Padrão Espacial Pluviométrico no estado do Amapá utilizando a Análise de Componentes Principais Jonathan Castro Amanajás, Célia Campos Braga Mestrando do Departamento de Ciências Atmosféricas, UFCG. Av. Aprígio Veloso, 88, Bairro Universitário. Campina Grande PB, Brasil. CEP: 58.9. E-mail: jonathan.amanajás@hotmail.com Professora do Departamento de Ciências Atmosféricas, UFCG. Av. Aprígio Veloso, 88, Bairro Universitário. Campina Grande PB, Brasil. CEP: 58.9. E-mail: celia@dca.ufcg.edu.br ABSTRACT: Using the of Factor Analysis (FA) in Principal Components (PCs) method, some characteristics of the precipitation pattern (mm) are established for the Amapá State (Amazônia Oriental). Data of monthly precipitation from 7 meteorological stations are used. The first two principal components (PCs), which describe 85.7% of the total precipitation field variance, are considered. It is shown, graphically and numerically, that the first PC is related to the performance of the Intertropical Convergence Zone and the second is related to non-gradient weather type (no clear pattern or associated with any system of synoptic scale). Key Words: Factor Analysis; rotation; precipitation pattern. INTRODUÇÃO O estado do Amapá, localizado na faixa equatorial do globo, esta inserido no setor norte da Amazônia Oriental. Esta região caracteriza-se por altas temperaturas e elevados índices pluviométricos, tendo seu período chuvoso médio centrado de dezembro a maio. As chuvas nesta região são diretamente influenciadas pela migração sazonal da Zona de Convergência Intertropical ( ZCIT) na direção meridional, caracterizada pela elevação do ar quente e úmido, formando um cinturão de nuvens e chuva convectiva (RAO & HADA, 99). Além da ZCIT outros mecanismos explicam o regime pluvial na região, os quais são resultantes da combinação das brisas marítimas e da fonte de vapor proveniente da Floresta Amazônica (VIANELLO, 99). Por outro lado, essa migração sazonal da ZCIT é fortemente relacionada as anomalias que ocorrem na circulação atmosférica e oceânica sobre os trópicos, a exemplo dos fenômenos El Niño e La Niña (PEZZI & CAVALCANTI, ). O clima da região segundo a classificação de Köppen é do tipo megatérmico Af, caracterizando-a como clima tropical úmido, com chuvas em todas as estações e temperatura média no mês mais frio acima de 8 C, e período menos chuvoso de curta duração (NIMER, 989). Pesquisadores em todo mundo têm usado as técnicas multivariadas denominada de Análise de Componentes Principais como ferramenta importante e útil para investigar as variabilidades sazonais e anuais das variáveis meteorológicas. Ceballos & Braga (995) aplicaram a análise de componentes principais em regiões homogêneas de radiação global diária para estimar dados de locais onde não se disponham. Eastman & Fulk (99) aplicaram a técnica para obtenção de condições climáticas da África. Recentemente Fragoso e Gomes (8) aplicaram a análise em Componentes Principal a dados de chuva para identificar padrões de precipitação associados a eventos intensos de chuva no sul de Portugal. Assim, o objetivo deste estudo é analisar a distribuição espacial da chuva no estado do Amapá e através da Análise das Componentes Principais caracterizar os sistemas atmosféricos contribuintes de sua precipitação.
. MATERIAL E MÉTODOS Os dados de precipitação utilizados neste estudo são provenientes de 7 estações meteorológicas da Agência Nacional das Águas (ANA), a partir dos quais foram obtidas médias mensais e anuais de precipitação para o estado do Amapá. A distribuição das estações é indicada por números na Fig.. 7 Oceano Atlântico.5.5.5 5 6 9.5 -.5 5 8 7 6 6 5 8 9-7 -5.5-5 -5.5-5 -5.5-5 -5.5-5 -5.5-5 Figura. Distribuição espacial das 7 estações meteorológicas da ANA no estado do Amapá. Neste estudo se utilizou a técnica de análise multivariada dos Componentes Principais (ACP). Esta técnica foi introduzida pela primeira vez em estudos meteorológicos por Lorenz, em 956, que as denominou de Funções Ortogonais Empíricas para destacar sua natureza não analítica (BRAGA, ). O objetivo do método é transformar p variáveis originais correlacionadas em componentes não correlacionadas ou ortogonais, sendo estes componentes funções lineares, em que p variáveis originais são medidos em n indivíduos (BOUROCHE & SAPORTA, 98). A ACP é uma técnica que não só permite uma redução da dimensão da matriz de dados, ao mesmo que a máxima variância pode ser explicada pela classificação dos autovetores associados aos maiores autovalores da matriz de correlação, ou seja, os dados originais podem ser analisados a partir de um número pequeno de componentes independentes entre si (PREISENDORFER, 988). A partir de uma matriz Z (m x n) normalizada, obtêm-se uma matriz de correlação R, simétrica e positiva de dimensão (k x k), e diagonalizável por uma matriz A, de mudança de base, denominada de autovetores. Pela ortogonalidade dos autovetores, a inversa de A (A - ) é igual a sua transposta (A t ). Logo, as CPs Z, Z,..., Z n são obtidas por combinações lineares entre a transposta dos autovetores (A t ) e a matriz de observações (Y). Assim, cada linha de Z corresponde a uma CP que forma as séries temporais associadas aos autovalores. Cada componente principal tem uma porção da variância total dos dados mensais da precipitação pluvial, e são ordenadas por ordem decrescente dos autovalores mais significativos de a em A (WILKS, 6). A variância total do sistema (V) é definida como a soma das variâncias das variáveis observadas. A variância da matriz pode ser entendida também como o somatório da diagonal principal da matriz de correlação. O número escolhido de CPs foi baseado no critério de truncamento de Kaiser, que considera como mais significativos os autovalores cujos valores sejam superiores a um (GARAYALDE et al., 986).
Para facilitar as interpretações físicas correspondentes às CPs, normalmente se faz uma rotação da solução inicial para uma nova coordenada de vetores, através de uma transformação linear (FULGOSI, 979; RICHMAN, 986; WIKS, 6). Neste trabalho, utilizou-se uma rotação ortogonal mantendo a correlação entre as componentes igual a zero, portanto independentes. O método de rotação mais utilizado que maximiza a variância em cada componente é o VARIMAX, dado por: r m m Var m ( aij ) aij m j i i onde r é o número de CPs que representam as informações físicas e m o número de variáveis. O principal objetivo da utilização de CPs rotacionadas é se obter a maior concentração dos dados originais da série temporal nas CPs pela máxima variância, e não pela característica normalizada da série temporal como ocorre nas CPs não rotacionadas (CORRAR et. al., 7).. RESULTADOS E DISCUSSÃO A seguir são apresentados os resultados obtidos da aplicação do método da ACP a dados médios mensais da precipitação pluvial no estado do Amapá. A Fig. mostra a variabilidade espacial dos totais médios anuais da precipitação no Estado..5.5.5.5 -.5 - -5.5-5 -5.5-5 -5.5-5 -5.5-5 -5.5-5 Oceano Atlântico 8 6 8 6 6 8 Km Figura. Distribuição espacial dos totais médios anuais da precipitação (mm) no estado do Amapá. A associação entre as variações espaciais e temporais da precipitação no Estado identifica a existência de, pelo menos, dois regimes pluviométricos. Observa-se que os maiores valores ocorreram no setor norte-nordeste do Estado, diminuindo do setor costeiro para o interior. Os menores valores foram encontrados no sudoeste. Essa variabilidade caracteriza-se pela atuação de fenômenos meteorológicos que influenciam a Amazônia Oriental ao longo do ano, os quais se destacam a ZCIT e as Linhas de Instabilidade (COHEN, 995). A análise fatorial em componentes principais rotacionada, aplicada aos dados médios mensais da precipitação no Estado produziram padrões espaciais associados às contribuições correspondentes a cada fator comum. Na Tab. consta a porcentagem explicada para os dois primeiros fatores comuns temporal rotacionados que explicaram 85,7% da variância dos dados e truncado segundo critério de Kaiser (GARAYALDE et al., 986).
Tabela. Sequência dos autovalores na ordem decrescente e a contribuição (%) à variância total dos dados médios mensais rotacionados da precipitação pluvial no estado do Amapá. Fator Autovalor Variância Explicada (%) Variância Acumulada (%) 6, 5, 5,,88, 85,7 O primeiro fator comum temporal da precipitação, que explica 5,% da variância total da série, apresenta correlações altamente significativas, superiores a,8 nos meses de dezembro a junho (Fig. ). A configuração espacial associada a este primeiro fator evidencia um importante contraste entre as regiões. As maiores contribuições com valores superiores a, encontram-se na região norte e nordeste, enquanto que no sul, sudeste, central e oeste, essas contribuições são negativas e inferiores a -, (Fig. 5a). Este padrão pode estar associado a chuvas proveniente da atuação e deslocamento norte-sul da ZCIT de dezembro a junho (RAO & HADA, 99). Fator Fator, Correlações,8,6,,, -, -, Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Meses Figura. Cargas fatoriais rotacionadas (correlações) para os dois fatores comuns de precipitação (mm) que explicam 85,7% do total (5,%+,%) no estado do Amapá. O segundo fator comum que explica,% da variância total dos dados pluviométricos tem alta correlação, com valores superiores a,8, nos meses de agosto a novembro, indicando sua situação inversa à precipitação mostrada no primeiro fator (Fig. ). O padrão espacial correlacionado positivamente ao segundo fator está relacionado a tipos de tempo não-gradiente (não tem padrão bem definido ou associado a nenhum sistema de escala sinótica) e explica o período menos chuvoso da região (Fig. 5b). Oc.5.5.5.5.5 -.5-5.5-5 -5.5-5 -.5 - (a) co o n ti c nti.5 tlâ tlâ -5.5-5 -5.5-5 -5.5-5 - -5.5 (b) -5-5.5 oa oa ean.5 ean Oc.5-5 -5.5-5 -5.5-5 -5.5-5.6...8.6...8.6.. -. -. -.6 -.8 - -. -. -.6 -.8-6 8 Km Figura 5. Padrões espaciais dos primeiros fatores comuns (CPs) da precipitação no estado do Amapá.
. CONCLUSÕES A Análise Fatorial em Componentes Principais aplicada a séries temporais identificou padrões espaciais de precipitação pluviométrica e possibilitou uma melhor compreensão dos aspectos físicos responsáveis pela variabilidade sazonal das mesmas. O padrão do primeiro fator comum mostrou que as maiores contribuições a precipitação ocorrerem na parte norte do estado e estão associados a atuação da ZCIT. O segundo padrão espacial apresentou maiores contribuições na Mesorregião do Sul do Amapá, identificando o período menos chuvoso da região. 5. REFERÊNCIAS BIBLIOGRÁFICAS BOUROCHE, J- M; SAPORTA, G. Análise de Dados. Rio de Janeiro, Zahar, 98. 7p. BRAGA, C. C. Inter-relação entre padrões de índice de vegetação e de pluviometria no Nordeste do Brasil. Campina Grande,. 9p. Tese (Doutorado em Recursos Naturais). Universidade Federal da Paraíba. CEBALLOS, J. C.; BRAGA, C. C. Missing Data Assessment in a Solarimetric Network. Int. J. Climatol., 5:5-, 995. COHEN, J. C. P.; SILVA DIAS, M. A. F; NOBRE C. A. Environmental conditions associated with Amazonian squall lines: A case study. Monthy Weather Review, Boston, :6-7, 995. CORRAR, L. J; PAULO, E. e DIAS FILHO, J. M. Análise Multivariada. São Paulo, Atlas, 7, 5p. EASTMAN, J.R., FULK, M. Long sequence time series evaluation using standardized principal components. Photog. Eng. & Remote Sensing, 59:7-, 99. FRAGOSO, M., GOMES, P.T. Classification of daily abundant rainfall patterns and associated large-scale atmospheric circulation types in Southern Portugal. Int. J. Climatol., 8:57-5, 8. FULGOSI, A. Faktorska analisa. Zagreb, Skolska knjiga, 979. 67p. GARAYALDE, E.J.G.; da SILVA, M.G.A.; TAVARES, A. de SÁ. Classificação mesoclimática da região sul do Brasil pela análise de Componentes Principais. In: CONGRESSO INTERAMERICANO DE METEOROLOGIA,., Brasília, 986. Anais. Brasília, Sociedade Brasileira de Meteorologia, 986. p.9-. NIMER, E. Climatologia do Brasil.. ed. Rio de Janeiro, IBGE, 989. p. PEZZI, L. P.; CAVALCANTI, I. F. A. The relative importance of ENSO and tropical Atlantic sea surface temperature anomalies for seasonal precipitation over South America: a numerical study. Climate Dynamics, 7:5-,. PREISENDORFER, R. Principal component analysis in meteorology and oceanography. Amsterdan, Elsevier, 988. 5p. RAO, V.B.; HADA, K. Characteristics of rainfall over Brazil: annual variations and connections with Southern oscillations. Theoretical and Applied Climatology, :8-9, 99. RICHMAN, M. B. Review article on rotation of principal components. J. Climatol., 6:9-5, 986. VIANELLO, R. L. Meteorologia Básica e Aplicações. Viçosa, UFG, Impr. Univ., 99. WILKS, D. S. Statistical Methods in the Atmospheric Sciences.. ed. London, Academic Press, 6. 69p.