RELAÇÃO ENTRE ANOMALIAS DE PRECIPITAÇÃO DA BACIA DO RIO SÃO FRANCISCO E ÍNDICES DA VARIABILIDADE CLIMÁTICA GLOBAL

Transcrição

1 RELAÇÃO ENTRE ANOMALIAS DE PRECIPITAÇÃO DA BACIA DO RIO SÃO FRANCISCO E ÍNDICES DA VARIABILIDADE CLIMÁTICA GLOBAL DJANE FONSECA DA SILVA 1 E JOSICLÊDA DOMICIANO GALVÍNCIO 2 ( 1 Prof. Dr. do Curso de Agronomia da UFC (CE), Campus Cariri, djanefonseca@yahoo.com.br; 2 Prof. Dr. Departamento de Ciências Geográficas, UFPE, josicleda@hotmail.com). Apresentado no XVIII Congresso Brasileiro de Meteorologia 13 a 17 de Setembro de Belém, PA RESUMO - O objetivo deste trabalho é correlacionar índices climáticos e anomalias de precipitação da Bacia do rio São Francisco gerando equações matemáticas previsoras que envolva ambas variáveis. Foram feitas correlações entre os índices climáticos (IOS, IME, ATSM do Atlântico tropical e ODP) e as anomalias de chuva. A disponibilidade do período de dados dos 4 índices e da série de precipitação é de 1955 a Os dados de precipitação das 61 localidades foram obtidos através da Agência Nacional das Águas (ANA) pelo site Concluiu-se que o ENOS domina sobre a quadra chuvosa do ASF e BSF e as variabilidades do Atlântico e a decadal do Pacífico dominam na quadra chuvosa do SMSF. Para cada sub-bacia foram geradas equações previsoras de anomalias de chuva, sendo estas ferramentas para a previsão principalmente durante a quadra chuvosa local, quando são esperadas as maiores chuvas e as maiores perdas econômicas. PALAVRAS-CHAVE: IME, IOS, ODP, Oceano Atlântico. ABSTRACT The objective of this study is to correlate climatic índex and rainfall anomalies in the Basin of the São Francisco generating predictors mathematical equations involving two variables. The correlation between climatic indices (SOI, MEI, SSTA of the tropical Atlantic and PDO) and the anomalies of rain. The availability period of index data and series of rainfall is 1955 to The rainfall data from 61 locations were obtained through the National Water Agency (ANA) by the site It was concluded that ENSO dominates over the rainy season of the ASF and BSF. The variability of the Atlantic and Pacific decadal dominate the rainy season of SMSF. For each sub-basin were generated equations predictors of rainfall anomalies, which tools to predict especially during the rainy season of the area when are expected the greater rains and greater economic losses. KEYWORDS: MEI, SOI, PDO, Atlantic Ocean INTRODUÇÃO O rio São Francisco é um dos rios brasileiros mais extensos e sua bacia hidrográfica está situada em áreas dos Estados de Minas Gerais, Bahia, Goiás, Distrito Federal, Pernambuco, Sergipe e Alagoas. A importância desse rio está no volume de água transportada por ele através da região semi-árida, na sua contribuição histórica e econômica para fixação das populações ribeirinhas e criação das cidades hoje plantadas ao longo do vale. Seu potencial hídrico é fundamental na geração de energia elétrica, com MW de potência instalados à jusante de Barra (BA), e seu possível aproveitamento em futuros projetos de irrigação dos excelentes solos situados as suas margens. A bacia apresenta grande diversidade quanto às áreas irrigáveis, cobertura vegetal e fauna aquática. No Alto, Médio e Submédio São Francisco, predominam solos com aptidão para a agricultura irrigada, o que não se reflete no restante da bacia. Em relação à cobertura vegetal, a bacia contempla fragmentos de diversos 1

2 biomas, salientando-se a Floresta Atlântica em suas cabeceiras, o Cerrado (Alto e Médio São Francisco) e a Caatinga (Médio e Submédio São Francisco). Com relação à fauna aquática, observa-se que o rio São Francisco apresenta a maior biomassa e diversidade de peixes de água doce da região Nordeste. A bacia hidrográfica do rio São Francisco possui acentuados contrastes socioeconômicos, abrangendo áreas de acentuada riqueza e alta densidade demográfica e áreas de pobreza crítica e população bastante dispersa (PBHSF, 2004). Por isso e pela grande variabilidade espacial das variáveis climáticas ao longo da Bacia, a previsão de tempo e climática são tão importantes. Assim, o objetivo deste trabalho é correlacionar índices climáticos e anomalias de precipitação da Bacia do rio São Francisco no intuito de gerar equações matemáticas previsoras que envolva ambas variáveis e, ao mesmo tempo, quantificar a porcentagem que tais variabilidades climáticas explicam as chuvas locais. MATERIAL E MÉTODOS Foram feitas correlações entre os índices climáticos (IOS, IME, ATSM do Atlântico tropical e ODP) e as anomalias de chuva de todos os anos através de regressão linear, realizadas no SPSS versão 9.0 e os gráficos foram feitos no Excel da Microsoft Deve ser lembrado que anomalias de chuva são valores acima ou abaixo da média. As correlações, no sentido de verificar se o valor do coeficiente de determinação (correlação) entre as duas variáveis é confiável ou significativo para a amostra e para a previsão, foram submetidas ao teste de t-student. Então foram apontados quais índices tem maior influência sobre as chuvas de cada região. Uma das mais utilizadas distribuições para pequenas amostras é a t-student, a qual é bastante utilizado nos estudos de meteorologia (Kousky e Kayano, 1994; Kayano e Kousky, 1996; Figueroa, 1997; Castro, 2002; Da Silva, 2009), e pode ser calculado da seguinte forma: (1) Em que = valor do percentil e c é o grau de liberdade. Foi usado p = 0,95 ou 95%; t = valor do percentil tabelado de acordo com υ (n-1) e n é o número de dados. Tal teste foi usado neste trabalho para considerar confiável, ou não, as melhores correlações que foram utilizadas, então, posteriormente, foram criadas equações previsoras para cada região da Bacia. TSM: Foram usados dados de anomalias de Temperatura de Superfície do Mar (TSM) do Oceano Atlântico, reconstruídas por Smith e Reynolds (2003), obtidos no IOS: Este índice avalia a intensidade da Oscilação Sul (OS), definido como a diferença entre os desvios (Δp), em relação à média, das pressões registradas ao nível médio do mar (PNM) em Tahiti (17ºS, 150 W) e Darwin (12ºS, 130 E) e pode ser representado por IOS = Δp TAHITI - Δp DARWIN. A fase fria da OS (La Niña), apresenta-se com o IOS positivo e a fase quente da OS (El Niño), apresenta-se com o IOS negativo. Os dados foram obtidos através da NOAA em IME: é o índice multivariado de ENOS e pode ser compreendido como uma média de suas características principais descritas por seis variáveis: PNM, TSM, componentes zonal (u) e meridional (v) do vento, fração de cobertura de nuvens e temperatura do ar. O IME é um índice bimensal calculado, por exemplo, para dez/jan, jan/fev, nov/dez, e é calculado tomando-se a primeira componente principal não-rotacionada de todos os seis campos de variáveis combinados (Wolter, 1987). Os dados foram obtidos através da NOAA em 2

3 ODP: Foi utilizado neste trabalho o índice de ODP de Mantua o qual deriva-se da primeira componente principal das anomalias da TSM no Pacífico Norte, entre as latitudes 20 N e 90 N (pólo), obtidos no site (Mantua, 1997). A disponibilidade do período de dados de todos os índices e da série de precipitação para proceder as correlações lineares é de 1955 a Os dados de precipitação foram obtidos através da Agência Nacional das Águas (ANA) pelo site Foram utilizadas o total de 61 localidades, distribuídas da seguinte maneira: 7 localidades no Alto São Francisco (ASF): Pirapora, Várzea da Palma, São João da Chapada, Três Marias, Dores do Indaiá, Lagoa da Prata e Vargem Bonita. 24 localidades no Médio São Francisco (MSF): Açude do Estreito, Espinosa, Manga, Mandutiba, Monte Azul, Monte Azul 2, Serranopólis, Bico da Pedra, Gameleira, Paulino Fonseca, Riacho dos Machados, Fazenda Planaltina, Condado do Norte, Pedras da Maria da Cruz, Fazenda Cajueiro, Canabrava, Montes Claros, Coração de Jesus, Lagoa dos Patos, São Romão, Remanso, Barreiras, Paracatu e Urucuia. 13 localidades no Submédio São Francisco (SMSF): Carnaíba, Paulo Afonso, Petrolina, Remanso, Juazeiro, Salgueiro, Fátima, Petrolândia, Quixabá, São José do Egito, Serra das Tabocas, Trindade e Viração. 17 localidades no Baixo São Francisco (BSF): Água Branca, Junqueiro, Lagoa da Canoa, Major Isidoro, Minador do Negrão, Pão de Açúcar, Penedo, Piranhas, Pontal da Barra, São Brás, Traipú, Gracho Cardoso, Ilha das Flores, Poço Redondo, Porto da Folha, Pacatuba e Propriá. RESULTADOS E DISCUSSÕES Na Figura 1, verifica-se a correlação de cada índice utilizado (IME, IOS, ATSM e ODP) com as precipitações da quadra chuvosa do ASF. O IOS apresentou-se contrário aos outros índices. Em janeiro, o IOS obteve correlações negativas e os outros índices, positivas. Em março, os valores de correlação para todos índices se aproximaram. Estatisticamente a ODP pode ter relação com as precipitações da quadra chuvosa do ASF e o IOS, relação contrária, ou seja, se a chuva aumenta o valor do índice será negativo (fase de El Niño). Esse resultado também foi encontrado por Galvíncio (2000). De acordo com o teste de t-student, são estatisticamente válidas as correlações acima ou iguais a 0,47. Assim, as melhores correlações foram atingidas com os índices IME e IOS. Figura 1: Correlações dos índices climáticos e anomalias de precipitação do ASF durante a quadra Figura 2: Correlação entre índices climáticos e anomalias de precipitação do MSF durante a quadra 3

4 As melhores equações previsoras estatisticamente válidas para o ASF foram: Anoma prec jul = 52,041*IME mai/jun+122,03 (IME explica 32,03% das chuvas mensais). Anoma prec jul = -44,522*IOS out+119,38 (IOS explica, inversamente, 27,94% das chuvas mensais). Analisando a variabilidade dos valores de r para o MSF vê-se que todos não se mantiveram constantes. O máximo foi atingido com o IME em fevereiro, e o maior valor negativo com o IOS, também em fevereiro. Em janeiro, melhores correlações foram atingidas com os índices de ODP (Figura 2). No entanto, não se indica nenhum índice como previsor das chuvas no MSF, pois todas correlações foram menores que 0,45, o qual seria o valor mínimo válido segundo o teste de t-student. De acordo com a distribuição temporal das correlações para o SMSF (Figura 3), com a ODP nos meses de Abril e Março foram atingidas os maiores valores de r (aproximadamente 0,38). Os maiores valores negativos (aproximadamente 0,37) ocorreram em abril com o IME e as anomalias de TSM do Oceano Atlântico. Segundo o teste t-student, as correlações significativas estatisticamente devem ser maiores ou iguais a 0,37. Assim, a ODP pode ser um índice previsor para Março e as anomalias de TSM do Atlântico de Abril, sugerindo as equações como previsoras para as chuvas de março e abril: Anoma preci mar = 27,94*ODP dez-6,1611 (ODP de dezembro explica 14,09% das chuvas mensais). Anoma preci abr = -31,349*TSM jun+810,48 (Anomalias de TSM do Atlântico explicam 13,08% das chuvas mensais). Para o BSF, visivelmente o IOS apresentou as melhores correlações ao longo da quadra chuvosa e com maior parte das correlações positivas. As anomalias de TSM do Oceano Atlântico, seguindo o IOS, em alguns momentos tem boas correlações com as chuvas do BSF (Figura 4). São significativas as correlações maiores ou iguais a 0,37. Assim, o melhor índice é o IOS, por exemplo, em julho, agosto e setembro. A melhor equação previsora e estatisticamente válida com o IOS foi: Anoma preci jan = 17,615*IOS dez 3,5651 (IOS explica 17,08% das chuvas mensais). Figura 3: Correlação entre índices climáticos e anomalias de precipitação no SMSF durante a quadra Figura 4: Correlação entre índices climáticos e anomalias de precipitação no BSF durante a quadra CONCLUSÕES As precipitações do ASF apresentaram melhor relação com o IME e o IOS, o MSF não obteve relação estatisticamente significativa com nenhum índice, o SMSF apresentou boa 4

5 relação com a ODP e relação inversa com as anomalias de TSM do Atlântico. Já as chuvas do BSF têm relação com o IOS. Assim, o ENOS domina sobre a quadra chuvosa do ASF e BSF e as variabilidades do Atlântico e a decadal do Pacífico dominam na quadra chuvosa do SMSF. Isso significa que cada região fisiográfica da Bacia do São Francisco têm sua variabilidade pluviométrica influenciada por variabilidades climáticas distintas, e ao mesmo tempo, nota-se a importância dos Oceanos sobre a precipitação de cada região. Para cada sub-bacia foram geradas equações previsoras de anomalias de chuva, sendo estas ferramentas para a previsão principalmente durante a quadra chuvosa local, quando são esperadas as maiores chuvas e as maiores perdas econômicas. REFERÊNCIAS BIBLIOGRÁFICAS CASTRO, C.A.C. Interações Trópicos-Extratrópicos na escala de tempo intra-sazonal durante o verão austral e seus efeitos na América do Sul. Dissertação de Mestrado. Instituto Nacional de Pesquisas Espaciais, São Paulo, DA SILVA, D.F. Análise de aspectos climatológicos, ambientais, agroeconômicos e de seus efeitos sobre a Bacia hidrográfica do rio Mundaú (AL e PE). Tese de Doutorado em Recursos Naturais, março 2009, UFCG (PB). FIGUEROA, S.N. Estudo dos sistemas de circulação de verão sobre a América do Sul e suas simulações com modelos numéricos. Tese de Doutorado do Instituto Nacional de Pesquisas Espaciais (INPE-7121-TDI/672). São José dos Campos, GALVÍNCIO, J.D. Impactos dos eventos El Niño na precipitação da Bacia do rio São Francisco. Dissertação de Mestrado em Meteorologia, Campina Grande. Universidade Federal da Paraíba (PB), 117p, KAYANO, M. T.; KOUSKY, V. E. Tropical circulation variability with emphasis on interannual and intraseasonal time scales. Revista Brasileira de Meteorologia, v. 11, n. 1 e 2, p , Jun KOUSKY, V. E.;. KAYANO, M.T. Principal modes of outgoing longwave radiation and 250- mb circulation for the South American sector. J. Climate, 7, p , MANTUA, N.J.; HARE, S.R.; ZHANG, Y.; WALLACE, J.M.; FRANCIS, R.C. A Pacific Interdecadal Climate Oscillation with Impacts on Salmon Production, Bulletin of the American Meteorological Society, Vol. 78, pp , PROJETO DE GERENCIAMENTO INTEGRADO DAS ATIVIDADES DESENVOLVIDAS EM TERRA NA BACIA DO SÃO FRANCISCO ANA/GEF/PNUMA/OEA, Subprojeto 4.5C Plano Decenal de Recursos Hídricos da Bacia Hidrográfica do Rio São Francisco -PBHSF ( ). SMITH, T. M.; REYNOLDS, R. W. Extended reconstruction of global sea surface temperatures based on COADS data ( ). J. Climate, v.16, p , WOLTER, K. The Southern Oscillation in surface circulation and climate over the tropical Atlantic, Eastern Pacific, and Indian Oceans as captured by cluster analysis. J. Climate Appl. Meteor., 26, Available from the AMS,