PREVISÃO DE CHUVAS DE OUTONO NA COSTA LESTE DO NORDESTE. Rua São João, 504, São José, , Recife - PE 2 Universidade Federal da Paraiba - DCA

Transcrição

1 PREVISÃO DE CHUVAS DE OUTONO NA COSTA LESTE DO NORDESTE FRANCISCO DE ASSIS SOUSA SANTOS, BERNARDO BARBOSA DA SILVA 2 e PEDRO VIEIRA DE AZEVEDO 2 Instituto Nacional de Meteorologia DISME Rua São João, 504, São José, , Recife - PE 2 Universidade Federal da Paraiba - DCA Av. Aprígio Veloso, 882, Bodocongó, , Campina Grande - PB ABSTRACT The present work has as main objective the application of the of Silva(988) model to the sites located on east coastal of Rio Grande do Norte, Paraíba, Pernambuco, Alagoas and Sergipe states. 34 rain stations with more than 40 years of raingauge registrations were considered. Rainy seasons with different duration and partitions were considered. The Beta model adjusted very well to the Zi proportions sample distributions. The practicability of the model was confirmed and it an be easily installed in a weather forecast district. INTRODUÇÃO O problema da irregularidade pluviométrica no NEB resulta, não somente da variação dos totais pluviométricos mas, principalmente, da duração e intensidade dessas precipitações. Assim a problemática da extrema variabilidade espacial e temporal da pluviometria de grande parte do NEB configura-se como uma das questões mais importantes, possivelmente a mais crucial, da meteorologia brasileira. Acredita-se que o estabelecimento de um modelo operacional de prognósticos da estação chuvosa, com previsões fornecidas com antecedência de, pelo menos, alguns meses em relação aos meses de maior pluviometria, viria ao encontro do propósito do governo e de particulares de se precaverem e de planejarem medidas destinadas a minimizar os efeitos adversos, tantas vezes devastadores das grandes estiagens, sobre as populações e economia regional. Contudo, o sucesso alcançado até o presente na previsão do índices pluviométricos, se estabelecidos pelo critério de 80% de acerto, como já recomendado por Walker (928), tem sido bastante modesto devido à grande complexidade e às limitações associadas aos modelos atualmente utilizados no seu prognóstico. A costa leste do NEB representa uma faixa de aproximadamente 00 km de largura que se estende do Estado do Rio Grande do Norte ao Estado da Bahia, também conhecida como Zona da Mata. Ao contrário de outras subregiões do NEB, a estação chuvosa principal nessa região, correspondente a 60% da pluviometria anual e ocorre entre os meses de abril a julho. A estação seca vai de setembro a dezembro com uma pluviometria correspondente a 0% do total anual. Os meses de março e agosto são as transições entre as estações seca-úmida e úmida-seca, respectivamente. Embora a costa Este represente somente 3% da área total do NEB, nela vivem aproximadamente 30% da população nordestina. Nas duas últimas décadas, a dinâmica do regime de precipitação pluviométrica do Norte do NEB vem sendo extensivamente estudada enquanto que a da costa este e áreas secas adjacentes tem sido pouco analisada. Alguns pesquisadores (Franquito, 980; Kousky & Moura, 98) acreditam que os efeitos das brisas marítima e terrestre são responsáveis por pequena percentagem da precipitação dessa região, onde o regime pluviométrico é afetado tanto pelos mecanismos dinâmicos que afetam a parte norte quanto por aqueles que afetam a parte Sul do NEB (Lima et al., 994). Muitos são os fatores que influenciam a variabilidade da pluviometria na costa leste do NEB. Nessa região, a estação chuvosa é influenciada pelos sistemas frontais frios (Kousky & Chu, 979), vórtices ciclônicos frios da troposfera superior (Gan, 983), Zona de Convergência Intertropical e sistemas de alta pressão do Atlântico Sul (Strang, 983), sistemas de nuvens que se propagam para Oeste (Chan et al., 990), linhas de instabilidade associadas com brisa marítima (Cavalcanti & Kousky, 982) e temperatura da superfície do mar (TSM) do Atlântico tropical (Uvo et al., 998). De acordo com Wilhite (980) existem basicamente quatro metodologias através das quais se pode efetivar a previsão do clima de uma região: o método puramente estatístico, baseiado na hipótese de que o conhecimento do 505

2 clima futuro de uma região pode ser previsto a partir dos registros de dados climáticos do passado; o método dinâmico-físico-estatístico, que fundamenta-se em princípios físicos e dinâmicos da circulação atmosférica; o método das analogias, que consiste na identificação de situações passadas que sejam comparadas a situações presentes, o qual requer, para sua aplicação, um grande número de informações meteorológicas do passado; e o método numérico-físico-dinâmico que somente com o advento de computadores super velozes, a sua utilização se tornou possível, o qual pressupõe que a simulação do clima futuro de uma região pode ser obtida na medida que sejam solucionadas equações básicas do movimento e da termodinâmica da atmosfera. Silva (985, 988) propôs uma metodologia que embora utilize intensivamente o modelo probabilístico Beta, a cada previsão apresenta um valor diferente para um mesmo nível de probabilidade. Silva (988), utilizando totais pluviométricos diários coletados em postos localizados nos Sertões da Paraíba, propôs modificações no seu modelo original com o objetivo de avaliar a chuva esperada para o outono, ao nível de 80% de probabilidade. Para tanto, foram considerados os totais pluviais do verão e outono, ano a ano, bem como a contribuição que a chuva de outono oferecia para o total dessas estações juntas. Em seguida, determinou os quintis de tal contribuição com base no modelo probabilístico Beta. Os resultados obtidos apresentaram um bom ajuste entre as observações e o modelo teórico Beta, quando o ajustamento foi verificado pelo teste de Kolmogorov-Smirnov. Recentemente, Azevedo et al. (998) concluíram que o modelo utilizado por Silva (988) mostrou-se adequado à estimativa dos totais máximos e mínimos de pluviometria da segunda metade da estação chuvosa das diferentes microrregiões homogêneas do Estado do Ceará, especialmente quando usado no prognóstico da precipitação mínima esperada para o outono. Saliente-se que o modelo de Silva (988) tem se mostrado adequado à estimativa de totais máximos e mínimos de pluviometria da segunda metade da estação chuvosa quando aplicado a diferentes microrregiões homogêneas do NEB. O presente trabalho objetivou a verificação da aplicabilidade e possível operacionalidade do modelo de Silva (988) à área da costa Este do NEB compreendida entre 5 S e S, ou mais precisamente, à costa Este dos Estados do Rio Grande do Norte, Paraíba, Pernambuco, Alagoas e Sergipe. MATERIAL E MÉTODOS Foram selecionadas as séries pluviométricas de 34 postos pluviométricos com, no mínimo, 40 anos de registros contínuos. Os dados pluviométricos foram extraídos do arquivo de dados do Departamento de Ciências Atmosféricas - DCA do Centro de Ciências e Tecnologia-CCT - UFPB, e da publicação Séries Puviométricas Mensais do Nordeste (SUDENE, 990). O modelo de Silva (988) considera que se Q é o primeiro quintil das proporções entre a precipitação pluviométrica da primeira metade da estação chuvosa e o total de chuva ocorrida na estação chuvosa, pode-se afirmar que a probabilidade de ocorrência de valores maiores ou iguais a Q, é de 80%. Assim, para um dado ano, escolhido ao acaso, tem-se que: z i Xi = Q () ( Xi + Yi) Por outro lado, ao se considerar o quarto quintil ( Q 4 ) das proporções mencionadas, pode-se igualmente afirmar que a probabilidade de ocorrência de valores menores ou iguais a Q 4, é de 80%, o que resulta em se ter, para um determinado ano escolhido ao acaso, que: Xi z i = Q 4 (2) ( Xi + Yi) onde X i e Yi correspondem às precipitações ocorridas na primeira e segunda metades da estação chuvosa daquele ano particular. Desenvolvendo as inequações ( e 2) obtém-se, respectivamente, que: Yi Xi.[( Q) / Q ] e Y X.[( Q ) / Q ]. Consequentemente, há uma probabilidade de 80% de que: i i 4 4 Q Y max = X i.[ ( ) Q ] Q e Y min = X i.[ ( 4 ) Q ] (3)

3 pois, se Y i é menor (maior) ou igual a uma quantidade, consequentemente, Y max (Y min ) é igual a essa quantidade. Os termos ( Q ) / Q e ( Q4 ) / Q4 são, respectivamente, definidos como os índices de máximo (Imax) e mínimo (Imin) de precipitação pluviométrica que multiplicado pela precipitação ocorrida na primeira metade da estação chuvosa permitem, a cada novo ano, prognosticar os totais pluviométricos máximo (Y max ) e mínimo (Y min ) esperados para segunda metade da estação chuvosa, com probabilidade de 80%. Como consequência, temse que a probabilidade Y max <Yi <Y min é de 60%. Uma variável aleatória contínua Z, com valores situados entre zero e um, distribui-se segundo o modelo probabilístico Beta e tem função de densidade de probabilidade (fdp) do tipo (Yevjevich, 972): f ( z i ) = z ( a ) i ( z b i ) ( ) B( a, b) 0 < z < (4) onde a e b são os parâmetros do modelo e B(a,b) é a função matemática Beta que se relaciona com a função matemática Gama (Γ). Utilizou-se o método de máxima verossimilhança na estimativa de a e b do modelo probabilístico Beta, segundo as soluções propostas por Mielke (976): s + ak + bk s bk j ak G + 2 ( + ) ln + j= j( j + ak )( j + ak + bk ) s + ak 2 a k = (5) s [ ( + )( + + ) ] b j j a j a b k k k k j= e s + ak + bk s ak j + bk H + ln 2 ( ) + s + b j j j bk j ak bk k = ( + )( + + ) 2 b k = (6) onde = n i = s k k k k j= [ ( + )( + + ) ] a j j b j a b n i= G n ln( z i ) e H = n ln( z i ) (7) Para que o processo iterativo seja inicializado, faz-se necessário atribuir valores para a 0 e b 0. Neste sentido utilizou-se as estimativas proporcionadas pelo método dos momentos, ou seja: E( Z) = a0 a + b 0 0 e V ( Z) = a. b [( a0 + b0 ) ( a0 + b0 + ) ] (8) onde E(Z) e V(Z) são a média e variância amostrais, respectivamente. Considerou-se, ainda, s = 25, o que tem proporcionado bons resultados. 507

4 Utilizou-se o teste não paramétrico K-S para adaptação de uma específica e bem conhecida distribuição de probabilidade a dados provenientes de uma distribuição de probabilidades desconhecida. Obteve-se a maior diferença absoluta (Dmáx) entre as probabilidades teóricas P(Z) e empíricas F(Z) como: Dmáx = F ( zi ) P ( zi ) (9) a qual foi comparada ao valor do desvio crítico (dc) tabelado (Kite, 977), em função do número de dados da amostra (N) e do nível de significância adotado (α = 0,20). Para o cálculo das probabilidades empíricas observadas F(Z) utilizou-se, após ordenação crescente dos mesmos, a frequência Kimbal, dada por: F( z ) = m 0 ( N + ) (0) onde m é o número de valores amostrais menores ou igual a z 0 e N o número total de elementos da série e que proporciona a probabilidade empírica de valores máximos de z 0. Foram preestabelecidas quatro estações chuvosas (ECi) entre janeiro e agosto, conforme Tabela. Tabela - Períodos e estações chuvosas preestabelecidas(eci). ESTAÇÕES CHUVOSAS PERÍODO PERÍODO 2 EC Janeiro a Março (jfm) Abril a Junho (amj) EC2 Fevereiro a Abril (fma) Maio a Julho (mjj) EC3 Março a Maio (mam) Junho a Agosto (jja) EC4 Janeiro a Março (jfm) Abril a Agosto (amjja) RESULTADOS Como exemplo, apresenta-se os valores dos quintis nas colunas três e quatro da Tabela 2, correspondente à estação chuvosa preestabelecida EC. Para análise desses valores tomou-se como exemplo o posto dessa Tabela 2, para o qual pode-se observar que os valores Q e Q4 correspondem a 0,20 e 0,45, respectivamente. Isto significa que em 80% dos anos analisados, o total pluviométrico do primeiro período da EC contribui com no mínimo 2% e no máximo 45,% do total pluviométrico da estação chuvosa. Esta interpretação deve ser estendida aos demais postos pluviométricos de todas as situações estudadas; mesmo porque, os quintis serviram de base para a determinação dos valores máximo e mínimo da precipitação pluviométrica esperada para o segundo período das quatro estações chuvosas estudadas, de cada um dos 34 postos pluviométricos utilizados no estudo. Na Tabela 3 (a), (b), (c) e (d), a primeira e segunda colunas referem-se aos totais pluviométricos ocorridos nos primeiro e segundo períodos da estação chuvosa preestabelecida, e a terceira e quarta colunas referem-se aos valores máximo e mínimo da precipitação pluviométrica prognosticada pelo modelo de Silva (988) para o segundo período da estação chuvosa preestabelecida. Observa-se que: em (a) ocorreram 04 falhas (representadas por asteriscos) na previsão dos valores mínimos, ou seja, em quatro dos dez anos analisados os valores mínimos previstos foram maiores do que os observados falhas, no caso dos valores máximos, seriam estes menores do que os observados assim, superando o modelo em dois valores; já que o esperado é que ocorra no máximo dois valores (falhas) nos dez anos projetados; em (b) ocorreram 03 falhas nos valores mínimos previstos; superando o modelo em um valor, e em (c) ocorreu apenas 0 falha nos valores mínimos previstos lembre-se que, (a), (b) e (c) são as estações chuvosas móveis preestabelecidas entre janeiro e agosto em (d) ocorreram 03 falhas nos valores mínimos previstos, superando o modelo em um valor. Estes resultados parciais mostram que é possível monitorar os prognósticos dentro da estação chuvosa principal que vai de abril a julho, tanto, usando as 3 estações chuvosas móveis (EC, EC2 e EC3) entre janeiro e agosto, e melhor, usando a estação chuvosa fixa de janeiro a agosto, porém, movendo-se os meses (EC4). A análise que foi feita considerou apenas os valores mínimos previstos porque, observando a Tabela 3 em análise, vê-se que, quando o modelo erra no valor mínimo previsto, acerta no valor máximo previsto; assim sendo, é irrelevante fazer-se a outra análise; mesmo porque, quando o modelo erra no valor máximo previsto, como em (a), 508

5 (c) e (d), os valores previstos ficam tão próximos dos ocorridos que as diferenças, na maioria dos casos, são irrelevantes, considerando que está se tratando de previsão de totais pluviométricos. Tabela 2 - Valores do primeiro (Q) e quarto (Q4) quintis, dos índices de máxima (Imax) e mínima (Imin) precipitação esperada, dos desvios máximos absolutos (Dmax), dos desvios críticos (dc) e do número de anos de dados (N), para o período de abril-junho com base em janeiro-março (EC). Ordem Nome do Posto (Q) (Q4) (Imax) (Imin) (Dmax) (dc) N 0 Natal 0,20 0,45 3,762,27 0,04 0, S. José do Mipibu 0,224 0,466 3,464,46 0,08 0, Santo Antonio 0,94 0,462 4,55,65 0,09 0, Canguaretama 0,23 0,456 3,329,93 0,08 0, Nova Cruz 0,20 0,487 3,762,053 0,0 0, Bananeiras 0,233 0,458 3,292,83 0, 0, Mamanguape 0,205 0,468 3,878,37 0,06 0, Mulungu 0,207 0,457 3,83,88 0,09 0, Sapé 0,88 0,433 4,39,309 0,0 0, João Pessoa 0,97 0,407 4,076,457 0, 0,5 53 Santa Rita 0,208 0,429 3,808,33 0,06 0, Itabaiana 0,222 0,485 3,504,062 0,09 0, Itambé 0,96 0,433 4,02,309 0,06 0, Alhandra 0,202 0,439 3,950,278 0,08 0, Carpina 0,53 0,40 5,536,439 0,06 0, Recife 0, ,587,584 0,08 0,9 3 7 Vitória de Santo Antão 0,237 0,469 3,29,32 0, 0, Escada 0,202 0,47 3,950,398 0,0 0, Rio Formoso 0,208 0,398 3,808,53 0,0 0, Palmares 0,79 0,384 4,587,604 0,05 0, Porto Calvo 0,27 0,399 3,608,506 0,09 0, São Luís do Quitunde 0,47 0,375 5,803,667 0,2 0, Atalaia 0,44 0,326 5,944 2,067 0,05 0, Maceió 0,43 0,364 5,993,747 0,04 0, Anadia 0,4 0,303 7,772 2,300 0,05 0, São Miguel dos Campos 0,62 0,34 5,73,933 0,05 0, Junqueiro 0,7 0,357 7,547,80 0,06 0, Coruripe 0,44 0,333 5,944 2,003 0, 0, Propriá 0,43 0,324 5,993 2,086 0,2 0, Penedo 0,60 0,339 5,250,950 0, 0,7 4 3 Piaçabuçu 0,53 0,342 5,536,924 0,2 0, Pacatuba 0,5 0,37 5,623 2,55 0,05 0, Japaratuba 0,3 0,304 7,850 2,289 0,06 0, Aracaju 0,52 0,349 5,579,865 0,08 0,5 49 Análise das falhas nos prognósticos dos valores máximos e mínimos da precipitação pluviométrica A análise do ajuste dos dados de cada série utilizada no estudo foi considerada satisfatória. Todavia, os ajustes mais fracos concentraram-se ao Sul da região de estudo. Observou-se também, que a contribuição de Q4 decresce do Norte para o Sul da região. Observou-se que as falhas nos prognósticos dos valores mínimos concentraram-se na parte Sul da região de estudo. Tendo em vista o exposto acima, considerou-se a região de estudo assim divida: Do posto ao 4, Norte da região; do posto 5 ao 23, Centro da região; e do posto 24 ao 34, Sul da região de estudo. Foi dada ênfase apenas à análise das falhas ocorridas nos prognósticos dos valores mínimos. As Tabelas 4 a 6 mostram o comportamento dos postos pluviométricos em relação às falhas ocorridas. Nas mesmas estão destacadas com asteriscos, as falhas ocorridas nos prognósticos dos valores mínimos que superaram o modelo. Na Tabela 4, que corresponde às estações móveis entre janeiro e agosto, observa-se que dos 4 postos situados ao Norte da região de estudo, na EC, o modelo falhou duas vezes nos postos 7 e 9, e uma vez no posto ; 509

6 na EC2, o modelo foi superado apenas uma vez no posto 7; e na EC3, o modelo foi superado uma vez nos postos 2 e 3; na EC4, o modelo foi superado uma vez nos postos 7, 9 e 2. Estes dados mostram que ao Norte da região de estudo, que compreende às costas dos Estados do Rio grande do Norte e Paraíba, o modelo mostrou-se altamente eficiente no prognóstico da pluviometria do segundo período das quatro situações estudadas, principalmente nas EC2 e EC4. Tabela 3 - Totais da precipitação pluviométrica (mm) do primeiro e segundo período para cada estação chuvosa preestabelecida no período de 979 a 988 e valores máximos (Ymax) e mínimos (Ymin) da precipitação pluviométrica prognosticada pelo modelo de Silva (988) para o segundo período de cada estação chuvosa preestabelecida para Mamangupe-PB. (a) (b) EC JAN-JUN EC2 FEV-JUL PERÍODO PERÍODO 2 Ymax Ymin PERÍODO PERÍODO 2 Ymax Ymin JFM AMJ ANO FMA MJJ 357,4 288,5 386,0 * 406, ,2 39,7 858, 263,3 243,3 88,2 943,5 * 276, ,5 48,7 684, * 209,9 38,3 298,5 234,4 * 36, ,8 307,4 769,6 236, 357,4 687,0 386,0 406, ,8 508, 326,7 407, 29,9 687,0 * 503,0 47, ,8 545, 88,8 25,2 285,2 03, 06,0 324, ,7 979,6 65,3 357,6 886,4 888,5 3437,5 * 007, ,0 865,9 338,2 * 08,2 544, ,3 69, ,0 554,7 2209,4 * 677,9 408,5 562,7 584,2 464, ,5 50, 588, 487,3 257,5 595,3 998,6 292, ,8 627,4 944,4 289,8 (c) (d) EC3 MAR-AGO EC4 JAN-AGO PERÍODO PERÍODO 2 Ymax Ymin PERÍODO PERÍODO 2 Ymax Ymin MAM JJA ano JFM AMJJA 222,9 389,5 * 360,7 07, ,4 429,3 259,4 * 585,8 226,0 90,0 365,7 09, ,3 304,7 470,0 * 398,8 386,3 72,3 625,0 87, ,3 365,8 923,2 * 52,7 62,4 38,7 005,4 300, ,4 820,0 259,4 585,8 509,8 406,7 824,9 246, ,9 845,0 * 784,9 22,9 997, 44,5 63,3 * 482, ,2 269, 723,2 467,4 275,4 758,6 2063,6 67, ,4 462,5 5355,6 452,8 900,7 503, 457,3 435, ,7 47,6 329, 892,8 4,8 543,7 666,3 99, ,5 89,8 2468,2 669,5 477,4 525,0 772,4 23, ,5 87,6 555,8 422,0 Tabela 4 - Falhas ocorridas nos prognósticos dos valores máximos (Ymax) e mínimos (Ymin) ao Norte da região de estudo, nas estações chuvosas preestabelecidas (EC, EC2, EC3 e Ec4) para os últimos 0 anos de cada série com os quais foram feitas as projeções. Ordem Nome do Posto EC EC2 EC3 EC4 Ymax Ymin Ymax Ymin Ymax Ymin Ymax Ymin 0 Natal S. José do Mipibu 5 3 * Santo Antonio 2 2 * Canguaretama Nova Cruz Bananeiras Mamanguape * 4 0 * 3 * 3 08 Mulungu Sapé 0 * * 3 0 João Pessoa

7 Ordem Nome do Posto EC EC2 EC3 EC4 Ymax Ymin Ymax Ymin Ymax Ymin Ymax Ymin Santa Rita * Itabaiana * 3 3 Itambé Alhandra Na Tabela 5 observa-se que dos 9 postos situados no Centro da região de estudo, na EC, o modelo foi superado uma única vez nos postos 5, 20 e 22, duas vezes no posto 22 e três vezes no posto 23; na EC2, o modelo foi superado uma vez nos postos 8 e 20 e quatro vezes no posto 23; na EC3, o modelo foi superado apenas uma vez no posto 23; e na EC4a, o modelo foi superado uma vez no posto 20, duas vezes nos postos 5, 2 e 22, e 3 vezes no posto 23. Tabela 5 - Falhas ocorridas nos prognósticos dos valores máximos (Ymax) e mínimos (Ymin) no centro da região de estudo, nas estações chuvosas preestabelecidas (EC, EC2, EC3 e Ec4) para os últimos 0 anos de cada série com os quais foram feitas as projeções. Ordem Nome do Posto EC EC2 EC3 EC Ymax Ymin Ymax Ymin Ymax Ymin Ymax Ymin 5 Carpina * * 4 6 Recife Vitória de Santo Antão Escada 0 * Rio formoso Palmares 2 * 3 2 * * 3 2 Porto Calvo 0 * * 4 22 São Luis do Quitunde 0 * * 4 23 Atalaia 0 * 5 0 * 6 0 * 3 0 * 5 Na Tabela 6, vê-se que para os postos situados ao Sul da região de estudo, que compreende às costas dos estados de Alagoas e Sergipe, o modelo foi superado por falhas em praticamente todos os postos e não mostrou nenhuma eficiência na EC, EC2, EC4. Porém, mostrou uma boa eficiência na EC3. Estes resultados já eram esperados, devido a baixa contribuição de Q4 nessas estações chuvosas relatada anteriormente. Tabela 6 - Falhas ocorridas nos prognósticos dos valores máximos (Ymax) e mínimos (Ymin) ao Sul da região de estudo, nas estações chuvosas preestabelecidas (EC, EC2, EC3 e EC4) para os últimos 0 anos de cada série com os quais foram feitas as projeções. Ordem Nome do Posto EC EC2 EC3 EC4 Ymax Ymin Ymax Ymin Ymin Ymax Ymax Ymin 24 Maceió 0 * * 3 25 Anadia * 4 * 7 * 3 * 5 26 São Miguel dos Campos * 3 2 * 4 2 * 4 27 Junqueiro 0 * 3 0 * Coruripe 0 * * 5 29 Propriá 4 * 3 2 * * 3 30 Penedo 3 * 3 2 * * 3 3 Piaçabu * 4 * * 4 32 Pacatuba * 5 0 * 4 * 4 * 4 33 Japaratuba 0 * 4 0 * * 3 34 Aracaju 0 * 4 0 * 7 * 3 0 * 5 No geral, o ajustamento dos dados ao modelo Beta (Yevjevich, 972) foi satisfatório; os melhores ajustes ocorreram ao Norte da região de estudo; as estações chuvosas EC2 e EC4 apresentaram os melhores ajustes; e os mais fracos ajustes ocorreram ao Sul da região de estudo. Pode-se concluir que: - Em todas as situações estudadas 5

8 a contribuição do quarto quintil (Q4) diminui do Norte para o Sul da região de estudo; e 2 - As melhores condições de contribuição de Q4 ocorreram nas estações chuvosas EC3 e EC4. Pode-se ainda afirmar que é possível monitorar os prognósticos dentro da estação chuvosa principal, tanto usando as 3 estações móveis, quanto a fixa com os meses móveis. Assim, ao Norte da região de estudo, o modelo de Silva (988) foi eficiente em todas as situações estudadas, principalmente nas estações chuvosas EC2 e EC4; ao Centro, a eficiência do modelo foi razoável nas estações chuvosas EC3 e EC4 e fraca nas estações EC e EC2; ao Sul da região de estudo, o modelo foi razoavelmente eficiente nas EC3 e EC4 e ineficiente nas estações EC e EC2. As afirmações feitas anteriormente serão associadas aos diferentes percentuais de falhas verificadas, permitindo assim chegar ao objetivo principal do estudo. Observa-se, também, que tais resultados permitem que se tenha uma idéia da regularidade da estação chuvosa principal, fazendo-se a comparação do desempenho das estações chuvosas preestabelecidas móveis e a fixa. Por último, observa-se que o número de vezes (n) que as falhas do mínimo previsto (Ymín) superaram às estabelecidas pelo modelo, concentraram-se nos anos em que foram registradas ocorrências de El Ninõ. Como já mencionado, o modelo estabelece que para cada dez anos de projeções, pode-se esperar que ocorram duas falhas. Em outras palavras, o modelo admite 20% de falhas. O primeiro bloco da Tabela 7 mostra que dos 680 prognósticos feitos para o Norte da região de estudo, o modelo foi superado em 7% nos valores máximos previstos e em 7% nos valores mínimos previstos; no total, 4% de vezes o modelo foi superado; percentual menor do que os 20% admitidos. No Centro da região de estudo, dos.080 prognósticos feitos, os valores máximos previstos foram superados em % e os mínimos em 8%, totalizando 9%; e ao Sul da região de estudo, dos.320 prognósticos feitos, o modelo foi superado em 3% nos valores máximos previstos e em 34% nos valores mínimos, totalizando 37%, valor este, maior do que os 20% admitido pelo modelo. Estes percentuais confirmam o acerto do modelo, que é de 80% dos casos, para o Norte e Centro da região de estudo; enquanto ao Sul, verificou-se que o acerto do modelo foi de apenas 67% dos casos. Tabela 7 - Demonstrativo dos percentuais de falhas do modelo de Silva (988). a) Percentual de vezes em que os prognósticos dos valores máximo (Ymax) e mínimo (Ymin) da pluviometria superaram aqueles estabelecidos pelo modelo. ÁREA DA REGIÃO Ymax Ymin Total Norte da região Centro 8 9 Sul b) Percentual de falhas nos prognósticos dos valores mínimos para cada situação estudada. ÁREA DA REGIÃO EC EC2 EC3 EC4 Norte da região Centro Sul c) Percentual do total falhas nos prognósticos. ao Norte da região 3 ao Centro da região 3 Ao Sul da região 27 O segundo bloco da Tabela 7 mostra que, ao Norte da região de estudo, nas quatro situações estudadas, os percentuais de falhas nos prognósticos dos valores mínimos previstos variaram entre 9 e 9%, respectivamente ocorridos nas EC2 e EC; no Centro da região de estudo, variaram entre 0%, ocorrido na EC3 e 28% ocorrido na EC4; e ao Sul da região de estudo, os percentuais de falhas nos prognósticos dos valores mínimos previstos variaram entre!9%, ocorrido na EC3 e 44% ocorrido na EC2, confirmando, portanto, as afirmações feitas anteriormente. Por último, o terceiro bloco da Tabela 7 mostra que o percentual de todas as falhas nos prognósticos foi: de 3% ao Norte e Centro da região de estudo e 27% ao Sul da região de estudo; o que leva a firmar que o modelo mostrou-se bastante eficiente ao Norte e Centro, e foi regular ao Sul da região de estudo. Como já mencionado anteriormente, quando o modelo erra na estimativa do valor máximo previsto, acerta no mínimo, e vice-versa. Então, com base nos percentuais de todas as falhas nos prognósticos, pode-se afirmar que ao Norte e Centro da região de estudo, 74% dos valores ocorridos (Yi) ficaram entre os máximos e os mínimos previstos, estando de acordo com o estabelecido pelo modelo, que é de 60% para um ano particular; enquanto ao Sul 52

9 da região de estudo, apenas 46% dos valores ocorridos ficaram entre os máximos e mínimos previstos. Este baixo rendimento verificado ao Sul da região de estudo está associado às baixas contribuições do quarto (Q4) quintil nas estações EC, EC2 e EC4. Todavia, este fato não invalida o uso do modelo para o Sul da região de estudo, uma vez que, na estação chuvosa EC3, os resultados estão de acordo com o acerto do modelo, como evidenciado nas afirmações feitas no início desta seção. Por outro lado, as baixas contribuições de Q4 podem estar associadas à ocorrência de fenômenos atmosféricos, particularmente, eventos El Ninõ, já que, verificou-se que os maiores números (n) de vezes por ano (Tabela 8) em que as falhas nos valores mínimos previstos superaram as estabelecidas pelo modelo em dois ou mais valores, concentraram-se nos anos de ocorrência de El Ninõ. Tabela 8 - Número de vezes por ano (n) em que as falhas do mínimo previsto (Ymin) superaram as estabelecidas pelo modelo em dois ou mais valores. Ano Número de vezes-n CONCLUSÕES Com base nos resultados obtidos neste trabalho, pode-se concluir que:. o modelo de distribuição de probabilidades Beta se ajusta, de forma estatisticamente satisfatória, as séries pluviométricas da costa Este do Nordeste do Brasil, com o melhor ajustamento ao norte dessa região; 2. as falhas do modelo são reflexos das baixas contribuições do quarto (Q4) quintil, e indicam o comportamento da estação chuvosa principal; 3. é possível monitorar os prognósticos dentro da estação chuvosa principal, tanto usando três estações móveis de seis meses, quanto movendo-se os meses numa estação fixa de oito meses. REFERÊNCIAS BIBLIOGRÁFICAS AZEVEDO, P. V. de.; SILVA, B. B. da.; RODRIGUES, M. F. G. Previsão estatística das chuvas de outono no Estado do Ceará. Revista Brasileira de Meteorologia, São Paulo, v.3, n., p.9-30, 998. CAVALCANTI, I. F. A. & KOUSKY, V. E. Influências da circulação de escala sinótica na circulação da brisa marítima na costa N-NE da América do Sul. São José dos Campos, (INPE-2573-PRE/22), 982, 3p. CHAN, C. S.; FERREIRA, N. J.; SATYAMURTI, P. Análise dos distúrbios ondulatórios de leste sobre o oceano Atlântico Equatorial Sul.. IN: CONGRESSO BRASILEIRO DE METEOROLOGIA, 6., Salvador, 9-24 nov Anais..., SBMet, Rio de Janeiro, p , 990. FRANQUITO, S. H. Um estudo das circulações térmicas produzidas próximo às costas. Dissertação de mestrado em meteorologia, São José dos Campos. INPE -95, 980. GAN, M. A. Um estudo observacional sobre as baixas frias da alta troposfera, nas latitudes subtropicais do Atlântico Sul e leste do Brasil. Dissertação de Mestrado em Meteorologia, INPE, São José dos Campos. (INPE TDL/26), 983, 80p. KITE, G. W. Frequency and risk analyses in hidrology. Water Resource Publication, Colorado - USA, 977. KOUSKY, E. V. & CHU, P. S. Frontal influences on Northeast Brasil. Montly Weather Review, v.07, n.9, p.40-53, 979. KOUSKY, E. V. & MOURA, A. D. Previsão de precipitação no Nordeste do Brazil: O aspecto dinâmico. IN: IV SIMPÓSIO BRASILEIRO DE HIDROLOGIA E RECURSOS HÍDRICOS, nov. 98, Fortaleza, 98. LIMA, M. C. de; RAO, V. B.; FRANQUITO, S. H. Variability of rainfall in the East coast of North-Eastern Brazil region, Workshop Report, Fortaleza, 994, 25p. MIELKE, P. W. Jr. Conveniente beta likelihood techniques for describing and comparing meteorological dados. Journal of Applied Meteorology, Boston, v.4, p , 976. SILVA, B. B. da, Estudo da precipitação no Estado da Paraíba: regimes pluvias e caracterização de anos secos e chuvosos. Dissertação de Mestrado UFPB. CCT., Campina Grande, 985, 00p. 53

10 SILVA, B. B. Estimativa da chuva de outono nos sertões da Paraíba. IN: CONGRESSO BRASILEIRO DE METEOROLOGIA, 5, Rio de Janeiro, Anais..., IV. 6 - IV. 9, 988. STRANG, D. M. G. D. Configurações do ar superior e variabilidade das chuvas no Nordeste do Brasil. São José dos Campos, CTA, (Relatório Técnico ECA-04/83), 983, 38p. SUDENE/DPG-PRN-HME, Dados pluviométricos mensais do nordeste, Série: Brasil. SUDENE, Recife, Pluviometria n 4, 5, 6, 7 e 8, 990. UVO, C. B.; REPELLI, C. A.; ZEBIAK, S. E.; KUSHNIR, Y. The Relationship between tropical pacific and atlantic SST and northeast Brazil monthly precipitation. Journal of Climate, Boston, v., n. 4, p , 998. WALKER, G. T. Ceará, Brasil, famines and the general air movement. Beitrage zur Physik der freien Atmosphaere, v.4, p , 928. WILHITE, D. A. Drought prediction in the great plains: Is it possible? In: Drougth in the great plains. Waters Resources Publications, Litlleton, Clorado, USA. p.225, 980, 225p. YEVJEVICH, V. Stochastic Processes in Hydrology, Ed. Water Resourses Publications, Fort Collins, 54