Revista Brasileira de Geografia Física

Revista Brasileira de Geografia Física 03 (2012) 509-523
Revista Brasileira de
Geografia Física
ISSN:1984-2295
Homepage: www.ufpe.br/rbgfe
Aplicação do Modelo Estocástico Cadeia de Markov a Dados Diários de
Precipitação dos Estados da Bahia e Sergipe
Winícius dos Santos Araújo1, Francisco de A. Saviano Souza2, José Ivaldo Barbosa de Brito3,
Lourivaldo Mota Lima4
1
Doutorando em Meteorologia; Departamento de Ciências Atmosféricas - DCA; Universidade Federal de Campina
Grande - UFCG; E-mail: [email protected];
2,3
Professores Drs., Departamento de Ciências Atmosféricas - DCA; Universidade Federal de Campina Grande - UFCG;
4
Professor Dr., Departamento de Física - DF/Universidade Estadual da Paraíba - UEPB.
Artigo recebido em 15/09/2012 e aceito em 15/10/2012
RESUMO
O objetivo desta pesquisa foi fornecer uma distribuição espacial e computar as probabilidades incondicionais e
condicionais de primeira ordem das precipitações dos Estados da Bahia e Sergipe. Para tanto, foram utilizados dados
diários pluviais referentes a um período de 47 anos (1960-2006) de 75 postos e/ou estações meteorológicas fornecidos
pela antiga rede de postos da SUDENE através do DCA. Os resultados mostram que a zona oeste da área pesquisada é a
mais favorecida com a precipitação na estação verão, ocorrendo o oposto disto na estação inverno; o leste é o mais
beneficiado no inverno, o sul na primavera, e o norte no outono. Foi obtido que a probabilidade incondicional, P(C), na
região costeira, é influenciada pela alta disponibilidade de umidade do Atlântico e pela geração de sistemas que
provocam precipitação devido ao contraste de temperatura da superfície oceano-continente, particularmente durante os
meses de outono e primavera. No verão o efeito oceânico não é percebido devido à alta disponibilidade de umidade
sobre a área pesquisada e a alta persistência observada da precipitação diária está associada com os núcleos de máximas
precipitações que se destacam na estação verão, enquanto que no inverno a baixa persistência foi predominante.
Palavras - chave: distribuição espacial, cadeia de markov, precipitação diária.
Application of Stochastic Markov Chain Model to Data Daily Rainfall of the
States of Bahia and Sergipe
ABSTRACT
The objective of this research was to provide a spatial distribution and compute the probabilities conditional and
unconditional first order of precipitation of the States of Bahia and Sergipe. It had been used daily rainfall data relating
to a period of 47 years (1960-2006) of 75 stations and/or meteorological stations provided by the former station network
SUDENE by DCA. The results show that the area west of the area searched is more favored with rainfall in the summer
season, the opposite occurring in this winter season, the east is the most improved in the winter, spring in the south, and
north in the autumn. It was obtained that the unconditional probability, P(C), the coastal region, is influenced by the
high availability of moisture from the Atlantic and the generation of systems that cause precipitation due to the contrast
of surface temperature of ocean-continent, particularly during the autumn months and Spring. In summer the ocean
effect is not perceived due to the high availability of moisture over the area surveyed and observed high persistence of
daily rainfall is associated with the nuclei of maximum precipitation that stand out in the summer season, while in
winter the low persistence prevailed.
Keywords: spatial distribution, markov chain, daily precipitation.
1. Introdução
O principal instrumento na análise
probabilística das transições entre dias secos e
chuvosos é a Cadeia de Markov (Gordon,
*
E-mail
para
correspondência:
[email protected] (Araújo, W. S.).
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
1965), amplamente utilizada no estudo da
ocorrência da precipitação pluvial diária, tanto
no exterior quanto no Brasil.
Em um trabalho pioneiro, Gabriel e
Neumann
(1962)
utilizaram
cadeias
homogêneas de Markov para descrever a alta
509
Revista Brasileira de Geografia Física 03 (2012) 509-523
persistência de dias secos consecutivos em
Parnaíba e Teresina, Piauí, para gerar
Tel Aviv, Israel. Outro trabalho pioneiro foi o
sequências de dias secos e úmidos.
O objetivo desta pesquisa foi obter a
de Stern e Coe (1982), que definiram um
modelo de simulação para a precipitação
distribuição
pluvial diária no qual a ocorrência de dias
percentuais de chuvas mensais dos postos
chuvosos é gerada por uma Cadeia de Markov
pluviométricos na área de estudo a partir de
e a quantidade de chuva é gerada por uma
dados diários; analisar os totais das médias
distribuição
foi
mensais de dias chuvosos e identificação das
aperfeiçoado utilizando-se séries de Fourier
áreas ou culturas mais ou menos favorecidas
para
pelo regime pluviométrico existente; realizar
gama.
representar
Este
as
modelo
probabilidades
de
transição (Stern e Coe, 1984).
A
partir
desses
um
trabalhos
espacial
estudo
das
probabilístico
contribuições
mensal
da
se
ocorrência de dia com chuva dado que o
multiplicaram as aplicações de Cadeia de
anterior foi chuvoso ou seco, baseado na
Markov na análise estatística da ocorrência de
aplicação do modelo estocástico cadeia de
dias secos e úmidos. Entre as inúmeras
Markov;
pesquisas recentes, pode-se citar: Muhammad
persistência de dia chuvoso ser seguido por
e Nabi (1991), que analisaram a ocorrência de
chuvoso em período sazonal com base nos
chuva em quatro localidades no Paquistão;
resultados da probabilidade condicional e
Assis (1991), que modelou a ocorrência de
incondicional.
quantificar
e
espacializar
a
dias secos e úmidos em Piracicaba, São Paulo,
e Pelotas, Rio Grande do Sul; Back (1997),
2. Material e Métodos
que se baseou nos modelos de Stern e Coe
2.1 Caracterização da área de estudo
(1982, 1984), para ajustar a precipitação
A área em estudo abrange os Estados
Santa
da Bahia (561.497 km2) e Sergipe (22.050
Catarina; Punyawardena e Kulasiri (1997),
km2), totalizando aproximadamente 40% do
que compararam modelos de Cadeias de
Nordeste Brasileiro, ocupando grande parcela
Markov de primeira e de segunda ordens para
do semiárido brasileiro, ou 7% do território
a descrição da ocorrência semanal de chuva
nacional e compõe. Esta região está localizada
na zona seca de Sri Lanka; De Groen e
entre as longitudes 46,59°W e 36,37°W, e
Savenije (2000), que utilizaram cadeia de
pelas latitudes 18,32°S e 8,54°S (Figura 1).
pluvial
no posto
de
Urussanga,
Markov para simular a ocorrência de chuva,
Foram utilizados dados diários de
em um modelo de transpiração mensal, com
precipitação fornecidos pelo DCA/UFCG
dados de três localidades no Zimbábue;
(Departamento de Ciências Atmosféricas da
Andrade Júnior et al. (2001), que simularam a
Universidade Federal de Campina Grande),
precipitação pluvial diária para as cidades de
provenientes da SUDENE (Superintendência
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
510
Revista Brasileira de Geografia Física 03 (2012) 509-523
de Desenvolvimento do Nordeste) para os
coordenadas geográficas que são utilizadas
Estados da Bahia e Sergipe. Entretanto, eles
neste
se revelaram insuficientes e falhos em sua
espacialmente distribuídas na área de estudo
grande
conforme Figura 1.
maioria,
sendo
necessária
uma
trabalho.
Estas
estações
estão
complementação destes dados com dados da
ANA (Agência Nacional das Águas), DNOCS
(Departamento Nacional de Obras Contra a
Seca) e INMET (Instituto Nacional de
Depois
de
um
trabalho
detalhado de verificação da homogeneidade e
qualidade dos dados, foram escolhidos 75
Latitude
Meteorologia).
postos de diferentes municípios, cujos dados
cobrem um período de 47 anos (1960 a 2006),
apresentando boa qualidade, boa distribuição
espacial e representando praticamente todas
Longitude
as mesorregiões da área em estudo.
Na Tabela 1 estão indicados os postos
pluviométricos
e/ou
meteorológicas
e
as
suas
estações
Figura 1. Distribuição espacial dos postos
pluviométricos na área geográfica em estudo.
respectivas
Tabela 1. Localização dos 75 postos pluviométricos da área em estudo para o período de dados
concomitantes de 1960 a 2006.
MUNÍCIPIO
Andaraí - BA
Araci - BA
Baianópolis - BA
Barra - BA
Barreiras - BA
Bom J. da Lapa - BA
Brejolândia - BA
Campo Formoso - BA
Cansanção - BA
Caravelas - BA
Carinhanha - BA
Casa Nova - BA
Chorrochó - BA
Cícero Dantas - BA
Cocos - BA
Lat.
-12,80
-11,33
-12,72
-11,34
-12,20
-13,08
-12,48
-10,60
-10,67
-17,74
-14,30
-9,17
-9,52
-10,59
-14,27
Lon.
-41,33
-38,95
-44,56
-43,82
-45,01
-43,47
-43,95
-40,95
-39,50
-39,26
-43,77
-40,97
-38,99
-38,39
-44,52
Alt.
386
212
659
402
439
440
531
545
359
3
473
380
380
420
546
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
MUNÍCIPIO
Japaratuba - SE
Jequié - BA
Juazeiro - BA
Lençóis - BA
Livram. do Brumado - BA
Malhada de Pedra - BA
Mascote - BA
Medeiros Neto - BA
Monte Santo - BA
Mundo Novo - BA
Nazaré - BA
Oliv. dos Brejinhos - BA
Palmas de M. Alto - BA
Paramirim - BA
Paratinga - BA
Lat.
-10,60
-13,52
-9,40
-12,30
-13,85
-14,38
-15,56
-17,38
-10,43
-11,85
-13,03
-12,31
-14,16
-13,45
-12,70
Lon.
-36,95
-40,05
-40,50
-41,30
-42,20
-41,90
-39,30
-40,13
-39,33
-40,47
-39,03
-42,89
-43,16
-42,23
-43,16
Alt.
79
150
371
439
700
470
50
180
500
480
35
490
600
593
420
511
Revista Brasileira de Geografia Física 03 (2012) 509-523
Condeúba - BA
-14,88 -41,98
Cont. do Sincora - BA -13,77 -41,03
Coribe - BA
-13,83 -44,47
Correntina - BA
-13,33 -44,63
Cotegipe - BA
-11,72 -44,50
Curaçá - BA
-9,43 -39,78
Esplanada - BA
-11,78 -37,95
Estância – SE
-11,27 -37,44
Feira de Santana - BA -12,27 -38,97
Form. do R. P. - BA
-11,05 -45,20
Gentio do Ouro - BA -11,12 -42,73
Guaratinga - BA
-16,58 -39,68
Iaçu - BA
-12,78 -40,35
Ibitiara - BA
-10,43 -42,32
Ibotirama - BA
-12,18 -43,22
Inhambupe - BA
-11,78 -38,35
Ipupiara - BA
-11,82 -42,62
Irecê - BA
-11,18 -41,52
Itaberaba - BA
-12,50 -40,28
Itapicuru - BA
-11,19 -38,13
Itapor. d’ajuda - SE
-10,94 -37,35
Jacobina - BA
-11,20 -40,48
Jaguarari - BA
-10,26 -40,20
Fonte: INMET (1991) e SEI/BA (1999).
continuação
695 Paripiranga - BA
286 Paulo Afonso - BA
658 Pedro Alexandre - BA
550 Pilão Arcado - BA
460 Prado - BA
400 Própria - SE
181 Queimadas - BA
53 Remanso - BA
257 Riacho de Santana - BA
491 Ribeira do Pombal - BA
490 Rio de Contas - BA
324 Rio Real - BA
249 Rui Barbosa - BA
460 Santana - BA
450 Senhor do Bonfim - BA
180 Sento Sé - BA
732 Uauá - BA
700 Ubaitaba - BA
250 Urandi - BA
153 Utinga - BA
19 Vitória da Conquista - BA
485 Xique-xique - BA
660
-10,69
-9,21
-10,01
-10,10
-17,34
-10,22
-10,97
-9,68
-13,60
-10,82
-13,57
-11,47
-12,28
-13,29
-10,47
-10,16
-9,71
-14,30
-14,77
-11,96
-14,85
-10,83
-37,86 430
-38,30 253
-37,89 320
-42,26 470
-39,22
6
-36,83 17
-39,63 280
-42,06 400
-42,93 627
-38,54 228
-41,82 1002
-37,93 220
-40,45 395
-43,91 450
-40,19 558
-41,25 380
-39,29 439
-39,32 50
-42,67 637
-41,27 967
-40,44 950
-42,72 403
Distribuição Espacial - Tendo por
Foram obtidas as médias diárias em
objetivo a identificação, e conseqüentemente
mm para cada mês de cada ano nos 75
a obtenção de uma boa visualização das
municípios abrangidos da área de estudo, em
subáreas mais e/ou menos beneficiadas pelo
seguida foram calculadas as médias mensais
regime pluviométrico de chuvas sobre a área
de todo o período, e por fim computadas as
de estudo, e tendo em vista principalmente o
cotas percentuais de cada um dos meses.
interesse econômico disso para a região,
sobretudo
em
relação
às
incondicional
de
de
precipitação - A precipitação não é um
subsistência, foi efetuada a espacialização das
processo contínuo e suas características
contribuições
chuvas
probabilísticas são fortemente dependentes
correspondentes a cada mês do período
das escalas de tempo e espaço (Lettenmaier,
adequado de disponibilidade de dados de
1995). Muitos parâmetros da precipitação
precipitação diária, qual seja, 47 anos, de
diária tornam-se importantes quando se trata
1960 a 2006.
de fins agrícolas e hidrológicos. Entre esses
percentuais
culturas
Probabilidade
de
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
512
Revista Brasileira de Geografia Física 03 (2012) 509-523
encontram-se a probabilidade incondicional
acordo com o número total de dias de cada
de dias chuvosos ou probabilidade climática
estação do ano.
das precipitações (Wilks, 1995), podendo
Probabilidade
condicional
de
caracterizar as regiões pela quantidade de dias
precipitação - Em termos de Cadeia de
em que ocorrem precipitação durante o
Markov, a estimativa de sequências de dia
intervalo de tempo considerado, que pode ser
chuvoso dado que o anterior foi seco, P(C/S),
um ano, uma estação ou um mês.
e dia chuvoso dado que o anterior foi
Para esta pesquisa, a probabilidade de
chuvoso, P(C/C), são dois tipos de transição
ocorrência de dias chuvosos para cada mês ao
de
longo do período de 1960 a 2006, foi
parâmetros para descrever a persistência em
calculada
programa
termos de ocorrência ou não ocorrência de
computacional desenvolvido em linguagem
precipitação em algum dia, tomando um
Fortran
a
determinado valor limiar (neste caso 1,0 mm).
metodologia de Katz (1983). A ocorrência
Desse modo se fornece uma descrição
(dia
estatística da precipitação, podendo ajudar a
por
meio
pelo
de
DCA/UFCG,
chuvoso)
ou
não
um
seguindo
ocorrência
de
probabilidade
que
servem
precipitação (dia seco) para um dia t, do mês
explicar
m, do ano n tomando o limiar de 1,0 mm dia-1,
associados com a precipitação diária.
possíveis
mecanismos
como
físicos
é representada pela função abaixo:
As probabilidades condicionais que
1 se x(t , m, n) ≥ 1mm
J (t , m, n) = 
0 se x(t , m, n) < 1mm
representam a ocorrência de um dia chuvoso
(1)
O número total de ocorrências de dias
chuvosos durante os N anos (47 neste caso),
são utilizados para calcular a probabilidade
incondicional de um determinado dia do mês
ser chuvoso, P (C ) , do seguinte modo:
1
P(C ) =
N .tmáx
N
∑ J (t , m, n)
n =1
(2)
dado que o anterior foi seco, P(C/S), e um dia
chuvoso dado que o anterior foi chuvoso,
P(C/C), são determinadas segundo Katz
(1983) como segue:
1 se J (t + 1, m, n) = 1
P (C / S )(t , m, n) = 
0 se J (t + 1, m, n) = 0
e J (t , m , n ) = 0
ou J (t , m, n) = 1
(3)
e
em que t = 1, 2,...,31 , m = 1, 2,...,12 e tmáx é
equação acima se refere à probabilidade
1 se J (t + 1, m, n) = 1 e
P (C / C )(t , m, n) = 
0 se J (t + 1, m, n) = 0 ou
J (t , m , n ) = 1
(4)
J (t , m , n ) = 0
incondicional de não precipitação, P ( S ) . A
As probabilidades condicionais médias
média sazonal de probabilidade incondicional
de um dia seco seguido por um dia chuvoso e
também foi calculada a partir da eq. 2, de
de um dia chuvoso seguido por um dia
número máximo de dias do respectivo mês.
O complemento do resultado da
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
513
Revista Brasileira de Geografia Física 03 (2012) 509-523
Francisco, que é baseada na atividade pastoril
chuvoso são determinadas por:
1
P(C / S )(t ) =
N .tmáx
extensiva e tem como identidade regional o
N
∑ P(C / S )(t, m, n)
(5)
n =1
principais projetos de irrigação. Nos terrenos
e
1
P(C / C )(t ) =
N .tmáx
rio São Francisco, onde se desenvolvem os
recobertos de caatingas, utilizam-se técnicas
N
∑ P(C / C )(t , m, n)
n =1
(6)
de irrigação para lavouras de tomate, cebola e
frutas, e ainda se desenvolve a atividade
em que t = 1, 2,...,31 , m = 1, 2,...,12 e tmáx é
pesqueira no lago Sobradinho.
Para os meses de abril e maio (Figura
número máximo de dias do respectivo mês.
de
2), na zona do centro-norte baiano e todo o
probabilidade condicional foi calculada a
estado de Sergipe, nesses trechos, que
partir das equações 5 e 6, de acordo com o
antecedem o bloco elevado central, onde a
número total de dias de cada estação do ano.
presença de cerrados e do agreste, observa-se
Também,
a
média
sazonal
uma gradual diminuição da pluviosidade, até
3. Resultados e Discussão
se alcançar o sertão seco do baixo-médio São
Distribuição Espacial da Precipitação
Francisco, região que domina a caatinga,
para os Estados da Bahia e Sergipe - Foi
ocorre a concentração de chuvas que favorece
confeccionada a Figura 2, que mostra as
as funções da atividade pastoril, agricultura de
isolinhas das frações de contribuição de chuva
subsistência e algumas culturas comerciais
diária dos 12 meses. Conforme a Figura 2, a
como algodão, mamona, sisal e cebola.
Na estação inverno (junho, julho,
concentração de chuvas para a estação verão
na área de estudo se intensifica a partir de
agosto)
(Figura
2),
janeiro na zona oeste baiana, favorecendo
praticamente não
uma antiga área de pecuária extensiva e
concentram na faixa costeira; quente, úmida e
pequena produção agrícola de alimentos que
relativamente estreita em relação à área de
se fortaleceram na caatinga e no cerrado
estudo. Por essa razão, são potencialmente
passando por alterações significativas na
beneficiados os trechos do norte que tem
década de 1980 com a introdução do plantio e
como
colheita mecanizados e a crescente produção
comercial do coco e o extrativismo vegetal, e
de grãos, visando sua comercialização e
terrenos próximos ao litoral na altura da zona
industrialização. Já em fevereiro, as chuvas se
de
concentram mais ao extremo setentrional.
produtoras de cacau.
e
oeste
chove, as
atividade
Ilhéus
no
importante
Itabuna,
baiano
chuvas se
a
principais
lavoura
áreas
Para a estação outono (março, abril,
Especialmente o mês de outubro
maio) (Figura 2), as chuvas se concentram a
(Figura 2), o extremo sul da Bahia representa
partir de março na zona do vale do São
a
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
mesorregião
mais
favorecida
pela
514
Revista Brasileira de Geografia Física 03 (2012) 509-523
concentração de chuvas. Constituída por
áreas
do
litoral,
apresenta
pequeno
restingas, tabuleiros e menor adensamento
desenvolvimento da economia, denotada pelo
populacional em comparação com as demais
turismo, pesca e pecuária.
Figura 2. Distribuição espacial da fração anual de contribuição mensal de chuvas durante 1960 a
2006.
Concluindo
o
ciclo
anual,
em
Probabilidade
markoviana
novembro as chuvas situam-se no oeste
incondicional sazonal de dias chuvosos - A
baiano.
média sazonal de probabilidade incondicional
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
515
Revista Brasileira de Geografia Física 03 (2012) 509-523
de dias chuvosos, P(C), para cada estação do
inibido (Rao et al., 1996). Na região oeste da
ano, calculada a partir da equação 2, é
área de estudo, aproximadamente na posição
apresentada na Figura 3. Nota-se que em
climatológica do máximo de precipitação de
todas as estações, os valores máximos de
verão (-12°S, -45°W), registram-se os valores
probabilidades são relativamente próximos,
máximos de probabilidades (Figura 3b),
fato que indica a relação direta entre
sendo superados apenas pelos valores do
ocorrências de dias chuvosos e a quantidade
extremo leste da região sul da Bahia. Os
de precipitação registrada, independente da
valores que vão decrescendo a partir de 0,3 e
estação do ano, conforme Figura 2.
se
estendem
principalmente
pela
faixa
dias
nordeste da área de estudo, são remanescentes
chuvosos entre 0,29 e 0,35 são observadas nos
de máximos de precipitação na região
meses de primavera (SON) sobre uma estreita
amazônica associada com a ZCAS.
Probabilidades
máximas
de
faixa no sudeste da Bahia, estendendo-se com
Um decréscimo no número de dias
menor intensidade até -40° W (Figura 3a).
chuvosos é observado sobre todo o oeste
Verifica-se que no início do período mais
baiano durante o outono (MAM) e um
chuvoso, novembro, o valor máximo de
aumento sobre toda a área costeira (Figura
precipitação que incide na área de estudo está
3c), estão coerentes com a redução das
associado à penetração de frentes frias vindas
precipitações médias observadas que ocorrem
do sul, e que alcançam latitudes mais baixas
sobre o Brasil central e particularmente na
nos meses de novembro a fevereiro (Alves e
faixa que vai da Região Nordeste do Brasil,
Kayano, 1991).
passando pelo interior da Região Sudeste até
Baixos valores de probabilidade são
o norte da Região Sul. Ressalta-se que no
observados a partir do extremo norte da
outono ainda se nota o efeito oceânico sobre a
Bahia, estendendo-se para latitudes mais ao
região costeira da área de estudo. Pois, nesta
sul, se repetindo já próximos à divisa com o
região, o máximo de precipitação que se inicia
norte de Minas Gerais, esses baixos valores
no mês março, e se estende até julho, está
são
mais
ligado à maior atividade de circulação de
expressivas na faixa central da área de estudo
brisa e aos ventos alísios que advectam
(Figura 3a).
umidade para o continente e à ação das frentes
intercalados
por
precipitações
Durante os meses de verão (DJF) o
frias remanescentes que se propagam ao longo
número de dias chuvosos aumenta em todo o
da costa (Kousky, 1979; Markhan e Mclain,
Brasil, devido à alta disponibilidade de
1977; Alves e Kayano, 1991).
umidade. Por outro lado, o efeito do Oceano
Durante os meses de inverno (JJA)
das
observa-se um incremento dos valores de
probabilidades nessa estação aparentemente é
probabilidades sobre as áreas litorâneas da
Atlântico
sobre
a
distribuição
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
516
Revista Brasileira de Geografia Física 03 (2012) 509-523
porção nordeste e sudeste da área de estudo,
maior
sobretudo
predominantemente
no
(aproximadamente
estado
0,5),
de
Sergipe
parte
da
área
mais
de
a
estudo,
oeste,
as
provavelmente
probabilidades são inferiores a 0,1 e as
devido à maior disponibilidade de umidade
precipitações menores que 90 mm, exceto na
transportada pelos distúrbios de leste. As
mesorregião sul e mesorregiões costeiras do
probabilidades máximas de dias chuvosos
sudeste e nordeste, onde as probabilidades
continuam
leste,
estão entre 0,3 e 0,4. Nas mesorregiões
conforme o comportamento da precipitação
costeiras o efeito da brisa marítima torna-se
média dessa estação (JJA), compreendendo
importante durante esta estação de inverno
todo o leste da área de estudo, com valores
(Kousky, 1980).
deslocando-se
para
o
em torno de 0,2 a 0,45 (Figura 3d). Sobre a
Figura 3. Distribuição espacial de probabilidade incondicional de dias chuvosos - P(C), primavera
(a), verão (b), outono (c) e inverno (d).
Figura 4. Totais médios de dias chuvosos da área de estudo entre 1960-2006.
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
517
Revista Brasileira de Geografia Física 03 (2012) 509-523
Probabilidade markoviana condicional
área de estudo, mais expressivamente, o oeste
sazonal de dias chuvosos - Os padrões
Baiano e bacia do rio Corrente; e também
espaciais de probabilidade condicional média,
para o sudeste, no litoral, baixo e extremo sul.
de dia seco seguido de chuvoso, ou seja, de
Os valores mínimos aparecem sobre o
dia chuvoso dado que o anterior foi seco,
extremo
P(C/S), para cada uma das estações do ano,
praticamente metade do estado de Sergipe, e
calculadas a partir da equação 5, mostram
localidades
valores inferiores a 0,34 (Figura 5a-d). No
Itaparica, Semi-Árido Nordeste II e Sisal.
início da estação chuvosa (SON), na área de
estudo
(Figura
5a),
os
valores
nordeste
da
baianas
área
de
conhecidas
estudo,
como
Durante os meses do outono (Figura
de
5c), os valores mínimos se estendem em
probabilidade acima de 0,1 cobrem toda a
quase toda a área de estudo, com exceção das
área, com exceção da parte mais ao norte
regiões costeiras até -42°W (próximo à
conhecida territorialmente como Sertão do
Chapada diamantina). No inverno (Figura 5d)
São Francisco, devido à proximidade do rio.
as probabilidades mínimas se localizam sobre
No verão (DJF) os valores máximos
de probabilidade deslocam-se para o oeste da
quase todo o oeste, enquanto que os valores
máximos se estendem ao longo do litoral.
Figura 5. Distribuição espacial de probabilidade condicional de dias secos seguidos de dias
chuvosos - P(C/S), primavera (a), verão (b), outono (c) e inverno (d).
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
518
Revista Brasileira de Geografia Física 03 (2012) 509-523
A
distribuição
de
probabilidades
padrões de distribuição em todas as estações
médias para cada estação do ano de dia
seguem as distribuições da precipitação média
chuvoso seguido de dia chuvoso, ou seja, de
mensal (Figuras 2) e a distribuição de
dia chuvoso dado que o anterior foi chuvoso,
probabilidade condicional de dias chuvosos
P(C/C), para a área de estudo, calculada
(Figura 6a-d), indicando a forte associação
através da equação 6, mostra que os valores
entre
máximos não diferem expressivamente de
quantidade de precipitação.
ocorrências
de
dias
chuvosos
e
uma estação para outra (Figura 6a-d). Os
Figura 6. Distribuição espacial de probabilidade condicional de dias chuvosos seguidos de dias
chuvosos - P(C/C), primavera (a), verão (b), outono (c) e inverno (d).
Os máximos valores de probabilidade
No início do período chuvoso, a partir
condicional de dias chuvosos seguidos de dias
de outubro, a maior probabilidade localiza-se
chuvosos indicam alta continuidade dos dias
sobre a região sudeste, abrangendo as sub-
chuvosos
sistemas
regiões do Recôncavo e área Metropolitana de
predominantes que geram precipitação sobre a
Salvador ao sul (Figura 6a), onde os
área de estudo, em cada uma das estações.
mecanismos de convecção intensa parecem
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
519
associados
aos
Revista Brasileira de Geografia Física 03 (2012) 509-523
ser contínuos devido aos sistemas frontais. A
transição P(C/C) e P(C/S), com r(1) = P(C/C)
intensificação da convecção sobre a área de
- P(C/S) (Wilks, 1995).
causa
Assim, quanto maior a diferença entre
incremento e a persistência de dias chuvosos,
P(C/C) e P(C/S) maior será a persistência da
como indicados pelo incremento dos valores
precipitação diária. Isto significa que é mais
de
a
provável que um dia chuvoso seja seguido por
estação de verão (Figura 6b). Posteriormente,
um dia chuvoso e cada vez menos provável
os valores de probabilidades máximas se
que um dia seco seja seguido por um dia
deslocam cobrindo toda a porção leste, com
chuvoso.
estudo,
seguindo
probabilidade
o
ciclo
anual,
condicional
durante
exceção do território do Sisal, durante os
Seguindo este conceito, com base nas
meses de outono (Figura 6c), seguindo os
Figuras 4, 5a-d, 6a-d, 7 e 8, pode-se inferir
máximos valores médios e alta probabilidade
para a área de estudo, que particularmente a
incondicional de precipitação. Já no inverno,
parte oeste, sudeste e centro-norte na estação
o que se verificou no outono é intensificado.
de verão (DJF), são as que apresentam os
Os valores máximos se concentram no leste
maiores
da área de estudo com exceção do extremo
excetuando-se apenas o Vale Jiquiriçá, Bacia
norte,
parâmetros
de
persistência,
valores
de
do Paramirim e da Bacia do Jacuípe ao
área
as
extremo norte. A alta persistência também
probabilidades são inferiores a 0,17 (Figura
ocorre no extremo sul e porção do sudeste na
6d).Em termos de transição de probabilidades,
estação primavera (SON), especialmente do
a relação P(C/S)< P(C)< P(C/C) (Wilks,
território de Piemonte do Paraguaçu às áreas
1995) se confirma em todas as estações do
costeiras, já para o inverno (JJA), quase
ano na área de estudo.
metade da área de estudo, a porção oeste, é a
observando-se
probabilidade.
No
baixos
resto
da
A persistência da Cadeia de Markov,
que
implica
de
persistência. Estas regiões que demonstram
autocorrelação com defasagem de um, r(1),
persistência podem facilitar o prognóstico da
denominado parâmetro de persistência, pode
precipitação em curto e médio prazo.
que
em
um
alto
grau
apresenta
os
menores
valores
de
ser calculada a partir das probabilidades de
Figura 7. Parâmetro médio de persistência para cada estação do ano.
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
520
Revista Brasileira de Geografia Física 03 (2012) 509-523
Figura 8. Distribuição espacial do parâmetro de persistência r(1) = P(C/C) - P(C/S) na área de
estudo, primavera (a), verão (b), outono (c) e inverno (d).
média está diretamente relacionada com a
4. Conclusões
A distribuição espacial das estatísticas
probabilidade incondicional de dias chuvosos
da precipitação sobre a área pesquisada
e probabilidade condicional de dia chuvoso
mostra que a variabilidade desta, em escala
seguido de dia chuvoso, em todas as estações
interanual e sazonal, apresenta características
do ano. Assim, conclui-se que nas regiões
regionais intrínsecas. O ciclo anual é a
onde o índice pluviométrico é baixo (alto), a
característica
probabilidade
mais
proeminente
da
de
precipitações
fracas
precipitação sobre a maior parte do domínio,
(moderada) é máxima. A probabilidade
com relativa persistência interanual. A zona
incondicional, P(C), probabilidade de eventos
oeste da área pesquisada é a mais favorecida
úmidos
com
aparentemente
a
precipitação
na
estação
verão,
ao
longo
da
região
modulados
costeira,
pela
alta
ocorrendo o oposto disto na estação inverno;
disponibilidade de umidade do Atlântico e
o leste é o mais beneficiado no inverno, o sul
pela geração de sistemas que provocam
na primavera, e o norte no outono.
precipitação devido ao contraste oceano-
A distribuição sazonal da precipitação
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
continente, particularmente durante os meses
521
Revista Brasileira de Geografia Física 03 (2012) 509-523
de outono e primavera. No verão o efeito
markovianas à modelagem da precipitação
oceânico não é percebido devido à alta
diária. Revista de Tecnologia e Ambiente,
disponibilidade de umidade sobre a área
v.4, n.9, p.17-28.
pesquisada. A alta persistência da precipitação
diária está associada com os núcleos de
máximas precipitações e se destaca na estação
verão, enquanto que a baixa persistência
predomina no inverno. Os verões e as
primaveras são mais chuvosos, em média,
para todo o litoral. O contrário é observado
para o outono e inverno.
De Groen, M. M.; Savenije, H. H. G. (2000).
Markov chains at daily timesteps, key to
transpiration
at
monthly
timesteps.
In:
WARFSA WATERNET SYMPOSIUM, 1.,
2000, Maputo. Sustainable use of water
resources: proceedings. Maputo: WARFSA.
p.1-12.
Gabriel, K. R.; Neumann, J. A. (1962).
5. Agradecimentos
Markov chain model for daily rainfall
À CAPES pela ajuda financeira e aos
occurrence at Tel Aviv. Quarterly Journal of
revisores anônimos pelo afinco nas correções.
the Royal Meteorological Society, v.88, n.11,
p.90-95.
6. Referências
Alves, J. M. B e Kayano, M. T. (1991).
Estudo preliminar da precipitação no sul do
Ceará durante a pré-estação chuvosa. Boletim
Climanálise, v.6, n.2, p.41-50.
Andrade Júnior, A. S.; Frizzone, J. A.;
Sentelhas, P. C. (2001). Simulação da
precipitação diária para Parnaíba e Teresina,
PI, em planilha eletrônica. Revista Brasileira
de Engenharia Agrícola e Ambiental, v.5, n.2,
p.271-278.
Gordon, P. (1965). Théorie des chaînes de
Markov finies et ses applications. Paris:
Dunod, 130f.
Katz,
R.
W.
(Sept.
1983).
Statistical
procedures for making inferences about
precipitation
changes
simulated
atmospheric
general
circulation
by
an
model.
Journal of Atmospheric Sciences, v. 40, n.9,
p.2193-2201.
Kousky, V. E. (1979). Frontal influences on
northeast Brazil. Monthly Weather Review,
Assis, F. N. (1991). Modelagem da ocorrência
v.107, n.17, p.1140-1153.
e da quantidade de chuva e de dias secos em
Piracicaba-SP e Pelotas-RS. 1991. 134 f. Tese
Kousky, V. E. (1980). Diurnal rainfall
(Doutorado) - Escola Superior de Agricultura
variation
Luiz de Queiroz, Piracicaba.
Weather Review, v. 108, n.4, p.488-498.
Back, A. J. (1997). Aplicação de cadeias
Lettenmaier, D. (1995). Stocastic modeling of
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
in
Northeast
Brazil.
Monthly
522
Revista Brasileira de Geografia Física 03 (2012) 509-523
precipitation with applications to climate
CONFERENCE
ON
model downscaling. In:Von Storch, H.;
ENGINEERING
AND
Navarra,
1997, Dhaka. Proceedings. Dhaka: ASAE,
variability:
A.
ed.
Analysis
Applications
of
of
climate
statistical
AGRICULTURAL
TECHNOLOGY,
p.231-238.
techniques. Berlin: Springer. Cap. 11, p.197212.
Rao, V. B.; Cavalcanti, I. F. A.; Hada, K.
(Nov. 1996). Annual variations of rainfall
Markhan, C. G. e Mclain, D. R. (1977). Sea
over Brazil and water vapor characteristics
Surface Temperature Related to Tain in Ceará
over South America. Journal of Geophysical
Northeastern Brazil. Nature, n.265, p.320-
Research, v. 101, n. D21, p. 26539-26551.
323.
Muhammad, F.; Nabi, G. (1991). Markov
chain model for rainfall occurrence in
Stern, R. D.; Coe, R. (1982). The use of
rainfall models in agricultural planning.
Agricultural Meteorology, v.26, n. 7, p.35-50.
Pakistan. Journal of Islamic Academy of
Stern, R. D.; Coe, R. (1984). A model fitting
Sciences, v.4, p.173-178.
analysis of daily rainfall data. Journal of the
Royal Statistical Society, v.147, p.1-34.
Punyawardena, B. V. R.; Kulasiri, D. (1997).
On development and comparative study of
Wilks, D. S. (1995). Statistical methods in the
two Markov models of rainfall in the dry zone
atmospheric sciences: An introduction. San
of Sri Lanka. In: JOINT INTERNATIONAL
Diego: Academic Press. 464 p.
Araújo, W. S.; Sousa, F. A. S.; Brito, J. I. B; Lima, L. M.
523