Padrão Espacial Pluviométrico no estado do Amapá utilizando aAnálise de Componentes Principais

Jonathan Castro Amanajás1, Célia Campos Braga2

1Mestrando do Departamento de Ciências Atmosféricas, UFCG. Av. Aprígio Veloso, 882, BairroUniversitário. Campina Grande – PB, Brasil. CEP: 58.429 – 140. E-mail:

jonathan.amanajás@hotmail.com2Professora do Departamento de Ciências Atmosféricas, UFCG. Av. Aprígio Veloso, 882, BairroUniversitário. Campina Grande – PB, Brasil. CEP: 58.429 – 140. E-mail: celia@dca.ufcg.edu.br

ABSTRACT: Using the of Factor Analysis (FA) in Principal Components (PCs) method,some characteristics of the precipitation pattern (mm) are established for the Amapá State(Amazônia Oriental). Data of monthly precipitation from 27 meteorological stations are used.The first two principal components (PCs), which describe 85.74% of the total precipitationfield variance, are considered. It is shown, graphically and numerically, that the first PC isrelated to the performance of the Intertropical Convergence Zone and the second is related tonon-gradient weather type (no clear pattern or associated with any system of synoptic scale).

Key Words: Factor Analysis; rotation; precipitation pattern

1. INTRODUÇÃOO estado do Amapá, localizado na faixa equatorial do globo, esta inserido no setor

norte da Amazônia Oriental. Esta região caracteriza-se por altas temperaturas e elevadosíndices pluviométricos, tendo seu período chuvoso médio centrado de dezembro a maio. Aschuvas nesta região são diretamente influenciadas pela migração sazonal da Zona deConvergência Intertropical (ZCIT) na direção meridional, caracterizada pela elevação do arquente e úmido, formando um cinturão de nuvens e chuva convectiva (RAO & HADA, 1990).

Além da ZCIT outros mecanismos explicam o regime pluvial na região, os quais sãoresultantes da combinação das brisas marítimas e da fonte de vapor proveniente da FlorestaAmazônica (VIANELLO, 1991). Por outro lado, essa migração sazonal da ZCIT é fortementerelacionada as anomalias que ocorrem na circulação atmosférica e oceânica sobre os trópicos, aexemplo dos fenômenos El Niño e La Niña (PEZZI & CAVALCANTI, 2001).

O clima da região segundo a classificação de Köppen é do tipo megatérmico Af,caracterizando-a como clima tropical úmido, com chuvas em todas as estações e temperaturamédia no mês mais frio acima de 18°C, e período menos chuvoso de curta duração (NIMER,1989).

Pesquisadores em todo mundo têm usado as técnicas multivariadas denominada deAnálise de Componentes Principais como ferramenta importante e útil para investigar asvariabilidades sazonais e anuais das variáveis meteorológicas. Ceballos & Braga (1995)aplicaram a análise de componentes principais em regiões homogêneas de radiação globaldiária para estimar dados de locais onde não se disponham. Eastman & Fulk (1993) aplicaram atécnica para obtenção de condições climáticas da África. Recentemente Fragoso e Gomes(2008) aplicaram a análise em Componentes Principal a dados de chuva para identificarpadrões de precipitação associados a eventos intensos de chuva no sul de Portugal.

Assim, o objetivo deste estudo é analisar a distribuição espacial da chuva no estado doAmapá e através da Análise das Componentes Principais caracterizar os sistemas atmosféricoscontribuintes de sua precipitação.

2. MATERIAL E MÉTODOSOs dados de precipitação utilizados neste estudo são provenientes de 27 estações

meteorológicas da Agência Nacional das Águas (ANA), a partir dos quais foram obtidasmédias mensais e anuais de precipitação para o estado do Amapá. A distribuição das estações éindicada por números na Fig. 1.

Figura 1. Distribuição espacial das 27 estações meteorológicas da ANA no estado do Amapá.

Neste estudo se utilizou a técnica de análise multivariada dos Componentes Principais(ACP). Esta técnica foi introduzida pela primeira vez em estudos meteorológicos por Lorenz,em 1956, que as denominou de Funções Ortogonais Empíricas para destacar sua natureza nãoanalítica (BRAGA, 2000). O objetivo do método é transformar p variáveis originaiscorrelacionadas em componentes não correlacionadas ou ortogonais, sendo estes componentesfunções lineares, em que p variáveis originais são medidos em n indivíduos (BOUROCHE &SAPORTA, 1982).

A ACP é uma técnica que não só permite uma redução da dimensão da matriz dedados, ao mesmo que a máxima variância pode ser explicada pela classificação dos autovetoresassociados aos maiores autovalores da matriz de correlação, ou seja, os dados originais podemser analisados a partir de um número pequeno de componentes independentes entre si(PREISENDORFER, 1988).

A partir de uma matriz Z (m x n) normalizada, obtêm-se uma matriz de correlação R,simétrica e positiva de dimensão (k x k), e diagonalizável por uma matriz A, de mudança debase, denominada de autovetores.

Pela ortogonalidade dos autovetores, a inversa de A (A-1) é igual a sua transposta (At).Logo, as CPs Z1, Z2, ..., Zn são obtidas por combinações lineares entre a transposta dosautovetores (At) e a matriz de observações (Y). Assim, cada linha de Z corresponde a uma CPque forma as séries temporais associadas aos autovalores.

Cada componente principal tem uma porção da variância total dos dados mensais daprecipitação pluvial, e são ordenadas por ordem decrescente dos autovalores maissignificativos de a1 em A (WILKS, 2006).

A variância total do sistema (V) é definida como a soma das variâncias das variáveisobservadas. A variância da matriz pode ser entendida também como o somatório da diagonalprincipal da matriz de correlação.

O número escolhido de CPs foi baseado no critério de truncamento de Kaiser, queconsidera como mais significativos os autovalores cujos valores sejam superiores a um(GARAYALDE et al., 1986).

1

23

4

5

6

7

8

910

11

12

13

1415

16

1718

1920

21

22

23

24

25

26

27

-54.5 -54 -53.5 -53 -52.5 -52 -51.5 -51 -50.5 -50

Longitude

-1

-0.5

0

0.5

1

1.5

2

2.5

3

3.5

4

Lat

itude

Guiana Francesa

Oceano Atlântico

Norte do ParáNoroeste do Pará

Para facilitar as interpretações físicas correspondentes às CPs, normalmente se fazuma rotação da solução inicial para uma nova coordenada de vetores, através de umatransformação linear (FULGOSI, 1979; RICHMAN, 1986; WIKS, 2006).

Neste trabalho, utilizou-se uma rotação ortogonal mantendo a correlação entre ascomponentes igual a zero, portanto independentes. O método de rotação mais utilizado quemaximiza a variância em cada componente é o VARIMAX, dado por:

2

1 1

2

1

22)( maamVarr

j

m

i

m

iijij

onde r é o número de CPs que representam as informações físicas e m o número de variáveis.O principal objetivo da utilização de CPs rotacionadas é se obter a maior concentração

dos dados originais da série temporal nas CPs pela máxima variância, e não pela característicanormalizada da série temporal como ocorre nas CPs não rotacionadas (CORRAR et. al., 2007).

3. RESULTADOS E DISCUSSÃOA seguir são apresentados os resultados obtidos da aplicação do método da ACP a

dados médios mensais da precipitação pluvial no estado do Amapá. A Fig. 2 mostra avariabilidade espacial dos totais médios anuais da precipitação no Estado.

-54.5 -54 -53.5 -53 -52.5 -52 -51.5 -51 -50.5 -50

Longitude

-1

-0.5

0

0.5

1

1.5

2

2.5

3

3.5

4

Lat

itude

2000

2200

2400

2600

2800

3000

3200

3400

3600

3800

4000

4200

4400

0 20 40 60 80 100Km

Guiana Francesa

Norte do Pará

Noroeste do Pará

Oceano

Atlântico

Figura 2. Distribuição espacial dos totais médios anuais da precipitação (mm) no estado do Amapá.

A associação entre as variações espaciais e temporais da precipitação no Estadoidentifica a existência de, pelo menos, dois regimes pluviométricos. Observa-se que os maioresvalores ocorreram no setor norte-nordeste do Estado, diminuindo do setor costeiro para ointerior. Os menores valores foram encontrados no sudoeste. Essa variabilidade caracteriza-sepela atuação de fenômenos meteorológicos que influenciam a Amazônia Oriental ao longo doano, os quais se destacam a ZCIT e as Linhas de Instabilidade (COHEN, 1995).

A análise fatorial em componentes principais rotacionada, aplicada aos dados médiosmensais da precipitação no Estado produziram padrões espaciais associados às contribuiçõescorrespondentes a cada fator comum. Na Tab. 1 consta a porcentagem explicada para os doisprimeiros fatores comuns temporal rotacionados que explicaram 85,74% da variância dosdados e truncado segundo critério de Kaiser (GARAYALDE et al., 1986).

Tabela 1. Sequência dos autovalores na ordem decrescente e a contribuição (%) à variância totaldos dados médios mensais rotacionados da precipitação pluvial no estado do Amapá.

Fator Autovalor Variância Explicada (%) Variância Acumulada (%)1 6,41 53,44 53,442 3,88 32,30 85,74⁞ ⁞ ⁞ ⁞

12 0 0 100

O primeiro fator comum temporal da precipitação, que explica 53,44% da variânciatotal da série, apresenta correlações altamente significativas, superiores a 0,8 nos meses dedezembro a junho (Fig. 4). A configuração espacial associada a este primeiro fator evidenciaum importante contraste entre as regiões. As maiores contribuições com valores superiores a 2,encontram-se na região norte e nordeste, enquanto que no sul, sudeste, central e oeste, essascontribuições são negativas e inferiores a -0,4 (Fig. 5a). Este padrão pode estar associado achuvas proveniente da atuação e deslocamento norte-sul da ZCIT de dezembro a junho (RAO& HADA, 1990).

-0,4

-0,2

0,0

0,2

0,4

0,6

0,8

1,0

Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez

Meses

Cor

rela

ções

Fator 1 Fator 2

Figura 4. Cargas fatoriais rotacionadas (correlações) para os dois fatores comuns de precipitação (mm)que explicam 85,74% do total (53,44%+32,3%) no estado do Amapá.

O segundo fator comum que explica 32,3% da variância total dos dadospluviométricos tem alta correlação, com valores superiores a 0,8, nos meses de agosto anovembro, indicando sua situação inversa à precipitação mostrada no primeiro fator (Fig. 4). Opadrão espacial correlacionado positivamente ao segundo fator está relacionado a tipos detempo não-gradiente (não tem padrão bem definido ou associado a nenhum sistema de escalasinótica) e explica o período menos chuvoso da região (Fig. 5b).

-54.5 -54 -53.5 -53 -52.5 -52 -51.5 -51 -50.5 -50

Longitude

-1

-0.5

0

0.5

1

1.5

2

2.5

3

3.5

4

Lat

itude

Oceano

Atlântico

Norte do Pará

Noroeste do Pará

Guiana Francesa

0 20 40 60 80 100Km

-54.5 -54 -53.5 -53 -52.5 -52 -51.5 -51 -50.5 -50

Longitude

-1

-0.5

0

0.5

1

1.5

2

2.5

3

3.5

4

-2-1.8-1.6-1.4-1.2-1-0.8-0.6-0.4-0.200.20.40.60.811.21.41.61.822.22.42.6

Norte do Pará

Noroeste do Pará

Oceano

Atlântico

Guiana Francesa

Figura 5. Padrões espaciais dos primeiros fatores comuns (CPs) da precipitação no estado do Amapá.

(a) (b)

4. CONCLUSÕESA Análise Fatorial em Componentes Principais aplicada a séries temporais identificou

padrões espaciais de precipitação pluviométrica e possibilitou uma melhor compreensão dosaspectos físicos responsáveis pela variabilidade sazonal das mesmas.

O padrão do primeiro fator comum mostrou que as maiores contribuições aprecipitação ocorrerem na parte norte do estado e estão associados a atuação da ZCIT. Osegundo padrão espacial apresentou maiores contribuições na Mesorregião do Sul do Amapá,identificando o período menos chuvoso da região.

5. REFERÊNCIAS BIBLIOGRÁFICASBOUROCHE, J- M; SAPORTA, G. Análise de Dados. Rio de Janeiro, Zahar, 1982. 117p.BRAGA, C. C. Inter-relação entre padrões de índice de vegetação e de pluviometria noNordeste do Brasil. Campina Grande, 2000. 129p. Tese (Doutorado em Recursos Naturais).Universidade Federal da Paraíba.CEBALLOS, J. C.; BRAGA, C. C. Missing Data Assessment in a Solarimetric Network.Int. J. Climatol., 15:325-340, 1995.COHEN, J. C. P.; SILVA DIAS, M. A. F; NOBRE C. A. Environmental conditionsassociated with Amazonian squall lines: A case study. Monthy Weather Review, Boston,123:3163-3174, 1995.CORRAR, L. J; PAULO, E. e DIAS FILHO, J. M. Análise Multivariada. São Paulo, Atlas,2007, 541p.EASTMAN, J.R., FULK, M. Long sequence time series evaluation using standardizedprincipal components. Photog. Eng. & Remote Sensing, 59:1307-1312, 1993.FRAGOSO, M., GOMES, P.T. Classification of daily abundant rainfall patterns andassociated large-scale atmospheric circulation types in Southern Portugal. Int. J. Climatol.,28:537-544, 2008.FULGOSI, A. Faktorska analisa. Zagreb, Skolska knjiga, 1979. 367p.GARAYALDE, E.J.G.; da SILVA, M.G.A.; TAVARES, A. de SÁ. Classificação meso-climática da região sul do Brasil pela análise de Componentes Principais. In:CONGRESSO INTERAMERICANO DE METEOROLOGIA, 1., Brasília, 1986. Anais.Brasília, Sociedade Brasileira de Meteorologia, 1986. p.119-124.NIMER, E. Climatologia do Brasil. 2. ed. Rio de Janeiro, IBGE, 1989. 422p.PEZZI, L. P.; CAVALCANTI, I. F. A. The relative importance of ENSO and tropicalAtlantic sea surface temperature anomalies for seasonal precipitation over SouthAmerica: a numerical study. Climate Dynamics, 17:205-212, 2001.PREISENDORFER, R. Principal component analysis in meteorology and oceanography.Amsterdan, Elsevier, 1988. 425p.RAO, V.B.; HADA, K. Characteristics of rainfall over Brazil: annual variations andconnections with Southern oscillations. Theoretical and Applied Climatology, 42:81-91,1990.RICHMAN, M. B. Review article on rotation of principal components. J. Climatol., 6:293-335, 1986.VIANELLO, R. L. Meteorologia Básica e Aplicações. Viçosa, UFG, Impr. Univ., 1991.WILKS, D. S. Statistical Methods in the Atmospheric Sciences. 2. ed. London, AcademicPress, 2006. 649p.