| Summary: | Este trabalho tem por objetivo o desenvolvimento, a aplicação e a avaliação de um modelo de previsão climática mensal e sazonal de precipitação e temperatura para o Centro-Sul do Brasil, através da abordagem estatística de Reconhecimento de Padrões. A metodologia consiste em um conjunto de etapas que envolvem: 1) aquisição dos dados, 2) pré-processamento, 3) extração de atributos, 4) seleção de atributos, 5) classificação e, 6) avaliação. Os preditandos, precipitação e temperatura, foram obtidos através das respectivas bases, GPCC (\emph{Global Precipitation Climatology Centre}) e CRU (\emph{Climatic Research Unit}). Os preditores atmosféricos [Altura Geopotencial (Z) em 850, 700, 500 e 250 mb, Pressão ao Nível do Mar (PNM), Temperatura do ar em 850 mb (T850), Conteúdo de Água Precipitável (CAP)] e de superfície [Albedo (ALB) e Umidade do Solo (UMS)] foram obtidos da Reanálises ${'}$Século 20${'}$ (\emph{20th Century Reanalysis, V2 NCEP/NCAR}). Os preditores oceânicos [Temperatura da Superfície do Mar (TSM) e Concentração de Gelo Marinho (CGM)] são oriundos da base \emph{HadISST1 do Met Office Hadley Centre}. Os dados compreendem o período entre 1951 e 2010, totalizando 60 anos de registros mensais. A extração de atributos foi realizada através de três procedimentos distintos: 1) definição das Regiões Homogêneas dos preditandos (RH) utilizando Análise de Agrupamentos Hierárquicos (AAH), 2) definição das Regiões-Chave (RC) dos preditores atmosféricos e oceânicos por meio de Análise de Componentes Principais (ACP) em modo S e, 3) cálculo das anomalias dos preditores de superfície para as RH identificadas. Com base nas anomalias mensais dos preditandos, foram identificadas quatro Regiões Homogêneas de precipitação acumulada e três de temperatura média. As análises, conduzidas por ACP, mostraram que, em média, 22 componentes captam em torno de 70\% da variância acumulada para os campos mais estáveis, relacionados à pressão atmosférica (Z e PNM) e a TSM. Ao todo, foram analisadas 594 variáveis, das quais 259 foram selecionadas para a previsão climática. Nas fases de seleção de atributos e de classificação, as séries temporais dos preditores atmosféricos, oceânicos e de superfície foram correlacionadas com as séries dos preditandos, por meio de tercis, utilizando Análise Discriminante Linear (ADL). Os resultados mostraram que, tanto para precipitação, quanto para a temperatura, houve um ganho médio de 29\% em relação à climatologia. Para a precipitação, destacam-se as variáveis relacionadas à pressão atmosférica (Z e PNM), bem como o CAP, a TSM e os campos de superfície (ALB e UMS), e ainda, o papel da circulação atmosférica na Antártica e adjacências. Para a temperatura média, destacam-se novamente as variáveis relacionadas à pressão, juntamente com a TSM, T850, CAP e CGM. O campo de T850 nas regiões do Pacífico Equatorial, costa leste do Brasil e no continente Antártico e adjacências, foram relevantes para a temperatura. A avaliação das previsões, realizada por meio de um conjunto de escores categóricos e probabilísticos, mostrou que os resultados obtidos foram superiores aos modelos atuais. Tanto para a precipitação, quanto para a temperatura, o melhor desempenho do modelo ocorreu nas categorias extremas (acima/abaixo da normal), sendo que uma determinada previsão nessas categorias tem maior probabilidade de acerto. === This study aims to develop, implement and evaluate a precipitation and temperature seasonal and monthly climate forecasting model for the Central-Southern regions of Brazil, using a Statistical Pattern Recognition system. The methodology consists of a set of steps involving: 1) data acquisition, 2) pre-processing, 3) attribute extraction, 4) attribute selection, 5) classification, and 6) validations of the results. The predictands, rainfall and temperature, were obtained from GPCC (Global Precipitation Climatology Centre) and CRU (Climatic Research Unit) data bases. Atmospheric predictors [Geopotential height (Z) at 850, 700, 500 and 250 mb, Sea Level Pressure (PNM) Air temperature at 850 mb (T850), Precipitable Water Content (CAP)] and surface predictors [Albedo (ALB) and Soil Moisture (UMS)] were from 20th Century Reanalysis V2 - NCEP/NCAR. Oceanic predictors [Sea Surface Temperature (SST) and Sea Ice Concentration (CGM)] came from the HadISST1 Met Office Hadley Centre data base. The data covers a period between 1951 and 2010, totaling 60 years of monthly records. The attribute extraction was performed by three distinct procedures: 1) definition of Homogeneous Regions of predictands (RH), using Hierarchical Cluster Analysis (AAH), 2) definition of the Key Regions (RC) of atmospheric and oceanic predictors, through Principal Component Analysis (ACP) in S mode, and 3) calculation of surface anomalies of the RH identified predictors. Based on the monthly anomalies of predictands, we have identified four RH of accumulated rainfall and three RH for average temperature. The ACP analysis showed that, on average, 22 components explain approximately 70\% of the accumulated variance, for the more stable fields related to the atmospheric pressure (Z and SLP) and TSM. In all, 594 variables were analyzed, of which 259 were selected for climate prediction. In the attribute selection and classification stages, the atmospheric, ocean and surface predictor time series were correlated with the terciles of forecasting series, using Linear discriminant analysis (ADL). Results showed that for both precipitation and temperature, there was an average gain of 29\% in relation to the climatology. As for precipitation, atmospheric pressure (Z and PNM), CAP, SST and surface fields (ALB and UMS) variables presented the best results. Also highlighted, is the role of atmospheric circulation in the Antarctic region and its surroundings. Considering the average temperature, again, the pressure related variables, along with TSM, T850, CAP and CGM presented the best results. The T850 field of the Equatorial Pacific, the eastern coastal region of Brazil and the Antarctic continent and surrounding areas were relevant to the temperature. The forecast evaluation was achieved by a set of categorical and probabilistic scores, showing that these results were superior to current models. The best model performances were obtained for the extreme rainfall and temperature categories (above/below normal).
|
|---|
