“Drivers” da previsão climática sazonal: uma revisão da literatura

Autores

DOI:

https://doi.org/10.55761/abclima.v31i18.15235

Palavras-chave:

Variabilidade climática natural, Teleconexões, América do Sul, Previsão climática.

Resumo

O clima de um determinado local é definido pelo valor médio das variáveis atmosféricas registradas por longo período. Entretanto, por exemplo, o valor registrado de precipitação numa dada estação do ano pode ser bem diferente do valor médio, indicando a variabilidade do clima, o que pode ser muito prejudicial para a economia. Sendo assim, é importante o prognóstico do clima sazonal. Nesse enfoque, o presente estudo tem como objetivos compilar e apresentar didaticamente os conceitos e etapas envolvidos na previsão climática sazonal, bem como uma visão geral dos principais centros climáticos que fazem esse tipo de previsão. Além disso, o trabalho discorre sobre os mecanismos de variabilidade climática natural e sua importância para as previsões numéricas do clima. Assim, este estudo servirá de referência básica para as diferentes áreas do conhecimento que necessitam entender e utilizar as previsões climáticas.

 

Downloads

Não há dados estatísticos.

Biografia do Autor

Michelle Simões Reboita, Universidade Federal de Itajubá (UNIFEI), Itajubá, MG, Brasil

Graduada em Geografia (Bacharelado, 2001) e mestre em Engenharia Oceânica (2004) pela Universidade Federal do Rio Grande - FURG; doutora em Meteorologia pela Universidade de São Paulo - USP (2008). Realizou dois pós-doutorados em Meteorologia pela USP, sendo um sanduíche com a Universidade de Vigo (Espanha). Foi associada júnior do Abdus Salam International Centre for Theoretical Physics da Itália entre 2013 e 2016 e desde 2018 é associada regular. É docente do Instituto de Recursos Naturais (IRN) da Universidade Federal de Itajubá (UNIFEI), orientadora do programa de pós-graduação em Meio Ambiente e Recursos Hídricos da UNIFEI, coordenadora do grupo de Pesquisa e Extensão em Políticas Socioamientais (GPEPSA-UNIFEI-CNPQ) e pesquisadora do IRN, do Grupo de Estudos Climáticos (GrEC) do Instituto de Astronomia, Geofísica e Ciências Atmosféricas da USP e do Núcleo de Apoio à Pesquisa em Mudanças Climáticas (INCLINE) da USP. Atua em diferentes linhas de pesquisa e extensão com grupos nacionais e internacionais (por exemplo, Espanha, Itália, Suécia e Paquistão). Tem experiência na coordenação de projetos financiados pelos principais órgãos de fomento do país bem como em projetos de pesquisa e extensão tecnológica financiados pelo setor elétrico. Foi coordenadora do curso de Ciências Atmosféricas da UNIFEI de 2015 a 2017 e coordenadora adjunta de 2018 a março de 2020, e atualmente é coordenadora adjunta em exercício; foi membro da Câmara de Assessoramento de Recursos Naturais, Ciências e Tecnologias Ambientais (CRA) da Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG) de 2016 a 2018 e já atuou em comissões da CAPES como para o prêmio CAPES de teses e também na avaliação quadrienal dos programas de pós-graduação. Desde 2017 é editora assistente da Revista Brasileira de Meteorologia e desde abril de 2022 da revista Atmósfera. Em setembro de 2020 iniciou atividade como consultora regional do World Climate Research Programme (WCRP) e desde outubro de 2021 integra o grupo de monção das américas do WCRP. Tem experiência na área de Geociências, com ênfase em Meteorologia Sinótica, Climatologia e Modelagem Climática.

Cassia Akemi Castro Kuki, Universidade Federal de Itajubá (UNIFEI), Itajubá, MG, Brasil

Graduada em Engenharia Elétrica (2017) e Mestre em Engenharia Elétrica (2020) pela Universidade Federal de Itajubá. Possui experiência na área de Sistema Elétricos de Potência, com ênfase em Economia do Setor Eletroenergético, apresentando conhecimentos em planejamento energético e programação da operação, bem como em mercado de energia, meteorologia e análise de riscos a partir do PMBOK.

Glauber Willian de Souza Ferreira, Universidade Federal de Itajubá (UNIFEI), Itajubá, MG, Brasil

Possui graduação em Ciências Atmosféricas (2018) e mestrado em Meio Ambiente e Recursos Hídricos (2022) pela Universidade Federal de Itajubá. Atualmente, é doutorando do Programa de Pós-Graduação em Meio Ambiente e Recursos Hídricos (POSMARH) pertencente ao Instituto de Recursos Naturais (IRN), na Universidade Federal de Itajubá.

Luana Medeiros Marangon Lima, Duke University, Durham, Estados Unidos

Possui graduação em Engenharia Elétrica pela Universidade Federal de Itajubá (2005), mestrado em Engenharia Elétrica pela Universidade Federal de Itajubá (2007) e doutorado em Pesquisa Operacional e Engenharia de Produção pela University of Texas at Austin (2011). Tem experiência na área de Sistemas Elétricos de Potência, com ênfase em tarifas de distribuição, tarifas de transmissão e mercado de energia elétrica. Possui experiência na área de estatística, análise de dados e series temporais com ênfase em previsão de afluências incorporando variáveis climáticas. Foi professora do Instituto de Sistemas Elétricos e Energia da Universidade Federal de Itajubá. Atualmente é professora no Environmental Sciences and Policy Division da Duke University na Carolina do Norte. E é Associate Director for Educational Programs na Duke University Energy Initiative.

José Wanderley Marangon Lima, Marangon Consultoria e Engenharia (MC&E), Itajubá, MG, Brasil

Possui graduação em Engenharia Elétrica pelo Instituto Militar de Engenharia (1979), graduação em Administração de Empresas pela Universidade Federal do Rio de Janeiro (1980), mestrado em Engenharia Elétrica pela Universidade Federal de Itajubá (1990) e doutorado em Engenharia Elétrica pela Universidade Federal do Rio de Janeiro (1994), pós-doutorado na University of Texas at Austin, USA (2006). Foi pró-reitor de extensão de Dezembro/2012 a Maio/2015 na Universidade Federal de Itajubá (UNIFEI). Atualmente é professor titular voluntário da UNIFEI, presidente da FAPEPE e consultor. Foi assessor da diretoria da ANEEL (1998 a 1999), coordenador do GT Técnico de Preços e Tarifas do CNPE/MME (2001 a 2002) e participou do GT do Novo Modelo do Setor Elétrico Brasileiro no MME (2003). Foi Engenheiro Sênior das Centrais Elétricas Brasileiras (Eletrobrás) de 1980 a 1993. Coordenador desde 1995 do Curso Especialização em Sistemas Elétricos (CESE), unico curso de especialização em Sistemas Elétricos com 45 anos de existência ininterruptos. Foi coordenador e pesquisador em mais de 20 projetos de P&D ANEEL. Tem experiência na área de Engenharia Elétrica, com ênfase em Transmissão da Energia Elétrica, Distribuição da Energia Elétrica, atuando principalmente nos seguintes temas: reestruturação do setor elétrico, mercado de energia elétrica, tarifação da transmissão e distribuição, operação de sistemas elétricos e confiabilidade composta.

Referências

ARMSTRONG, B. G.; CHALABI, Z.; FENN, B. et al. Association of mortality with high temperatures in a temperate climate: England and Wales. Journal of Epidemiology & Community Health, v. 65, n. 4, p. 340-345, 2010.

BALDONI, T. C.; SILVA, P. L. L. S.; SOUZA, C. A. TEODORO, T. A.; KUKI, C. A. C.; REBOITA, M. S. Comparação da Precipitação na América do Sul Obtida de Diferentes Bases de Dados. In: VIII Seminário de Recursos Naturais, 2021, Itajubá. SRN, 2021.

BARNSTON, A. G.; TIPPETT, M. K.; L’HEUREUX, M. L. et al. Skill of real-time seasonal ENSO model predictions during 2002–11: is our capability increasing? Bulletin of the American Meteorological Society, v. 93, p. 631-651, 2012.

BARRY, R. G.; CHORLEY, R. J. Atmosphere, weather and climate. 9ª. ed. New York: Routledge, 2010.

BETTS, A. K.; BALL, J. H.; BELJAARS, A. C. M. et al. The land surface‐atmosphere interaction: A review based on observational and global modeling perspectives. Journal of Geophysical Research: Atmospheres, v. 101, p. 7209-7225, 1996.

BLOCK, P.; GODDARD, L. Statistical and dynamical climate predictions to guide water resources in Ethiopia. Journal of Water Resources Planning and Management, v. 138, p. 287-298, 2012.

BRANKOVIĆ, C.; PALMER, T. N.; FERRANTI, L. Predictability of seasonal atmospheric variations. Journal of Climate, v. 7, p. 217-237, 1994.

BRENDEL, C. E.; DYMOND, R. L.; AGUILAR, M. F. Integration of quantitative precipitation forecasts with real-time hydrology and hydraulics modeling towards probabilistic forecasting of urban flooding. Environmental Modelling & Software, v. 134, p. 104864, 2020.

CAI, W.; SANTOSO, A.; COLLINS, M. et al. Changing El Niño-Southern Oscillation in a warming climate. Nature Reviews Earth & Environment, v. 2, p. 628-644, 2021.

CAVALCANTI, I. F. A.; FERREIRA, N. J. Clima das regiões brasileiras e variabilidade climática. São Paulo: Oficina de Textos, 2021.

CHARNEY, J. G.; SHUKLA, J. Predictability of monsoons. In LIGHTHILL, J.; PEARCE, R. (eds) Monsoon dynamics. Cambridge: Cambridge University Press, 1981. 99-110p.

COELHO, C. A. S.; CAVALCANTI, I. F. A.; COSTA, S. M. S. et al. Climate diagnostics of three major drought events in the Amazon and illustrations of their seasonal precipitation predictions. Meteorological Applications, v. 19, p. 237-255, 2012.

COHEN, J.; JONES, J. A new index for more accurate winter predictions. Geophysical Research Letters, v. 38, p. L21701, 2011.

COLLINS, W. D.; RASCH, P. J.; BOVILLE, B. A. et al. Description of the NCAR Community Atmosphere Model (CAM3.0). NCAR Technical Note NCAR/TN-464+ STR. Boulder, 2004. Disponível em: < https://www.cesm.ucar.edu/models/atm-cam/docs/description/description.pdf>. Acesso em: 20 set. 2021

COLLINS, W. D.; RASCH, P. J.; BOVILLE, B. A. et al. The Formulation and Atmospheric Simulation of the Community Atmosphere Model Version 3 (CAM3). Journal of Climate, v. 19, p. 2144-2161, 2006.

CPTEC. Previsão climática sazonal. CPTEC. [Cachoeira Paulista], 01 out. 2021. Disponível em: <http://clima1.cptec.inpe.br/~rclima1/pdf_notatecnica/Nota_Tecnica.pdf>. Acesso em: 17 set. 2021.

DE PAIVA, L. F. G.; MONTENEGRO, S. M.; CATALDI, M. Prediction of monthly flows for the Três Marias reservoir (São Francisco River Basin) using the CFS climate forecast model. Revista Brasileira de Recursos Hídricos, v. 25, n. 16, p. 1-18, 2020.

DIAS, T. L.; CATALDI, M.; FERREIRA, V. H. Aplicação de técnicas de redes neurais e modelagem atmosférica para elaboração de previsões de vazão na Bacia do Rio Grande (MG). Engenharia Sanitária e Ambiental, v. 22, n. 1, p. 169-178, 2017.

DIRMEYER, P. A.; WANG, Z.; MBUH, M. J.; NORTON, H. E. Intensified land surface control on boundary layer growth in a changing climate. Geophysical Research Letters, v. 41, p. 1290-1294, 2009.

DIRMEYER, P. A. The terrestrial segment of soil moisture–climate coupling. Geophysical Research Letters, v. 38, p. L16702, 2011.

DIRO, G. T.; BLACK, E.; GRIMES, D. I. F. Seasonal forecasting of Ethiopian spring rains. Meteorological Applications, v. 15, p. 73-83, 2008.

DOBLAS-REYES, F. J.; GARCÍA-SERRANO, J.; LIENERT, F.; BIESCAS, A. P.; RODRIGUES, L. R. L. Seasonal climate predictability and forecasting: status and prospects. WIREs Climate Change, v. 4, p. 245-268, 2013.

ESIT, M.; KUMAR, S.; PANDEY, A. et al. Seasonal to multi-year soil moisture drought forecasting. Climate and Atmospheric Science, v. 4, p. 1-8, 2021.

FELDSTEIN, S. B.; FRANZKE, C. L. E. Atmospheric teleconnection patterns. In FRANZKE, C. L. E.; O’KANE, T. J. (eds) Nonlinear and stochastic climate dynamics. Cambridge: Cambridge University Press. pp. 54-104, 2017.

FIGUEIROA, S. N.; BONATTI, J. P.; KUBOTA, P. Y. et al. The Brazilian Global Atmospheric Model (BAM): Performance for Tropical Rainfall Forecasting and Sensitivity to Convective Scheme and Horizontal Resolution. Weather and Forecasting, v. 31, n.5, p. 1547-1572, 2016.

FU, R.; LI, W. The influence of the land surface on the transition from dry to wet season in Amazonia. Theoretical and Applied Climatology, v. 78, p. 97–110, 2004.

GIORGI, F.; MEARNS, L. Introduction to special section: Regional climate modeling revisited. Journal of Geophysical Research, v. 104, n. D6, p. 6335-6352, 1999.

GIORGI, F.; COPPOLA, E.; SOLMON, F. et al. RegCM4: Model description and preliminary tests over multiple CORDEX domains. Climate Research, v. 52, p. 7-29, 2012.

GODDARD, L.; MASON, S. J.; ZEBIAK, S. E. et al. Current approaches to seasonal to interannual climate predictions. International Journal of Climatology: A Journal of the Royal Meteorological Society, v. 21, p. 1111-1152, 2001.

GUO, Z.; DIRMEYER, P. A.; DELSOLE, T. Land surface impacts on subseasonal and seasonal predictability. Geophysical Research Letters, v. 38, p. L24812, 2011.

GUO, Z.; DIRMEYER, P. A.; DELSOLE, T.; KOSTER, R. D. Rebound in atmospheric predictability and the role of the land surface. Journal of Climate, v. 25, p. 4744-4749, 2012.

GUSTIN, M.; McLEOD, R. S.; LOMAS, K. J. Forecasting indoor temperatures during heat waves using time series models. Building and Environment, v. 143, p. 727-739, 2018.

JAMAL, A.; LINKER, R.; HOUSH, M. Comparison of Various Stochastic Approaches for Irrigation Scheduling Using Seasonal Climate Forecasts. Journal of Water Resources Planning and Management, v. 144, n. 7, p. 04018028, 2018.

JOHNSON, S. J.; STOCKDALE, T. N.; FERRANTI, L. et al. SEAS5: the new ECMWF seasonal forecast system. Geoscientific Model Development, v. 12, p. 1087-1117, 2019.

JUANG, H. M. H.; HONG, S. Y.; KANAMITSU, M. The NCEP Regional Spectral Model: An update. Bulletin of the American Meteorological Society, v. 78, p. 2125-2144, 1997.

KALNAY, E. Atmospheric modeling, data assimilation and predictability. Cambridge: Cambridge University Press, 2003.

KIRTMAN, B. P.; MIN, D.; INFANTI, J. M. et al. The North American Multi-Model Ensemble (NMME): Phase-1 seasonal to interannual prediction, phase-2 toward developing intra-seasonal prediction. Bulletin of the American Meteorological Society, v. 95, n.4, p. 585-601, 2014.

KOSTER, R. D.; DIRMEYER, P. A.; GUO, Z. et al. Regions of strong coupling between soil moisture and precipitation. Science, v. 305, p. 1138-1140, 2004.

KUKI, C. A. C. Metodologia para previsão de preço de energia considerando incertezas de vazões. 2009. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal de Itajubá, Itajubá, 2020.

KUKI, C. A. C.; TORRES, F. L. R.; DE FARIA, V. A. D. et al. Estratégias de previsão de vazão de curto prazo: Um estudo de caso nas bacias do rio Grande e rio Paranaíba. In: CONGRESSO BRASILEIRO DE AUTOMÁTICA, 23., 2020, on-line. Anais [...]. 2020.

LANDSEA, C.; KNAFF, A. How much skill was there in forecasting the very strong 1997-1998 El Niño? Bulletin of American Meteorological Society, v. 8, p. 2107–2119, 2000.

LIU, Z; ALEXANDER, M. Atmospheric bridge, oceanic tunnel, and global climatic teleconnections. Reviews of Geophysics, v. 45, n. 2, p. 27-40, 2007.

LORENZ, E. N. The predictability of hydrodynamic flow. Transactions of the New York Academy of Sciences, v. 25, p. 409-435, 1963.

LORENZ, E. N. Predictability: does the flap of a butterfly's wing in Brazil set off a tornado in Texas? In: Environmental Sciences, New Approaches to Global Weather: GARP, 1972, Boston. Anais [...]. 1972.

LÚCIO, P. S.; SILVA, F. D. S.; FORTES, L. T. G. et al. Um modelo estocástico combinado de previsão sazonal para a precipitação no Brasil. Revista Brasileira de Meteorologia, v. 25, n. 1, p. 70-87, 2010.

MADADGAR, S.; AGHAKOUCHAK, A.; SHUKLA, S. et al. A hybrid statistical-dynamical framework for meteorological drought prediction: Application to the southwestern United States. Water Resources Research, v. 52, p. 5095- 5110, 2016.

MALFATTI, M. G. L.; CARDOSO, A. O.; HAMBURGUER, D. S. Modelo empírico linear para previsão de vazão de rios na usina hidrelétrica de Itaipu–Bacia do Rio Paraná. Revista Brasileira de Meteorologia, v. 33, p. 257-268, 2018.

MARENGO, J. A.; CAVALCANTI, I. F. A.; SATYAMURTY, P. et al. Assessment of regional seasonal rainfall predictability using the CPTEC/COLA atmospheric GCM. Climate Dynamics, v. 21, p. 459-475, 2003.

MARTINS, M. A.; TOMASELLA, J.; RODRIGUEZ, D. A. et al. Improving drought management in the Brazilian semiarid through crop forecasting. Agricultural Systems, v. 160, p. 21-30, 2018.

MASON, S. J.; BADDOUR, O. Statistical modelling. In: TROCOLLI, A.; HARRISON, M.; ANDERSON, D. L. T.; MASON, S. J. (eds) Seasonal climate: forecasting and managing risk. Dordrecht: Springer, 2008.

MEEHL, G. A.; RICHTER, J. H.; TENG, H. et al. Initialized Earth System prediction from subseasonal to decadal timescales. Nature Reviews Earth & Environment, v. 2, p. 340–357, 2021.

MUELLER, B.; SENEVIRATNE, S. I. Hot days induced by precipitation deficits at the global scale. Proceedings of the National Academy of Sciences, v. 109, p. 12398-12403, 2012.

NAJAFI, M. R.; MORADKHANI, H. Ensemble combination of seasonal streamflow forecasts. Journal of Hydrologic Engineering, v. 21, p. 04015043, 2016.

NICHOLSON, S. E. Evolution and current state of our understanding of the role played in the climate system by land surface processes in semi-arid regions. Global and Planetary Change, v. 133, p. 201-222, 2015.

NOBRE, P.; SHUKLA, J. Variations of sea surface temperature, wind stress, and rainfall over the tropical Atlantic and South America. Journal of Climate, v. 9, p. 2464-2479, 1996.

PIELKE, R. A.; LISTON, G. E.; LU, L. Climate Prediction as an initial value problem. Journal of Geophysical Research: Atmospheres, v. 104, p. 19463-19479, 1999.

RAMÍREZ, M. C. V.; DE CAMPOS VELHO, H. F.; FERREIRA, N. J. Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region. Journal of Hydrology, v. 301, p. 146-162, 2008.

REBOITA, M. S.; KRUSCHE, N.; AMBRIZZI, T.; DA ROCHA, R. P. Entendendo o tempo e o clima na América do Sul. Revista Terræ Didática, v. 8, n. 1, p. 34-50, 2012.

REBOITA, M. S.; DIAS, C. G.; DUTRA, L. M. M.; DA ROCHA, R. P.; LLOPART, M. Previsão climática sazonal para o Brasil obtida através de modelos climáticos globais e regional. Revista Brasileira de Meteorologia, v. 33, n. 2, p. 207-224, 2018.

REBOITA, M. S.; AMBRIZZI, T.; CRESPO, N. M. et al. Impacts of teleconnection patterns on South America climate: a review. Annals of the New York Academy of Sciences, 2021.

ROBERTSON, A. W.; VITART, F. Sub-seasonal do seasonal Prediction: The gap between weather and climate forecasting. Amsterdam: Elsevier, 2019.

RODRIGUEZ, D.; DE VOIL, P.; HUDSON, D. et al. Predicting optimum crop designs using crop models and seasonal climate forecasts. Scientific Reports, v. 8, p. 2231, 2018.

ROECKNER, E.; ARPE, K.; BENGTSSON, L. et al. The atmospheric general circulation model ECHAM-4: Model description and simulation of present-day climate. Max-Planck-Institut für Meteorologie. Report nº 218. Hamburg. 1996. Disponível em: < http://centaur.reading.ac.uk/31813/>. Acesso em: 17 set. 2021.

SAHA, S.; MOORTHI, S.; PAN, H.-L. et al. The NCEP Climate Forecast System Reanalysis. American Meteorological Society, v. 91, n. 8, p. 1015-1057, 2010.

SAHA, S.; MOORTHI, S.; WU, X. et al. The NCEP Climate Forecast System version 2. Journal of Climate, v. 27, n. 6, p. 2185-2208, 2014.

SAMPAIO, G.; SILVA DIAS, P. L. D. Evolução dos modelos climáticos e de previsão de tempo e clima. Revista USP, n. 103, p. 41-54, 2014.

SANTANELLO JÚNIOR, J. A.; PETERS-LIDARD, C.; KUMAR, S. V. Diagnosing the sensitivity of local land-atmosphere coupling via the soil moisture-boundary layer interaction. Journal of Hydrometeorology, v. 12, p. 766-786, 2011.

SCHEPEN, A.; WANG, Q. J.; ROBERTSON, D. E. Combining the strengths of statistical and dynamical modeling approaches for forecasting Australian seasonal rainfall. Journal of Geophysical Research, v. 117, p. D20107, 2012.

SCHNEIDER, S. H.; DICKINSON, R. E. Climate modeling. Reviews of Geophysics and Space Physics, v. 12, p. 447-493, 1974.

SHUKLA, J. Dynamical predictability of monthly means. Journal of the Atmospheric Sciences, v. 38, p. 2547-2572, 1981.

SHUKLA, J. Predictability of time averages. Part II: The influence of the boundary forcing. In: BURRIDGE, D. M.; KÄLLÉN, E. (eds) Problems and prospects in long and medium range weather forecasting. New-York: Springer, p. 155-206, 1984.

SHUKLA, J.; KINTER, J. L. Predictability of seasonal climate variations: a pedagogical review. In PALMER, T.; HAGEDORN, R. (eds) Predictability of Weather and Climate. Cambridge: Cambridge University Press, 2006. 306-341p.

SIKDER, M. S.; AHMAD, S.; HOSSAIN, F. et al. Case study: Rapid urban inundation forecasting technique based on quantitative precipitation forecast for Houston and Harris County flood control district. Journal of Hydrologic Engineering, v. 24, n. 8, p. 05019017, 2019.

SILVA, G. M. C.; GOZZO, L. F.; REBOITA, M. S. Etapas de uma previsão climática sazonal. Terrae Didatica, v. 17, n. 0, p. e021026, 2021.

SILVA, L. F.; REBOITA, M. S.; ALVES, M. A. Notificações de casos de dengue em Minas Gerais e sua relação com variáveis ambientais e sócioeconômicas. Revista Brasileira de Geografia Física, v. 12, n. 1, p. 226-238, 2019.

SIMMONS, A. J.; HOLLINGSWORTH, A. Some aspects of the improvement in skill of numerical weather prediction. Quarterly Journal of the Royal Meteorological Society: A journal of the atmospheric sciences, applied meteorology and physical oceanography, v. 128, p. 647-677, 2002.

SOUZA, C. A.; REBOITA, M. S. Ferramenta para o monitoramento dos padrões de teleconexão na América do Sul. Terræ Didática, v. 17, p. e02109, 2021.

TEODORO, T. A.; REBOITA, M. S. Análise climatológica da variabilidade espaço-temporal da umidade do solo sobre a América do Sul. In: VIII Simpósio Internacional de Climatologia, 2019, Belém-PA. Anais [...]. 2019.

THORNDAHL, S.; NIELSEN, J. E.; JENSEN, D. G. Urban pluvial flood prediction: a case study evaluating radar rainfall nowcasts and numerical weather prediction models as model inputs. Water Science and Technology, v. 74, n. 11, p. 2599-2610, 2016.

TROCCOLI, A. Seasonal climate forecasting. In: TROCCOLI, A.; HARRISON, M.; ANDERSON, D. L.; MASON, S. J. (eds) Seasonal climate: forecasting and managing risk, v. 82. Gallipoli: Springer Science & Business Media, 2010.

TORRALBA, V.; DOBLAS-REYES, F. J.; McLEOD, D. et al. Seasonal climate prediction: A new source of information for the management of wind energy resources. Journal of Applied Meteorology and Climatology, v. 56, n.5, p. 1231-1247, 2017.

TORRES, F. L. R.; KUKI, C. A. C.; REBOITA, M. S.; LIMA, L. M. M.; LIMA, J. W. M.; QUEIROZ, A. R. Improving seasonal precipitation forecast in Brazil using machine learning techniques and climate indices. Submetido. 2021.

VITART, F.; ROBERTSON, A. W. The sub-seasonal to seasonal prediction project (S2S) and the prediction of extreme events. Climate and Atmospheric Science, v. 1, n. 3, 2018.

WANG, B.; LEE, J. Y.; KANG, I. S. et al. Advance and prospectus of seasonal prediction: assessment of the APCC/CliPAS 14-model ensemble retrospective seasonal prediction (1980–2004). Climate Dynamics, v. 33, p. 93-117, 2009.

WANG, C. Three-ocean interactions and climate variability: a review and perspective. Climate Dynamics, v. 53, p. 5119-5136, 2019.

WMO. Guide to climatological practices. Geneva: World Meteorological Organization, 2018.

WMO. Challenge to improve Sub-seasonal to Seasonal predictions using Artificial Intelligence. WMO, 04 mai. 2021. Disponível em: <https://s2s-ai-challenge.github.io/?fbclid=IwAR3bue3YddZY8EAmwtPB1JpAv6sV-2qUu3vqGYNPZ4snAGz2xxGi_hGyJRk>. Acesso em: 23 set. 2021.

WCRP. Prize Challenge to improve Sub-seasonal to Seasonal predictions using Artificial Intelligence. WCRP, 2021. Disponível em: <https://www.wcrp-climate.org/news/wcrp-news/1681-s2s-prize-challenge>. Acesso em: 23 set. 2021.

XU, L.; CHEN, N.; ZHANG, X. A comparison of large-scale climate signals and the North American Multi-Model Ensemble (NMME) for drought prediction in China. Journal of Hydrology, v. 557, p. 378-390, 2018.

YNOUE, R. Y.; REBOITA, M. S.; AMBRIZZI, T. SILVA, G. A. M. Meteorologia: noções básicas. São Paulo: Oficina de Textos, 2017.

Downloads

Publicado

28-07-2022

Como Citar

Reboita, M. S., Kuki, C. A. C., Ferreira, G. W. de S., Torres, F. L. R., Lima, L. M. M., & Lima, J. W. M. (2022). “Drivers” da previsão climática sazonal: uma revisão da literatura. Revista Brasileira De Climatologia, 31(18), 1–25. https://doi.org/10.55761/abclima.v31i18.15235

Edição

v. 31 (2022)

Seção

Artigos

Licença

A aprovação dos artigos implica a aceitação imediata e sem ônus de que a Revista Brasileira de Climatologia terá exclusividade na primeira publicação do artigo. Os autores continuarão, não obstante, a deter os direitos autorais. Os autores autorizam também que seus artigos sejam disponibilizados em todos os indexadores aos quais a revista está vinculada.

Os autores mantém seus direitos de publicação sem restrições

A Comissão Editorial não se responsabiliza pelos conceitos ou afirmações expressos nos trabalhos publicados, que são de inteira responsabilidade dos autores.

A Revista Brasileira de Climatologia oferece acesso livre imediato ao seu conteúdo, seguindo o entendimento de que disponibilizar gratuitamente o conhecimento científico ao público proporciona maior democratização do conhecimento e tende a produzir maior impacto dos artigos publicados. Os artigos publicados na revista são disponibilizados segundo a Licença Creative Commons CC-BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/). Segundo essa licença é permitido acessar, distribuir e reutilizar os artigos para fins não comerciais desde que citados os autores e a fonte. Ao submeter artigos à Revista Brasileira de Climatologia, os autores concordam em tornar seus textos legalmente disponíveis segundo essa licença