Aprimorando a Previsão de Precipitação Sazonal no Brasil Usando Técnicas Simples Baseadas em Dados e Índices Climáticos

Resumo

As previsões sazonais de precipitação são essenciais para a gestão dos recursos hídricos, a atividade agrícola e o planejamento operacional de sistemas hidroelétricos. Avanços metodológicos capazes de aprimorar a acurácia das previsões de precipitação geram benefícios significativos para a sociedade. Diante desse contexto, este estudo propõe e avalia duas abordagens para o refinamento das previsões sazonais de precipitação no Brasil, utilizando modelos matemáticos simples e baseados em dados, como a regressão linear múltipla (MLR) e a máquina de vetores de suporte não linear (SVM). Nas abordagens propostas, os modelos MLR e SVM são alimentados com índices climáticos relacionados a diferentes padrões de teleconexão que afetam a precipitação sazonal no Brasil, dados da análise de precipitação diária global do Climate Prediction Center (CPC) e previsões de precipitação do Seasonal Forecast System 5 (SEAS5). Ambos os modelos MLR e SVM foram validados de janeiro de 2017 a dezembro de 2020, usando a precipitação do CPC como referência. Os resultados sugerem que, em comparação com o SEAS5, os modelos MLR e SVM melhoram a precisão e reduzem o viés nas previsões de precipitação para as regiões Sudeste, Centro-Oeste e Norte do Brasil durante o verão austral. No entanto, o desempenho dos modelos em consideração foi equivalente ao do SEAS5 nas regiões Nordeste e Sul, setores do Brasil onde o clima é significativamente influenciado pelo El Niño-Oscilação Sul.

Palavras-chave
modelos baseados em dados; SEAS5; previsão de precipitação sazonal; padrões de teleconexão; previsão de séries temporais