e S.RMS.(a)1PC PI x T850 LF(average of the area)(b)1PC PI x T850 LF(average of the area)100

Figura 5.32: Teste de sensibilidade para o aumento de modos característicos (EOF) da temperatura em baixafreqüênciano nível de 850 hPa. (a) Correlações e (b) S.RMS entre anomalias de temperatura em baixafreqüênciae anomalias totais de temperatura projetadas na área (50°S a 10°N, 80W° a 20W°). Intervalocorresponde ao desvio padrão espacial.Correlation(a)10,750,50,250Validation - Selected Model1 7 13 19 25 31Lead Time (pentads)1 2 8 PersStand. RMS error(b)Validation - Selected Model1,510,501 7 13 19 25 31Lead Time (pentads)1 2 8Figura 5.33: Validação do modelo AR de previsão das PC PI 1, 2, 3, 8, 12 através da (a) correlação e (b) S.RMS.Destreza da persistência também é mostrada na correlação. A amostra de validação contém dados de pêntadasindependentes equivalente a 12 anos.Para a média da correlação nas seis primeiras pêntadas, o modelo exibe maiorcorrelação sobre o Atlântico Sul e costa do sudeste do Brasil, e também parte da Amazônia (Fig.5.34a). Ainda assim, ressalta-se que a correlação é maior do que 0.6 até o tempo de previsão de 13-18 pêntadas (Fig. 5.34c). O S.RMS não apresenta valores próximos de 1.0 sobre o sudeste e centrooestee sul do Brasil até o tempo de previsão de 13-18 pêntadas (Fig. 5.34a-c). Valores de S.RMSmaiores do que 1.0 são observados sobre nordeste do Brasil e Argentina, porém é interessanteobservar que sobre o nordeste do Brasil este diminui com o avanço no tempo de previsão.Comparando o prognóstico de T850 LF e GPCP LF os resultados da destreza do modelo sãorazoavelmente semelhantes e consideravelmente satisfatórios. Os resultados obtidos pela destrezado MARPI em relação à previsão de T850 LF corroboram com os resultados para GPCP LF . Portanto, os101

esultados analisados até aqui sugerem que é possível a implementação de um modelo AR deprognóstico sazonal.FCAST x Low-frequency T850 (Validation Data)correlation(E)S.RMS(F)(G)(H)Figura 5.34: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de temperatura do ar em 850 hPa em baixa-freqüência. Cada mapa representa a média de 6 pêntadasda correlação/S.RMS de 1 a 24 pêntadas. Os dados independentes equivalem a 12 anos. Correlações têmcontornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0(escuro).102

5.11 MARPI durante Episódios Anômalos de Precipitação e Temperatura em Baixa-freqüênciaO objetivo nessa seção foi de averiguar a destreza do MARPI durante a atuação deepisódios anômalos investigados no Capítulo 4. Assim como na seção 5.7, ambas as amostras foramutilizadas com o seguinte procedimento: quando uma amostra foi usada para o desenvolvimento, aoutra foi utilizada para comparação com o prognóstico, e vice-versa. Assim, a verificação foi sempreexecutada com dados independentes. Conforme mostrado na seção 4.3, os episódios anômalos deGPCP LF ou T850 LF menos persistentes ocorrem com duração de 3 meses (18 pêntadas). Sendoassim, iniciou-se uma previsão do MARPI na 1ª pêntada do mês, cada vez que um episódio anômalofoi observado. O tempo de previsão foi até a 24ª pêntada, equivalente ao 4ª mês. O modelo foiiniciado a cada episódio anômalo observado nas regiões homogêneas independentemente de serWet LF ou Dry LF .Os episódios anômalos foram analisados em cada região: P SEC , P LIM e P SBR (Fig. 4.5a).Na região P SEC as correlações entre as previsões de 1ª a 24ª pêntada e GPCP LF observadas duranteepisódios anômalos são mostradas através da média a cada 6 pêntadas e apresenta correlaçõesacima de 0.6 sobre a respectiva região analisada nas previsões de 13-18 pêntadas (Fig. 5.35a-d). Asprevisões de 7-12 pêntadas (Fig. 5.35b) mostram correlações acima de 0.8 em áreas menores que seestendem dessa região para o Atlântico subtropical (30°S, 30W°).O S.RMS mostra valores menores do que 1.0 em toda região P SEC até 13-18 pêntadasprevistas, exceto sobre o Mato Grosso do Sul (Fig. 5.35e-g). Entretanto, os resultados do MARPIsobre a região P SEC já apresentavam bons prognósticos, usufruindo da marcante influência queregiões ao norte da América do Sul têm em relação aos padrões principais da variabilidadeinteranual. A incerteza maior ficaria a cargo da destreza durante episódios anômalos na região P LIM .Os resultados anteriores mostraram existir uma faixa de baixa previsibilidade sobre essa região, quecompreende os estados de Mato Grosso do Sul e São Paulo (veja 5.9). Isso, porque essa regiãomuitas vezes encontra-se limitando GPCP LF com sinais contrários entre regiões ao norte e ao sul docentro-leste da América do Sul. Entretanto, durante episódios anômalos na região P LIM a destreza doMARPI mostra correlações úteis nas primeiras 18 pêntadas previstas (Fig. 5.36a-d). Além disso,observam-se correlações acima de 0.8 sobre a região de atuação da ZCAS oceânica (Carvalho et al.,2004) na previsão de até 7-12 pêntadas. Essas constatações também valem para a amplitude do errodas previsões (Fig. 5.36e-g), sendo o S.RMS menor do que 1.0 sobre a região P LIM até 19-24pêntadas (Fig. 5.36g).103

Figura 5.35: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de precipitação em baixa-freqüência durante a ocorrência de episódios anômalos na região P SEC . Cadamapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas. Correlações têm contornos de0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0 (escuro).104

Figura 5.36: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de precipitação em baixa-freqüência durante a ocorrência de episódios anômalos na região P LIM . Cadamapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas. Correlações têm contornos de0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0 (escuro).105

Para a região P SBR , as correlações estão acima de 0.6 (Fig. 5.37a-d) e o S.RMS abaixode 1.0 (Fig. 5.37e-h) até a previsão de 13-18 pêntadas. Entretanto, as previsões do MARPI sobreessa região já apresentava destreza equivalente mostrada nos resultados anteriores (Veja 5.9). Poroutro lado, a habilidade do MARPI durante episódios anômalos é menor do que durante eventos ElNiño (compare com Fig. 5.18). Porém, com exceção desse último aspecto, os resultados sugerem amelhor destreza do modelo averiguada nesse estudo exatamente durante episódios anômalos deGPCP LF para todas as regiões. Em geral, a destreza do MARPI de GPCP LF restringe-se a leste daAmérica do Sul, que é a região de interesse deste estudo, pois as previsões sobre o oeste docontinente e latitudes médias foram ineficazes.As previsões do MARPI de T850 LF durante episódios anômalos Warm LF e Cold LF naregião T SECW (veja Fig. 4.5) são mostradas na Fig. 5.38. Sobre essa região se observa previsões úteisaté 13-18 pêntadas com correlações acima de 0.6 (Fig. 5.38a-d). Correlações acima de 0.8 ocorremem parte da região T SECW se estendendo em direção ao norte da América do Sul. O S.RMS sobreessa região concorda com a destreza das previsões de até 13-18 pêntadas, a partir do qual o S.RMSé maior do que 1.0 deslocando-se do norte da Argentina para o Brasil central e Atlântico subtropical(Fig. 5.38e-h). É interessante constatar que a destreza do modelo durante episódios anômalos naregião T SECW melhora em relação à comparação com toda a série de validação, principalmente nasprevisões sobre o continente (veja Fig. 5.34).Para a região T SBRB (Fig. 5.39) há correlações acima 0.8 apenas sobre o Rio de La Plataem uma área que se estende para o Atlântico nas previsões de até 7-12 pêntadas (Fig. 5.39b). Sobreo centro-sul do Brasil se observa uma área com baixo desempenho do modelo, onde o S.RMS jáaparecem acima de 1.0 a partir de 1-6 pêntadas. Visivelmente, as previsões durante episódiosanômalos nessa região foram comprometidas. Esse aspecto chama a atenção para a localizaçãodessa região, no centro-sul do Brasil, que corresponde à região de maior influência de temperaturaanômala na variabilidade interanual, segundo Halpert e Ropelewski (1992), causada pela influênciado ENOS. Conforme visto no capítulo anterior, os episódios anômalos averiguados em cada regiãohomogênea não são predominantemente modulados pelo ENOS, embora esse fenômeno seja omodo principal de variabilidade especialmente sobre o sul do Brasil. Esse modo principal é muitoforte, sendo responsável por praticamente ¼ de toda variabilidade temporal de baixa-freqüênciasobre a América do Sul. Por sua vez, o MARPI foi calibrado não apenas com o 1ª modo devariabilidade, mas com os 12 primeiros modos para a previsão de GPCP LF e os 8 primeiros modospara a previsão de T850 LF , sendo esses os preditores averiguados segundo sua contribuição para a106

destreza do modelo. Isso porque nas regiões de maior interesse nesse estudo, que são o Sudeste eCentro-oeste do Brasil, outros modos de variabilidade são importantes para o prognóstico sazonal deGPCP LF e T850 LF .5.12 Especificação do MARPINesse capítulo foram descritos os passos para a construção do modelo MARPI e suavalidação através de diversas formas de verificação. O objetivo foi de prognosticar GPCP LF (etambém T850 LF ) sobre o centro-leste da América do Sul. Os resultados são sumarizados na Tabela5.9. Os preditores utilizados foram as GPCP LF projetadas nos seus modos característicos de EOF LF .O MARPI usufrui do conhecimento empírico relacionado à concordância entre preditores e variável aser prognosticada, entre eles os 12 primeiros modos para as GPCP LF ou no caso das T850 LF , os 8primeiros modos. Além disso, testes estatísticos para obtenção do número de pêntadas defasadasusadas como preditores sugeriram um modelo de baixa ordem (2 pêntadas). Assim, o MARPI utilizaos 12 primeiros modos de variabilidade da precipitação sobre a América do Sul e ordem igual a 2pêntadas, ou seja, 24 preditores. Em contraste, isto difere dos modelos estatísticos de escalasinteranual comumente empregados em estudos recentes como Repelli e Alves (1996), Pezzi et al.(2000), Grimm et al. (2004), Cardoso e Silva Dias (2004), Coelho et al. (2006), que utilizaram asanomalias mensais de temperatura da superfície do mar dos Oceanos Atlântico e Pacífico comopreditores para prever a precipitação trimestral. Difere-se também de modelos do tipo que utiliza aprecipitação do modelo climático do CPTEC ajustada a uma distribuição de probabilidade de vazõesfluviais como em Collischonn et al. (2005). Uma vantagem é que o MARPI foi construído pararesolução temporal de pêntadas, então a previsão pode ser iniciada a cada pêntada identificandopossíveis alterações nos padrões principais de baixa-freqüência que modulam as GPCP LF . Em geral,a destreza do MARPI abrange a escala sazonal em torno de 13 a 18 pêntadas, assim podendoconduzir a um acurado prognóstico equivalente ao período trimestral.107

Figura 5.37: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de precipitação em baixa-freqüência durante a ocorrência de episódios anômalos na região P SBR . Cadamapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas. Correlações têm contornos de0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0 (escuro).108

Figura 5.38: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de temperatura em baixa-freqüência durante a ocorrência de episódios anômalos na região T SECW .Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas. Correlações têmcontornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0(escuro).109

Figura 5.39: (A-D) Correlação e (E-H) S.RMS entre previsão e amostra de validação (dados independentes) dasanomalias de temperatura em baixa-freqüência durante a ocorrência de episódios anômalos na região T SBRB .Cada mapa representa a média de 6 pêntadas da correlação/S.RMS de 1 a 24 pêntadas. Correlações têmcontornos de 0.6 (sombreado claro) e 0.8 (escuro). S.RMS têm contornos de 0.8 (sombreado claro) e 1.0(escuro).110

Tabela 5.9: Especificações do MARPI.VariávelParâmetros Unidade GPCP LF T850 LFSimbologiautilizadaTerminologia emlíngua inglesaModos nª de EOF IA 12 8 k modoOrdem/defasagem pêntadas 2 2 p Order /lagtempo de previsão pêntadas 19 a 24 19 a 24 τ lead timeDestreza pêntadas 13 a 18 13 a 18 τ skillPreditores – 24 16 k.p predictors111

┌ Capítulo 6 ┐6. A influência de episódios anômalos de precipitação e temperatura em baixa-freqüência navegetação do CerradoA influência de episódios anômalos de precipitação e temperaturaem baixa-freqüência na vegetação do Cerrado6.1 Região do CerradoEste capítulo tem o intuito de averiguar como a vegetação do Cerrado responde àsvariabilidades sazonais de anomalias de precipitação e temperatura em baixa-freqüência. Para tanto,utilizou-se os dados do Normalized Difference of Vegetation Index (NDVI) como aproximação dadinâmica da vegetação. A seguir, nós relacionaremos a variabilidade do NDVI sobre o Cerrado eepisódios anômalos de GPCP LF e T850 LF abordados no Capítulo 4.O ciclo anual da vegetação foi encontrado nos dados do NDVI sobre o centro-leste daAmérica do Sul (40ºS – 0º e 35 – 65ºW). Isso foi possível calculando a média em cada estimativa doíndice no período de um ano, resultando em uma série temporal média de 36 estimativas (3estimativas mensais e 12 meses). Posteriormente, obteve-se o primeiro harmônico através da análisede Fourier, sendo este uma estimativa do ciclo anual do NDVI para cada ponto de grade. Para umaanálise preliminar nos dados do NDVI, estudou-se o ciclo anual de duas áreas com biomas doCerrado (palavra de origem espanhola que significa “fechado”). Uma área de Cerrado próximo aCidade de Ribeirão Preto (21°12’S e 47°52’W) referido como Cerradão segundo Tatsh (2007). Essanomenclatura também é usada para vegetação de Cerrado próximo a margens de rios e em regiõesalagáveis durante a estação úmida no centro-oeste do Brasil (e.g., Acosta, 2007). A segunda área deCerrado caracteriza-se por vegetação arbórea mais esparsa localizada próxima à Brasília na ReservaEcológica do IBGE (Fig. 6.1). O primeiro harmônico em cada área mostra um nítido ciclo anual navegetação, onde o máximo observa-se na 2ª estimativa de janeiro e o mínimo na 3ª estimativa dejunho.112

VEGETATION INDEX NDVI0,560,540,520,50,480,460,440,420,40,380,36cerradaocerradoJan Feb Mar May Jun Jul Sep Oct NovANNUALCYCLE (MENSAL OBSERVATION THREE)Figura 6.1. Ciclo anual de dois pontos de grade dos dados do NDVI sobre regiões de Cerrado: Cerradãopróximo a Ribeirão Preto (21°12’S e 47°52’W) e cerrado (sensu strito) próximo a Brasília (15°48’S e 48°0’W).A Figura 6.2a mostra a amplitude do máximo valor do ciclo anual do NDVI em cadaponto de grade sobre um domínio enfocando o centro-leste da América do Sul. Para esta análise, osdados foram degradados para resolução de 1.0x1.0° latitude-longitude. Notam-se nas regiões centrooestee sudeste do Brasil amplitudes em torno de 0.5, onde está presente o Cerrado. Nas regiõesnorte e nordeste do Brasil observamos valores próximos a 0.35 e 0.65 referentes à Catinga (savanamenos densa, que em Tupi Guarani significa “Mata Branca”) e Floresta Amazônica, respectivamente.Nesta análise, valores do NDVI no Estado do Amazonas ficaram prejudicados pela existência do RioNegro, Solimões e Amazonas. O sul do Brasil mostra a presença de Floresta mista (Floresta deAraucária e Mata Atlântica) e campos no extremo sul (estepe).O período do ano quando ocorre o máximo no ciclo anual do NDVI é estimado pela fasedo primeiro harmônico. As 36 estimativas anuais do NDVI foram representadas de forma angularvariando de 0° a 360°, onde 0 a 20° corresponde a janeiro, 30 a 50° ao mês de fevereiro, 60 a 80° aomês de março e assim por diante. O valor máximo no ciclo anual do NDVI na região do Cerradoocorre exatamente na 2ª estimativa de janeiro (Fig. 6.2b). É interessante observar que a parte sul daFloresta Amazônica tem máximo no ciclo anual do NDVI ainda durante o verão (faseaproximadamente 100°), diferentemente da parte norte da Amazônia com máximo em torno do mêsde abril. Isso concorda com o distinto regime de precipitação nessa região (de acordo com SouzaECT al., 2000), mas também se deve considerar que mais ao sul da Amazônia há tensão ecológicacom o Cerrado (Durigan et al. 2006).113

(a)(b)Figura 6.2. (a) Amplitude e (b) fase do ciclo anual a partir do primeiro harmônico dos dados do NDVI comresolução espacial de 1.0x1.0º lat. e lon. sobre o domínio de 40ºS – 0º e 35 – 65ºW.A investigação na amplitude e fase do ciclo anual do NDVI sobre o Cerrado precede aanálise de disco harmônico (Ropelewski e Halpert, 1987; Grimm, et al., 1998; Grimm et al., 2000). Opasso seguinte foi representar o ciclo anual do NDVI como um vetor. Inicialmente, as regiões sãoencontradas por uma analise subjetiva através da amplitude e fase do vetor harmônico.Posteriormente usou-se o critério que a razão entre cada vetor (amplitude e fase) e o vetor médio daárea não seja superior a 10%, como em Grimm et al. (2000). A Figura 6.3a apresenta a análise dedisco harmônico do ciclo anual do NDVI com a área de Cerrado selecionada. O vetor médio na áreapossui 0.489 de amplitude e fase correspondente a 2ª estimativa do mês de janeiro. A área deCerrado delimitada apresenta-se distinta da vegetação nas regiões ao norte do Brasil, como aFloresta Amazônica e a Catinga, principalmente em relação à fase do vetor harmônico, que nessasregiões tem máximo durante o outono austral. O máximo vetor observado sobre o domínio é indicadono rodapé do mapa.É interessante analisar a precipitação e temperatura com a metodologia de vetorharmônico a fim de facilitar a compreensão dos padrões na vegetação do Cerrado relacionados aosepisódios anômalos de GPCP LF e T850 LF que serão mostrados a frente. O estudo de disco harmônicopara a precipitação mostrou que sobre o sudeste e centro-oeste do Brasil a precipitação apresentamáximo do ciclo anual no início de janeiro, mostrando que a defasagem em relação ao máximo dociclo anual da vegetação é menor do que um mês (Fig. 6.3b). Além disso, em grande parte do Brasil,a vegetação responde ao máximo do ciclo anual da chuva.114

(a)(b)ABRJULJANOUT(c)(d)(e)(f)Figura 6.3. Analise de disco harmônico do ciclo anual do (a) NDVI com resolução espacial 1.0x1.0 lat. e lon. Afase refere-se ao máximo do primeiro harmônico. Região do Cerrado com coerência espacial é mostrada. (b)Precipitação (mm/dia), (c) Temperatura do ar (°C) em 850 hPa e (d) em 1000 hPa, (e) Fluxo de Calor Sensível(W/m 2 ) e (f) Fluxo de Calor Latente (W/m 2 ) com resolução espacial de 2.5x2.5 lat. e lon. Máximo vetor sobre odomínio é indicado no rodapé de cada mapa.115

Para a temperatura do ar em 850 hPa (T850), a Fig. 6.3c mostra o seu ciclo anualaproximadamente em fase com a cobertura vegetal nas áreas no sul e leste do Cerrado. Na verdade,mostrou-se que nessa região tem-se a presença de um ciclo semi-anual da temperatura do ar em 850hPa com picos em outubro e março, sendo o de outubro levemente maior, de acordo com o cicloanual e semi-anual da região P SEC (Fig. 4.16) investigada no Capitulo 4. Nota-se também que aporção próxima a Amazônia tem vetor harmônico apontando para o máximo do ciclo anual emoutubro. Notam-se características semelhantes considerando a temperatura no nível de 1000 hPa, ouseja, o mesmo padrão espacial é observado, sendo que apenas a intensidade dos vetores sãomaiores (Fig. 6.3d).A interação entre a atmosfera e a vegetação de uma região ocorre em associação aosfluxos de superfície como calor sensível e latente (Fu e Li, 2004). Assim, a fase e amplitude dessesparâmetros são analisadas sobre o centro-leste da América do Sul (Fig. 6.3e,f). O máximo do cicloanual do fluxo de calor sensível à superfície ocorre aproximadamente em setembro-outubro sobre aregião do Cerrado (Fig. 6.3e). Esse precede o aumento do fluxo de calor latente, que apresenta seumáximo no ciclo anual no mês de janeiro (Fig. 6.3f), concordando com Fu e Li (2004). Na porçãooeste do Cerrado, o máximo do ciclo anual da temperatura ocorre entre outubro e novembro, e estárelacionado com parâmetros de superfície sobre o Brasil central antes do estabelecimento da monçãode verão (compare Fig. 6.3e com 6.3c). Além disso, o máximo do ciclo anual do fluxo de calorsensível precedendo a estação úmida no centro-leste da América do Sul também está relacionadocom a convergência de umidade em razão da mudança no gradiente de pressão entre o planaltocentral brasileiro e o Atlântico Norte (Fu e Li, 2004). Segundo esses autores, essa característica temgrande contribuição para as mudanças de padrões sazonais para regime de monções da América doSul.6.2 Defasagem do NDVI em relação à Precipitação e TemperaturaPara discutir a resposta defasada da vegetação do Cerrado principalmente em relação àprecipitação foram relacionadas às séries temporais do NDVI sobre o Cerrado e GPCP sobre odomínio P SEC (Fig. 4.5a). O objetivo é mostrar a influência da variabilidade temporal da vegetação doCerrado relativa à precipitação. O mesmo foi feito para T850 sobre o domínio T SECW (Fig. 4.5a). Essa116

análise é feita para o período a julho de 1982 e junho de 1998. Assim, a relação do NDVI com aprecipitação foi executada em uma série de dados N = 192 meses. Para esse intuito, foi calculada acorrelação entre as séries temporais mensais. Foram consideradas também séries temporaisdefasadas mensalmente em até metade do ciclo anual, ou seja, 6 meses. Esse procedimento foirealizado para defasagens de -6 a 6 meses, na qual defasagem negativa significa que o NDVIresponde tardiamente ao impacto da precipitação.A Fig. 6.4a sintetiza essa análise mostrando a correlação entre NDVI e precipitação emcada defasagem (abscissa). Por exemplo, a defasagem para lag = -1 significa que a precipitaçãolidera a variabilidade do NDVI com um mês de antecedência. Nesse processo, também foi permitidoinferir que, no caso de defasagens positivas, o NDVI lidera a variabilidade da precipitação. Para cadauma das combinações possíveis a correlação foi usada como um indicativo da relação entre NDVI eprecipitação. Assim, revela-se que a defasagem do NDVI em relação à precipitação é mais robustacom 1 mês atraso (Fig. 6.4a). Entretanto, as correlações defasadas de 0 e -2 meses apresentamcorrelações em torno de 0.56. Fora essas defasagens, as demais correlações diminuemexponencialmente em direção -6 e 6 meses. Barbosa (1998) encontrou que o NDVI da savana sobreo nordeste do Brasil (Catinga) tem maior correlação com a precipitação na defasagem de 1+2 meses.Enquanto que Gurgel (2003) também encontrou maior correlação entre NDVI e radiação de ondalonga sobre o Brasil com defasagem de um mês. Já Wang et al. (2006) indicam que a resposta dacobertura vegetal de estepes em uma região semi-árida da América do Norte varia em torno de 14 a37 dias. Em relação à T850, os meses defasados de maiores correlações são de -3 a -1 com máximacorrelação em -2 meses (Fig. 6.4b). As correlações entre T850 e NDVI têm a mesma amplitude dasapresentadas entre GPCP e NDVI, mas com leve deslocamento para defasagens negativas.Figura 6.4. Correlação entre NDVI e (a) GPCP e (b) T850 entre 1982-98. Defasagem negativa significa queGPCP/T850 lideram a variabilidade do NDVI (eixo abscissa).117

6.3 Sazonalidade espaço-temporal da vegetação do CerradoA cobertura vegetal do Cerrado durante o inverno austral tem um forte estresse hídricodevido à estação seca. Nesse período a vegetação entra em um estado conhecido como dormência,no qual as plantas deixam de realizar até mesmo suas funções vitais, como o processo defotossíntese (Tatsch, 2006). A Figura 6.5 mostra a média do NDVI (1982-98) sobre o domínio doCerrado para cada mês do ano. Nota-se que de julho a setembro (Fig. 6.5a-c), o índice do NDVI éaproximadamente 0.35-0.40 em áreas próximas a Brasília, e maior do que 0.45 em áreas adjacentes,principalmente em direção a divisa entre Mato Grosso do Sul e Paraná, onde desemboca osprincipais rios da Bacia do Paraná. Em outubro, já se percebe um aumento dos valores do NDVIsobre todo o domínio (Fig. 6.5d). Durante os meses de verão austral, o NDVI sobre o Cerrado exibeos maiores valores e mostra um padrão espacial aproximadamente inalterado (Fig. 6.5f-i). Issoconcorda com os resultados de Rocha (1998), que mostrou também que o parâmetro de índice deárea foliar calculado a partir do NDVI sobre o Cerrado se modifica ao longo da estação úmida,enquanto a fração de área verde permanece inalterada até meados de março. Já o mês de abril émarcado por uma diminuição do NDVI (Fig. 6.5j), sendo que nos meses seguintes retorna aosaspectos observados durante o inverno austral. De acordo com Juarez (2004), a variação dos fluxosda atmosfera à superfície na transição da estação úmida para a seca é mais lenta do que da secapara úmida, e está associado à rápida rebrota das folhas verdes em comparação com a entrada noestágio de dormência das plantas durante o outono austral.A variabilidade espaço-temporal do NDVI sobre o Cerrado é representada através dodesvio padrão em cada ponto de grade (Fig. 6.6). Nota-se que, o mês de abril apresenta a maiorvariabilidade (Fig. 6.6j), quando climatologicamente ocorre o fim das monções de verão (Silva eCarvalho, 2007). A menor variabilidade espacial é observada em janeiro durante o máximo no cicloanual da vegetação do Cerrado. De forma geral, há uma maior variabilidade nos meses de transiçãode início e fim das monções do que nos meses durante o verão e inverno austral, mostrando umpadrão estacionário por parte da vegetação nos períodos que o Cerrado tem abundância ou escassezde chuva.118

Figura 6.5. Ciclo anual dos dados do NDVI no período de 1982 a 1998 sobre a região do Cerrado mês a mês de(a) julho a (l) junho.6.4 O papel de episódios anômalos de precipitação em baixa-freqüência na dinâmica dacobertura vegetal do CerradoPara investigar o padrão espacial da cobertura vegetal do Cerrado associado às GPCP LF(mm/dia) foram realizadas composições do NDVI durante episódios anômalos Wet LF e Dry LF nasregiões homogêneas selecionadas sobre o centre-leste da América do Sul. As regiões homogêneasforam investigadas no Capítulo 4. As séries temporais do NDVI foram utilizadas após o ciclo anual tersido removido como descrito no Capítulo 3 (referidas como anomalias totais NDVI TA ). Foramconstruídas composições defasadas de -6 a 5 meses em relação ao máximo valor de GPCP LFobservado durante a ocorrência dos episódios anômalos.119

Figura 6.6. Desvio Padrão das Anomalias Totais do NDVI no período de 1982 a 1998 sobre o Cerrado mês amês de (a) julho a (l) junho.Episódios anômalos Wet LF na região P SEC durante 1982-98 foram selecionados o queresultou nos eventos de 1984/85, 1989/90 e 1996/97. Apenas NDVI TA significativas ao nível designificância de 95% são mostradas. O padrão anômalo da vegetação do Cerrado durante Wet LF naP SEC mostra que inicialmente observa-se predomínio de NDVI TA negativas na defasagem -6 meses(Fig. 6.7a). Entretanto, já em -5 meses há NDVI TA positivas relativas ao desenvolvimento anômalo davegetação (Fig. 6.7b). Em -4 meses até a defasagem zero (Fig. 6.7c-g), as NDVI TA positivasintensificam-se inicialmente entre Goiás e Minas Gerais, e posteriormente atingem todo o Cerrado.Nota-se um aumento de 0.1 do NDVI durante esse período, atingindo 0.2 em áreas isoladas doCerrado. Entre defasagem 0 e 2 meses (Fig. 6.7g-i), há a reversão do sinal anômalo. Nos mesessubseqüentes, notam-se padrões de NDVI TA negativas.120

Figura 6.7. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao máximo de GPCP LF observado durante períodos anômalos Wet LF na região P SEC . Anomalias totais doNDVI mostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os grausde liberdade correspondem a três episódios Wet LF .A variabilidade mensal da precipitação mostra que, GPCP TA positivas ocorreram nadefasagem de -6 meses sobre o Cerrado (Fig. 6.8a), enquanto que em -5 meses, GPCP TA de mesmosinal ficaram mais a norte da região do Cerrado (Fig. 6.8b). Nas defasagens -4 e -3 meses houve umpredomínio de GPCP TA negativas (Fig. 6.8c-d). Já na defasagem de -2 meses, intensas GPCP TApositivas foram observadas sobre todo o Cerrado (Fig. 6.8e), enquanto que o sinal positivo de NDVI TAse manteve de -5 meses até a defasagem zero. Nas defasagens de 2 e 3 meses há GPCP TA positivassobre o Cerrado, inclusive com um padrão de gangorra da precipitação entre o sudeste e sul doBrasil, mas que não modificam o padrão de NDVI TA negativas sobre o Cerrado (compare Fig. 6.7i-j e6.8i-j). Assim, há uma forte influência de episódios anômalos ocorrendo na região P SEC , sendo que,quando ocorre um episódio Wet LF aproximadamente em fase com a monção de verão, issorepresenta um período favorável de desenvolvimento acima do normal, antecipando o ciclo evolutivo121

da vegetação. Um exemplo desse caso ocorreu no ano de 1984/85, onde se percebe que o máximoocorreu em novembro, e após isso o desenvolvimento da vegetação predominou abaixo do cicloanual (Fig. 6.9a).Figura 6.8. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do GPCP (mm/dia) em relação aomáximo de GPCP LF observado durante períodos anômalos Wet LF na região P SEC . Anomalias totais do GPCPmostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os graus deliberdade correspondem a três episódios Wet LF .Similarmente, episódios anômalos Dry LF na região P SEC entre 1982-98 selecionados nosanos 1982/83, 1983/84, 1986/87, 1992/93, 1993/94, 1995/96 e 1997/98. Composições defasadasdesses episódios baseados no mês na qual ocorreu o mínimo de GPCP LF na região P SEC foraminvestigadas (Fig. 6.10a-f). Assim, observam-se padrões consideravelmente distintos dos episódiosWet LF na P SEC anteriormente mostrados. Nota-se a ocorrência de padrões NDVI TA negativos nasdefasagens -6 a -1, que representam estresse hídrico da vegetação. Nota-se uma redução de -0.2 doNDVI nas defasagens de -5, -4 e -1 mês sobre praticamente todo o domínio do Cerrado. Em -2meses (Fig. 6.10e), observa-se uma fraca reação por parte da vegetação com NDVI TA positivas em122

áreas isoladas do centro-oeste do Brasil. Posteriormente a defasagem zero, observa-se NDVI TApositivas predominando e se estendendo até 4 meses (Fig. 6.10e-k), com intensificação em 2 mesesde defasagem (Fig. 10.8i).Figura 6.9: Série temporal do NDVI na região do Cerrado durante (a) 1984/85 e (b) 1997/98 (linha sólida).Série temporal do ciclo anual do Cerrado centrada na monção de verão (linha tracejada).Figura 6.10. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao mínimo de GPCP LF observado durante períodos anômalos Dry LF na região P SEC . Anomalias totais doNDVI mostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os grausde liberdade correspondem a sete episódios Dry LF .123

As GPCP TA negativas predominam durante esse mesmo período anômalo de NDVI TA ,principalmente nos padrão de defasagens -2 e 0 a 2 meses (Fig. 6.11a-l). Mas é exatamente após adefasagem zero que, o ciclo de desenvolvimento da vegetação apresenta NDVI TA positivas até adefasagem 4 meses. Assim, episódios Dry LF na região P SEC parecem forçar um deslocamentoanômalo do ciclo evolutivo da vegetação para ocorrer tardiamente. Um exemplo deste caso, comomostra a Fig. 6.9b, foi o episódio Dry LF na região P SEC ocorrendo em fase com a monção de verão naAmérica do Sul no ano de 1997/98. Observa-se no desenvolvimento da vegetação que houve picosem janeiro e maio, e que o NDVI vinha abaixo do ciclo anual. Posteriormente ao mês de dezembro háum predomínio de NDVI acima do ciclo anual. Isso esta de acordo com Wang et al. (2006) quemostraram uma resposta positiva do NDVI à precipitação na escala interanual, mas com defasagemde longo período (sazonal). Isso considerando regiões semi-áridas, por exemplo, do tipo estepes epradarias, mas que também apresentam um ciclo anual de desenvolvimento da vegetação, assimcomo, o Cerrado. Entretanto, o impacto simultâneo ou de curto período (menor do que 2 meses) daprecipitação sobre o NDVI nessas regiões tende a ser menos perceptível. Além disso, Colini et al.(2008) por sua vez encontraram que a evapotranspiração não reage simultaneamente ao aumentodos volumes de chuva no Brasil central durante o início das monções de verão.Assim, um episódio anômalo Dry LF ocorrendo praticamente em fase com a monção deverão, representa um período desfavorável para término do estado de dormência na qual a vegetaçãoo Cerrado passa a cada estação seca. Então, pode se esperar um início tardio de desenvolvimentopor parte da vegetação, como ocorreu em 1997/98 (Fig. 6.9b). Além disso, o padrão de Dry LF naregião P SEC reflete que, embora ocorra um pico do NDVI em janeiro devido ao pico dedesenvolvimento da vegetação no Cerrado associado há maior abundância de chuvas, ainda queanomalamente negativa, o NDVI acima do ciclo anual pode se estender de dois a quatro meses. Ouseja, há o desenvolvimento anômalo tardio da vegetação em escala de tempo sazonal em relação aociclo anual.Na seqüência, foram averiguados os padrões da vegetação durante episódios anômalosWet LF na região P LIM (1982/83, 1986/87, 1990/91 e 1994/95). Nota-se NDVI TA negativaspredominando nos meses precedentes ao máximo de GPCP LF nessa região (Fig. 6.12a-g). Aqui,consideraram-se os anos 1982/83, 1986/87, 1990/91 e 1994/95. Porém em defasagem -3 meses domáximo de GPCP LF , o padrão anômalo é praticamente nulo (Fig. 6.12d). Em defasagem 2 meses, opadrão de NDVI TA inverte-se para positivas (Fig. 6.12i). Entretanto, nos meses seguintes são124

observadas NDVI TA sem um padrão distinto, embora pareça estar refletindo o oposto ao observadopara Wet LF na região P SEC .Figura 6.11. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do GPCP (mm/dia) em relaçãoao mínimo de GPCP LF observado durante períodos anômalos Dry LF na região P SEC . Anomalias totais do GPCPmostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os graus deliberdade correspondem a sete episódios Dry LF .O padrão de GPCP TA negativas predominando sobre o Cerrado nos meses comdefasagens -6 a -3 concorda com as NDVI TA negativas no mesmo período, embora GPCP TA positivasapareçam ao sul do Cerrado em -4 meses (Fig. 6.13a-d). Já na defasagem -2 a diante há umpredomínio de GPCP TA positivas sobre grande parte do Cerrado, mas com uma variabilidade dasGPCP TA de um mês para o outro.125

Figura 6.12. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao máximo de GPCP LF observado durante períodos anômalos Wet LF na região P LIM . Anomalias totais doNDVI mostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os grausde liberdade correspondem a quatro episódios Wet LF .A Figura 6.14 mostra a ocorrência de Dry LF na P LIM , (1983/84, 1985/86, 1988/89, 1991/92,1992/93 e 1993/94) que inicialmente apresenta padrões NDVI TA negativos, que são reflexo deestresse hídrico da vegetação (defasagem de -6 a -5 meses). Posteriormente, observa-se NDVI TApositivas predominando, com intensificação na defasagem de -2 a 0 (Fig. 6.14e-g). As NDVI TApositivas se estendem até defasagem de 1 mês (Fig. 6.14h), quando nos meses seguintes volta opadrão de NDVI TA negativas. Na Fig. 6.15a, nota-se que GPCP TA positivas ocorreram ao sul doCerrado na defasagem -6. Em -4 meses, GPCP TA positivas passam a ser observadas ao norte doCerrado e estendem-se até 1 mês defasado (Fig. 6.15c-h). Assim, se um episódio Dry LF vem aocorrer na região P LIM aproximadamente em fase com a monção de verão da América do Sul, então126

um desenvolvimento da vegetação acima do ciclo anual é esperado durante a estação úmida comomostra esquematicamente a Fig. 6.16a. Por outro lado, se episódios Wet LF (Dry LF ) são observados naregião P SEC ocorrendo aproximadamente em fase com a monção de verão podemos esperar umaantecipação (atraso) do ciclo de desenvolvimento do Cerrado em relação à estação úmida,esquematicamente mostrado na Fig. 6.16c (Fig. 6.16d).Figura 6.13. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do GPCP (mm/dia) em relaçãoao máximo de GPCP LF observado durante períodos anômalos Wet LF na região P LIM . Anomalias totais do GPCPmostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os graus deliberdade correspondem a quatro episódios Wet LF .127

Figura 6.14. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao mínimo de GPCP LF observado durante períodos anômalos Dry LF na região P LIM . Anomalias totais doNDVI mostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os grausde liberdade correspondem a seis episódios Dry LF .6.5 O papel de episódios anômalos de temperatura em baixa-freqüência na dinâmica dacobertura vegetal do CerradoO padrão de NDVI TA composto durante episódios anômalos de aquecimento (Warm LF ) eresfriamento (Cold LF ) nas T850 LF (°C) é investigado nessa seção. Essa análise considerou apenas aregião homogênea sobre sudeste e centro-oeste do Brasil (T SECW ), pois é a que abrange a região doCerrado (Fig. 4.5b). Sendo assim, Warm LF na T SECW ocorreram em 1982/83, 1985/86, 1987/88 e1997/98. As composições são defasadas em relação ao máximo observado nas T850 LF . Elas128

mostram um padrão de NDVI TA negativas entre -6 e -5 meses de defasagem (Fig. 6.17a-b). Nosmeses seguintes, constatam-se padrões de NDVI TA positivas, estendendo-se de -3 a 1 (Fig. 6.17d-h).Dessa forma, houve um predomínio de NDVI TA negativas precedendo ao episódio Warm LF ,contribuindo para um desenvolvimento da vegetação do Cerrado abaixo do ciclo anual. Mas, NDVI TApositivas vem a ocorrer de -3 meses de defasagem até o mês seguinte ao máximo de T850 LF . Assim,episódios anômalos Warm LF são associados às NDVI TA positivas sobre o Cerrado, onde se nota umaumento de até 0.2 do NDVI. Posteriormente, um padrão de NDVI TA negativas retorna a partir dadefasagem de 3 meses (Fig. 6.17j-l).Figura 6.15. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do GPCP (mm/dia) em relaçãoao mínimo de GPCP LF observado durante períodos anômalos Dry LF na região P LIM . Anomalias totais do GPCPmostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os graus deliberdade correspondem a seis episódios Dry LF .129

(a)NDVI ObservadoCiclo anual(b)NDVISummerNDVINDVINDVISummer(c)(d)SummerSummerFigura 6.16: Esquema mostrando a influência esperada de episódios anômalos de baixa-freqüência sobre oNDVI sobre o Cerrado (a) fortalecendo, (b) enfraquecendo, (c) adiantando, (d) atrasando o ciclo anual.Figura 6.17. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao máximo de T850 LF observado durante períodos anômalos Warm LF na região T SECW . Anomalias totaisdo NDVI mostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Osgraus de liberdade correspondem a quatro episódios Warm LF .130

Figura 6.18. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do T850 (°C) em relação aomáximo de T850 LF observado durante períodos anômalos Warm LF na região T SECW . Anomalias totais do T850mostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os graus deliberdade correspondem a quatro episódios Warm LF .As T850 TA mostram um padrão de aquecimento anômalo no Brasil central e resfriamentono norte da Argentina (Fig. 6.18d-g). A região T SECW mostrou ter um ciclo semi-anual de temperaturaimportante, contribuindo para o máximo em outubro e um pico secundário em março (Fig. 4.16). Seum episódio Warm LF ocorre centrado no mês de janeiro em fase com o ciclo anual da vegetação, oaquecimento anômalo causa uma demanda de água da vegetação, através da evapotranspiração.Segundo Scanlon et al. (2002), isso pode acelerar os processos de desenvolvimento da vegetaçãoantecipadamente. De acordo com Rocha et al. (2002), a evapotranspiração sobre o Cerrado ésensível à variabilidade da temperatura. O que não acontece em relação à precipitação segundoColini et al. (2008). Mas em relação a esse aspecto, existe uma ressalva, que é no caso de umepisódio Warm LF ocorrer antes da estação úmida. Por mais que, em períodos de estresse hídrico131

como os meses que precedem o período chuvoso, na qual a vegetação do Cerrado tem apropriedade de fechar os estômatos para inibir a perda de água, ainda assim, pode haver prejuízo nodesenvolvimento da biomassa da vegetação (Durigan et al., 2006).Figura 6.19. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do NDVI sobre o Cerrado emrelação ao mínimo de T850 LF observado durante períodos anômalos Cold LF na região T SECW . Anomalias totais doNDVI mostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os grausde liberdade correspondem a seis episódios Cold LF .Por outro lado, a ocorrência de Cold LF na T SECW foi contabilizada nos anos 1988/89,1989/90, 1990/91, 1991/92, 1992/93 e 1996/97 e se observa padrões de NDVI TA positivas nos mesesque precedem o mínimo de T850 LF , mais precisamente nos meses de defasagem -6 e -5 (Fig.6.19a,b). Nos meses seguintes, constatam-se padrões de NDVI TA negativas, estendendo-se de -2 a 1132

mês defasado (Fig. 6.19e-h). Nota-se uma redução de -0.1 do NDVI durante ocorrência de episódiosanômalos Cold LF na T SECW , atingindo -0.2 em áreas isoladas. Assim, há contribuição anômala paramenor desenvolvimento da vegetação em relação ao ciclo anual, e após isso, retorna o padrão deNDVI TA positivas.O padrão de T850 TA mostra um resfriamento anômalo que começa sobre a região sul eparte do sudeste do Brasil na defasagem de -4 meses (Fig. 6.20c). Posteriormente, estende-se sobrea porção central e leste do Brasil entre defasagem -3 a 4 meses (Fig. 6.20d-k). Recorda-se aqui queepisódios Cold LF na T SECW são ainda mais persistentes do que os episódios anômalos de precipitação,podendo se estender de seis meses a um ano, como mostrou o estudo da persistência dos episódiosno Capítulo 4 (Fig. 4.9).Figura 6.20. Composições defasadas de (a) -6 a (l) 5 meses de anomalias totais do T850 (°C) em relação aomínimo de T850 LF observado durante períodos anômalos Cold LF na região T SECW . Anomalias totais do T850mostradas são estatisticamente significativas ao nível de confiança de 95%, baseado no teste t. Os graus deliberdade correspondem a seis episódios Cold LF .133

A variabilidade sazonal da vegetação do Cerrado responde aos períodos anômalos deT850 LF com NDVI TA de mesmo sinal. Além disso, se um episódio Warm LF ocorre em fase com aestação úmida, contribui para um desenvolvimento anômalo da vegetação acima do ciclo anual,porém mais restrito durante o fim da primavera e início do verão austral, isto é, apresentando umaduração mais curta do ciclo de desenvolvimento da vegetação do Cerrado (esquematicamentemostrado na Fig. 6.16a). Em contrapartida, se um episódio Cold LF vem a ocorrer em fase com aestação úmida, pode contribuir para um ciclo de desenvolvimento com menor amplitude, maspodendo apresentar um desenvolvimento de maior duração da vegetação do Cerrado (Fig. 6.16b).134

┌ Capítulo 7 ┐7. Prognóstico do ciclo evolutivo da vegetação do cerradoPrognóstico do ciclo de desenvolvimento da vegetação do cerrado7.1 Formulação do modelo estatístico do NDVI sobre o CerradoO Capítulo anterior mostrou a influência de GPCP LF e T850 LF sobre a variabilidadeevolutiva da vegetação do Cerrado. Este capítulo discute um modelo estatístico para o prognósticosazonal de NDVI TA sobre o Cerrado e que utiliza como preditores GPCP LF e T850 LF previstos peloModelo Auto-regressivo de Projeção Interanual - MARPI (Capítulo 5). A utilidade de um modelo deregressão, medida por sua destreza, depende de quão robusta é a relação dos parâmetros deentrada com a variável a ser prevista (Wilks, 1995; Li et al., 2005). Assim, a variabilidade de GPCP LFe T850 LF previstos pelo MARPI sobre as regiões P SEC e T SECW (Fig. 4.5) foi investigadadetalhadamente em capítulos anteriores. Nesta etapa do trabalho as resoluções temporais dos dadosdas GPCP LF , T850 LF e NDVI TA foram transformadas para médias mensais para ser consistente com oNDVI. O modelo foi construído no período de julho de 1982 a maio de 1990 (série temporal dedesenvolvimento) de modo a estimar o ciclo de desenvolvimento da vegetação na região do Cerrado.A amostra de validação corresponde a junho de 1990 a junho de 1998. O passo inicial consistiu emdeterminar a ordem do modelo estatístico de previsão de NDVI TA . Isto é, essa análise serve paraindicar o número de meses defasados em relação ao “tempo presente” que será usada na previsão.Para isso, foi obtido o preditando Y(NDVI TA ) calculado a partir de regressão linear simples entreNDVI TA e GPCP LF na série temporal de desenvolvimento.YNDVITA( t)= bNGPCPLF( t)+ ε mensal(Eq. 7.1)O coeficiente de regressão b N pôde ser obtido deduzindo a soma mínima dos quadradosdos resíduos. E ε mensal é o erro ou flutuação amostral e foi calculado isolando ε mensal da Eq. 7.1durante a série temporal de desenvolvimento. Ele é considerado como a soma das diferenças entreNDVI TA observado em relação ao preditando Y(NDVI TA ). Além disso, foi calculado ε mensal para cadamês, embora se tenha notado que este sofre uma mínima variação ao longo dos meses do ano(menor do que 0.1%).135

Para se determinar a ordem p do modelo foram usados os critérios AIC (Eq. 5.6) e BIC(Eq. 5.7) aplicados à série temporal Y(NDVI TA ). A Tabela 7.1 mostra os resultados de modelos autoregressivos(AR) de Y(NDVI TA ) para 5 ordens de defasagens. A função de autocorrelação indicamínimo decaimento até dois meses (2ª coluna), enquanto a variação do ruído branco S 2 e tambémdiminui à medida que a ordem aumenta até p = 2 (3ª coluna). As duas últimas colunas são asestatísticas BIC e AIC e ambas sugerem que há um mínimo no modelo AR de ordem p = 2 meses. Defato, a variabilidade das NDVI TA mostrou ser relacionada às GPCP LF e T850 LF , na qual a modelagemestatística dessas anomalias investigada no Cap. 5 também apresenta modelo AR de ordem 2.Tabela 7.1: Seleção da ordem p do modelo AR para anomalias totais do NDVI. É mostrada também aautocorrelação Rp, variância do ruído branco, estatísticas AIC (Eq. 5.6) e BIC (Eq. 5.7). Mínimos em AIC e BICsão destacados.AR modelLag p R p S 2 e (p) BIC(p) AIC(p)0 1,000 5,974E+00 -1704,1 -1699,21 0,997 7,610E-12 -23952,6 -24006,02 0,980 9,970E-12 -24201,5 -24259,83 0,949 1,714E-11 -23454,6 -23498,34 0,906 8,763E-11 -21921,9 -21955,85 0,853 1,298E-07 -15009,3 -15033,5O passo seguinte foi testar um modelo de regressão linear simples, inicialmente apenascom a série temporal de GPCP LF como preditores (Eq. 7.2). Assim, NDVI TA é o preditando (variáveldependente) em função de τ (tempo de previsão mensal) e o tempo inicial t. O b GPCPn p é ocoeficiente de regressão em função de N preditores (GPCP LF de entrada no modelo) e p ordem domodelo (defasagem no tempo). O coeficiente de regressão b GPCPn p é determinado através do métodode soma dos mínimos quadrados e MARPI GPCPn são os preditores (variáveis independentes).NDVITAP( τ + t)= ∑ ∑ bGPCPnp ( τ ) MARPI GPCPn ( t − p + 1) + εp=1Nn=1mensal,(Eq. 7.2).136

Experimentos de ordem de 1 a 3 foram executados para avaliar a destreza dos modelos.Os resultados são mostrados através da destreza da previsão iniciada a cada mês de junho afevereiro com tempo de previsão de 4 meses (Fig. 7.1a-i) e avaliados na série temporal de validaçãode junho de 1990 a junho de 1998. Em cada mês, a correlação foi calculada utilizando 8 anosindependentes. A Figura 7.1a mostra a correlação da previsão iniciada no mês de junho (t = 0) edados observados do NDVI TA no mesmo período, onde se notam correlações acima de 0.6, exceto nomês de agosto. Cada curva refere-se a modelos de diferentes ordens e seus resultados são muitosemelhantes. A destreza na previsão do mês de outubro tem correlação em torno de 0.86. Do 5ª mêsde previsão adiante, a correlação diminui vertiginosamente abaixo de 0.6 (não mostrado).1 2 3Figura 7.1: Teste de sensibilidade para o aumento da ordem do modelo de regressão do NDVI. Cada curvaindica a correlação entre previsão do modelo e amostra de validação de ordem 1 a 3 meses. Previsões usando asGPCP LF como preditores iniciadas de (a) junho a (i) fevereiro.137

Para previsão iniciada no mês de julho (Fig. 7.1b), que é quando o NDVI sobre o Cerradopassa a apresentar curva ascendente no ciclo anual (veja Fig. 6.1), o modelo de ordem 1 é levementemelhor do que ordem 2 e 3 até o 2ª mês previsto. Além disso, a partir da previsão iniciada no mês denovembro (Fig. 7.1f), quando o NDVI sobre o Cerrado está próximo do máximo no ciclo anual eposteriormente começará a inverter para curva descendente, os resultados dos modelos comdiferentes ordens mostram-se bastante comprometidos no 3ª mês de previsão, com a correlaçãoficando abaixo de 0.6. Nota-se também que o modelo de ordem 1 apresenta melhor destreza, e isso émais evidente na previsão iniciada em fevereiro, já no fim da estação úmida (Fig. 7.1i) .A destreza do modelo de ordem 1 a 3 também foi analisada segundo o S.RMS (Eq. 5.5),que mostra valores menores do que 1.0 para previsões iniciadas no mês de junho (Fig. 7.2a). Isto é,representa que o S.RMS dos modelos não são maiores do que a própria variabilidade de NDVITA. NaFig. 7.2b há S.RMS maior do que 1.0 a partir de outubro (3ª mês de previsão), mas apenas para omodelo de ordem 1. Já as previsões iniciadas nos meses subseqüentes mostram S.RMS menor doque 1.0 (Fig. 7.2c-g), exceto o 3ª mês da previsão iniciada em outubro (Fig. 7.2e). Além disso,praticamente não há distinção de resultados entre modelos de ordem 1,2 e 3 nesse período. Éinteressante observar que a partir das previsões iniciadas em novembro, o modelo de ordem 1apresenta S.RMS levemente menor do que os demais. Isso é mais evidente nas previsões iniciadasem janeiro e fevereiro (Fig. 7.2h,i). Modelos de ordem maior mostraram resultados semelhantes aomodelo de ordem 3 (não mostrado). Através dessa análise, notou-se que todos os modelosaveriguados (ordens 1 a 3) apresentam melhores resultados nas previsões durante a primavera.Nesse período, o modelo de ordem 2 indicado pelas estatísticas AIC e BIC mostra destreza útil até o3ª mês previsto e os modelos de ordem maior não fornecem considerável ganho na destreza. Casofosse utilizado modelo de ordem maior, isso levaria a um super-ajustamento do modelo a essaamostra de dados de desenvolvimento específica (Katz e Parlange, 1993). Nas previsões iniciadasentre novembro e fevereiro o modelo de ordem 1 é levemente melhor, embora a destreza se restrinjaao 2ª mês previsto.138

1 2 3Figura 7.2: Teste de sensibilidade para o aumento da ordem do modelo de regressão do NDVI. Cada curvaindica a S.RMS entre previsão do modelo e amostra de validação de ordem 1 a 3 meses. Previsões usando asGPCP LF como preditores iniciadas de (a) junho a (i) fevereiro.7.2 Validação do modeloPara verificar a destreza dos preditores GPCP LF e T850 LF , três modelos foram propostos.O primeiro com as GPCP LF como preditores (linha sólida, Fig. 7.3), outro apenas com as T850 LF (linhatracejada intercalada com um ponto), e o terceiro com GPCP LF e T850 LF (linha tracejada intercaladacom três pontos). Esse último, seguindo a Eq. 7.3.NDVITAP( τ + t)= ∑ ∑bGPCPn p(τ)MARPIBFp=1Nn=1Pp=1N+ ∑ ∑ bn=1T 850GPCPBFnBFn p( t − p + 1) +( τ ) MARPI ( t − p + 1) + εT 850BFnmensal,(Eq. 7.3).139

Neste caso, a ordem do modelo é fixa em 2 e a validação feita para a série temporal deNDVI TA sobre o Cerrado de junho de 1990 a junho de 1998 (dados independentes). Na Figura 7.3a,tem-se a correlação entre NDVI TA e as previsões dos modelos iniciados em junho (t = 0) com tempode previsão até outubro. Além disso, também é mostrada a correlação do NDVI TA com o seu valorpersistido (curva tracejada). Para a verificação durante os meses que antecedem o início dasmonções (Fig. 7.3b,c), o modelo contendo apenas GPCP LF como preditores apresenta destreza deprevisões úteis até o 3ª mês. Isso deixa de ocorrer nos meses subseqüentes do verão, com acorrelação desse modelo ficando acima de 0.6 apenas até o 2ª mês. Por outro lado, o modelo comGPCP LF -T850 LF passa a ser melhor do que aquele com apenas GPCP LF na previsão iniciada emoutubro (Fig. 7.3e). De fato, o modelo com GPCP LF -T850 LF apresenta uma melhor destreza do que osdemais durante o período sazonal de verão. Ou seja, exatamente na verificação durante os meses dajá estabelecida monções de verão, principalmente em relação ao tempo de previsão de 3 meses. Omodelo com apenas as T850 LF é até menos eficiente do que o NDVI TA persistido em todos os mesesiniciados. É interessante observar que a correlação de NDVI TA persistido aumenta a partir do máximodesenvolvimento da vegetação do Cerrado, que é observado em janeiro. Isso é mais evidente na Fig.7.3h, onde no 1ª mês de previsão, a correlação com o valor persistido chega a ser maior do que omodelo com GPCP LF -T850 LF . Além disso, a destreza dos modelos foi menor do que 0.6 do 2ª mêsprevisto a diante. Como mostrado anteriormente, existe o fato do NDVI sobre o Cerrado ter duranteos meses de fim da estação úmida no sudeste e centro-oeste do Brasil uma grande variabilidade,maior até do que os meses de início desse período sazonal (veja Fig. 6.6). Entretanto, o modelo comGPCP LF -T850 LF tem melhor destreza principalmente na previsão de 3 meses, verificada durante otérmino das monções de verão (Fig. 7.3g-i).Na Figura 7.4 mostra o S.RMS entre NDVI TA e as previsões dos modelos estatísticos comGPCP LF , T850 LF e ambos preditores iniciados de junho a fevereiro. O S.RMS também foi calculadoem relação ao valor persistido do NDVI TA . Nota-se que o modelo com GPCP LF -T850 LF é melhor doque aquele apenas com GPCP LF para o 1ª mês de previsão (Fig. 7.4a). As previsões iniciadas emjulho (t = 0) mostram o S.RMS acima de 1.0 no 3ª mês previsto para todos os modelos (Fig. 7.4b).Isso ocorre também nas previsões iniciadas em agosto e setembro, exceto para o modelo comGPCP LF (Fig. 7.4c,d). As previsões iniciadas em novembro e dezembro mostram resultadossatisfatórios com os modelos GPCP LF -T850 LF e aquele apenas com GPCP LF . De forma geral, omodelo com GPCP LF apresenta maior destreza principalmente para o 3ª mês previsto. Mas exceto140

pelas previsões iniciadas em novembro, a destreza do modelo com GPCP LF -T850 LF fica semelhanteou levemente melhor durante o verão e início do outono (Fig. 7.4e-i). Além disso, os modelos comGPCP LF -T850 LF ou apenas com GPCP LF apresentaram melhores resultados do que a persistência,embora o seu S.RMS diminuía durante verão e início do outono. Isso concorda com a correlaçãomostrada anteriormente (veja Fig. 7.3). O modelo apenas com T850 LF mostra S.RMS maior do que1.0 já no 1ª mês de previsão, sendo a destreza menos eficiente do que a persistência.PREDICTOR-GPCP LFPREDICTORS-GPCP LF + T850 LFPREDICTOR-T850 LFPersistenceFigura 7.3: Validação do modelo estatístico de previsão do NDVI através da correlação entre previsão domodelo e amostra de validação (dados independentes equivalente a 8 anos). Cada curva indica previsões usandodiferentes preditores iniciadas de (a) junho a (i) fevereiro. Destreza da persistência também é mostrada nacorrelação.A destreza de modelos estatísticos de previsão de NDVI TA mostra aspectos distintos paraas fases sazonais do ciclo anual do NDVI, início, meio e fim da estação úmida. De certa forma, omodelo com apenas GPCP LF mostra a melhor destreza dentre os modelos analisados nas previsõesiniciadas entre junho e setembro. Por outro lado, as previsões iniciadas entre outubro a fevereiroapresentam melhores resultados com o modelo GPCP LF -T850 LF .141

PREDICTOR-GPCP LFPREDICTORS-GPCP LF+ T850 LFPREDICTOR-T850 LFPersistenceFigura 7.4: Validação do modelo estatístico de previsão do NDVI através do S.RMS entre previsão do modelo eamostra de validação (dados independentes equivalente a 8 anos). Cada curva indica previsões usando diferentespreditores iniciadas de (a) junho a (i) fevereiro. Destreza da persistência também é mostrada.7.3 Estudo de casos: previsões do NDVI sobre o CerradoNesta seção, serão avaliados os prognósticos sazonais do NDVI durante as monções deverão de: (1ª) 1989/90, quando ciclo evolutivo do NDVI sobre o Cerrado foi antecipado em relação aociclo anual associado a um episódio anômalo Wet LF ; (2ª) 1990/91, quando o máximo desenvolvimentofoi atrasado com a presença de um episódio Cold LF nos meses de início das monções de verão; (3ª)1997/98, quando da ocorrência de um episódio Warm LF durante o verão, o NDVI sobre o Cerradoestava abaixo do ciclo anual no início da estação úmida e posteriormente foi observado acima.142

Com base na validação dos modelos, nós selecionamos o modelo com preditores sendoapenas as GPCP LF para previsões iniciadas até o mês de setembro. O modelo GPCP LF -T850 LF ficou acargo das previsões de outubro em diante até o fim do verão austral. Isso porque foram tais modelosque apresentaram melhores resultados durante esses respectivos períodos sazonais.Uma vez que as previsões de NDVI TA são obtidas pelo modelo estatístico, o ciclo anual éadicionado a NDVI TA para se obter o produto final de previsão. No caso do modelo apenas com asGPCP LF a Eq. 7.2 fica:NDVIP( τ + t)= bCiclo−anual( τ ) + ∑ ∑ bGPCPnp ( τ ) MARPI GPCPn ( t − p + 1) + εp=1Nn=1mensal,(Eq. 7.4).Onde b ciclo-anual é o ciclo anual, sendo o intercepto do NDVI TA . O b GPCPn p é o coeficiente de regressãoem função de N preditores (MARPI GPCPn ) e p ordem do modelo. O ciclo anual é mostrado na Figura7.5 (linha tracejada fraca), juntamente a previsão do modelo apenas com GPCP LF (linha sólida), emodelo com GPCP LF -T850 LF (linha tracejada intercalada com 3 pontos), além do NDVI observadodurante o mesmo período (tracejado forte).1ª caso: 1989/90O NDVI sobre o Cerrado durante os meses de início da monção de verão 1989/90mostra um pico anômalo ocorrendo em setembro (Fig. 7.5a-d). Ele é associado ao episódio Wet LFobservado na região P SEC (Fig. 4.10d). De fato, o caso 1989/90 apresenta-se com a monção de verãoda América do Sul ocorrendo precocemente em relação à climatologia (Silva e Carvalho, 2007), comanomalias de chuvas bem acima do ciclo anual entre outubro e dezembro. As previsões do NDVIiniciadas entre junho a agosto mostram uma leve tendência do NDVI acima do ciclo anual (Fig. 7.5ac).O padrão de GPCP LF observado mostra GPCP LF positivas ao norte e negativas mais ao sul dosudeste do Brasil, sendo esse padrão previsto pelo modelo MARPI (Fig. 5.21). O prognóstico domodelo com GPCP LF -T850 LF iniciada em outubro a diante prevê o NDVI levemente abaixo do cicloanual, somente invertendo para acima do ciclo anual em meados de maio (Fig. 7.5e-i). Entretanto,NDVI sobre o Cerrado não mostra essa característica, ficando acima do ciclo anual, praticamentesustentando valores em torno de 0.55. Esse padrão de constância em longo prazo é apresentado naprevisão do modelo, porém com uma diferença de -0.05. Isso se deve em parte a previsões domodelo MARPI, que se limita aos padrões de variabilidade de grande escala. O que não ocorreu143

durante esse verão, pelo contrário, notou-se uma variabilidade espacial de GPCP LF positivas enegativas em áreas isoladas (Fig. 5.22e-h). Notou-se também que houve uma forte precipitaçãoanômala durante meados de outubro, invertendo o sinal das anomalias no mês de janeiro (Fig.4.10d), na qual esse padrão de variabilidade foi proposto em Grimm et al. (2007). De janeiro adiante,o episódio Wet LF na região P SEC já não estava mais atuando. Além disso, o ENOS, que pode ter umainfluência nos padrões de grande escala de GPCP LF sobre a América do Sul, encontrava-se na faseneutra.PREDICTOR-GPCP LFPREDICTORS-GPCP LF+ T850 LFNDVI observadoCICLO ANUALFigura 7.5: Comparação entre previsão estatística do NDVI iniciada de (a) junho a (i) fevereiro durante amonção de verão de 1989/90. Modelo com GPCP LF (GPCP LF +T850 LF ) usado nas previsões iniciadas de junho asetembro (outubro a fevereiro). Ciclo anual correspondente também é mostrado.2ª caso: 1990/91O período de monção de verão 1990/91 da América do Sul também esteve relacionadocom ausência de eventos ENOS e com variabilidades de anomalias de GPCP LF regionais de difícil144

previsibilidade, como mostrado nos resultados do modelo MARPI (Fig. 5.23 e 5.24) e discutidas emKrishnamurthy e Misra (2007). O mínimo do NDVI foi observado em julho e não previsto pelo modelocom GPCP LF (Fig. 7.6a). Assim, na previsão iniciada em julho (t = 0), o modelo aponta para NDVIacima do ciclo anual em agosto e setembro, e posteriormente abaixo (Fig. 7.6b). Entretanto, o NDVIsobre o Cerrado mostra curva ascendente com máximo em fevereiro intercalado por um picosecundário em dezembro. O modelo com GPCP LF prevê razoavelmente essa ascensão, embora setenha constatado ausência de episódios anômalos de GPCP LF durante esse período. Isso pode terocorrido devido ao prognóstico errôneo de GPCP LF contribuindo para início tardio da monção deverão e consequentemente, atrasando a estação úmida (veja Fig. 5.23). Na verdade, neste casopredominou a variabilidade de mais alta freqüência, com chuvas intermitentes que levaram a estaçãoúmida a ocorrer de forma antecipada (Krishnamurthy e Misra, 2007). Ainda assim, as previsõesiniciadas em agosto e setembro com o modelo usando apenas GPCP LF foram razoáveis, mostrando atendência de inclinação positiva da curva do NDVI sobre o Cerrado (Fig. 7.6c,d). Porém, durante overão, o modelo com GPCP LF e T850 LF tendeu a subestimar o NDVI observado e assim, errandoinclusive o sinal em relação ao ciclo anual (Fig. 7.6e-i). Desta forma, a destreza da previsão serestringiu ao 1ª mês. Isto é, o NDVI sobre o Cerrado oscilou com picos em dezembro e fevereiro(máximo), que só foi razoavelmente previsto pelo modelo com antecedência de um mês. Isso reflete apredominância da variabilidade de mais alta freqüência nos padrões atmosféricos durante asmonções de verão desse caso.3ª caso: 1997/98O terceiro e último caso abordado aqui foi um caso particular na qual predominoupadrões de baixa-freqüência de El Niño forte sobre a América do Sul e, que é associado à ocorrênciade chuvas intensas mais ao sul do sudeste do Brasil durante o verão (Liebmann et al., 2001; Grimmet al., 2003; Muza et al., 2009). Além disso, mostrou-se que essa região apresenta GPCP LF positivasno padrão de variabilidade de episódio Wet LF na P SBR (Fig. 4.21e). Durante o fim da estação seca doano de 1997, NDVI sobre o Cerrado estava levemente acima do ciclo anual, principalmente pelaocorrência de um episódio Wet LF na P SEC no fim da estação úmida de 1996/97 (veja Fig. 4.10e).Assim, o mínimo do NDVI veio a ocorrer em setembro de 1997, o que está de acordo com os estudosde Dessay et al. (2004). Posteriormente, ocorreram chuvas acima da média na região P SEC no iníciodas monções de 1997/98, antes que o episódio Dry LF nessa mesma região atingisse seu máximo em145

janeiro (veja Fig. 4.11g). Essas chuvas anômalas contribuíram para a curva ascendente do NDVIsobre o Cerrado logo após o mínimo ocorrido em setembro. Entretanto, o modelo com GPCP LF nãopreviu o mínimo do NDVI sobre o Cerrado ocorrido em setembro (Fig. 7.7a-d). De fato, issorepresenta uma limitação dos modelos para previsão de NDVI sobre o Cerrado investigados nopresente estudo. Os modelos desenvolvidos aqui não conseguem acertar o mínimo no NDVI queocorre, geralmente entre junho e setembro, embora neste caso de 1997/98 tenha havido acontribuição de um fortíssimo padrão de baixa-freqüência, onde as previsões do modelo MARPIforam de grande eficácia e com destreza se estendendo para além de 3 meses (Fig. 5.25). Issoporque nota-se uma variação temporal mais rápida nesse mínimo, enquanto os preditores do modelosão as variabilidades de baixa-freqüência da precipitação e temperatura. Isso está de acordo com acorrelação dos modelos durante o 2ª e 3ª mês de previsões iniciadas em junho (Fig. 7.3a).PREDICTOR-GPCP LFPREDICTORS-GPCP LF+ T850 LFNDVI observadoCICLO ANUALFigura 7.6: Comparação entre previsão estatística do NDVI iniciada de (a) junho a (i) fevereiro durante amonção de verão de 1990/91. Modelo com GPCP LF (GPCP LF +T850 LF ) usado nas previsões iniciadas de junho asetembro (outubro a fevereiro). Ciclo anual correspondente também é mostrado.146

PREDICTOR-GPCP LFPREDICTORS-GPCP LF + T850 LFNDVI observadoCICLO ANUALFigura 7.7: Comparação entre previsão estatística do NDVI iniciada de (a) junho a (i) fevereiro durante amonção de verão de 1997/98. Modelo com GPCP LF (GPCP LF +T850 LF ) usado nas previsões iniciadas de junho asetembro (outubro a fevereiro). Ciclo anual correspondente também é mostrado.Em contrapartida, NDVI sobre o Cerrado durante o verão de 1997/98 esteve acima dociclo anual e atingiu o seu máximo em maio, aspecto esse que foi constatado também por Dessay etal. (2004). Nota-se também uma mínima variação do NDVI acima do ciclo anual, na qual o modeloGPCP LF –T850 LF previu de forma satisfatória (Fig. 7.7f-i). Além disso, a tendência de longo períodoestá intrínseca as previsões dos modelos, tanto aquele que usa apenas o GPCP LF como o modeloGPCP LF –T850 LF . Isso está relacionado com a ocorrência de fenômenos de mais baixa-freqüênciacomo a influência de episódio Warm LF na região T SECW sobre o NDVI sobre o Cerrado (Fig. 4.16d). Ospicos máximo e mínimo da variabilidade do NDVI sobre o Cerrado podem estar associados àsinfluências de escalas temporais mais rápidas. Em alguns casos, a variabilidade do NDVI sobre oCerrado pode apresentar-se bastante diferente do ciclo anual, inclusive fora de fase. Por essa razão,as previsões dos modelos estatísticos para o NDVI sobre o Cerrado, embora dependa das relaçõeslineares entre atmosfera e cobertura vegetal, tornam-se bastante úteis no monitoramente eprognóstico sazonal desse ecossistema.147

┌ Capítulo 8 - Conclusão ┐8. Conclusão8.1 Sumário e conclusões gerais do trabalhoVários objetivos motivaram o desenvolvimento deste trabalho. Em primeiro lugarepisódios anômalos de baixa-freqüência nos padrões de precipitação e temperatura no centro-lesteda América do Sul foram investigados a fim de se identificar mecanismos atmosféricos que interferemna estação úmida durante as monções de verão austral. Além disso, em razão da alta importânciadas anomalias de baixa-freqüência na modulação da monção de verão, investigou-se o potencialdesta variabilidade na formulação de um modelo estatístico de previsão. O presente estudo tambémaborda os efeitos das anomalias de baixa-freqüência sobre a dinâmica da vegetação do Cerradobrasileiro e seu ciclo evolutivo durante a estação úmida. Em razão do sucesso do modelo estatísticode previsão da variabilidade de baixa-freqüência na formulação da precipitação e temperatura do ar,este trabalho apresenta o aspecto inovador de utilizar estas previsões como preditores do cicloevolutivo da vegetação do Cerrado brasileiro no sudeste e centro-oeste do Brasil.A filtragem de dados foi utilizada para caracterizar a variabilidade de baixa-freqüência,definida aqui como períodos maiores do que 370 dias, nos campos de precipitação e temperatura doar em 850 hPa. Três regiões homogêneas sobre o centro-leste da América do Sul foram identificadasem função da distribuição temporal das anomalias de precipitação em baixa-freqüência, enquantoque, para as anomalias de temperatura em baixa-freqüência, duas regiões homogêneas foramselecionadas. Episódios anômalos sobre cada região foram investigados no período de 1979 a 2005,também definidos em função da distribuição temporal da precipitação e temperatura em baixafreqüênciaatravés dos percentis de 75% (25%) e denominados episódios Wet LF e Warm LF (Dry LF eCold LF ), respectivamente. Esses episódios têm um período de ocorrência que transcende a escalasazonal, persistindo aproximadamente entre 18 a 54 pêntadas e assim tendo influência interanualpara cada região específica. Dessa forma, eles atuam como fenômenos de baixa-freqüência quemodulam as séries temporais de anomalias de chuva e temperatura acima ou abaixo da climatologia.Além disso, eles têm certo impacto no início, distribuição ou fim da estação chuvosa. Além disso,episódios anômalos Warm LF ou Cold LF no sudeste do Brasil modulam as anomalias totais de148

temperatura em qualquer época do ano, enquanto que no sul do Brasil essa característica é maisevidente apenas na primavera. Os mecanismos dinâmicos dominantes para episódios anômalos deprecipitação e temperatura em baixa-freqüência parecem completamente dependentes da específicaregião em foco. Isto é, durante episódios anômalos positivos e negativos de precipitação etemperatura em baixa-freqüência mostram-se padrões atmosféricos distintos em cada região. Nessesentido, a circulação atmosférica próxima à superfície no Brasil central claramente indica aimportância das anomalias de vento noroeste (sudeste) em baixa-freqüência para episódios Wet LF(Dry LF ) no sudeste e centro-oeste do Brasil, contribuindo para levar ar tropical quente e úmido (frio emais seco) para essa região. Na temperatura anômala em baixa-freqüência notou-se um dipolo entrea zona tropical e latitudes médias da América do Sul e Atlântico Sul, que também apresenta padrõesdistintos de circulação anômala na mesma escala de tempo. Em baixos níveis, uma circulaçãociclônica sobre o centro-leste da América do Sul está associada a episódios Cold LF e Wet LF . Por outrolado, episódios Warm LF e Dry LF são relacionados à circulação anticiclônica em baixos níveis navariabilidade de baixa-freqüência.Modelos estatísticos de previsão da variabilidade de baixa-freqüência nos campos deprecipitação e temperatura do ar em 850 hPa foram desenvolvidos com intuito de serem aplicadospara previsão em tempo real. Para tanto, uma metodologia foi desenvolvida para se minimizar oserros nas extremidades de séries temporais filtradas para reter variações em baixa-freqüência. Esteprocedimento foi de fundamental importância, pois permite que o modelo estatístico apresentado aquipossa ser utilizado para previsão de tempo real. Nesse estudo, esse problema foi adequadamentetratado utilizando Funções Ortogonais Empíricas (EOF) para projetar as anomalias de precipitação(com remoção apenas da climatologia) nos principais modos de baixa-freqüência sobre um domínioenglobando a América do Sul (50°S a 10°N, 80W° a 20W°). A reconstrução dos campos de anomaliasde precipitação e temperatura em baixa-freqüência foi altamente correlacionada com os dadosobservados, quando utilizou-se os 12 primeiros modos no caso da precipitação e 8 primeiros modosno caso da temperatura.A etapa seguinte correspondeu em desenvolver e validar o Modelo Auto-regressivo deProjeção Interanual - MARPI. O desenvolvimento compreendeu a identificação da ordem do modelo eteste de preditores, na qual os resultados mostraram que um modelo de ordem 2 é o ideal para oprognóstico da projeção interanual, de forma a evitar um super-ajustamento do modelo para oconjunto de dados. A verificação do modelo com dados independentes mostrou correlações acima de0.6 estendendo-se pelo menos até 18 pêntadas, sendo progressivamente melhor do que o valor149

persistido. O erro quadrático médio padronizado (S.RMS) pelo desvio padrão das anomalias deprecipitação de baixa-freqüência foi ainda melhor, com valores menores do que 1.0 até 24 pêntadas.As previsões no campo espacial foram obtidas pela reconstrução dos campos deanomalias de precipitação e temperatura em baixa-freqüência a partir dos modos de variabilidade e aprojeção interanual prevista de 1 a 24 pêntadas. Espacialmente, a destreza do modelo sobre asregiões do sudeste e centro-oeste do Brasil, principalmente quando essas estiveram sobre o efeito deepisódios anômalos de baixa-freqüência mostrou correlações acima de 0.6 e RMS.S menor do que1.0 estendendo-se até 18 pêntadas. A previsão melhorou especificamente sobre as regiões deinteresse durante ocorrência de episódios anômalos, tanto quanto durante El Niño ou La Niña, naqual a destreza do modelo é boa sobre praticamente todo domínio da América do Sul. Encontrou-seuma área de menor previsibilidade sobre os Estados brasileiros do Mato Grosso do Sul e São Paulo,principalmente quando há ausência de episódios anômalos. Essa área corresponde exatamente àregião homogênea P LIM identificada na variabilidade interanual do GPCP. Entretanto, os resultadossugeriram que a utilização de mais modos de variabilidade, ou seja, os 12 primeiros modospermitiram uma melhor destreza do modelo sobre regiões como o sudeste e centro-oeste, inclusivedurante os meses de início da estação úmida. Além disso, os produtos de previsão podem serdesenvolvidos sobre domínios de regiões específicas do centro-leste da América do Sul, contribuindopara a previsão climática de centros nacionais e regionais, e também auxiliando no diagnóstico ecompreensão dos mecanismos de grande escala para posterior prognóstico sazonal de consenso.Esses resultados são de suma importância, por exemplo, para o setor energético do país, uma vezque podem definir a estratégia de utilização da água nas bacias hidrográficas para os períodossazonais futuros.Outra questão endereçada nos objetivos do presente estudo foi de investigar a respostada vegetação do Cerrado às variabilidades sazonais de períodos anômalos de precipitação etemperatura em baixa-freqüência sobre o sudeste e centro-oeste do Brasil. A relação entre anomaliasno NDVI sobre o Cerrado e os episódios anômalos de baixa-freqüência aqui investigados no períodode 1982 a 1998 mostra que episódios Wet LF (Dry LF ) favorecem a evolução da vegetação acima(abaixo) do ciclo anual. Isto é, mostra-se que houve um aumento (redução) de até 0.2 do NDVIrelativo à ocorrência de episódios anômalos Wet LF e Warm LF (Dry LF e Cold LF ). Nesse cenário,observou-se que isso ocorre antecipadamente ao episódio anômalo apresentar maior amplitude, sejaele Wet LF ou Dry LF . Os episódios Warm LF (Cold LF ), que contribuem para que as anomalias do NDVIocorram acima (abaixo) do ciclo anual, mostram um cenário de anomalias de NDVI de sinais150

contrários, 5 meses antes e 3 meses após a máxima amplitude do episódio anômalo. Dessa maneira,Warm LF (Cold LF ) pode contribuir para um ciclo evolutivo da vegetação do Cerrado na estação úmidacom duração mais curta (longa).As previsões do MARPI de precipitação e temperatura foram aplicadas nodesenvolvimento de um modelo estatístico para prever o ciclo evolutivo da vegetação do Cerradoatravés de um modelo de regressão. Isto é, um exemplo de aplicação para os resultados do MARPIfoi demonstrado de forma também a averiguar a importância dos mecanismos de baixa-freqüência narelação linear clima-ambiente. Nesta etapa do trabalho, todos os resultados prévios convergem paraum mesmo propósito. Isto é, a variabilidade de baixa-freqüência na precipitação e temperatura sobreo sudeste e centro-oeste do Brasil modificando o ciclo evolutivo da vegetação sobre a região deCerrado forma à base para adoção de um modelo estatístico de previsão.Finalmente, a destreza do modelo estatístico de previsão do NDVI sobre o Cerradomostrou característica particular para cada período distinto de início, meio ou fim da estação úmidarelacionada com o ciclo anual no NDVI sobre o Cerrado. Tal modelo foi identificado como sendo deordem 2. Neste contexto, o modelo com preditores GPCP LF mostrou melhor destreza comparada aomodelo que utilizou GPCP LF e T850 LF durante as previsões inicializadas entre junho e outubro. Poroutro lado, as previsões inicializadas entre novembro a março apresentam melhores resultados com omodelo GPCP LF e T850 LF como preditores. Porém, ambos os modelos validados apresentaramdeficiência em prever o mínimo decaimento do NDVI sobre o Cerrado que ocorre entre julho asetembro. As previsões dos modelos estatísticos para o NDVI sobre o Cerrado dependem dasrelações lineares entre atmosfera e cobertura vegetal. Estes modelos também mostraram eficiênciaem prognosticar a evolução do NDVI sobre o Cerrado na escala sazonal, principalmente quando essese encontra fora de fase com o ciclo anual climatológico devido à atuação de fenômenos de baixafreqüênciacomo os episódios anômalos aqui pesquisados.Dessa forma, os resultados apresentados neste trabalho podem melhorar a destreza demodelos estatísticos de previsão sazonal principalmente no sudeste e centro-oeste do Brasil atravésdas interações dos modos principais de variabilidade em baixa-freqüência na América do Sul. Deacordo com resultados demonstrados neste estudo, esses padrões influenciam o ciclo evolutivo dacobertura vegetal do Cerrado brasileiro. Por conseguinte, este trabalho torna possível futuros estudosdiagnósticos e prognósticos de cenários de evolução de seus biomas.151

8.2 Sugestões para pesquisas futurasA realização deste trabalho motiva extensões para estudos futuros e que utilizem métodosestatísticos similares aos apresentados aqui.(a) As análises observacionais dos episódios anômalos de precipitação e temperatura embaixa-freqüência podem ser estendidas de modo a separar a influência de padrões de teleconexão ecompreender sua origem, por exemplo, de distúrbios atmosféricos nas escalas temporais intrasazonaise interanuais e sua propagação zonal ou inter-hemisférica através de análise de funções deinfluência. Além disso, índices atmosféricos formulados com auxílio de análise de funções ortogonaisempíricas podem contribuir para o monitoramento climático de regiões específicas quanto à influênciados padrões de variabilidade relacionados à forçantes remotas.(b) Outra questão seria estudar em detalhes a relação de sistemas atmosféricos de altafreqüência, que contribuem para o regime de precipitação durante as monções de verão da Américado Sul. Por exemplo, suas trajetórias preferenciais poderiam ser determinadas pela técnica difundidapor Murray e Simmonds (1991). Estudos de eventos de precipitação e temperatura anômala podemser investigados com análise de ondeletas nas quais esses sistemas podem interagir, por exemplo,com a intensificação das anomalias de baixa-freqüência e em outras escalas temporais. Nessecontexto, composições de eventos poderiam contribuir para compreender também a influência remotacomo, por exemplo, de modos de variabilidade extratropicais como o modo anular do Hemisfério Sul.(c) No contexto agro-ecológico, faz-se necessário investigar a importância da influência davariabilidade intra-sazonal da precipitação e temperatura nas anomalias da vegetação do Cerrado, asbandas de freqüência mais relevantes para a intermitência de chuvas durante a estação úmida e suarelação com as mudanças nos padrões de fluxos de superfície e circulação de baixos níveis.(d) Estes estudos prévios seriam importantes para considerarmos a seguinte questão: Épossível desenvolver um modelo estatístico de previsões sazonais de variáveis como precipitação,temperatura e vegetação (Y CLI ) que englobem a contribuição das oscilações intra-sazonais (Y IS ), desuas variações em mais baixa-freqüência (Y LF ) e da contribuição da variabilidade de alta freqüência(sinótica)? A contribuição de cada escala temporal pode ser obtida empregando similarmente osmétodos estatísticos utilizados no presente estudo. A contribuição da variabilidade de alta freqüênciapoderia ser estudada quanto às propriedades estocásticas de um resíduo (Y res ) a partir da equaçãogenérica de previsão Y res = Y CLI – Y LF – Y IS , isto é, análise de auto-covariância para investigar o seu152

comportamento temporal, e então, modelar seus parâmetros e ajustar uma distribuição deprobabilidade. O produto final de previsão sazonal poderia ser fornecido em termos de percentil dototal de chuva (ou de sua média) para um domínio específico ou região homogênea. Dessa forma,poder-se-ia produzir uma saída de prognóstico sazonal que identifique a intensidade da anomaliasazonal e a previsão de eventos anômalos e grau de intensidade temporal.153

Apêndice A: Publicações em periódicos e apresentações emreuniões científicas durante a execução desse trabalho.MUZA, M. N., CARVALHO, L. M. V., 2004: Variabilidade Intra-sazonal e Interanual dos Extremos dePrecipitação nos Trópicos e Subtrópicos durante o Verão Austral In: XIII Congresso Brasileiro de Meteorologia,Fortaleza-CE. Meio de divulgação: Anais.MUZA, M. N., CARVALHO, L. M. V., 2004: A Relação entre a Temperatura da Superfície do Mar naVariabilidade Interanual de Eventos Extremos de Precipitação nos Trópicos e Subtrópicos do Brasil durante oVerão Austral In: I Simpósio Brasileiro de Desastres Naturais, Florianópolis-SC.MUZA, M. N., CARVALHO, L. M. V. , 2006: Variabilidade intra-sazonal e interanual de extremos naprecipitação sobre o centro-sul da Amazônia. Rer. Bras. Meteor., 21, 29-41.Palavras-chave: Centro-sul da Amazônia, Extremos de precipitação, Oscilação de Madden-Julian, ElNiño/Oscilação Sul, Zona de Convergência do Atlântico Sul. Referências adicionais: Brasil/Português.Home page: http://www.icess.ucsb.edu/gem/publicacoes.htmlMeio de divulgação: Apresentado de forma oral na conferência “The 8 th International Conference on SouthernHemisphere Meteorology and Oceanography”, em Foz do Iguaçu, PR, 2005.MUZA, M. N., CARVALHO, L. M. V. , 2006: Diagnóstico de extremos climáticos no centro-leste da Américado sul. In: XIV Congresso Brasileiro de Meteorologia, Florianópolis-SC. Meio de divulgação: Anais. Forma deapresentado: oral.MUZA, M. N., JONES, C., CARVALHO, L. M. V. , 2006: Estudo de projeção da variabilidade interanual daprecipitação sobre a América do Sul. In: XIV Congresso Brasileiro de Meteorologia, Florianópolis-SC. Meio dedivulgação: Anais. Forma de apresentado: pôster.MUZA, M. N., CARVALHO, L. M. V. , JONES, C. , 2008: Modelo Auto-regressivo de Projeção Interanual. In:XV Congresso Brasileiro de Meteorologia, São Paulo-SP. Meio de divulgação: Anais. Forma de apresentado:oral.MUZA, M. N., CARVALHO, L. M. V., JONES, C., LIEBMANN, B., 2009: Intraseasonal and interannualvariability of extreme rainfall in the southeastern South America and Western South Atlantic Ocean during theaustral summer. J. Climate, V. 22, n.7, 1682-1699.Palavras-chave: Southeastern and Southern Brazil, western subtropical South Atlantic, Extreme precipitation,drought, Madden-Julian Oscillation, El Nino/Southern Oscillation, South Atlantic convergence zone. Áreas doconhecimento: Climatologia. Referências adicionais: Inglês. Meio de divulgação: Periódico impresso, Homepage: http://www.icess.ucsb.edu/gem/publicacoes.htm.MUZA, M. N., C., CARVALHO, L. M. V. , JONES, 2009: Spatial and Temporal Variability of savannavegetation on central Brazil in relation Precipitation and Temperature Low-frequency Extremes Anomalies:Diagnostic and Prognostic Analysis. In: 9th International Conference on Southern Hemisphere Meteorology andOceanography, Melbourne, Austrália. Meio de divulgação: Anais.http://www.bom.gov.au/events/9icshmo/poster_4.shtmlMUZA, M. N., C., CARVALHO, L. M. V. , JONES, 2009: Variability of the Precipitation and TemperatureLow-Frequency Anomalies on East from South America: Diagnostic and Prognostic. Int. Journ. Clim (inpreparation)Apêndice B: Cópia do Artigo Muza et al., 2009.154

1682 JOURNAL OF CLIMATE VOLUME 22Intraseasonal and Interannual Variability of Extreme Dry and Wet Events overSoutheastern South America and the Subtropical Atlantic during Austral SummerMICHEL N. MUZADepartment of Atmospheric Sciences, University of São Paulo, São Paulo, BrazilLEILA M. V. CARVALHODepartment of Atmospheric Sciences, University of São Paulo, São Paulo, Brazil, and Institute for ComputationalEarth System Sciences, University of California, Santa Barbara, Santa Barbara, CaliforniaCHARLES JONESInstitute for Computational Earth System Sciences, University of California, Santa Barbara, Santa Barbara, CaliforniaBRANT LIEBMANNCIRES Climate Diagnostics Center, Boulder, Colorado(Manuscript received 26 November 2007, in final form 9 October 2008)ABSTRACTIntraseasonal and interannual variability of extreme wet and dry anomalies over southeastern Brazil and thewestern subtropical South Atlantic Ocean are investigated. Precipitation data are obtained from the GlobalPrecipitation Climatology Project (GPCP) in pentads during 23 austral summers (December–February 1979/80–2001/02). Extreme wet (dry) events are defined according to 75th (25th) percentiles of precipitationanomaly distributions observed in two time scales: intraseasonal and interannual. The agreement between the25th and 75th percentiles of the GPCP precipitation and gridded precipitation obtained from stations in Brazilis also examined. Variations of extreme wet and dry anomalies on interannual time scales are investigatedalong with variations of sea surface temperature (SST) and circulation anomalies. The South Atlantic SSTdipole seems related to interannual variations of extreme precipitation events over southeastern Brazil. It isshown that extreme wet and dry events in the continental portion of the South Atlantic convergence zone(SACZ) are decoupled from extremes over the oceanic portion of the SACZ and there is no coherent dipole ofextreme precipitation regimes between tropics and subtropics on interannual time scales. On intraseasonaltime scales, the occurrence of extreme dry and wet events depends on the propagation phase of extratropicalwave trains and consequent intensification (weakening) of 200-hPa zonal winds. Extreme wet and dry eventsover southeastern Brazil and subtropical Atlantic are in phase on intraseasonal time scales. Extreme wetevents over southeastern Brazil and subtropical Atlantic are observed in association with low-level northerlywinds above the 75th percentile of the seasonal climatology over central-eastern South America. Extreme wetevents on intraseasonal time scales over southeastern Brazil are more frequent during seasons not classified asextreme wet or dry on interannual time scales.1. IntroductionThe wet season in most of tropical and subtropicalSouth America peaks in the austral summer, typicallyCorresponding author address: Michel Nobre Muza, Departmentof Atmospheric Sciences, University of São Paulo, 1226,R. do Matão, São Paulo, SP 05508–900 Brazil.E-mail: michelnm@model.iag.usp.brfrom December to February (e.g., Liebmann andMarengo 2001; Marengo et al. 2001). The South Atlanticconvergence zone (SACZ) is the most prominent largescalefeature of cloudiness and precipitation in the wetseason of eastern tropical South America. It can be observedas a northwest–southeast-oriented cloud bandemanating from the Amazon basin toward southeasternBrazil and the western subtropical South Atlantic Ocean(Kodama 1993; Liebmann et al. 1999; Nogués-PaegleDOI: 10.1175/2008JCLI2257.1Ó 2009 American Meteorological Society

1APRIL 2009 M U Z A E T A L . 1683and Mo 1997; Lenters and Cook 1999; Carvalho et al.2002a, 2004). Nevertheless, SACZ persistence, intensity,and form are quite variable during the summer season(Figueroa et al. 1995; Carvalho et al. 2002a, 2004). Thesequantities, which are related to distinct aspects of thelarge-scale circulation, define the spatial and temporalvariation of rainfall and its extremes (Liebmann et al.2001, 2004; Carvalho et al. 2002a,b,c, 2004) and thereforethe characteristics of the South America monsoon system(Zhou and Lau 1998; Jones and Carvalho 2002; Grimm2003; Vera et al. 2006; Silva and Carvalho 2007.Variations in the SACZ have been observed onintraseasonal to interannual time scales. For instance,Liebmann et al. (2001), using a large number of stationdata over the state of São Paulo (southeastern Brazil),showed that the count of extreme daily precipitationevents increases during warm El Niño–Southern Oscillation(ENSO) episodes. Carvalho et al. (2002a) showedthat the most significant increase of extreme precipitationevents during El Niño years occurs near the northeasterncoast of São Paulo state, which is likely relatedto an enhancement of the upper-level subtropical jetand its displacement toward the western subtropicalAtlantic. This anomalous circulation appears to be associatedwith the intensification of the oceanic portionof the SACZ (Carvalho et al. 2002a, 2004). Moreover,Carvalho et al. (2004) showed that a persistent SACZwith a well-defined oceanic (continental) activity is favoredduring warm (cold) ENSO episodes.Several previous studies have shown that the large-scaleflow from the Amazon is likely the main mechanismmaintaining the SACZ position (e.g., Figueroa et al. 1995;Nogués-Paegle and Mo 1997; Liebmann et al. 2004; Ganet al. 2004). The most coherent forcing of SACZ variabilityseems to be intraseasonal and synoptic-scale midlatitudewave trains (e.g., Liebmann et al. 1999; Carvalhoet al. 2004). Casarin and Kousky (1986) analyzed anomalousepisodes in southern Brazil and found that anomalouslydry conditions in that region are associated with aweak SACZ. Nogués-Paegle and Mo (1997) found aquasi oscillation in the intensification of rainfall in SACZwith half period of about 10 days, which was referred toas the South American seesaw. Similar results were foundby Liebmann et al. (1999) and Carvalho et al. (2004).Nevertheless, Carvalho et al. (2004) showed that theseesaw does not appear when convection in the SACZ isweak over the ocean and strong over the continent. Theirresults indicate, however, that the extratropical wavetrain is the main forcing mechanism for the enhancementof convection over the subtropical western AtlanticOcean and coastal areas of southeastern South Americaon intraseasonal time scales (Grimm and Silva Dias 1995;Liebmann et al. 1999; Nogués-Paegle et al. 2000).The occurrence of extreme precipitation over tropicalSouth America is modulated by the propagation ofthe Madden–Julian oscillation (MJO). Carvalho et al.(2004) showed that the phase of the MJO as characterizedby anomalous convection east of the internationaldate line (over Indonesia) is related to anenhancement (decrease) of convective activity and aconsequent increase (decrease) in the 95th percentile ofdaily rainfall over eastern Brazil. These results suggest arole of the MJO in modifying the characteristics of therainfall distributions and, therefore, modulating precipitationextremes.Jones et al. (2004) investigated eastward propagationof the MJO and occurrences of 5-day average extremeprecipitation on a global scale. They showed that,globally, extreme precipitation events increase by about40% during active MJO situations. They found also thatextremes become more frequent in southern Brazil andthe tropical Atlantic Ocean when convective anomaliesover Indonesia propagate eastward. In contrast,extremes in a broad region over eastern South Americaand tropical Atlantic are more frequent during thephase of the MJO characterized by convective anomaliesover the central Pacific.As the MJO propagates eastward across the equatorialPacific, it excites midlatitude wave trains, playing a rolein modulating the intensity and spatial variability ofconvection over tropical and subtropical South America.Intense (weak) convective activity in the SACZ on intraseasonaltime scales (10–100 days) appears related towesterly (easterly) intraseasonal anomalies of the lowlevelcirculation over central South America (Jones andCarvalho 2002; Carvalho et al. 2002b,c, 2004). Interestingly,Liebmann et al. (2004) showed that the phaseof the wave train, as it crosses the Andes, determineswhether rainfall will be enhanced downstream of theAndes at the low-level jet or in the SACZ.The focus of the present study is on the variability ofextreme wet and dry periods over southeastern Braziland the oceanic portion of the SACZ. SoutheasternSouth America comprises the most populated area inSouth America and is considered an important agriculturalcenter. A broader understanding of possiblemechanisms related to variations in extreme rainfallanomalies have, therefore, relevant social and economicimpacts for this region. In the present study, extreme wetand dry anomalies will be examined in two distinct timescales: intraseasonal and interannual. The purposes ofthis separation of scales are the following: 1) investigateatmospheric mechanisms responsible for the occurrenceof extremes that are coherent on the examined timescale, 2) characterize extreme precipitation and dry periodsin the SACZ and their relationships with the seesaw

1684 JOURNAL OF CLIMATE VOLUME 22pattern between southeastern and southern Brazil oninterannual time scales, and 3) understand the contributionof the intraseasonal activity to interannual variabilityof extreme wet/dry anomalies.This article is organized as follows: section 2 discussesthe dataset used in this study. In section 3, we discussthe seasonal spectral variance of precipitation data,compare the Global Precipitation Climatology Project(GPCP) data in the regions of interest with gridded precipitationobtained from stations over Brazil and discussthe method to select extreme precipitation/dry events onintraseasonal and interannual time scales. Composites ofextreme precipitation, SST, and the atmospheric circulationon interannual time scales are investigated in section4. Atmospheric mechanisms associated with the occurrenceof intraseasonal extremes are discussed in section 5.The relationships between extremes on intraseasonal andinterannual time scales over southeastern South Americaand oceanic SACZ regions are examined in section 6.Summary and conclusions are presented in section 7.2. DataThe precipitation data are 5-day mean (pentad)rainfall from GPCP. The GPCP pentad is based onstation gauges and satellite estimates with spatial resolution2.58 32.58 in latitude and longitude. The periodinvestigated here is the austral summer (December–February) from 1979/80 to 2001/02 (Xie et al. 2003). Theadvantage of using GPCP pentad data is that there iscoverage over the ocean, which opens the possibility ofinvestigating precipitation extremes in association withthe oceanic portion of the SACZ.Circulation patterns and SST anomalies are examinedwith pentad averages of National Centers for EnvironmentalPrediction–National Center for Atmospheric Research(NCEP–NCAR) reanalysis (Kalnay et al. 1996) ofthe following variables: zonal (U850) and meridionalwinds at 850 hPa (V850), zonal winds at 200 hPa (U200),and skin temperature. The latter was used as a proxy forglobal SST. Outgoing longwave radiation (OLR) data(Liebmann and Smith 1996) in pentads with the samespatial resolution as the reanalysis are also used.3. MethodsWe start our study by examining the power spectrumof GPGP data during December–February (DJF) overtwo regions that enclose the following areas: southeasternBrazil (258–158S and 52.58–42.58W) and western subtropicalSouth Atlantic (358–258S and 42.58–32.58W). Theobjective of this analysis is to identify the intraseasonalbands that contain most of the variance. Figure 1 showsFIG. 1. Average spectrum of GPCP during the DJF season over(a) southeastern Brazil (SEBr: 22.58–12.58S and 52.58–42.58W) and(b) subtropical western South Atlantic (WAtl: 32.58–22.58S and42.58–32.58W). Period: 1979–2004. Smooth solid line represents thebackground red noise spectrum and dashed line is the 95% significancelevel. The bandwidth (BW) is indicated on the top rightcorner of the frames.the average spectra of 24 DJF seasons (for more detailssee Jones et al. 1998). Statistically significant peaks onintraseasonal time scales between 66.6 and 33.3 days(52.6 and 36.4 days) are observed for the seasonal precipitationover SEBr (WAtl). Due to 5-day average(pentad), variations on scales less than ;10 days are notresolved. Based on the spectral analysis, intraseasonal(20–90 days) anomalies were obtained by filtering allprecipitation time series in frequency domain with fastFourier transform (FFT; e.g., Carvalho et al. 2005). The

1APRIL 2009 M U Z A E T A L . 1685frequency response of FFT filter is approximately 50%on the cutoff periods. For this reason, a 20–90-day bandis used because it is wider than the statistically significantpeaks shown in Fig. 1. Likewise, interannualanomalies (hereafter referred to as ‘‘low frequency’’)were obtained by applying the same filter in the frequencydomain and retaining periods . 370 days.Standard deviations of intraseasonal and low-frequencyanomalies of precipitation during DJF over SouthAmerica are shown in Fig. 2. The SACZ can be clearlyobserved in Fig. 2a as a region with a large standarddeviation of precipitation on intraseasonal time scalesduring summer over eastern South America and extendingtoward the Atlantic Ocean (Carvalho et al.2004) with a gap between the maxima over the continentand the Atlantic Ocean.The maximum variability on low-frequency timescales (Fig. 2b), on the other hand, is observed over thenorthern coast of Brazil, Colombia, and Ecuador inassociation with the intertropical convergence zone(ITCZ). Another maximum on low-frequency timescales is observed over southern Brazil, approximatelycollocated with the maximum observed on intraseasonaltime scales. ENSO is the most important forcing oninterannual time scales and is largely responsible for thepattern of precipitation variability on low-frequencytime scales over tropical and southern Brazil, Uruguay,and northeastern Argentina (e.g., Ropelewski andHalpert 1987; Karoly 1989; Kousky and Kayano 1994;Grimm 2003).The domains examined in this study correspond to theregions of maximum variability of precipitation on intraseasonaltime scales over southeastern South Americaand the subtropical Atlantic Ocean (e.g., Nogués-Paegleand Mo 1997; Liebmann et al. 1999; Carvalho et al. 2004),which correspond approximately to the climatologicalposition of the SACZ.a. Comparison between GPCP and gridded stationdataThe GPCP rainfall estimates were compared withgridded precipitation data at the same 2.58 32.58 resolutionobtained from stations in Brazil [Department ofWater and Electric Energy (DAEE) and NationalAgency for Electric Energy (ANEEL)] from 1979 to1998. Details of the gridded precipitation dataset arediscussed in Liebmann and Allured (2005). To comparethe two sources of data, average precipitations fromGPCP estimates and from gridded precipitation (hereaftergauges) were computed over SEBr for all DJFpentads. For SEBr (Fig. 2a), the correlation between thedatasets is 0.91, while the bias [¼ (1/n) å n t¼1 (GPCP tFIG. 2. (a) Intraseasonal (interval 2–5 mm day 21 ) and (b) lowfrequency(interval 0.4–1 mm day 21, ) standard deviation of precipitation(shaded) (mm day 21 ). The reference regions for compositesare indicated by boxes.gauges t )] is 0.16 mm day 21 and the root-mean-squaredifference f¼ [(1/n) å n t¼1 (GPCP t gauges t ) 2 ] 1/2 g is 1.16mm day 21 . The close correspondence between the twodatasets warrants the use of GPCP data in this study.We note, however, that probability distribution functionsof precipitation are, in general, skewed. To objectivelyinvestigate the relationships between the twodatasets with respect to extreme precipitation, percentilesthat characterize the tails of the precipitation distributionswere compared. For this purpose, the gammadistribution (Wilks 1995) was fitted to the precipitationtime series of each individual dataset (e.g., Ropelewskiand Halpert 1987; Grimm 2003) and the 5th,25th, 50th, 75th, and 95th percentiles were then computed.While the mean bias between the two datasetsis small (Fig. 3a), we observe a relative difference

1686 JOURNAL OF CLIMATE VOLUME 22Extreme precipitation (dry period) is defined accordingto 75th (25th) percentile of the precipitationanomaly distributions observed on intraseasonal andlow-frequency time scales. Extreme precipitation (dry)events are selected when more than 50% of the 25 totalgrid points in each domain had anomalies above (below)the 75th (25th) percentile. Persistence of wet anddry extreme events is also examined. Persistence is definedas the number of consecutive pentads recordingextreme precipitation/dry events. Figure 4 shows themedian, upper, and lower quartiles; interquartile range;outliers (persistence . 2 times the interquartile range);and nonoutlier maximum and minimum of persistenceof events on intraseasonal and low-frequency timescales. On intraseasonal time scales the median persistenceand upper quartiles for both extreme wet and dryevents is 2 pentads. The maximum (nonoutlier) range is4 pentads and minimum is 1 pentad.On low-frequency time scales, the median persistenceof extreme wet anomalies is 12 pentads, lower quartile 9pentads, and upper quartile 17 pentads. It is interesting tonote that the interquartile range of persistence of dryextreme events is comparatively small, with median11 pentads, lower quartile 6 pentads, and upper quartile12 pentads, indicating that wet anomalies can last longerthan dry anomalies. In this study we examined extremewet and dry events on intraseasonal and low-frequencytime scales that persisted for two or more pentads. Thenumber of independent events (degrees of freedom) forall statistical tests performed here was determined basedon the persistence of extreme events. On intraseasonal(low-frequency) time scales, we consider as independentevents those events that are separated by two or morepentads (one season).4. Wet and dry events on low-frequency time scalesFIG. 3. Dispersion diagram between GPCP and gridded precipitationobtained from stations (mm day 21 ) for (a) SEBr and (b)relative difference (%) between GPCP and gridded precipitationaccording to the percentiles of the distribution (abscissa). See textfor details.[5 (GPCP 2 gauges) / gauges] of about 211% betweenthe medians (Fig. 3b). Nevertheless, GPCP approachesgauges for large percentiles, whereas differences increasefor small percentiles. For example, the relativedifference is about 28% for the 95th percentile, whereasit is about 235% for the 5th percentile (Fig. 3b).b. Selection of eventsIn this section we examine spatial characteristics oflow-frequency precipitation anomalies during wet anddry episodes with a focus on the regions shown in Fig. 2.For this purpose, composites were computed by averagingthe anomalies observed during extreme events.Wet low-frequency anomalies over SEBr are related topositive precipitation anomalies throughout tropicaleastern South America as well as Indonesia and negativeanomalies over central equatorial Pacific (Fig. 5a).It is interesting, however, that dry conditions over SEBr(Fig. 5b) also favor positive anomalies over northnortheastSouth America in association with an activeAtlantic ITCZ, and negative anomalies over the equatorialPacific. Negative anomalies in the equatorial Pacificare of larger scale than those associated with positiveSEBr anomalies (Fig. 5a). In addition, an area withpositive anomalies is observed over Indonesia extendingtoward the South Pacific convergence zone (SPCZ)in the dry events composite (Fig. 5b). This feature isabsent when SEBr experiences positive extremes (Fig.5a). The precipitation anomaly patterns over the tropicssuggest that dry and wet events over SEBr are not

1APRIL 2009 M U Z A E T A L . 1687FIG. 4. Box-plot diagram illustrating the median, upper, lowerquartiles and the interquartile range of the distributions of persistenceof extreme dry and wet events on (left) intraseasonal and(right) low-frequency time scales for all regions. The limits of theboxes represent the interquartile range. Outliers are data values $ 2times the interquartile range.clearly related to phases of ENSO, as both positive andnegative extremes are associated with negative anomaliesin the equatorial Pacific.Low-frequency extremes over the western subtropicalSouth Atlantic (WAtl; Figs. 5c,d) are characterized byanomalies of smaller magnitude and scale than thoseover the continent previously discussed. No coherentsignal of precipitation anomalies is observed over continentalSouth America during extreme dry or wet eventsin that region. In addition, the patterns of precipitationover the Atlantic and Pacific Oceans differ from thoseobserved for wet or dry events over SEBr (cf. Figs. 5a,b)and do not resemble the canonical patterns of precipitationrelated to ENSO. Only 32% (38%) of the total pentadsassociated with extreme wet (dry) anomalies overWAtl occurred simultaneously with wet (dry) eventsover SEBr. These results suggest that distinct mechanismsmodulate the variability of extreme precipitationover the oceanic portion of the SACZ and the continentalSAZC, in agreement with previous observations(Carvalho et al. 2002a, 2004).a. Sea surface temperatureThe characteristics of SST low-frequency anomalies(SST LF ) associated with patterns of extreme dry and wetevents previously discussed are examined here. Consistentwith the pattern of precipitation anomalies, extremewet and dry events over SEBr are both relatedto negative SST LF anomalies over the eastern Pacific(Figs. 6a,b). Dry events over SEBr do not exhibit a reversalin the sign of the SST LF anomalies over easternPacific (cf. Fig. 6a). Nonetheless, relatively large magnitudesand westward extension of negative SST LFanomalies are observed during dry events (Fig. 6b).Three out of six dry events occurred during cold phases,and two during neutral ENSO phases. ENSO phasesand intensity are based on the NCEP/Climate PredictionCenter classification.Another interesting feature of the SST LF is observedover the South Atlantic Ocean, where extremes areassociated with opposite phases of the South AtlanticSST dipole (Robertson and Mechoso 2000). Wet (dry)extreme events over SEBr occur when the SST LFanomalies gradient over the South Atlantic is southward(northward). Extreme wet (Fig. 6c) and dry (Fig. 6d)events over WAtl seem also related to distinct SST LFgradients over the Atlantic Ocean. However, there areno systematic relationships with low-frequency extremeprecipitation anomalies over SEBr.b. Upper-level circulationKodama (1992, 1993) suggested that the SACZ, similarto other subtropical convergence zones, appearswhen two necessary conditions in midlatitude circulationare satisfied: first, subtropical jet flows in the subtropicallatitudes (308–358S) and second, low-level poleward flowsprevail along the western peripheries of the subtropicalhighs. It has been postulated that if these conditions arenot satisfied, the convergence zone is weak. It is importantto point out that Kodama focused mainly on the oceanicportion of the SACZ. The objective of the present analysisis to investigate the importance of low-frequencyanomalies in low- and high-level circulations along withvariations in the Pacific–South American (PSA) pattern(Mo and Nogués-Paegle 2001) for the occurrence of extremewet/dry events over the regions considered here.For this purpose zonal wind low-frequency anomalies at200 hPa (U200 LF ) and wind low-frequency anomalies at850 hPa (UV850 LF ) during extreme wet and dry events onlow-frequency time scales are examined.Figure 7 shows that extreme wet (dry) events in allregions are observed in association with a local enhancementof U200 LF westerly (easterly) anomalies. ThePSA pattern characterized by the alternating U200 LFanomalies over western South America is evident duringwet events over SEBr (Fig. 7a). Dry episodes over SEBr,on the other hand, are characterized by a large extent ofeasterly anomalies over large portions of the tropics ofthe Southern Hemisphere (Fig. 7b). Westerly anomaliesare observed over the equator between 1808 and 1208Wand also over the extratropics of the Southern Hemisphere,indicating an intensification of the zonal symmetryin high-level circulation.Composites of U200 LF show clear evidence that theoccurrence of extreme wet (Fig. 7c) and dry (Fig. 7d)

1688 JOURNAL OF CLIMATE VOLUME 22FIG. 5. Composites of GPCP low-frequency anomalies (mm day 21 ) for wet and dry extremeevents, respectively: (a), (b) SEBr; (c), (d) WAtl. Shading indicates statistical significance at95% confidence level. Light (dark) shading and solid (dashed) contours indicate positive(negative) anomalies. First contour is 0.5 (20.5) and second is 2.0 (22.0) with interval 2.0.events over WAtl are not dynamically forced by thesame mechanisms during extreme events over SEBr onlow-frequency time scales. Positive U200 LF anomaliesare less intense and cover a small area in the subtropicsduring wet events (Fig. 7c), but indicate the importanceof the enhancement of the jet over the oceanic SACZ.Dry events (Fig. 7d) show opposite patterns of U200 LFanomalies with a weak subtropical jet in the SouthernHemisphere.c. Low-level circulationPatterns of low-level wind circulation anomaly at 850hPa (UV850 LF ) are shown in Fig. 8. Wet extreme eventsover SEBr are associated with anomalous anticycloniccirculation over central-eastern Brazil (Fig. 8a). Thisanomalous circulation increases the northerly windsfrom equatorial Atlantic across northern South Americaand intensifies the westerlies over tropical Brazil.As a consequence, the transport of humidity towardsoutheastern Brazil increases and is likely related to theenhancement of precipitation in the SACZ. On theother hand, dry events on low-frequency time scalesover SEBr occur in association with cyclonic anomaliesover eastern South America (Fig. 8b). In these cases,zonal westerly anomalies are observed near the equatorand easterly anomalies over eastern South America.

1APRIL 2009 M U Z A E T A L . 1689FIG. 6. Same as in Fig. 5, but for SST (.370 days) low frequency. First contour is 0.18C (20.18C) andsecond is 0.58C (20.58C) with interval 0.58C.Easterly anomalies over tropical South America inhibitthe transport of humidity from the Amazon and havebeen related to a weak SACZ (Herdies et al. 2002;Carvalho et al. 2002a; Jones and Carvalho 2002).The existence of distinct mechanisms modulatingextreme precipitation over WAtl and SEBr on lowfrequencytime scales is also suggested by the pattern ofUV850 LF (Fig. 8) . Wet events over WAtl (Fig. 8c) areobserved along with the enhancement of a cyclonicanomaly over the subtropical western Atlantic, with acenter ;408W and 408S. This anomalous circulation isassociated with southerly anomalies over subtropicalSouth America, extending from the midlatitudes of thewestern Atlantic toward central tropical South Americaand to the equator. This pattern of circulation anomaliesclearly differs from that observed during wet eventsover SEBr (Fig. 8a), a region that typically correspondsto the continental portion of the SACZ (Carvalho et al.2004). The most remarkable difference is the almostopposite anomalous flow from the equatorial Atlanticacross the Amazon toward southeastern Brazil. Westerlywind anomalies occur over a much narrower regioneastern of South America, in comparison with SEBr(Fig. 8a). Nonetheless, this pattern of low-level circulationsuggests that the poleward flow discussed inKodama (1993) occurs north (equatorward) of WAtlabove warm SST (Fig. 6c), and is collocated with increasedhigh-level westerly wind anomalies (Fig. 7c). Inaddition, equatorward low-level flow occurs south(poleward) of WAtl above cold SST (Fig. 6d). These areimportant ingredients to maintain low-level convergenceand therefore enhance precipitation over WAtl.Dry events over WAt are clearly associated with theenhancement of the subtropical Atlantic anticyclone

1690 JOURNAL OF CLIMATE VOLUME 22FIG. 7. Same as in Fig. 5, but for composites of 200-hPa zonal wind (m s 21 ). First contour is 1.0 m s 21(21.0 m s 21 ) and second is 2.0 m s 21 (22.0 m s 21 )withinterval2.0ms 21 .(Fig. 8d). The center of this anomaly is located approximatelyat 308S and is associated with easterlyanomalies over SEBr and northerly anomalies oversouth Brazil. An intensification of the poleward flowoccurs south of WAtl whereas the equatorward flowintensifies north of the region collocated with easterlyupper-level zonal wind anomalies (Fig. 7e). As postulatedby Kodama (1992), these features inhibit the organizationof the subtropical convergence zones.5. Wet and dry events on intraseasonal time scalesThe objective of this section is to examine in detail therole of the MJO in modulating extreme precipitationanomalies on intraseasonal time scales. Jones et al. (2004),Carvalho et al. (2004), and Liebmann et al. (2004)provided insights into understanding the role of the MJOin modulating extreme precipitation over broad areasof tropical and subtropical South America. The noveltyof the present analysis is the focus on wet and dryintraseasonal anomalies (and not total precipitation) inthe region of large intraseasonal variance over SouthAmerica and the southeastern Atlantic (Fig. 2) and adetailed examination of the relationships of extremeevents with the MJO.Extreme anomalies on intraseasonal time scales aredefined as discussed in section 3b. Figure 9 shows thepatterns of wet and dry extreme precipitation anomaliesover each region. The striking aspect of the spatialorganization of precipitation anomalies on intraseasonaltime scales is the seesaw pattern previouslydocumented in some studies (e.g., Casarin and Kousky

1APRIL 2009 M U Z A E T A L . 1691FIG. 8. Composites of 850-hPa wind (m s 21 ) low-frequency anomalies for (a), (c) wet and(b), (d) dry extreme events: (a), (b) SEBr; (c), (d) WAtl. Shading indicates statistical significanceat 95% confidence level. Boxes show the reference regions for the composites as discussed in thetext. Dotted contours show the terrain elevation beginning at 750 m with 500-m intervals.1986; Nogués-Paegle and Mo 1997). It is noteworthy,however, that the well-defined seesaw on intraseasonalscales is not evident on low-frequency time scales (cf. withFig. 5). In addition, Fig. 9 suggests opposite relationshipsbetween extreme events over SEBr and southern Brazil(cf. Fig. 9a with Fig. 9b) as part of distinct phases ofpropagation of the midlatitude wave trains discussed inLiebmann et al. (1999). The seesaw seems also characterizedbetween WAtl and southern Brazil during wet(Fig. 9c) and dry (Fig. 9d) events. About 27% (29%) ofthe extreme wet (dry) pentads over WAtl are observedalong with extreme wet (dry) anomalies over SEBr.a. The Madden–Julian oscillationThe relationships between the MJO and extremes onintraseasonal time scales in each region are now investigated.To objectively identify the importance of distinctphases of the MJO in modulating precipitationover South America we used the procedure describedin Carvalho et al. (2004) and summarized as follows:empirical orthogonal function (EOF) of the outgoinglongwave intraseasonal (20–90 days) anomalies (OLR IS )was computed in the domain 158S–158N (all longitudes)(1979–2002). The two leading EOF modes characterizethe canonical phases of the oscillation over the equatorialPacific (Weickmann et al. 1985), with the firstmode leading the second by two to three pentads (Joneset al. 2004). The patterns of tropical convective intraseasonalanomalies during different phases of propagationof the MJO are indicated from OLR IS compositesobtained when the amplitudes of the time coefficientof the two leading EOFs are above (below) the75th (25th) percentiles relative to the DJF distribution(Fig. 10).According to this criterion, the pattern of convectiveanomalies during the MJO phase characterized byEOF-1 . 75th percentile (Fig. 10a; 31 cases) indicatesenhanced convection over the Indian Ocean and suppressedconvection over western Pacific Ocean ("Indian#WP), as discussed by Weickmann et al. (1985). In addition,this phase of the MJO is characterized by suppressionof convection over eastern tropical SouthAmerica toward the Atlantic Ocean in agreement withJones et al. (2004).The second EOF (EOF-2) , 25th percentile characterizesthe next phase of the MJO (Fig. 10b; 34 cases),

1692 JOURNAL OF CLIMATE VOLUME 22FIG. 9. GPCP intraseasonal (20–90 days) anomalies (mm day 21 ) during extreme events onintraseasonal time scales for (a), (c) wet and (b), (d) dry extreme events: (a), (b) SEBr; (c), (d)WAtl. First positive (negative) contour is 1.0 (21.0) with intervals equal to 2.0 mm day 21 .when convection is enhanced over Indonesia and suppressedover central Pacific, Africa and eastern tropicalSouth America (SA; "Indonesia #SA). Enhancement ofconvection is observed over southern Brazil, Uruguay,and northern Argentina, extending toward the subtropicalAtlantic. The displacement of convection eastwardwith suppression over the Indian Ocean and enhancementof precipitation over western Pacific (WP; #Indian"WP) is characterized by EOF-1 , 25th percentile (Fig.10c; 33 cases). As convection moves toward centralPacific and suppression takes place over Indonesia,enhanced convection is observed over eastern SouthAmerica (#Indonesia "SA) (Fig. 10d; 36 cases). Thisphase is characterized by EOF-2 . 75th percentile.Note that suppression of convection is also observedover southern Brazil during this phase.To identify whether extreme events on intraseasonaltime scales are modulated by the propagation of theMJO, the frequency of events that were observed ineach phase of propagation of the tropical disturbancewas computed. Only events that have started during agiven phase and have persisted at least two pentads areconsidered. The results are summarized in Fig. 11. OverSEBr (Fig. 11a), about 50% of the total wet events (P75)occurred during the "SA #Indonesia MJO phase whereasonly ;10% of the events occurred at other times.However, the frequency of dry events (P25) is approximatelythe same during "Indian #WP (35%) and"Indonesia #AS (39%) phases (Fig. 11a). Nonetheless,fewer than 5% of the dry events occurred during "SA#Indonesia phase.Over WAtl (Fig. 11b) ;30% of the wet events occurredduring the "WP #Indian phase against 10% during"Indian #WP. Dry events are relatively more frequentduring "SA #Indonesia phase (40%); nevertheless, allother MJO categories appeared related to frequenciesbetween 15% and 20%.A test for the difference of proportions (Spiegel et al.2000) was applied in order to identify which differencesin proportion of extreme events can be considered statisticallysignificant at 5% significance level. Considertwo distinct MJO phases corresponding to sample sizesequal to n 1 and n 2 , and ^p 1 and ^p 2 are the proportions ofextreme events that occurred in each phase as indicatedin Fig. 10. To test whether the two proportions canbe considered as belonging to distinct populations, thefollowing transformation was applied:^pz 5 1 ^pp ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi 2, (1)^p^q(1/n 1 1 1/n 2 )where ^p 5 (n 1 ^p 1 1 n 2 ^p 2 )/(n 1 1 n 2 ), ^q 5 1 ^p, and n 5n 1 1 n 2 . The null hypothesis H 0 is p 1 5 p 2 and the

1APRIL 2009 M U Z A E T A L . 1693FIG. 10. Composites of OLR intraseasonal anomalies (20–90days) over the tropics during distinct phases of MJO propagationobtained from the two leading EOF modes of the OLR IS anomaliesbetween 158S and 158N (see text for details). Composites areperformed according to the magnitude of the respective DJF timecoefficient using the following criteria: (a) EOF-1 . 75th percentile(EOF-1 75th ), (b) EOF-2 , 25th percentile (EOF-2 25th ), (c)EOF-1 , 25th (EOF-1 25th ), and (d) EOF-2 . 75th percentile(EOF-2 75th ). Symbol ‘‘"’’ (‘‘#’’) at the top of each frame indicatesenhancement (weakening) of convective activity in some key regions.Shading indicates statistical significance at 95% confidencelevel. Light (dark) shading and solid (dashed) contours indicatepositive (negative) anomalies. First positive (negative) contour is2.5 (22.5) and interval 5.0 W m 22 .alternative hypothesis H 1 is p 1 . p 2 . The z statistics [Eq.(1)] has normal distribution. Statistically significant differencesat 5% level are observed for z . 1.64. Table 1summarizes the results. Differences are statistically significantat 5% significance level for wet events occurringover SEBr during the "SA #Indonesia (Fig. 10d) comparedto all other phases of the MJO. Similarly, dryevents over SEBr are more frequent during "Indonesia#AS (Fig. 10b) compared to the opposite phase "SA#Indonesia (Fig. 10d) and also with "WP #Indian phase(Fig. 10c). Differences are not statistically significantwith respect to "Indian #WP phase (Fig. 10a) which isassociated with similar proportion of dry events.Differences in the frequency of wet events over WAtlare statistically significant only between "WP #Indianphase (Fig. 10c) and "Indian #WP phase (Fig. 10a). Thefrequency of dry events over WAtl is surprisingly largerduring "SA #Indonesia (Fig. 10d) compared to "Indian#WP phase (Fig. 10a) and "Indonesia #AS (Fig. 10b).The WAtl region is located south of the maximum signalof OLR intraseasonal anomalies observed during"SA #Indonesia (Fig. 10d). The relationships with MJOphases indicated here are likely the effect in low- andhigh-level circulations because of equatorial Kelvin andextratropical Rossby response of the MJO (Ferrantiet al. 1990; Liebmann et al. 2004).b. Intraseasonal extreme events and low-levelmeridional circulationLiebmann et al. (2004) investigated the influence ofthe South American low-level jet east of the Andes ondaily precipitation downstream of the jet and in theSACZ. They found that the amount of precipitationapproximately doubles its expected climatology whenthe jet is strong, with evolution of rainfall from south tonorth. They also showed that the intensification of thejet is related to the development of a baroclinic systemfarther south. In addition they showed that phases of theMJO have statistically significant amplitudes associatedwith rainfall both downstream of the jet and in theSACZ. The objective of the present study is to complementLiebmann et al. (2004) study by identifying therelationships between extreme precipitation on intraseasonaltime scales and low-level meridional circulationover South America and western South Atlantic.For this purpose, composites of nonfiltered 850-hPawind during extreme wet and dry events on intraseasonaltime scales for each region discussed beforewere performed (Fig. 12). In addition, for each compositethe average meridional wind ( V) was comparedwith the expected DFJ climatology. Lines in Fig. 12denote regions where V is significantly (5% two-sided ttest) above (continuous lines) and below (dashed lines)the climatological median.During extreme wet events over SEBr (Fig. 12a),meridional winds $ 75th percentile of the climatologyare observed over eastern South America, north of theSEBr region, extending toward the Atlantic Ocean.Magnitudes of V above the median are also observed

1694 JOURNAL OF CLIMATE VOLUME 22FIG. 11. Percentage of wet and dry intraseasonal extreme events observed in each MJO phase; (a) SEBr,(b) WAtl. Symbol ‘‘"’’ (‘‘#’’) indicates increase (decrease) of convection in that region according to Fig. 10.‘‘Others’’ category indicates that the observation did not occur in any characteristic phase of the MJO.Total number of wet (P75) and dry (P25) events in each region is indicated at the bottom of each frame.over northern South America, indicating the large contributionof moisture input from the equatorial Atlantic.These features appear along with V below the 25thpercentile of the climatology east of the Andes. Duringdry intraseasonal events over SEBr (Fig. 12b), an enhancementof the low low-level jet east of the Andes isobserved, consistent with the results of Liebmann et al.(2004). The average magnitude of V is between themedian and the upper quartile of the climatology for theregion, except for a few grid points just east of the AndesTABLE 1. The z-statistics for the difference in proportions of intraseasonal (20–90 days) extreme wet and dry events and MJO phases.Symbols and acronyms to identify distinct phases of the MJO follow the definitions of Fig. 10. Statistically significant differences at 5%(10%) level are observed for z . 1.64 (z . 1.28).EventArea"Indian #WP vs"Indonesia #SA"Indian #WP vs#Indian "WP#Indonesia "SA vs"Indian #WP"Indonesia #SA vs#Indian "WP"Indonesia #SA vs#Indonesia "SA#Indian "WP vs#Indonesia "SAWet SEBr 0.61 0.00 3.02 0.62 3.63 3.08Dry SEBr 0.36 1.59 3.20 1.97 3.56 1.76Wet WAtl 1.12 1.99 1.13 0.95 0.00 0.96Dry WAtl 0.53 0.53 1.77 0.00 2.33 2.31

1APRIL 2009 M U Z A E T A L . 1695FIG. 12. The 850-hPa total wind (m s 21 ) during (a), (c) wet and (b), (d) dry extreme intraseasonal events over(a), (b) SEBr; (c), (d) WAtl. Solid lines indicate regions where the average magnitude of the meridional wind is abovethe 55th percentile of the climatology (lines are plotted every 10% interval). Dashed lines indicate regions where themagnitude of the meridional wind is below the 25th percentile. This analysis is performed only where the intraseasonalanomalies of the meridional wind are statistically significant at 5% significance level (gray shades). Dottedcontours show the terrain elevation beginning at 750 m with 500-m intervals.where the intensity is above the 75th percentile. Thesefeatures are observed along with a decrease in magnitudeof V over Northeastern Brazil extending toward theAtlantic Ocean and have not been documented before.Wet extreme events over WAtl (Fig. 12c) are associatedwith the intensification of the northerly windsover eastern South America and over the AtlanticOcean, north of WAtl. Unlike SEBr wet events (Fig.12a), these winds have intensity above the upper quartileof the climatology only over the Atlantic and thesoutheastern coast of SA (Fig. 12c). Interesting enough,dry extreme events over WAtl (Fig. 12d) are not associatedwith an enhancement of V east of the Andes butover southeastern Brazil.6. Relationships between intraseasonal andlow-frequency extreme eventsThe occurrence of extreme events on low-frequencytime scales certainly results from the interplay of phenomenaoccurring on several time scales. For example, alarge number of storms or intense mesoscale systemsduring one season must increase the total seasonalprecipitation. Analogously, more frequent cold fronts orlong-lasting blocking conditions can also play a role inchanging the seasonal climatology. The objective of thepresent section is to examine the importance of intraseasonalanomalies in contributing to extreme seasonalprecipitation.

1696 JOURNAL OF CLIMATE VOLUME 22TABLE 2. Distribution of intraseasonal (20–90 days) extreme events according to low-frequency anomalies during all seasons. Wet(dry) extreme events on low-frequency time scale are labeled as Wet LF (Dry LF ), whereas wet (dry) extreme events on intraseasonal timescales are labeled as Wet IS (Dry IS ). Seasons not classified as dry or wet on low-frequency time scales are labeled as ‘‘neither.’’ Thez-statistics for the difference in proportions is also shown. Statistically significant differences at 5% (10%) level are observed for 21.64 .z . 1.64 (21.28 . z . 1.28). See text for more details.SEBr20–90 days extreme eventsLow-frequency extremesWet IS Dry IS Wet IS Dry ISWet LF 5 (25%) 8 (42%) 8 (40%) 8 (40%)Dry LF 1 (5%) 6 (32%) 8 (40%) 4 (20%)Neither 14 (70%) 5 (16%) 4 (20%) 8 (40%)Total 20 19 20 20z-statistics for the difference in proportionsWet LF –Dry LF 0.97 0.38 0.00 20.75Dry LF –neither 22.57 0.23 0.83 20.77Neither–Wet LF 1.78 20.67 20.93 0.00WAtlIntraseasonal extreme anomalies are observed, onaverage, 1–2 times during one DJF season with persistencethat varies from one to four pentads (Fig. 4) andvariable intensity. A quantitative analysis about thefrequency of wet and dry intraseasonal events duringwet and dry low-frequency extreme events (labeledas Wet LF and Dry LF , respectively) over SEBr and WAtlis shown in Table 2. Only 25% (32%) of the wet (dry)intraseasonal events occurred along with Wet LF(Dry LF ) events over SEBr. Nevertheless, the frequencyof wet intraseasonal events that occurred in seasonswith near-median low-frequency anomalies (labeled as‘‘neither’’ in Table 2) is 70%. The test of difference inproportions [Eq. (1)] indicates that more extreme intraseasonalwet events over SEBr have occurred during‘‘neither’’ than during Wet LF and Dry LF seasons at 5%significance level. No statistically significant differenceswere observed for the frequency of dry intraseasonalevents over SEBr.Over WAtl approximately the same proportion ofwet intraseasonal events (40%) occurred during Wet LFand Dry LF seasons and the remaining (20%) during‘‘neither.’’ About 40% of all dry intraseasonal eventsoccurred during Wet LF , 20% during Dry LF and 40%during ‘‘neither.’’ Differences are not statistically significantat 5% level.Figure 13 illustrates the relationship between thefrequency and intensity of intraseasonal anomalies andlow-frequency anomalies during all seasons. Dark thicklines are the average in the area (SEBr and WAtl) oflow-frequency anomalies during the season. Extremewet and dry anomalies on low-frequency time scales areindicated in the figure by showing the year correspondingto December of that summer season. Graylines represent the average intraseasonal anomaliesobserved in a given region during the season. Dashedlines indicate the 75th and 25th percentiles of the intraseasonalanomalies and are used as references toinfer the occurrence of extreme anomalies on that timescale.Figure 13 clearly indicates the complexity of the relationshipsbetween extreme wet or dry seasons and theintensity, duration, and frequency of the intraseasonalevents in both regions. The occurrence of a strong wetintraseasonal event can be followed by long dry period(or vice versa) and the resulting contribution seems todepend on the timing of the events, intensity, and frequency.For instance, 1985 was a dry season over SEBr.Two intraseasonal events affected the area in that season,both causing wet and dry extreme anomalies. Thewet anomalies do not seem to have been long or strongenough to compensate the dry anomalies. On the otherhand, long-lasting events during the middle of the seasonor the occurrence of two or more strong events mayhave contributed substantially to the surplus of theseasonal precipitation in some seasons. Examples of thelatter are observed in 1996 affecting SEBr and WAtl.Likewise, strong dry intraseasonal periods as observedin 1983 over SEBr seem to have contributed to thedeficit of precipitation in that region. However, it islikely that the frequency and intensity of synoptic-scalesystems such as cold fronts, with time scales shorter than20 days, play a more efficient role in modulating extremeprecipitation and dry conditions in the regionsinvestigated here. The 1982 season over WAtl is onetypical example that suggests an irrelevant importanceof the intraseasonal activity for the seasonal anomalies.The enhancement of convection due to local processesnot considered here is another aspect that can certainlycontribute to the total seasonal precipitation. Moreover,given the interannual variability of the intraseasonalactivity suggested in Fig. 13, there is an indication that

1APRIL 2009 M U Z A E T A L . 1697FIG. 13. Intraseasonal (20–90 days) anomalies (gray lines) averaged in each region during theoccurrence of low-frequency (.370 days) extreme events; (a) SEBr, (b) WAtl. Dashed linesshow the upper and lower quartile of the intraseasonal anomalies to indicate the occurrence ofextreme events on that time scale. The average low-frequency anomalies in grid points thatobserved extreme events in each region are indicated by dark lines. Years corresponding to theextreme events are shown inside the figure and are not the same for all regions.the dynamics responsible for extreme wet or dry seasonsdo not play a substantial role in modulating intraseasonalactivity over southeastern South America.7. ConclusionsThe present observational study explored some dynamicalfeatures associated with the occurrence of extremewet and dry events on intraseasonal (20–90 days)and low-frequency (. 370 days) time scales over southeasternSouth America and subtropical western Atlanticduring the austral summer. One unique aspect of thisstudy is the additional focus on the western subtropicalAtlantic where the oceanic activity of the SACZ hasbeen observed. Moreover, we addressed relationshipsbetween intraseasonal and low-frequency extremeanomalies that have not been explored before.Dominant dynamical mechanisms during extremeevents on low-frequency time scales seem quite dependenton the regions we are focusing on. Extreme dry andwet conditions have no clear relationships with ENSOover SEBr and WAtl. Nevertheless, we found indicationthat the enhancement of convection over SEBr is relatedto suppression of convection over the equatorial westernPacific (;1808–1208W) and enhancement over the MaritimeContinent. In contrast, the enhancement of convectionover the SPCZ and suppression over the equatorialPacific is related to dry conditions on low-frequency timescales over SEBr. In addition, the reversal of the SouthAtlantic dipole seems to have a more effective relationshipwith extreme events over SEBr and WAtl than theSST in the equatorial Pacific.Composites of upper-level circulation indicate thatwet (dry) extreme events on low-frequency time scalesare systematically related to westerly (easterly) anomalies.A broad region with easterly anomalies and largelyzonal features in the Southern Hemisphere is observedduring dry events over SEBr. Atmospheric mechanismsdriving extreme anomalies over WAtl seem to be distinctfrom those that cause extreme events over SEBr,

1698 JOURNAL OF CLIMATE VOLUME 22emphasizing the importance of the decoupling betweenthe oceanic and continental precipitation patterns overthe SACZ region. Moreover, there is no clear evidenceof a seesaw of extreme events between SEBr and southBrazil on low-frequency time scales. Near-surface circulationclearly indicates the importance of the dominanceof westerly (easterly) wind anomaly regimes forwet (dry) seasons over SEBr. Over WAtl, the occurrenceof extreme wet (dry) seasons depends largely on theanomalous equatorward (poleward) flows toward thesubtropical Atlantic Ocean.On intraseasonal time scales, a large correspondenceamong extreme events in all regions is consistent withthe propagation of extratropical wave trains, as shownin several previous studies referred to in this paper.Here we identified the relationships between the frequencyof events and phases of the MJO. It is importantto emphasize that not all intraseasonal activity studiedin this paper was clearly and unequivocally connected tothe MJO extratropical Rossby response (e.g., Ferrantiet al. 1990). Nevertheless, we showed that distinctphases of propagation of the MJO have different impactson the frequency of extreme wet and dry eventsover these regions. Another result complementary tothe Liebmann et al. (2004) study indicated that extremeevents on intraseasonal time scales over SEBr and WAtlare related to the occurrence of meridional winds abovethe 75th percentile over eastern tropical Brazil extendingtoward the ocean. The combination of theseresults suggests that the tropical variability in circulationobserved in this region is likely modulated by theMJO Kelvin response in the tropics.Associations between intraseasonal variability andextreme wet and dry events on low-frequency timescales indicate a very complex pattern of covariability.The number and intensity of intraseasonal events mayinfluence the total precipitation of the season dependingon their timing. Moreover, other time scales not investigatedin this study such as the synoptic (, 10 days) andmesoscale (, 1 day) may significantly contribute to thetotal precipitation during the summer season and needto be considered to properly address the variability ofextreme events on low-frequency time scales.Acknowledgments. The authors thank Dave Alluredfor gridded-precipitation data processing. Rainfall stationdata was provided by DAEE and ANEEL andGPCP by NOAA. The NCEP–NCAR reanalysis andOLR data were provided by NOAA/ESRL PhysicalSciences Division. The authors greatly acknowledge thefinancial support of the following agencies: M. N. MuzaCNPq (140280/2006-5); L.M.V. Carvalho FAPESP (02/09289-9) and CNPq (302203/02-8; 482447/07-9); L.Carvalho, C. Jones, and B. Liebmann NOAA CPPAprogram (NA07OAR4310211); L Carvalho and C. JonesNOAA (NA05OAR4311129).REFERENCESCarvalho, L. M. V., C. Jones, and B. Liebmann, 2002a: Extremeprecipitation events in southeastern South America and largescaleconvective patterns in the South Atlantic convergencezone. J. Climate, 15, 2377–2394.——, ——, and M. A. F. Silva Dias, 2002b: Intraseasonal largescalecirculations and mesoscale convective activity in tropicalSouth America during the TRMM-LBA campaign. J. Geophys.Res., 107, 8042, doi:10.1029/2001JD000745.——, D. Lavallée, and C. Jones, 2002c: Multifractal properties ofevolving convective systems over tropical South America.Geophys. Res. Lett., 29, 1743, doi:10.1029/2001GL014276.——, C. Jones, and B. Liebman, 2004: The South Atlantic convergencezone: Intensity, form, persistence, relationships withintraseasonal to interannual activity and extreme rainfall. J.Climate, 17, 88–108.——, ——, and T. Ambrizzi, 2005: Opposite phases of the AntarcticOscillation and relationships with intraseasonal to interannualactivity in the tropics during the austral summer. J.Climate, 18, 702–718.Casarin, D. P., and V. E. Kousky, 1986: Anomalias de precipitacxãono sul do Brasil e variacxões na circulacxão atmosférica. Res.Bras. Meteor., 1, 83–90.Ferranti, L., T. N. Palmer, F. Monteni, and E. Klinker, 1990:Tropical–extratropical interaction associated with the 30–60-day oscillation and its impact on medium range and extendedrange prediction. J. Atmos. Sci., 47, 2177–2199.Figueroa, S. N., P. Satyamyrty, and P. L. Silva-Dias, 1995: Simulationsof the summer circulation over the South Americanregion with an ETA coordinate model. J. Atmos. Sci., 52,1573–1584.Gan, M. A., V. E. Kousky, and C. F. Ropelewski, 2004: The SouthAmerica monsoon circulation and its relationship to rainfallover west-central Brazil. J. Climate, 17, 47–66.Grimm, A. M., 2003: The El Niño impact on the summer monsoonin Brazil: Regional processes versus remote influences. J.Climate, 16, 263–280.——, and P. L. Silva Dias, 1995: Analysis of tropical–extratropicalinteractions with influence functions of a barotropic model. J.Atmos. Sci., 52, 3538–3555.Herdies, D. L., A. da Silva, A. Silva Dias, and R. Nieto-Ferrari,2002: Moisture budget of the bimodal pattern of the summercirculation over South America: Large-scale biosphere–atmosphere experiment in Amazonia (LBA). J. Geophys.Res., 107, 8075, doi:10.1029/2001JD000997.Jones, C., and L. M. V. Carvalho, 2002: Active and break phases inthe South American monsoon system. J. Climate, 15, 905–914.——, D. E. Waliser, and E. C. Gautier, 1998: The influence of theMadden–Julian oscillation on ocean surface heat fluxes andsea surface temperature. J. Climate, 11, 1057–1072.——, ——, K. M. Lau, and W. Stern, 2004: Global occurrences ofextreme precipitation events and the Madden–Julian oscillation:Observations and predictability. J. Climate, 17, 4575–4589.Kalnay, E., and Coauthors, 1996: The NCEP/NCAR Reanalysis40-Year Project. Bull. Amer. Meteor. Soc., 77, 437–471.Karoly, D. J., 1989: Southern Hemisphere circulation features associatedwith El Niño–Southern Oscillation events. J. Climate,2, 1239–1252.

1APRIL 2009 M U Z A E T A L . 1699Kodama, Y. M., 1992: Large-scale common features of subtropicalprecipitation zones (the Baiu frontal zone, the SPCZ, and theSACZ). Part I: Characteristics of subtropical frontal zones. J.Meteor. Soc. Japan, 70, 813–835.——, 1993: Large-scale common features of subtropical precipitationzones (the Baiu frontal zone, the SPCZ, and theSACZ). Part II: Conditions of the circulation and tropicalconvection over the Pacific. J. Meteor. Soc. Japan, 71,581–610.Kousky, V. E., and M. T. Kayano, 1994: Principal modes of outgoinglongwave radiation and 250-mb circulation for theSouth American sector. J. Climate, 7, 1131–1143.Lenters, J. D., and K. H. Cook, 1999: Summertime precipitationvariability over South America: Role of the large-scale circulation.Mon. Wea. Rev., 127, 409–431.Liebmann, B., and C. Smith, 1996: Description of a complete (interpolated)outgoing longwave radiation dataset. Bull. Amer.Meteor. Soc., 77, 1275–1277.——, and J. A. Marengo, 2001: Interannual variability of the rainyseason and rainfall in the Brazilian Amazon basin. J. Climate,14, 4308–4318.——, and D. Allured, 2005: Daily precipitation grids for SouthAmerica. Bull. Amer. Meteor. Soc., 86, 1567–1570.——, G. N. Kiladis, J. A. Marengo, T. Ambrizzi, and J. D. Glick,1999: Submonthly convective variability over South Americaand the South Atlantic convergence zone. J. Climate, 12,1877–1891.——, C. Jones, and L. M. V. Carvalho, 2001: Interannual variabilityof extreme precipitation events in the state of São Paulo,Brazil. J. Climate, 14, 208–218.——, G. N. Kiladis, C. S. Vera, A. C. Saulo, and L. M. V. Carvalho,2004: Subseasonal variations of rainfall in South America inthe vicinity of the low-level jet east of the Andes and comparisonto those in the South Atlantic convergence zone. J.Climate, 17, 3829–3842.Marengo, J. A., B. Liebmann, V. E. Kousky, N. P. Filizola, and I.C. Wainer, 2001: Onset and end of the rainy season in theBrazilian Amazon basin. J. Climate, 14, 833–852.Mo, K. C., and J. Nogués-Paegle, 2001: The Pacific–South Americanmodes and their downstream effects. Int. J. Climatol., 21,1211–1229.Nogués-Paegle, J., and K. C. Mo, 1997: Alternating wet and dryconditions over South America during summer. Mon. Wea.Rev., 125, 279–291.——, L. A. Byerle, and K. C. Mo, 2000: Intraseasonal modulationof South American summer precipitation. Mon. Wea. Rev.,128, 837–850.Robertson, A. W., and C. R. Mechoso, 2000: Interannual and interdecadalvariability of the South Atlantic convergence zone.Mon. Wea. Rev., 128, 2947–2957.Ropelewski, C. F., and M. S. Halpert, 1987: Global and regionalscale precipitation patterns associated with the El Niño/Southern Oscillation. Mon. Wea. Rev., 115, 1606–1626.Silva, A. E., and L. M. V. Carvalho, 2007: Large-scale index forSouth America monsoon (LISAM). Atmos. Sci. Lett., 8, 51–57.Spiegel, M. R., J. J. Schiller, and A. L. Srinivasan, 2000: Schaum’sOutline of Probability and Statistics. McGraw-Hill, 220 pp.Vera, C., and Coauthors, 2006: Toward a unified view of theAmerican monsoon systems. J. Climate, 19, 4977–5000.Weickmann, K. M., G. R. Lussky, and J. E. Kutzbach, 1985: Intraseasonal(30–60 day) fluctuation of outgoing longwave radiationand 250-mb streamfunction during northern winter.Mon. Wea. Rev., 113, 941–961.Wilks, D. S., 1995: Statistical Methods in the Atmospheric Sciences.Academic Press, 467 pp.Xie, P., and Coauthors, 2003: GPCP pentad precipitation analyses:An experimental dataset based on gauge observations andsatellite estimates. J. Climate, 16, 2197–2214.Zhou, J., and K. M. Lau, 1998: Does a monsoon climate exist overSouth America? J. Climate, 11, 1020–1040.

┌ Capítulo 9 – Referências ┐9. ReferênciasACOSTA, R., 2007: Um modelo Biosfera-Hidrosfera para a Bacia do Tocantins-Araguaia. Dissertação (Mestradoem Ciências Atmosféricas). Instituto de Astronomia e Geofísica e Ciências Atmosféricas. Universidade de SãoPaulo.ALMEIDA, R. A. F. de, 2006: Mecanismos de geração do Dipolo do Atlântico Sul e seu impacto no clima e nacirculação oceânica. Tese de doutorado. Instituto Oceanográfico. Universidade de São Paulo.BARBOSA, H.A 1998: Análise Espaço Temporal de Índice de Vegetação AVHRR/NOAA e Precipitação naRegião Nordeste do Brasil em 1982-95. Dissertação de mestrado em Sensoriamento Remoto. InstitutoNacional de Pesquisas Espaciais, São José dos Campos.BARNSTON, A.G., R.E. LIVEZEY, 1987: Classification, Seasonality and Persistense of Low-FrequencyAtmospheric Circulation Patterns. Mon. Wea. Rev., 115, 1083-1126.BARREIRO, M., P. CHANG, R. SARAVANAN, 2002: Variability of the South Atlantic Convergence Zonesimulated by an atmospheric general circulation model. J. Climate, 15, 745-763.BATISTA. G.T., Y.E. SHIMABUKURO, W.T. LAWRENCE, 1997: The Long-term monitoring of vegetation cover inthe Amazonian region of northern Brazil using NOAA-AVRR data. Int. J. Rem. Sen., 18, 3195-3210.BRASWELL, B.H., D.S. SCHIMEL, E. LINDER, B. MOORE, 1997: The response of global terrestrial ecosystemsto interannual temperature variability. Science, 278, 870-872.CARDOSO, A.O. e SILVA DIAS, P.L., 2004: Identificação de trimestres extremos no regime pluviométrico do sule sudeste do Brasil e relação com anomalias da TSM. Rev. Bras. Meteor., 19, 149-162.CARVALHO, L. M. V., C. JONES, M. A. F. SILVA DIAS, 2002: Intraseasonal large-scale circulations andmesoscale convective activity in Tropical South America during the TRMM-LBA campaign. J. Geoph. Res. ,29, 10.102/2001JD000745.CARVALHO. L. M. V., C. JONES, B. LIEBMANN, 2004: The South Atlantic Convergence Zone: persistence,intensity, form, extreme precipitation and relationships with intraseasonal activity. J. Climate, 17, 88-108.CARVALHO, L. M. V., C. JONES, T. AMBRIZZI, 2005: Opposite phases of the Antarctic Oscillation andrelationships with Intraseasonal to Interannual activity in the tropics during the Austral Summer. J. Climate, 18,702-718.CARVALHO, L. M. V., C. VERA, C. JONES, 2008: The main characteristics of intraseasonal variability in theSouth American Monsoon System (SAMS). WCRP Clivar VAMOS Newsletter 4, 7-10.CASARIN, D.P, V.E. KOUSKY, 1986: Anomalias de precipitação no sul do Brasil e variações na circulaçãoatmosférica. Res. Bras. Meteor., 1, 83-90.CHAVES, R. R., P. NOBRE, 2004: Interactions Between Sea Surface Temperatures Over the South AtlanticOcean and the South Atlantic Convergence Zone. Geophys. Res. Lett., 31, L03204,doi:10.1029/2003GL018647.CHOU, S. C., A.M.B. NUNES, I.F.A. CAVALCANTI, 2001: Extended range forecasts over South America usingthe regional ETA model. Journal of Geophysical Research-Atmospheres. 105(8). 10147-10160.COELHO C.A.S., D. B. STEPHENSON, M. BALMASEDA, F. J. DOBLAS-REYES, G. J. VAN OLDENBORGH,2006: Towards an integrated seasonal forecasting system for South America. J. Climate , 19, 3704-3721.COLINI E.A.,E.H. BERBERY, V.R. BARROS, M.E. PYLE, 2008: How Does Soil Moisture Influence the EarlyStages of the South American Monsoon? J. Climate, 21, 195-213.COLLISCHONN, W. ; TUCCI, C. E. M. ; CLARKE, R. T. ; DIAS, P. L. S. ; SAMPAIO, G. O., 2005. Previsãosazonal de vazão na bacia do rio Uruguai 2: Previsão Climática-Hidrológica. Revista Brasileira de RecursosHídricos, v. 10, n. 4, p. 60-72.CUADRA, S.V., R.P. da ROCHA, 2006: Simulação numérica do Clima de Verão sobre o Brasil e suaVariabilidade. Rer. Bras. Meteor., Vol. 21(2), 271-282.DESSAY, N. H. LAURANT, L. A. T. MACHADO, Y. E. SHYMABUKURO, A. DIEDHIOU, J. RONCHAIl. 2004:Comparative study of the 1982–1983 and 1997–1998 El Niño events over different types of vegetation inSouth America. Int. J. Rem.Sens. 25. 4063-4077.DUCHON. C., 1979: Lanczos filter in one and two dimensions. J. Appl. Meteor., 18, 1016–1022.DURIGAN, G., SIQUEIRA M. F., FRANCO, G. A. D. C. RATTER, J. A., 2006: Seleção de fragmentos prioritáriospara a criação de unidades de conservação do cerrado no Estado de São Paulo. Rev. Inst. Flor., São Paulo,v. 18, n. único, p. 23-37.173

FERRAZ, S.E.T., 2004: Variabilidade Intrasazonal no Brasil e Sul da América do Sul. Tese (Doutorado emCiências Atmosféricas). Instituto de Astronomia e Geofísica e Ciências Atmosféricas. Universidade de SãoPaulo.FREITAS, E. D., 2000: Variabilidade Sazonal e Intrasazonal da Precipitação no Estado do Paraná. Dissertação(Mestrado em Ciências Atmosféricas). Instituto de Astronomia e Geofísica e Ciências Atmosféricas.Universidade de São Paulo.FU, R., W. LI, 2004: The Influence of the land surface on the transition from dry to wet season in Amazônia.Theor. Appl. Climatol. , 78, 97-110. DOI 10.1007/s00704-004-0046-7GAN, M.A., V.E. KOUSKY, C.F. ROPELEWSKI, 2004: The South America Monsoon Circulation and ItsRelationship to Rainfall over West-Central Brazil. J. Climate, 17, 47-66.GAN, M.A., V.B. RAO, C.L. MOSCATI, 2006: South American monsoon indices. Atmospheric Science Letters 6:219–223, DOI: 10.1002/asl.119.GANDU, A.W., J.E. GEISLER, 1991: A Primitive Equations Model Study of the Effect of Topography on theSummer Circulation over Tropical South America. J. Atmos. Sci., 48, 1822–1836.GRIMM, A.M., P.L. SILVA DIAS, 1995: Analysis of tropical-extratropical interactions with influence functions of abarotropic model. J. Atmos. Sci., 52, 3538-3555.GRIMM, A.M., S. E. T. FERRAZ, J. GOMES, 1998: Precipitation anomalies in Southern Brazil associated with ElNiño and La Niña events. J. Climate, 11, 2863–2880.GRIMM, A.M., V.R. BARROS, M.E. DOYLE, 2000: Climate Variability in Southern South America Associated withEl Niño e La Niña Events. J. Climate, 13, 35-58.GRIMM, A.M., 2003: The El Niño Impact on the Summer Monsoon in Brazil: Regional Processes versus RemoteInfluences. J. Climate, 16, 263-280.GRIMM, A. M., A. E. LEITE, A. K.SAHAI, 2004: Previsão de precipitação sazonal para a Bacia do Rio Paranaíbautilizando um modelo linear. In: In: XIII Congresso Brasileiro de Meteorologia, Fortaleza. Anais.GRIMM, A. M., J. PAL, F. GIORGI, 2007: Connection between spring conditions and peak summer monsoonrainfall in South America: Role of soil moisture, surface temperature, and topography in eastern Brazil. J.Climate, 20, 5929-5945.GURGEL, H.C, 2003: Variabilidade Espacial e Temporal do NDVI sobre o Brasil e suas Conexões com o Clima.Dissertação de mestrado em Sensoriamento Remoto. Instituto Nacional de Pesquisas Espaciais, São Josédos Campos.HALPERT, S., C.H. ROPELEWSKI, 1992: Surface Temperature Patterns Associated with the SouthernOscillation. J. Climate, 5, 577-593.HELMS, H.D., 1967: Fast Fourier Transform Method of Computing Difference Equations and Sumulating Filters.IEEE Transactions on Audio and Electroacoustics, Vol. 15, p. 85.HOSKINS, B.J., T. AMBRIZZI, 1993: Rossby Wave propagation on a realistic longitudinally varying flow. J.A.S,50, 1661-1671.http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ensoyears.shtml em 06/08/2006.http://www.cpc.ncep.noaa.gov/ClimateIndeces/List/ em 08/04/2008.IBGE. Instituto Brasileiro de Geografia e Estatística do Brasil. Mapas Interativos do Censo Demográfico de 2007.Agregado por Setores Censitários dos Resultados do Universo. Documentação do Arquivo, 2ª edição. Rio deJaneiro, CDDI.JONES, C., D.E WALISER, C. GAUTIER, 1998: The Influence of the Madden-Julian Oscillation on OceanSurface Heat Fluxes and Sea Surface Temperature. J. Climate, 11, 1057-1052.JONES, C., L.M.V. CARVALHO, 2002: Active and break phases in the South American Monsoon System. J.Climate, 15, 905-914.JONES, C., L.M.V. CARVALHO, R.W. HIGGINS, D.E. WALISER, E J.-K.E. SCHEMM, 2004: A Statistical forecastmodel of tropical intraseasonal convective anomalies. J. Climate ,17,2078-2095.JUAREZ, R.N., 2004: Variabilidade Climática Regional e Controle da Vegetação no Sudeste: Um estudo deObservações sobre o Cerrado e Cana-de-açucar e Modelagem Numérica da Atmosfera. Tese (Doutorado emCiências Atmosféricas). Instituto de Astronomia e Geofísica e Ciências Atmosféricas. Universidade de SãoPaulo.KALNAY. E, Coauthors, 1996: The NCEP/NCAR Reanalysis 40-year Project. Bull. Amer. Meteor. Soc., 77, 437-471.KANAMITSU. M., Coauthors, 2002: NCEP-DOE Reanalysis (R-2). Amer. Meteor. Soc., 1631-1643.174

KATZ, R. W., 1982: Statistical evaluation of climate experiments with general circulation models: A parametrictime series modeling approach. J. Atmos. Sci., 39, 1446–1455.KATZ, R. W., PARLANGE, M. B. 1993: Effects of an index of atmospheric circulation on stochastic properties ofprecipitation. Water Resour. Res., 29(7), 2335-2344.KOUSKY. V.E, M.T. KAYANO, 1994: Principal Modes of outgoing longwave radiation and 250-mb circulation forthe South American sector. J. Climate, 7, 1131-1143.KODAMA, Y.M., 1992: Large-scale common features of subtropical precipitation zones (the Baiu frontal zone, theSPCZ, and the SACZ). Part-I: Characteristics of subtropical frontal zones. J. Meteor. Soc. Japan., 70,813-835.KRISHNAMURTHY V., V. MISRA, 2007: Observed ENSO-South American Monsoon Teleconnection. COLAtechnical report 248, 17 pp. ftp://grads.iges.org/pub/ctr/ctr_239.pdf.LABITZKE, K., H. VAN LOON, 1993: Some recent studies of probable connections between solar andatmospheric variability. Ann. Geophysicae, 11, 1084-1094.LI. Y.., W. CAI, E.P. CAMPBELL, 2005: Statistical Modeling of Extreme Rainfall in Southwest Western Australia.J. Climate, 18, 852-853.LIEBMANN, B., G. N. KILADIS, J. A. MARENGO, T. AMBRIZZI, J. D. GLICK, 1999: Sub monthly convectivevariability over South America and the South Atlantic Convergence Zone. J. Climate, 12, 1877-1891.LIEBMANN, B., C. JONES e L.M.V. CARVALHO, 2001: Interannual variability of extreme precipitation events inthe State of São Paulo, Brazil. J. Climate, 14, 208-218.LIEBMANN, B., G.N. KILADIS, C.S. VERA, A.C. SAULO, L.M.V. CARVALHO, 2004: Subseasonal variations ofrainfall in South America in the vicinity of the low-level jet east of the Andes and comparison to those in theSouth Atlantic Convergence Zone. J. Climate, 17, 1829-3842.LO. F, H.H. HENDON, 2000: Empirical prediction of the Madden-Julian oscillation. Mon. Wea. Rev., 128, 2528-2543.LOS. S.O, G.J. COLLATZ, L. BOUNOUA, P.J. SELLERS, C.J. TUCKER, 2001: Global Interannual Variations inSea Surface Temperature and Land Surface Vegetation. Air Temperature. and Precipitation. J. Climate, 14,1535-1549.MADDEN, R.A., 1977: Estimates of the Autocorrelations and Spectra of Seasonal Mean Temperatures over NorthAmerica. Mon. Wea. Rev., 105, 9-18.MARENGO. J. A. e Coauthors, 2000: Ensemble Simulation of Interannual Climate Variability using theCPTEC/COLA AGCM for the período 1982-1991, CBMET, Rio de Janeiro.MARENGO. J. A., B. LIEBMANN, V.E. KOUSKY, N.P. FILIZOLA, I.C. WAINER, 2001: Onset and end of theRainy Season in the Brazilian Amazon Basin. J. Climate, 14, 833-852.MARQUES. J. R., G.B. DINIZ, 2006: Desenvolvimento e Implementação de um modelo estatístico de previsãoclimatica temperatura máxima e mínima para o Rio Grande do Sul CBMET, Florianópolis-SC.MO, K.C., 2001: Adaptive filtering and prediction of intraseasonal oscillations. Mon. Wea. Rev., 129, 802-817.MONTECINOS, A., A. DÍAZ e P. ACEITUNO, 2000: Seasonal diagnostic and predictability of rainfall insubtropical South America based on tropical Pacific SST. J.Climate,12, 746-758.MORETTIN, P.A., C.M.C TOLOI. Análise de Séries Temporais. ABE, São Paulo, 2004.MURRAY, R. J., AND I. SIMMONDS, 1991: A numerical scheme for tracking cyclone centres from digital data.Part I: Development and operation of the scheme; and Part II: Application to January and July generalcirculation model simulations. Aust. Meteoro. Mag., 39, 155-180.MUZA, M.N, 2005: Variabilidade Intrasazonal e Interanual dos Eventos Extremos de Precipitação e Seca no Sule Sudeste do Brasil durante o Verão Austral. 168f. Dissertação (Mestrado em Ciências). Instituto deAstronomia e Geofísica e Ciências Atmosféricas. Universidade de São Paulo.MUZA. M. N., L. M. V.CARVALHO, 2006: Variabilidade intrasazonal e interanual de extremos na precipitaçãosobre o centro-sul da Amazônia. Rer. Bras. Meteor., Vol. 21(3a), 29-41.MUZA, M. N., CARVALHO, L. M. V., JONES, C., LIEBMANN, B., 2009: Intraseasonal and interannual variabilityof extreme rainfall in the southeastern South America and Western South Atlantic Ocean during the australsummer. J. Climate, V. 22, n.7, 1682-1699.NORTH. G.R., T.L. BELL, R.F. CAHALAN, 1982: Sampling Errors in the Estimation of Empirical OrthogonalFunctions. M.W.R. 110. 699-706.NOGUÉS-PAEGLE, J., K.C.MO, 1997: Alternating Wet and Dry Conditins over South America during Summer.M.W.R,125, 279-291.PEZZI, L. P., V. UBARANA, C. REPELLI, 2000: Forecast and Performance of a Statistical Regional Model forseasonal climate prediction in Southern Brazil. Rev. Bras. Geof., vol.18. no.2. p.129-146. ISSN 0102-261X.175

RAO, V.B., I. F. A. CAVALCANTE, K. HADA, 1996: Annual variation of rainfall over Brazil and water vaporcharacteristics over South America, J. Geophys. Res., 101(D21), 26,539–26,551.REPELLI. C. A., J. M. B. ALVES, 1996: Use of canonical correlation analysis to predict the spatial rainfallvariability over the northeast Brazil region. Rev. Bras. Meteorol., v. 11. n.2. p. 67-75.ROCHA, H.R., 1998: Modelagem e observações das relações biosfera-atmosfera na Região Sudeste. Tese(Doutorado em Ciências Atmosféricas). Instituto de Astronomia e Geofísica e Ciências Atmosféricas.Universidade de São Paulo.ROCHA, H.R., H. FREITAS, R. ROSOLEM, R.I NEGRON-JUAREZ, R.N. TANNUS, M.V. LIGO, O.M.R. CABRAL,M.A.F. SILVA DIAS, 2002: Measurements of CO2 exchange over a woodland savanna (Cerrado SensuStricto) in southeast Brasil. Biota Neotropico, 2(1).http://www.biotaneotropica.org.br/v2n1/pt/abstract?article+BN01702012002ROPELEWSKI, C.H., S. HALPERT. 1987: Global and regional scale precipitation patterns associated with the ElNiño/Southern Oscillation. Mon . Wea. Rev.. 115. 1606-1626.SCANLON, T. M., J.D. ALBERTSON, K.K CAYLOR, C.A. WILLIAMS, 2002: Determining land surface fractionalcover from NDVI and rainfall time series for a savanna ecosystem. Remote sensing of Environment, 82, 376-388.SELLERS, P.J. e Coauthors. 1994: A global 1x1 NDVI data set for climate studies (Part 2). Int. J. RemoteSensing, Vol. 15, N. 17, 3519-3545.SILVA, A. E., L. M. V. CARVALHO, 2007: Large-scale index for South America Monsoon (LISAM). AtmosphericScience Letters. 8. 51-57. DOI: 10.1002/ASL.150.SILVA, F. D. S., L.T.G. FORTES, L.A.R. SANTOS, D.B. FERREIRA, M.A. SALVADOR, P.S. LUCIO, 2008:Previsões Climáticas Utilizando modelos estocásticos compostos no Instituto Nacional de Meteorologia –INMET/Brasil. In: XIII Congresso Brasileiro de Meteorologia, São Paulo. Anais.SOUZA, E.B.de, M. T. KAYANO, J. TOTA, L. PEZZI, G. FISCH, C. NOBRE, 2000: On the Influences of the ElNiño, La Niña and Atlantic dipole pattern on the Amazonian Rainfall during 1960-1998. Acta Amazonica, 30(2),305-318.TANRÉ HOLBEN, B. N., Y. J. KAUFMAN, 1992: Atmospheric correction algorithm for Noaa-Avhrr products:theory and application. IEEE Transactions on Geoscience and Remote Sensing, 30:2.TATSCH 2006: Uma Análise dos Fluxos de Superfície e do Microclima sobre o Cerrado, Cana-de-açúcar eEucalipto, com Implicações para Mudanças Climáticas Regionais. Dissertação (Mestrado em Ciências).Instituto de Astronomia e Geofísica e Ciências Atmosféricas. Universidade de São Paulo.VERA, C., Coauthors, 2006. Toward a Unified View of the American Monsoon Systems. Journal of Climate, v. 19,p. 4977-5000, 2006.WALLACE, J.M. e GUTZLER, D.S., 1981: Teleconnections in the Southern Hemisphere. M.W.R., 113, 22-37.WANG, W., B. T. ANDERSON, N. PHILLIPS, R. K. KAUFMANN, C. POTTER, R. B. MYNENI, 2006: Feedbacksof vegetation on summertime climate variability over the North American Grasslands. Part I: Statisticalanalysis. Earth Interactions, 10, 1-27.WILKS, D. S., 1995: Statistical methods in the Atmospheric Sciences. Academic Press, NY.XIE, P. J. E., JANOWIAK, P. A. ARKIN, R. ADLER, A. GRUBER, R. FERRARO, G. J. HUFFMAN, S. CURTIS,2003: GPCP pentad precipitation analysis: an experimental dataset based on gauge observations and satelliteestimates. J. Climate, 16, 2197 – 2214.ZHOU J, LAU K-M, 1998: Does a monsoon climate exist over South America? J. Climate, 11, 1020–1040.ZOU, C-Z., e Coauthors, 2004: Assessment of the NCEP-DOE reanalysis-2 and TOVS pathfinder a moisturefields and their use in Antarctic net precipitation estimates. Mon . Wea. Rev.. 132. 2463-2476.176

177