An integrated framework for drought monitoring and forecasting based on remote sensing and sea surface temperature data

Abstract

As secas estão entre os desastres climáticos mais danosos em todo o mundo, com efeitos particularmente severos na região semiárida brasileira, onde eventos históricos causaram extensas consequências sociais, econômicas e ambientais. Nesse contexto, avançar na compreensão da dinâmica das secas e de suas forçantes climáticas é essencial para a gestão e mitigação de riscos. Esta tese investiga potenciais relações entre anomalias da temperatura da superfície do mar (TSM) e secas meteorológicas e hidrológicas na região semiárida brasileira. Para atingir esse objetivo, um novo modelo Bayesiano foi desenvolvido para combinar múltiplas estimativas precipitação baseadas em satélite (CHIRPSv2, PERSIANN, IMERG V06 e CMORPH), fornecendo estimativas de precipitação mais confiáveis do que aquelas obtidas a partir dos produtos individuais. Essas estimativas foram usadas para calcular o Índice Padronizado de Precipitação (SPI, do inglês Standardized Precipitation Index) em diferentes escalas de agregação, que serve como um indicador de referência de secas meteorológicas. O desempenho do modelo foi testado em duas regiões distintas do Brasil (a bacia hidrográfica do Rio Doce e região do Médio-Baixo São Francisco), escolhidas por suas distintas condições geográficas. Além da validação do modelo, sua capacidade de capturar características de seca foi avaliada considerando o SPI em múltiplas escalas de tempo (n = 1, 3, 6, 9 e 12 meses). Considerando secas hidrológicas, dados de reanálise de escoamento superficial obtidos do ERA5 foram usados para calcular o Índice Padronizado de Escoamento Superficial (SRI, do inglês Standardized Runoff Index). Posteriormente, a análise de componentes principais (ACP) foi aplicada às estimavas de SPI e SRI para identificar os modos dominantes de variabilidade sazonal da seca na região semiárida brasileira. Por fim, a análise de correlação canônica (ACC) esparsa foi empregada para investigar as associações entre anomalias de TSM e modos de variabilidade da seca, visando revelar regiões oceânicas mais fortemente ligadas à ocorrência de seca na área de estudo. Os resultados demonstram que o modelo Bayesiano melhorou as estimativas de precipitação, produzindo valores consistentemente mais baixos de RMSE, NRMSE e PBIAS em comparação com produtos individuais baseados em satélite. Essa melhoria se traduziu em uma melhor representação das características da seca, particularmente em termos do número de meses de seca e sua magnitude, com o modelo combinado superando os produtos individuais do SPI-1 ao SPI-9. Na escala de 12 meses (SPI-12), no entanto, certos produtos individuais alcançaram resultados ligeiramente melhores. A ACP revelou dois modos dominantes de variabilidade da seca ao longo das estações, com um comportamento semelhante observado para secas meteorológicas e hidrológicas. O primeiro modo capturou eventos de seca generalizados que afetam a maior parte da região semiárida, enquanto o segundo exibiu um padrão dipolo norte-sul. A ACC esparsa destacou a influência das anomalias de TSM na região Niño 3.4 sobre o primeiro modo de variabilidade, enquanto o segundo modo apresentou relações oceânicas mais dispersas espacialmente. Em conjunto, os resultados contribuem para o aprimoramento do entendimento dos vínculos entre variabilidade oceânica e secas no semiárido brasileiro, oferecendo subsídios para sistemas de alerta e estratégias de gestão do risco de seca.