u sÃo paulo...ao laboratório master, pela resolução dos problemas de hardware e software. À...

UNIVERSIDADE DE SÃO PAULO

INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS

DEPARTAMENTO DE CIÊNCIAS ATMOSFÉRICAS

ANÁLISE DA VARIABILIDADE CLIMÁTICA DE

UM MODELO DO CLIMA DA AMÉRICA DO SUL

NO PRESENTE E EM 6 KA AP

CANDIDA DE FREITAS DEWES

DISSERTAÇÃO DE MESTRADO

ORIENTADOR: PROF. DR. PEDRO LEITE DA SILVA DIAS

SÃO PAULO, FEVEREIRO DE 2007

AGRADECIMENTOS

Ao CNPq e à FAPESP, cuja bolsa possibilitou a minha integral dedicação a esta pesquisa; e

ao IAI, por recursos destinados a esta pesquisa através do programa PROSUR.

Ao meu orientador, Pedro Dias, por ter apostado em mim. Também pela proposta de pesquisa

e pela independência concedida na sua execução – o que no início assustou mas no final

tornou-se um grande aprendizado. As conversas em que se discutiu os progressos no

trabalho sempre foram muito ricas e empolgantes. Gostaria de ter conseguido levar a cabo

todas as idéias que ele levantou ao longo destes dois anos…

Aos professores Leila, Edmilson e Charles, cujas valiosas dicas foram imprescindíveis para

que eu superasse certos obstáculos.

À Ana Elizabethe, à Tatiana, ao Marcos, ao PauloTak, ao Aravéquia, ao Schneider, à Isabel e

ao Márcio, pelo auxílio prestado em determinadas etapas da execução deste trabalho.

Ao laboratório MASTER, pela resolução dos problemas de hardware e software.

À Luciana, ao Samuel e ao Sebastião, da Seção de Informática deste departamento; à Rose e

ao Marcel da Secretaria de Pós-Graduação – pelo atendimento sempre prontamente

prestado.

Ao amigo Chico Aquino, por ter-me gentilmente cedido o seu iMac, sem o qual esta

dissertação não teria sido escrita na tranqüilidade do lar…

Aos grandes amigos que levarei do IAG: Nathalie, Fabrício, Bruno e Santiago, pelo

companheirismo, incentivo e apoio em todas as horas.

Ao Vinícius, à Vivian, à Selma e a todos os meus amigos do Clube Alpino Paulista, por terem

tornado a minha vida em São Paulo tão mais bacana!

Last but not least… à minha família que, mesmo longe, se fez presente em todos os

momentos, me apoiando e me incentivando a seguir em frente. A saudade está valendo a

pena!

RESUMO

Este estudo avalia as relações entre a temperatura da superfície do mar (TSM) e a

variabilidade climática na América do Sul, no presente e no Holoceno Médio (HM),

enfatizando a análise dos modos de variabilidade dos oceanos adjacentes e sua influência

sobre o sistema monçônico deste continente. Também é avaliado o desempenho do modelo

quanto à variabilidade climática no presente e no HM, através dos índices da Oscilação Sul,

do Niño3, da PDO e da AMO. A análise baseia-se nos resultados da versão IPSL_CM4 do

modelo do Institut Pierre Simon Laplace (IPSL), que integra o Paleoclimate Modelling

Intercomparision Project. O modelo acopla quatro componentes: atmosfera, oceano, gelo

marinho e superfície continental.

Diferenças no clima médio entre as simulações do presente e do HM indicam mudanças

no sistema monçônico, por conta da diminuição do contraste térmico continente-oceano no

HM. O resfriamento sobre o continente provoca aumento da pressão atmosférica nos meses de

verão, enfraquecendo o gradiente de pressão, e assim os alísios. Isto resulta em menor

transporte de umidade para o continente, menos atividade convectiva no interior e menor taxa

de precipitação.

Os índices de variabilidade climática são analisados comparando-se os escalogramas de

ondeleta dos dados observados e das duas simulações do modelo. No presente, de modo geral, o

modelo apresenta sinal de variabilidade de baixa freqüência, mas existem diferenças significativas

com relação às observações. As flutuações melhor simuladas estão relacionadas ao ENSO; a

componente atmosférica, no entanto, tem energia subestimada, enquanto a componente oceânica

tem energia superestimada nesta escala de variabilidade. A PDO, no modelo, é mascarada por

uma série de ruídos embutidos no índice. A AMO surge não como multidecadal (de 60 anos,

como observado), e sim na escala de 15 anos. Na simulação do HM, os dois índices do ENSO

apresentam menor energia nesta escala, indicando que o ENSO teria sido mais fraco. A PDO

é semelhante ao índice observado, mas no índice da AMO não aparece nenhuma oscilação

persistente que possa ser caracterizada como multidecadal.

Os modos de variabilidade dos oceanos Atlântico e Pacífico são definidos por EOFs. As

suas componentes principais são relacionadas ao índice de monção da América do Sul através

de ondeletas cruzadas. Os resultados para a simulação do presente indicam alta coerência

entre a variabilidade deste sistema e a dos oceanos nas escalas do ENSO e decadal. Na

simulação do HM, porém, a coerência nestas escalas é maior e mais persistente. Isto ocorre

porque o ENSO, apesar de mais fraco neste período, tinha maior regularidade.

ABSTRACT

An evaluation of the relationship between sea surface temperature (SST) and climatic

variability in South America in the present and during the mid-Holocene (MH) is the

objective of this work. Special emphasis is given to the role of the SST anomalies in the

summer monsoon system. The analyses are based on results of the most recent Institut Pierre

Simon Laplace (IPSL) climate model (version IPSL_CM4), which is part of the Paleoclimate

Modelling Intercomparision Project. The model couples four components: atmosphere,

ocean, sea-ice and continental surface. The metric for evaluation of the model results is based

on analyses of climatic indices such as SOI, Niño3, PDO and AMO.

In the mean climate, differences between the present and MH simulations indicate

changes in the monsoon system, caused by the weaker continent-ocean thermal contrast in the

MH. The cooling over the continent causes higher atmospheric pressure during summertime,

weakening the pressure gradient and thus the trade winds. This results in less moisture

transport to the continent, less convective activity and less precipitation.

The climatic variability indices are analised by comparing the wavelet spectra of

observed and model data. For the present climate simulation, the model broadly reproduces

the low-frequency variability, but there are important differences with respect to the

observations. The best simulated fluctuations are those related to ENSO. However, the energy

of the atmospheric component is underestimated, while the energy of the oceanic component

is overestimated. The modelled PDO is diluted by noise embedded in the time series of the

index. The AMO appears not as a multidecadal oscillation (of 60 years, as observed), but at

the 15-year scale. In the MH-simulation, both ENSO-indices present lower energy at this

scale, indicating a weaker ENSO. The PDO is similar to the observed index, but in the AMO-

index no persistent oscillation appears at the multidecadal scale.

The Atlantic and Pacific variability modes are defined by EOF analyses. Their principal

components are related to the South America monsoon index as shown by the cross-wavelet

analysis. The results for the present-climate simulation show high coherence between the

variability of this system and that of the oceans at the ENSO and decadal scales. However, in

the MH coherence at these scales is even higher and more persistant. This happens because

ENSO, despite being weaker, occurs more regularly during the MH simulation

Análise da variabilidade climática de um modelo do clima da América do Sul no presente e em 6 ka AP iv

ÍNDICE

Índice de figuras ........................................................................................................................ vi

Índice de tabelas ........................................................................................................................ x

Índice de abreviaturas ............................................................................................................... xi

Capítulo 1: Introdução ............................................................................................................ 1

1.1. Propósito do estudo .......................................................................................................... 1

1.2. Índices de variabilidade climática .................................................................................... 5

1.3. O clima da América do Sul e o sistema monçônico ......................................................... 8

1.3.1. Diversidade climática............................................................................................ 8

1.3.2. O sistema monçônico da América do Sul ............................................................. 12

1.4. Variabilidade dos oceanos Atlântico e Pacífico ............................................................... 16

1.5. Holoceno Médio ............................................................................................................... 18

1.5.1. Modelagem do Holoceno Médio........................................................................... 19

1.5.2. Indicadores paleoclimáticos (proxies) na América do Sul.................................... 23

Capítulo 2: Dados e Metodologia............................................................................................ 27

2.1. Descrição do modelo ........................................................................................................ 27

2.2. Simulações........................................................................................................................ 28

2.3. Observações...................................................................................................................... 29

2.4. Metodologia...................................................................................................................... 30

2.4.1. Análise por diferenças dos campos médios mensais............................................. 30

2.4.2. Análise por Funções Ortogonais Empíricas (EOFs) ............................................. 31

2.4.3. Análise da variabilidade temporal por Transformada de Ondeleta (TO).............. 34

Capítulo 3: Clima Médio no Presente e em 6 ka AP............................................................. 39

3.1. Clima médio no presente .................................................................................................. 39

3.2. Clima médio na América do Sul em 6 ka AP................................................................... 49

Índices v

Capítulo 4: Modos de Variabilidade no Presente e em 6 ka AP .......................................... 59

4.1. Índices de variabilidade climática..................................................................................... 59

4.2. EOFs dos oceanos Atlântico e Pacífico ............................................................................ 65

Capítulo 5: Variabilidade da Monção na América do Sul no Presente e em 6 ka AP ....... 77

5.1. Índice de monção na América do Sul (LISAM) ............................................................... 77

5.2. Influência dos oceanos na monção na América do Sul..................................................... 80

Capítulo 6: Conclusões............................................................................................................. 91

Referências Bibliográficas ....................................................................................................... 95

Análise da variabilidade climática de um modelo do clima da América do Sul no presente e em 6 ka AP vi

ÍNDICE DE FIGURAS

Fig. 1.1: Ciclos de Milankovitch: figuras ilustrativas das variações nos parâmetros orbitais da

Terra. Os gráficos indicam a evolução temporal destes parâmetros nos últimos 800 ka e

a freqüência aproximada de um ciclo na (a) excentricidade da órbita, (b) obliqüidade

eclíptica, (c) precessão do eixo de rotação .................................................................... 2

Fig. 1.2: Representação esquemática da interação oceano-atmosfera sobre o Pacífico em

condições normais, anos de El Niño, anos de La Niña................................................... 6

Fig. 1.3: PDO. (a) TSM baseada no padrão de TSM da 1a EOF da bacia do Pacífico ao norte de

20°N, para o período 1911–2004, e projetada para o oceano global; (b) série temporal

anual e série suavizada com filtro decadal...................................................................... 7

Fig. 1.4: a AMO desde o início das observações instrumentais ................................................... 8

Fig. 1.5: Mapa topográfico da América do Sul, com altitude dada pela escala de cores. Setas

indicam regiões de entrada das massas de ar marítima equatorial, tropical e polar ....... 9

Fig. 1.6: Ilustrações esquemáticas do sistema monçônico da América do Sul ........................... 13

Fig. 1.7: Padrões da 1a EOFc representados por correlações entre a componente principal e as

anomalias sazonais de (a) precipitação do GPCP, (b) umidade específica, (c)

temperatura, (d) vento zonal e (e) vento meridional..................................................... 15

Fig. 1.8: Parâmetros orbitais para o presente e para 6 ka AP ..................................................... 19

Fig. 1.9: Distribuição da insolação mensal, por latitude, no presente e a diferença desta no HM,

com relação ao presente................................................................................................ 19

Fig. 3.1: PPT climatológica do GPCP, de 2L24 e a diferença 2L24–GPCP, para os trimestres

DJF, MAM, JJA e SON................................................................................................ 40

Fig. 3.2: Diferença entre campos médios da ROL climatológica de 2L24 e da reanálise

NCEP/NCAR, para os trimestres DJF, MAM, JJA e SON .......................................... 41

Fig. 3.3: Diferença entre campos médios de Q2M climatológica de 2L24 e da reanálise

NCEP/NCAR, para os trimestres DJF, MAM, JJA e SON .......................................... 42

Índices vii

Fig. 3.4: T2M climatológica da reanálise NCEP/NCAR, de 2L24 e a diferença 2L24–Reanálise,

para os trimestres DJF, MAM, JJA e SON .................................................................. 43

Fig. 3.5: PNM climatológica da reanálise NCEP/NCAR, de 2L24 e a diferença 2L24–Reanálise,

para os trimestres DJF, MAM, JJA e SON .................................................................. 45

Fig. 3.6: Vento climatológico em 200 hPa da reanálise NCEP/NCAR, de 2L24 e a diferença

2L24–Reanálise, para os trimestres DJF, MAM, JJA e SON ...................................... 46

Fig. 3.7: Vento climatológico em 850 hPa da reanálise NCEP/NCAR, de 2L24 e a diferença

2L24–Reanálise, para os trimestres DJF, MAM, JJA e SON ...................................... 47

Fig. 3.8: Diferença entre a TSM climatológica de 2L24 e do conjunto NOAA para DJF, MAM,

JJA e SON .................................................................................................................... 48

Fig. 3.9: Diferença entre a TSM climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e

SON.............................................................................................................................. 49

Fig. 3.10: Diferença entre a PPT climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e

SON.............................................................................................................................. 50

Fig. 3.11: Diferença entre a ROL no TOA climatológica de HOL04 e de 2L24 para DJF, MAM,

JJA e SON .................................................................................................................... 50

Fig. 3.12: Diferença entre a Q2M climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e

SON.............................................................................................................................. 51

Fig. 3.13: Diferença entre a T2M climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e

SON.............................................................................................................................. 51

Fig. 3.14: Diferença entre a PNM climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e

SON.............................................................................................................................. 52

Fig. 3.15: Diferença entre o vento climatológico em 200 hPa de HOL04 e de 2L24 para DJF,

MAM, JJA e SON ........................................................................................................ 52

Fig. 3.16: Diferença entre a direção do vento climatológico em 850 hPa de HOL04 e de 2L24

para DJF, MAM, JJA e SON........................................................................................ 53

Fig. 3.17: Localidades da América do Sul selecionadas para análise do ciclo anual, da média e do

desvio-padrão da precipitação ...................................................................................... 53

Fig. 3.18: Ciclo anual da PPT no presente (triângulos) e no HM (círculos), das localidades

selecionadas da América do Sul................................................................................... 54

Análise da variabilidade climática de um modelo do clima da América do Sul no presente e em 6 ka AP viii

Fig. 4.1: Série temporal, escalograma da parte real dos coeficientes da ondeleta e espectro de

ondeleta global do SOI, calculado com dados de PNM (a) observados, do Climate

Research Unit, (b) em 2L24 e (c) em HOL04 .............................................................. 60


ondeleta global do Niño3, obtido com anomalias de TSM (a) observadas (Rayner et al.,

2003), (b) de 2L24 e (c) de HOL04 .............................................................................. 61


ondeleta global da PDO, representada pela 1a EOF das anomalias de TSM do Pacífico

ao norte de 20°N, obtida com dados (a) observados (Mantua et al., 1997), (b) de 2L24 e

(c) de HOL04 ................................................................................................................ 63


ondeleta global da AMO, representada pelas anomalias de TSM do Atlântico Norte (0–

70°N) (a) observadas (Kaplan et al., 1998), (b) em 2L24 e (c) em HOL04................. 64

Fig. 4.5: Variância explicada pelas quatro primeiras EOFs do Atlântico, em 2L24 e HOL04 .. 65

Fig. 4.6: Padrão espacial da 1a EOF do Atlântico em 2L24 e HOL04, junto com os respectivos

coeficientes de expansão............................................................................................... 66





Fig. 4.9: Variância explicada pelas quatro primeiras EOFs do Pacífico, em 2L24 e HOL04 .... 70

Fig. 4.10: Padrão espacial da 1a EOF do Pacífico em 2L24 e HOL04, junto com os respectivos






Fig. 5.1: Campos de correlação entre o LISAM e as anomalias sazonais de (a) PPT, (b) Q850, (c)

T850, (d) U850 e (e) V850 em 2L24 ............................................................................ 78

Fig. 5.2: Campos de correlação entre o LISAM e as anomalias sazonais de (a) PPT, (b) Q850, (c)

T850, (d) U850 e (e) V850 em HOL04 ........................................................................ 79

Índices ix

Fig. 5.3: O LISAM em 2L24 e em HOL04. A série temporal do índice e a energia do seu ciclo

anual, dada pelo escalograma dos coeficientes da ondeleta e pelo espectro de ondeleta

global ............................................................................................................................ 79

Fig. 5.4: As séries de anomalias do LISAM em 2L24 e em HOL04. A variabilidade do índice é

dada pelo escalograma de fase das anomalias e pelo espectro de ondeleta global ...... 80

Fig. 5.5: Transformada de Ondeletas Cruzadas entre as séries temporais das anomalias do

LISAM e da 1a EOF do Atlântico Tropical em 2L24 .................................................. 81


LISAM e da 2a EOF do Atlântico Tropical em 2L24 .................................................. 82


LISAM e da 1a EOF do Pacífico Tropical em 2L24 .................................................... 83


LISAM e da 2a EOF do Pacífico Tropical em 2L24 .................................................... 84


LISAM e da 1a EOF do Atlântico Tropical em HOL04............................................... 85


LISAM e da 2a EOF do Atlântico Tropical em HOL04............................................... 86


LISAM e da 1a EOF do Pacífico Tropical em HOL04 ................................................ 87


LISAM e da 2a EOF do Pacífico Tropical em HOL04 ................................................ 88

Análise da variabilidade climática de um modelo do clima da América do Sul no presente e em 6 ka AP x

ÍNDICE DE TABELAS

Tab. 3.1: média e desvio-padrão da PPT nos 100 anos das simulações 2L24 e HOL04 das

localidades selecionadas da América do Sul .............................................................. 56

Índices xi

ÍNDICE DE ABREVIATURAS

2L24 simulação climática do presente

AB Alta da Bolívia

AMO Oscilação Multi-Decadal do Atlântico

ASAN Alta Subtropical do Atlântico Norte

ASAS Alta Subtropical do Atlântico Sul

ASPN Alta Subtropical do Pacífico Norte

ASPS Alta Subtropical do Pacífico Sul

CCMs Complexos Convectivos de Mesoescala

DJF dezembro-janeiro-fevereiro

EN El Niño

ENSO El Niño–Oscilação Sul

EOFs Empirical Othogonal Functions

GCMs Modelos de Circulação Geral

GPCP Global Precipitation Climatology Project

HM Holoceno Médio

HOL04 simulação climática do Holocendo Médio

IPSL Institut Pierre Simon Laplace

JBN Jato de Baixos Níveis

JJA junho-julho-agosto

ka AP mil anos antes do presente

LISAM Large-scale Index for South America Monsoon

LN La Niña

MAM março-abril-maio

NCAR National Center for Atmospheric Research

NCEP National Center for Environmental Prediction

PDO Oscilação Decadal do Pacífico

Análise da variabilidade climática de um modelo do clima da América do Sul no presente e em 6 ka AP xii

PMIP Paleoclimate Modeling Intercomparision Project

PNM pressão ao nível do mar

PPT precipitação

Q2M umidade específica a 2 m

Q850 umidade específica em 850 hPa

ROL radiação de onda longa emergente no topo da atmosfera

SO Oscilação Sul

SOI Índice da Oscilação Sul

SON setembro-outubro-novembro

T2M temperatura do ar a 2 m

T850 temperatura do ar em 850 hPa

TF Transformada de Fourier

TO Transformada de Ondeleta

TOA topo da atmosfera

TSM temperatura da superfície do mar

U200 componente zonal do vento em 200 hPa

U850 componente zonal do vento em 850 hPa

V200 componente meridional do vento em 200 hPa

V850 componente meridional do vento em 850 hPa

ZCAS Zona de Convergência do Atlântico Sul

ZCIT Zona de Convergência Intertropical

ZCPS Zona de Convergência do Pacífico Sul

ZFB Zona Frontal do Baiu

ZSPs Zonas Subtropicais de Precipitação

CAPÍTULO 1: INTRODUÇÃO

1.1. Propósito do estudo

O entendimento dos mecanismos e da história da variabilidade climática natural é

importante para o aprimoramento da previsibilidade do clima e a atribuição apropriada das

mudanças climáticas em curso a forçantes humanas e naturais. O registro paleoclimático

fornece indícios da variabilidade climática do passado e contém um espectro de

mudanças/variações climáticas muito maior, em termos de duração e amplitude, do que o

registro instrumental. O registro paleoclimático pode, portanto, fornecer noções de como o

sistema climático responde quando forçado por forçantes não-antropogênicas (Jansen e

Weaver, 2006).

Uma outra forma de avaliar os mecanismos associados à variabilidade climática é

através de modelos climáticos. Modelos climáticos são ferramentas úteis para estudar as

complexas relações entre as várias forçantes e as respectivas respostas do sistema climático.

Modelos climáticos diferentes, quando sujeitos à(s) mesma(s) forçante(s), produzem aspectos

globais das mudanças climáticas qualitativamente similares; no entanto a magnitude e os

padrões das respostas é que variam substancialmente de um modelo para o outro, em função

das parametrizações estabelecidas no código de cada um.

A modelagem de paleoclimas é bastante útil para testar os Modelos de Circulação Geral

(GCMs), pois permite a intercomparação entre simulações de modelos diferentes e a sua

habilidade de simular mudanças climáticas pode ser validada por séries mais longas de dados

fornecidos pelas reconstruções paleoclimáticas (Clauzet et al., 2006). Os modelos também

permitem a investigação de causa e efeito em mudanças climáticas do passado. São eles que

preenchem as lacunas entre as escalas local e global, uma vez que a informação

paleoclimática é quase sempre esparsa, fragmentada e sazonal. Um longo registro de

testemunho de gelo, por exemplo, mostra uma forte correlação entre a temperatura local na

Antártica e a concentração global de CO2 e gás metano, mas as conexões entre estas variáveis

só podem ser exploradas com o auxílio de modelos. Desenvolver um entendimento

Análise da variabilidade climática de um modelo do clima da América do Sul no presente e em 6 ka AP 2

quantitativo dos mecanismos é a melhor forma de conhecer o clima passado para projetar o

clima futuro, uma vez que não há analogias diretas do clima futuro no passado.

Ao considerar mudanças climáticas mediante a distribuição de continentes e oceanos tal

como tem-se hoje, a forçante primária em dezenas de milhares de anos está relacionada aos

parâmetros orbitais da Terra – que oscilam nos chamados ciclos de Milankovitch (Fig. 1.1) –

que modulam a distribuição sazonal e latitudinal (obliqüidade e precessão) e o aporte total de

radiação solar incidente (excentricidade) (Burroughs, 1992). A forçante orbital, causada pelas

forças gravitacionais dos planetas, é a única forçante que pode ser precisamente calculada

para muitos milhões de anos passados bem como para o futuro (Beer, 2006). A compreensão

das reações desencadeadas por esta forçante nos vários componentes do sistema climático

torna-se, portanto, providencial.

Fig. 1.1: Ciclos de Milankovitch: figuras ilustrativas das variações nos parâmetros orbitais da Terra. Os gráficos indicam a evolução temporal destes parâmetros nos últimos 800 ka e a freqüência aproximada de um ciclo na (a) excentricidade da órbita, (b) obliqüidade eclíptica, (c) precessão do eixo de rotação (figuras obtidas nos sites http://www.im.ntu.edu.tw/~b90048/scorpius/milankovitch.jpg e http://strata.geol.sc.edu/images/Milankovitch.jpg).

O Paleoclimate Modeling Intercomparision Project (PMIP – Joussaume e Taylor, 1995)

foi criado para coordenar e incentivar o estudo sistemático de modelos climáticos para

períodos chave do passado. Trata-se de um projeto internacional que envolve 19 grupos de

modelagem climática, respaldado pelo IGBP (International Geosphere Biosphere Project –

Capítulo 1: Introdução 3

sub-área Past Global Changes) e pelo WCRP (World Climate Research Program – grupo de

trabalho Modelos Acoplados). Inicialmente, o foco deste projeto foi em dois períodos: o

Último Máximo Glacial (21 ka AP) e o Holoceno Médio (HM) (6 ka AP). O Último Máximo

Glacial provê a oportunidade de testar a habilidade dos modelos em simular condições

extremamente frias, e estudar os mecanismos de retroalimentação associados tanto ao

decréscimo na concentração do CO2 atmosférico quanto à presença de mantos de gelo de 2 a 3

km sobre a América do Norte e o norte da Europa. Já o HM foi escolhido para testar a

resposta do sistema climático a uma mudança no contraste sazonal da radiação solar incidente

no topo da atmosfera (Braconnot et al., 2003, 2004), devida a variações nos parâmetros

orbitais da Terra.

Na primeira fase do PMIP, as simulações para o HM foram feitas com GCMs

atmosféricos. Tanto a cobertura vegetal quanto o ciclo sazonal médio da temperatura da

superfície do mar (TSM) eram prescritas com as condições atuais (Valdes, 2000; Zhao et al.,

2005). Assim, estas simulações testavam somente a sensibilidade da atmosfera e da superfície

continental a mudanças na insolação, negligenciando mudanças na circulação oceânica. A

discrepância constatada entre modelos e dados levou à conclusão de que somente a resposta

atmosférica à forçante orbital não era suficiente para explicar mudanças observadas na

vegetação e no ciclo hidrológico (Braconnot et al., 2002).

Atualmente na sua segunda fase (PMIP-II – Harrison et al., 2002; Braconnot et al.,

2003), o projeto direciona o foco para simulações de modelos acoplados, i.e. onde a dinâmica

da atmosfera interage com a dinâmica dos oceanos – alguns modelos incluem ainda a

dinâmica da vegetação, hidrologia de superfícies continentais e gelo marinho. As simulações

acopladas permitem considerar novas questões como o papel da circulação termohalina nas

mudanças climáticas, ou mudanças na variabilidade interanual a multidecadal e como a

retroalimentação oceânica e da vegetação modulam estas mudanças (Braconnot et al., 2003;

Zhao et al., 2005). Nesta fase outros períodos são também considerados: o início do Holoceno

(9 ka AP), quando a forçante da insolação era ainda maior do que em 6 ka; o início da última

glaciação (115 ka AP), para entender que processos são necessários para amplificar a forçante

de insolação e ainda trazer o sistema climático de um estado interglacial quente para um

estado glacial frio (Harrison et al., 2002; Braconnot et al., 2003); e dois períodos de

resfriamento abrupto, o Younger Dryas (observado em diferentes regiões do Hemisfério Norte

entre 12,7 e 11,7 ka AP) e o evento de 8,2 ka AP, importantes para obter informações sobre a

estabilidade da circulação oceânica (Crucifix et al., 2005).


Neste contexto, o presente estudo analisa simulações de um modelo acoplado produzido

no Institut Pierre Simon Laplace (IPSL, Paris), uma das instituições participantes do PMIP. O

estudo tem como objetivo central a avaliação das relações entre a TSM e a variabilidade

climática na América do Sul, nas simulações do presente e de 6 ka AP. Ênfase é dada à

análise dos modos de variabilidade dos oceanos adjacentes a este continente e sua influência

sobre os regimes de precipitação e circulação atmosférica sobre o mesmo, buscando assim

caracterizar a variabilidade da monção da América do Sul e sua dependência das condições de

TSM durante este período do passado, em contraste com o controle atualmente exercido. Este

estudo contém também uma avaliação da variabilidade temporal, reproduzida pelo modelo

para o presente e para o HM, de alguns índices de variabilidade climática conhecidos. Toda a

investigação está baseada nos resultados da mais recente versão do modelo: o IPSL_CM4.

Um dos principais focos da pesquisa paleoclimática hoje é promover métodos

quantitativos aprimorados para comparar e analisar dados de modelos, no intuito de

compreender a variabilidade presente tanto nos dados paleoclimáticos quanto nos próprios

modelos (Jansen e Weaver, 2006). Assim, este estudo propõe ir além de outros estudos com

foco também na modelagem de paleoclimas, tanto da América do Sul quanto de outros

continentes (Harrison et al., 2003; Jorgetti, 2004; Liu et al., 2004; Zhao et al., 2005), ao

introduzir análises conjuntas da variabilidade espacial e, principalmente, temporal.

Neste primeiro capítulo será apresentado o levantamento bibliográfico concernente (a)

aos índices de variabilidade climática escolhidos para avaliar o desempenho do modelo do

IPSL; (b) ao clima da América do Sul e ao sistema monçônico que atua sobre o continente; (c)

aos padrões de variabilidade dos oceanos Atlântico e Pacífico e (d) aos estudos climáticos

sobre o HM, que utilizam modelos ou registros climáticos indiretos, os chamados proxies.

No segundo capítulo estão descritas características do modelo, as simulações utilizadas

nesta análise, os dados utilizados na validação e a metodologia empregada em cada etapa do

estudo. O terceiro capítulo apresenta resultados da análise do clima médio, validando a

simulação do presente com dados do clima observado e analisando as mudanças no clima do

HM na América do Sul com relação ao presente. No quarto capítulo estão expostos os

resultados da análise da variabilidade climática do modelo. O quinto capítulo é sobre a

monção da América do Sul simulada pelo modelo e como este reproduz a relação do sistema

monçônico com a variabilidade da temperatura da superfície dos oceanos. Para encerrar, o

sexto capítulo traz as conclusões da análise.


1.2. Índices de variabilidade climática

O clima global tem diversos padrões preferenciais de variabilidade que constituem o

clima da superfície. Alguns padrões refletem-se na circulação atmosférica, outros na oceânica,

e muitos evoluem em função do acoplamento entre atmosfera e oceano. São chamados

padrões de teleconexão, pois tratam-se de fenômenos ondulatórios que transportam energia

para regiões distantes da fonte de perturbação, tornando a relação de causa-efeito bastante

complexa, tanto espacial quanto temporalmente.

A análise de teleconexões tem empregado uma perspectiva tipicamente linear, que

assume um padrão espacial básico variando continuamente numa amplitude que tem

polaridades positivas e negativas espelhadas (e.g. Hurrell, 1995; Quadrelli e Wallace, 2004);

atualmente, porém, interpretações não-lineares da variabilidade climática têm sido cada vez

mais aplicadas (Wang e Wang, 1996; Palmer, 1999; Corti et al., 1999; Monahan et al., 2001).

Valendo-se da facilidade de que alguns padrões de teleconexão são representados por

índices (e portanto séries temporais), neste trabalho investigou-se como o modelo do IPSL

reproduz a variabilidade do sistema climático. Para tanto foi adotada uma perspectiva não-

linear, i.e. procurou-se determinar não só o período de variação dos índices climáticos, mas

também como se dá a sua evolução no tempo. Foram selecionados quatro índices

representativos dos principais padrões climáticos envolvendo os oceanos Atlântico e Pacífico.

Os eventos El Niño–Oscilação Sul (ENSO) são fenômenos do sistema acoplado oceano-

atmosfera. O El Niño (EN) envolve o aquecimento das águas superficiais do Pacífico Tropical

na região entre a Linha Internacional de Data e a costa oeste da América do Sul, com

mudanças na circulação oceânica a ele associadas. Está intimamente ligado à contrapartida

atmosférica, a Oscilação Sul (SO), que envolve mudanças nos ventos alísios e circulação

tropical associada. O fenômeno por inteiro é conhecido como ENSO. El Niño é a fase quente

do ENSO e La Niña (LN) a fase fria (Fig. 1.2). Historicamente, eventos EN ocorrem a cada 3-

7 anos e alternam com a fase oposta, de temperaturas abaixo da média no Pacífico Tropical

(LN). O ENSO tem impactos globais, manifestando maior força nos meses de inverno de

ambos hemisférios. Anomalias de pressão ao nível do mar (PNM) são muito maiores nos

extratrópicos, enquanto nos trópicos se observam maiores variações na precipitação

(Bjerknes, 1969; Cane, 2005; Ambrizzi et al., 2006).

Para diagnosticar a ocorrência dos eventos de maneira simples e confiável (pela

natureza dos dados), e também para permitir um acompanhamento da intensidade e freqüência

dos eventos, a comunidade científica internacional definiu índices representativos das


componentes atmosférica e oceânica do fenômeno. São eles: o Índice da Oscilação Sul (SOI)

e o Niño3, respectivamente.

Fig. 1.2: Representação esquemática da interação oceano-atmosfera sobre o Pacífico em (da esq. para a dir.): condições normais, anos de El Niño, anos de La Niña (Ambrizzi et al., 2006).

O Niño3 refere-se às anomalias de TSM com relação à média da região do Pacífico

Central definida pelo quadrilátero 5°N–5°S e 150°–90°W (Trenberth, 1997). Já o SOI é

definido como a diferença normalizada de PNM entre Tahiti, no Pacífico Central, e Darwin,

na Austrália (Troup, 1965; Ropelewski e Jones, 1987). A pressão atmosférica nestas

localidades flutua em fases opostas, simulando um “efeito gangorra”. Em anos de EN, quando

aquecem as águas do Pacífico Central, a região de convecção atmosférica que normalmente

situa-se sobre a Austrália desloca-se acompanhando as águas mais quentes. Isto resulta na

diminuição da PNM sobre o Pacífico Central e o seu conseqüente aumento na Austrália. Em

anos de LN a situação é inversa: a convecção sobre a Austrália se intensifica, diminuindo a

pressão, e as águas anomalamente mais frias no Pacífico Central provocam o aumento da

PNM sobre elas.

Tal qual vários outros fenômenos geofísicos, o ENSO não é estacionário. Sua estrutura

temporal, porém, não é tão bem documentada quanto a sua estrutura espacial devido ao tempo

limitado das observações e à escassez de metodologias adequadas (análises não-lineares).

Wang e Wang (1996), através da transformada de ondeleta, analisaram o sinal do ENSO em

séries longas de PNM (Darwin, somente) e de TSM do Pacífico Central. Eles encontraram

respostas bastante similares nas duas variáveis, principalmente na segunda metade do século

XX, devido a melhoras na obtenção de dados de TSM. Baseando suas conclusões

principalmente nos dados de PNM, eles constataram periodicidades mais energéticas entre 2 e

7 anos, com várias mudanças ao longo do período de observações (1872-1995). Nas duas

primeiras décadas, fortes oscilações de 4 anos dominam. Nas duas décadas seguintes, o

período das oscilações cai para 3 anos. Em 1910, houve um salto de 3 para 7 anos. Entre

1940-1960 dominam as oscilações de 5-6 anos, quando há nova mudança abrupta para 2 anos.

Após 1971, domina uma quase-periodicidade de 4-5 anos.


O estudo de Wang e Wang (1996) levanta também a hipótese de uma variabilidade

interdecadal modular o sinal do ENSO, porém não oferece explicações. Foi o trabalho de

Mantua et al. (1997) que consagrou a existência de um padrão de flutuação interdecadal no

Pacífico Norte, que mais tarde mostrou-se influente em toda a bacia oceânica.

A Oscilação Decadal do Pacífico (PDO), como ficou conhecida, tem como índice o

coeficiente de expansão (i.e., a série temporal) do primeiro modo de variabilidade (1a EOF)

das anomalias mensais de TSM do Pacífico ao norte de 20°N (Hare, 1996). A PDO possui

uma assinatura espacial bastante semelhante à do EN (Fig. 1.3a), no entanto o seu padrão de

TSM é menos confinado equatorialmente no Pacífico Leste e apresenta uma estrutura

importante no Pacífico Norte Extratropical (Zhang et al., 1997). Tal como o ENSO, a PDO é

também um fenômeno resultante do acoplamento oceano-atmosfera, pois associadas a ele

estão variações na intensidade do sistema de baixa pressão das Aleutas. As flutuações do

ENSO, porém, são predominantemente interanuais, enquanto as da PDO são basicamente

interdecadais (Mantua e Hare, 2002). A PDO e o ENSO podem ter efeitos combinados em

distribuições anômalas de precipitação, por exemplo, agindo construtivamente (com

anomalias fortes e bem definidas) quando estão na mesma fase e destrutivamente (com

anomalias fracas e ruidosas) quando estão em fases opostas (Andreoli e Kayano, 2005). Em

uma série do índice da PDO que remete ao início do século XX, teriam ocorrido inversões de

fase em 1925, 1947 e 1977 (Fig. 1.3b), cada uma delas caracterizando mudanças abruptas no

regime climático. De fato, fases quentes (frias) do ENSO tendem a coincidir com anos de

polaridade positiva (negativa) da PDO (Mantua e Hare, 2002).

Fig.1.3: PDO. (a) TSM baseada no padrão de TSM da 1a EOF da bacia do Pacífico ao norte de 20°N, para o período 1911–2004, e projetada para o oceano global (unidades adimensionais); (b) série temporal anual e série suavizada com filtro decadal (curva preta) (IPCC, 2007, atualizando Mantua et al., 1997).

A TSM do Atlântico Norte mostra, desde o início das observações instrumentais, um

ciclo de 65-75 anos (amplitude de ~0,4°C), com fases aparentemente quentes entre 1860-1880

e 1930-1960 e fases frias entre 1905-1925 e 1965-1990 (Fig. 1.4) (Schlesinger e Ramankutty,

1994). Este padrão foi denominado Oscilação Multi-Decadal do Atlântico (AMO) (Kerr,


2000). O seu índice é dado pela média das anomalias de TSM da bacia do Atlântico Norte, de

0 a 70°N (Enfield et al., 2001). As observações instrumentais captam somente dois ciclos

completos, logo foi preciso confirmar a significância do sinal utilizando proxies. Oscilações

similares (e quase-estacionárias) na faixa de 60-110 anos foram encontradas em reconstruções

paleoclimáticas do Atlântico Norte dos últimos 500 anos (Gray et al., 2004). Tanto as

observações quanto simulações em modelos implicam em mudanças na intensidade da

circulação termohalina sendo a fonte primária de variabilidade multidecadal e sugerem uma

possível componente oscilatória ao seu comportamento. Aparentemente, a AMO modula a

intensidade e freqüência de furacões, secas no NE brasileiro e no Sahel, as teleconexões do

ENSO e pode até mesmo estar contribuindo para o aquecimento global constatado nos

últimos anos (Kerr, 2000 e 2005; Enfield et al., 2001).

Fig. 1.4: a AMO desde o início das observações instrumentais (Enfield et al., 2001).

1.3. O clima da América do Sul e o sistema monçônico

1.3.1. Diversidade climática

O continente sul-americano compreende uma gama de feições climáticas. Sua extensão

desde os trópicos até altas latitudes, sua forma triangular e a cordilheira dos Andes,

acompanhando toda a costa do Pacífico (Fig. 1.5), contribuem para gerar grande diversidade

de climas nos seus 17,6 milhões de km2 (Ambrizzi et al., 2006).

Na zona tropical, a oeste da cordilheira, o clima é controlado por dois elementos da

circulação geral: a Zona de Convergência Intertropical (ZCIT) e a Alta Subtropical do

Pacífico Sul (ASPS). Este anticiclone sustenta a corrente oceânica de Humboldt (ou do Peru),

que transporta águas frias do sul ao longo da costa e mantém as águas costeiras relativamente

frias para tal latitude – quase no equador – inibindo o deslocamento para o sul da ZCIT

(Nieuwolt, 1977). É por isto (e também por estar sob a porção subsidente da ASPS) que o sul

do Peru e a metade norte do Chile (entre o equador e 20°S) compõem uma das regiões mais


áridas do planeta, um enorme contraste com a região tropical úmida do lado leste da

cordilheira.

A ASPS é bastante forte e persistente ao longo do ano (Trewartha, 1961). Os alísios

associados à ASPS têm orientação SSW, mas nos níveis mais baixos são defletidos pela

cordilheira assumindo orientação paralela à costa, provocando ressurgência e baixando a

temperatura da superfície do mar já fria (Nieuwolt, 1977).

Fig. 1.5: Mapa topográfico da América do Sul, com altitude dada pela escala de cores. Setas indicam regiões de entrada das massas de ar marítima equatorial (Em), tropical (Tm) e polar (Pm) (Ambrizzi et al., 2006).

O extremo NW do continente (a Colômbia, basicamente), é uma região constantemente

úmida por estar sob influência da ZCIT o ano inteiro. Associado a ela estão os ventos

equatoriais de oeste (NW no norte e SW no sul), trazendo umidade do Pacífico. Junto à costa,

as águas deste são quentes, trazidas pela contra-corrente equatorial (de oeste). As massas de ar

que chegam ao continente por este setor são quentes e úmidas, e a convergência dos ventos

associada à forçante orográfica dos Andes provoca chuvas abundantes o ano inteiro. Nos

meses dezembro-janeiro a chuva é relativamente menos abundante porque a ZCIT afasta-se

em direção ao sul.


Ao sul desta região, no centro e norte do Peru (ao norte do deserto), está uma região de

transição onde chove somente durante parte do ano. Julho e agosto são meses secos pois é

quando a ASPS está mais fortalecida. Afastando-se um pouco para o interior do continente, a

encosta dos Andes recebe precipitação o ano inteiro devido à forçante orográfica (Nieuwolt,

1977).

A metade sul do Chile apresenta chuvas abundantes no inverno. Na região central, os

verões são secos, pois é quando a ASPS está mais intensa (Satyamurty et al., 1998). No

inverno ela enfraquece e predomina a atividade ciclônica (transientes). Mais ao sul, os verões

não são secos – mas ainda chove menos do que no inverno – pois mais constantes são os

ventos de oeste e mais freqüente a passagem dos ciclones móveis formados sobre o Pacífico

Sul, muitas vezes barrados pela cordilheira dos Andes (Trewartha, 1961).

Já do outro lado da cordilheira, no extremo sul da América do Sul, a distribuição

sazonal de precipitação é proporcionalmente equivalente à mesma latitude a oeste da

cordilheira, o que sugere que os controles operando na vertente do Pacífico estendem sua

influência ao lado leste. À medida que avança em direção à costa atlântica, no entanto, o

volume anual de chuva cai para índices de deserto. As causas estão na circulação em altos

níveis. No extremo sul do continente, os Andes vão diminuindo em altitude e o escoamento

de oeste consegue transpô-los. Ao ascender sobre as montanhas, a coluna de ar é comprimida

verticalmente contra a tropopausa. Ao descender, a sotavento, a coluna se estica, o que resulta

no desenvolvimento de uma crista anticiclônica em altos níveis sobre a cordilheira, enquanto

um cavado com orientação meridional é gerado mais a leste, sobre o oceano. Este sistema

crista-cavado faz com que os ventos sobre a Patagônia sejam de sudoeste, caracterizados por

curvatura anticiclônica e pela subsidência a ela associada. Os ciclones móveis que chegam no

continente ao sul de 50°S deslocam-se de SW para NE, acompanhando o escoamento

anticiclônico de altos níveis, porém perdendo intensidade devido à subsidência (Trewartha,

1961).

Mais ao norte, porém, no centro-leste da Argentina, Uruguai e Rio Grande do Sul (a

bacia do rio da Prata), o escoamento de altos níveis torna-se ciclônico, e os sistemas

ciclônicos formados (ou regenerados) nesta latitude são fortalecidos pelo encontro com

massas de ar tropical e pela convergência de ar próximo à costa atlântica (Trewartha, 1961). É

sobre esta área que se formam as frentes frias, principal determinante do regime de

precipitação anual. Algumas vezes massas de ar polar entram com tanta força que conseguem

atravessar esta extensa planície até a bacia Amazônica – fenômeno conhecido como friagem

(Satyamurty et al., 1998; Ambrizzi et al., 2006). As frentes frias são mais freqüentes no


outono e no inverno, período em que o volume de chuvas é ligeiramente maior. No verão,

além da passagem de frentes frias mais rápidas, esta região recebe precipitação de sistemas

convectivos formados sobre o norte da Argentina – a Baixa do Chaco – devido ao intenso

aquecimento desta planície.

O norte da Argentina, Paraguai e sul da Bolívia formam uma região marcada por verões

chuvosos e invernos relativamente secos. Mais próxima da cordilheira dos Andes, que nesta

latitude é bastante alta e intransponível para a circulação de baixos níveis, esta região recebe

umidade oriunda da Amazônia, transportada por ventos de N e NW. Estes ventos esbarram na

cordilheira e são defletidos para S e SE. Ao defletir, intensificam, formando o chamado Jato

de Baixos Níveis (JBN). O intenso aquecimento no verão e a convergência de umidade,

quando associados à corrente de jato subtropical posicionada na vertical em altos níveis,

podem gerar os Complexos Convectivos de Mesoescala (CCMs), sistemas convectivos de

vida curta mas que provocam, em geral, muita precipitação (Satyamurty et al., 1998). Nos

meses de inverno o aquecimento não é suficiente para a formação destes sistemas, ao mesmo

tempo em que os ciclones móveis que chegam pelo sul têm trajetórias mais próximas à costa

atlântica, por isto os invernos são mais secos.

A intensa atividade convectiva sobre esta região e sobre a região amazônica nos meses

de verão libera grande quantidade de calor latente, que sustenta o movimento ascendente

formando um anticiclone em altos níveis centrado sobre o Platô Boliviano – a Alta da Bolívia

(AB). Esta circulação anticiclônica é bastante forte, principalmente ao sul e a leste do centro.

Os ventos de sul no seu lado leste, porém, em seguida perdem vorticidade anticiclônica e

adquirem vorticidade ciclônica sobre a costa do NE brasileiro, formando um cavado em altos

níveis a nordeste da AB. Muitas vezes este cavado se fecha formando um vórtice ciclônico

com núcleo frio, provocando subsidência no seu centro e atividade convectiva nas suas

bordas, principalmente ao norte (Satyamurty et al., 1998).

A costa do NE brasileiro recebe boa parte de sua precipitação anual nos meses de março

a maio, devido à atuação de linhas de estabilidade (Ondas de Leste) que se formam ao longo

da costa quase todas as tardes, trazidas por circulação de brisa. Estas linhas acompanham a

migração da ZCIT, que neste período está entre 2°S e 4°N (Figueroa e Nobre, 1990).

A região tropical a leste dos Andes é predominantemente plana com centro baixo,

contornada ao norte e a sudeste por cadeias montanhosas de altitude média (1000 m, em

geral). Compreende a bacia Amazônica, região coberta pela floresta úmida equatorial e que

ocupa quase 30% da área do continente. A enorme superfície d’água disposta pelo rio e seus

inúmeros tributários tem um impacto significativo no clima (Ambrizzi et al., 2006). A


circulação geral sobre esta área é controlada pela posição da ZCIT, que em julho é

relativamente difusa em torno de 7-9°N, portanto a região está sob atuação dos alísios de SE.

Estes são ventos secos, originários da Alta Subtropical do Atlântico Sul (ASAS). De abril a

outubro, as massas de ar são relativamente estáveis. Nesta época, com a ZCIT ao norte, os

alísios de SE avançam sobre o continente, aquecendo-se e acumulando umidade por baixo

devido à abundante vegetação da bacia Amazônica, que acaba precipitando sobre o extremo

norte do Brasil e a região das Guianas (Nieuwolt, 1977). De novembro a março, com a ZCIT

deslocada para o sul, as condições sobre a bacia Amazônica são excelentes para a acumulação

de massas de ar marítimas (quentes e úmidas) que chegam impulsionadas pelos alísios de NE

da periferia da Alta dos Açores, no Atlântico Norte. Ali elas adquirem características de

massas de ar equatorial e são transportadas adiante para a bacia do Prata e planícies adjacentes

(Ambrizzi et al., 2006).

O centro-oeste brasileiro possui estação seca bem definida, entre maio e agosto. Nesta

época a ZCIT está deslocada para o Hemisfério Norte, e arrasta consigo a corrente de jato

subtropical, cujo núcleo indica a posição da porção descendente da célula de Hadley. Toda a

região permanece sob forte subsidência de ar seco da alta troposfera (Figueroa e Nobre,

1990).

O clima sem estação seca ocupa áreas equatoriais da bacia Amazônica e as Guianas,

pois a quantidade de pântanos e vegetação abundante produz umidade o ano inteiro,

rompendo a estabilidade do ar tanto de NW quanto de SE. A época de maior precipitação é

quando o sol incide mais verticalmente, com retardo de um ou dois meses (janeiro-maio),

quando predominam ventos de NW (Nieuwolt, 1977).

1.3.2. O sistema monçônico da América do Sul

Sistemas monçônicos desenvolvem-se sobre regiões continentais de baixa latitude, em

resposta a variações sazonais do contraste térmico entre continentes e oceanos adjacentes,

sendo a maior componente dos regimes de precipitação continental de estação quente (Grimm

et al., 2005; Vera et al., 2005).

O sistema de monção da América do Sul exibe muitas das características do seu

correspondente asiático (tido como exemplo clássico): contraste térmico oceano-continente de

larga escala, circulação térmica direta de larga escala com braço ascendente sobre o

continente e descendente sobre o oceano, interações solo-atmosfera associadas à topografia

elevada, condições da superfície terrestre, baixa pressão em superfície e um anticiclone em


altos níveis, intenso escoamento em baixos níveis trazendo umidade para o continente, tudo

isso associado a mudanças sazonais na precipitação (Zhou e Lau, 1998; Vera et al., 2005).

A fase madura da monção da América do Sul ocorre entre o final de novembro e o final

de fevereiro. Neste período, ventos adentram o continente pela sua borda norte e, ao atingirem

os Andes, defletem para o sul e SE da América do Sul. De fato, a circulação de verão

acompanha a topografia do continente conduzindo ar quente e úmido desde a região

amazônica até a bacia do Prata, criando o ambiente necessário para gerar ali os CCMs. Parte

deste fluxo adquire uma orientação NW-SE, gerando a Zona de Convergência do Atlântico

Sul (ZCAS). Este sistema atmosférico é definido como uma banda convectiva alongada,

originada tipicamente na Amazônia, extendendo-se em direção ao SE brasileiro e avançando

sobre o oceano Altântico subtropical (Figueroa e Nobre, 1990; Satyamurty et al., 1998;

Ambrizzi et al., 2006).

A atividade convectiva fica centrada sobre o Brasil Central e ligada à ZCAS. A

circulação de altos-níveis apresenta feições bem definidas nesta época: um anticiclone

centrado em 65°W e 15°S (a AB) e um cavado próximo à costa do NE brasileiro. Em baixos

níveis, a Baixa do Chaco forma, juntamente com a AB, a principal resposta da circulação

troposférica ao intenso aquecimento sobre a Amazônia e o Brasil central. O giro de escala

continental que se organiza transporta umidade desde o Atlântico Tropical, passando sobre a

bacia Amazônica e, ao encontrar a barreira montanhosa dos Andes, deflete para o sul em

direção aos extra-trópicos. O aquecimento diabático liberado na região da monção é que

promove este giro, e que sustenta a ASAS (Vera et al., 2005). As figuras 1.6 ilustram este

sistema.

Fig. 1.6: Ilustrações esquemáticas do sistema monçônico da América do Sul. No mapa, escala sombreada indica precipitação, linhas pontilhadas pretas indicam zonas de convergência, setas pequenas mostram vento em 900 hPa, setas largas representam o JBN, H indica a alta subtropical em superfície e A indica o anticiclone monçônico. No desenho à direita, seção vertical na direção SW-NE, indicando regiões de convecção profunda e de JBN (Mechoso et al., 2005).


Silva e Carvalho (2006) propuseram um índice de larga escala representativo da monção

da América do Sul, com a intenção de (entre outras) determinar as feições espaciais do

sistema e obter uma série temporal que permita estudar a sua variabilidade interanual. Este

índice foi batizado de LISAM (Large-scale Index for South America Monsoon) e é dado pelo

coeficiente de expansão da 1a EOF combinada das variáveis precipitação, umidade específica,

temperatura do ar e componentes zonal e meridional do vento (todas em 850 hPa, exceto a

precipitação), no domínio espacial entre 0-40°S e 65°-20°W. A 1a EOF combinada explica

23% da variância total dos dados observados.

A Fig. 1.7 mostra os padrões de correlação obtidos por Silva e Carvalho entre o índice e

as anomalias de cada uma das variáveis. A precipitação apresenta correlação positiva em

grande parte da área tropical do continente, semelhante ao padrão da ZCAS. Sobre o Atlântico

Equatorial, correlações também positivas confirmam a ação da ZCIT. A alta correlação

positiva no campo de umidade, observada sobre o leste da América do Sul tropical e o

Atlântico Subtropical, é também consistente com a presença da ZCAS. No campo de vento

zonal percebe-se um dipolo nas correlações da variável com o índice. Em associação com os

padrões de precipitação e umidade, tem-se que a intensificação (enfraquecimento) destes

sobre a América do Sul tropical ocorre quando há ventos de oeste (leste) sobre o norte e

centro do Brasil e ventos de leste (oeste) sobre o sul do Brasil. Da mesma forma, as

correlações negativas sobre o norte e nordeste da América do Sul, no campo de vento

meridional, indicam que ventos de norte (sul) estão associados com a organização

(decaimento) do sistema monçônico. Estes padrões confirmam a importância do transporte de

umidade das latitudes tropicais/equatoriais para o continente sul-americano, aspecto-chave do

regime de monção. O padrão de correlações do LISAM com a temperatura do ar indica que o

sistema intensifica mediante anomalias positivas de temperatura nos subtrópicos e áreas

costeiras do continente, bem como sobre o oceano Atlântico.

Alguns estudos apontam que os principais modos de variabilidade interanual da

precipitação monçônica na América do Sul estão associados ao ENSO (e.g. Ropelewski e

Halpert, 1987; Paegle e Mo, 2002). Grimm et al. (1998) constataram que a fase quente do

ENSO tende a aumentar a precipitação no SE da América do Sul e no Chile central, e

diminuí-la no centro-leste da Amazônia e NE brasileiro.

Além do ENSO, a TSM de outras regiões têm efeitos nas monções que podem ser locais

e/ou remotos. Anomalias de TSM próximas à costa do Peru podem afetar a precipitação da

América do Sul ao alterar o contraste térmico ar-mar (Yu e Mechoso, 1999). Anomalias de

TSM do Atlântico Tropical têm forte influência na precipitação da América do Sul tropical, e


o gradiente destas anomalias entre o Atlântico Norte e Sul, em particular, modula a

localização da ZCIT e parece ser o elemento-chave associado às anomalias de precipitação

sobre o NE brasileiro e centro-leste da Amazônia (Paegle e Mo, 2002; Vera et al., 2006).

Fig. 1.7: Padrões da 1a EOFc representados por correlações entre a componente principal e as anomalias sazonais de (a) precipitação do GPCP, (b) umidade específica, (c) temperatura, (d) vento zonal e (e) vento meridional. Variáveis (b)-(e) referem-se ao nível 850hPa. Sombreamento indica correlações estatisticamente significantes no nível de 5%, com número de eventos independentes igual ao número de ciclos sazonais (Silva e Carvalho, 2006).

Anomalias na precipitação de verão estão correlacionadas com anomalias de TSM no

setor oeste do Altântico sul subtropical (Diaz et al., 1998), sendo que as anomalias positivas

(negativas) de TSM nesta região estão associadas com transporte de umidade de latitudes

tropicais para sudeste (para o leste), e também com anomalias positivas de precipitação sobre

o nordeste da Argentina e sudeste do Brasil (Doyle e Barros, 2002; Robertson e Mechoso,

2000). A estrutura dipolar das anomalias de TSM destas região do Altântico acompanham

variações interanuais da ZCAS (Vera et al., 2006).

Simulações com modelos de oceano-atmosfera acoplados indicam que anomalias

quentes de TSM no Atlântico Sul levam à intensificação da ZCAS e ao seu deslocamento para

o norte, ao passo que uma ZCAS intensificada tende a resfriar a TSM abaixo dela (Chavez e

Nobre, 2004).

Diversos estudos reportaram a existência de variabilidade decadal e multidecadal na

precipitação da América do Sul, relacionada a mudanças na superfície oceânicas nestas

escalas de tempo, tanto no Pacífico quanto no Altântico. Robertson e Mechoso (2000)

observaram variabilidade interdecadal na escala de 15 anos na atividade da ZCAS e na TSM

do Atlântico sudoeste. Garcia e Kayano (2006) sugerem que a variabilidade de baixa


freqüência constatada na monção da América do Sul esteja relacionada à PDO, uma vez que

ela estava enfraquecida antes de 1976 e intensificou-se após a inversão de fase (de fria para

quente) da oscilação do Pacífico.

Andreoli e Kayano (2005) investigaram a influência do ENSO nas anomalias de

precipitação na América do Sul, levando em conta a fase da PDO. Os resultados indicam que

sinais do EN são mais notáveis durante a fase quente da PDO. Durante o regime quente,

anomalias negativas de precipitação sobre o NE brasileiro e positivas mais ao sul são

explicadas pela presença de um centro ciclônico em altos níveis sobre o leste e NE do Brasil e

de um centro anticiclônico fraco sobre o SE da América do Sul.

1.4. Variabilidade dos oceanos Atlântico e Pacífico

Venegas et al. (1997), investigaram os modos de variabilidade da TSM do Atlântico

Sul, na região limitada por 0-40°S e 70°W-20°E, utilizando anomalias mensais de um período

de 40 anos (1953-1992). Neste estudo também foi investigado o acoplamento dos modos

oceânicos com a variabilidade atmosférica na região. Os três primeiros modos encontrados

explicam, juntos, 47% da variância total dos dados. O primeiro, responsável por 30% da

variância explicada, exibe um padrão de monopolo que se extende por todo o domínio. As

flutuações mais importantes ocorrem na costa da África, numa escala de tempo de 6-7 anos. O

segundo, explicando 11% da variância dos dados, dispõe uma relação de fases opostas

(dipolar) entre as anomalias ao norte e ao sul de 25-30°S. Este modo é marcado por flutuações

interanuais e interdecadais, em especial na escala de 14 anos. O terceiro modo responde por

6% da variância dos dados, com um padrão caracterizado por três bandas latitudinais com

centros de ação de sinais alternados. Este padrão oscila basicamente em escala interanual. Os

autores apontam uma correlação significativa deste modo com o SOI, sugerindo a existência

de um sinal discernível do ENSO no Atlântico Sul.

Cardoso (2001) também investigou os modos de variabilidade do Atlântico, focando sua

análise, porém, no setores tropical e sul do oceano durante os meses de inverno (1950-1996).

O domínio escolhido está compreendido entre 15°N-40°S e 60°W-20°E. A autora encontrou

quatro modos significativos, que juntos explicam quase 66% da variância dos dados. O

primeiro, com 33,4%, é caracterizado por uma estrutura de monopolo, com coeficientes

positivos dispostos numa banda NW-SE, similar ao primeiro modo encontrado por Venegas

et al. (1997). O componente temporal deste modo apresenta flutuações interanuais e

interdecadais, com tendência ao aumento de amplitude. O segundo modo explica 12,5% da


variância e tem padrão espacial também semelhante ao encontrado por Venegas et al.,

caracterizado por um dipolo com coeficientes positivos desde a costa sul e SE do Brasil até o

centro leste do Atlântico e coeficientes negativos do centro do Atlântico Tropical à costa da

África. As flutuações deste modo também são interanuais e interdecadais. O terceiro modo,

com 12% da variância, representa o giro do Atlântico Sul. As oscilações predominam na

escala interanual e bienal, e podem estar associadas ao ENSO. O quarto modo, com 8% da

variância, apresenta padrão dipolar leste-oeste e foi apontado por Cardoso como similar ao

terceiro modo encontrado por Venegas et al.. As flutuações predominam na escala interanual

e também estariam associadas ao ENSO.

Dommenget e Latif (2000) defendem que o suposto dipolo interhemisférico do

Atlântico não existe em escalas de variabilidade menores que 25 anos. Eles concluíram que a

variabilidade da TSM nos dois hemisférios do Atlântico Tropical são basicamente

independentes. Ao contrário do que acontece no Pacífico, onde a variabilidade da região

equatorial domina a da região tropical, o Atlântico Equatorial não tem influência sobre os

padrões dominantes de TSM.

Andreoli e Kayano (2004) utilizaram transformadas de ondeletas cruzadas para

investigar a coerência entre as séries do Altântico norte tropical e do Atlântico Sul Tropical.

Os resultados indicam que a coerência é alta em vários intervalos ao longo do período

analisado, mas que apenas quando a diferença de fase for igual a ±180° é que implica no

estabelecimento de um padrão de dipolo, o que raramente ocorre. Analisando as séries

individualmente, as autoras identificaram no Atlântico Norte uma variabilidade dominante na

escala de 9,8 anos, e no Atlântico Sul, 12,7 anos.

No oceano Pacífico Tropical o padrão ENSO é a anomalia climática interanual

dominante, sendo esta a fonte primária de variabilidade interanual ao redor do globo (Meyers

et al., 1999). Zhang et al. (1997) filtraram as anomalias de TSM do Pacífico entre 20°S e

60°N de modo a obter dois conjuntos de dados, um contendo a variabilidade de alta

freqüência (AF) – escalas de 6 anos ou menos – e outro contendo variabilidade de baixa

freqüência (BF) – escalas de tempo maiores que 6 anos. Para cada conjunto de dados, os

autores analisaram o padrão espacial do modo dominante. Eles constataram grande

semelhança qualitativa entre os padrões de AF e BF, com grande anomalias no Pacífico

Tropical (maiores a leste), anomalias de polaridade oposta na região central do Pacífico Norte

extratropical e um alto grau de simetria equatorial (nitidamente o padrão ENSO). A

correlação espacial entre os dois conjuntos é de 0,75. O máximo equatorial no leste do

Pacífico é mais pronunciado e confinado ao longo do equador no padrão de AF, enquanto as


flutuações de TSM na região central do Pacífico Norte Extratropical são mais proeminentes

no padrão de BF.

Os resultados de Mo e Hakkinen (2001) evidenciam que as anomalias de TSM no

Pacífico contribuem para o aquecimento (ou resfriamento) sobre o Atlântico Tropical Sul. Um

padrão similar ao padrão interdecadal do tipo ENSO, com anomalias quentes no Pacífico

Central e frias nos subtrópicos, aparece 7-8 anos antes do aquecimento sobre o Atlântico

Tropical Sul. As anomalias do Pacífico enfraquecem após dois anos, mas no Atlântico a TSM

evolui alternando anomalias positivas e negativas. As anomalias do Atlântico e do Pacífico

Tropical podem não variar como um modo único; as interações entre os dois ocorrem quando

as anomalias do Pacífico são fortes o suficiente para gerar um trem de ondas na atmosfera que

enviará sinais para o Atlântico. Quando este oceano recebe os sinais atmosféricos, a dinâmica

local atua para fortalecer ou enfraquecer a TSM no seu setor tropical sul.

1.5. Holoceno Médio

A simulação do HM é motivada (a) pela existência de inúmeros proxies bem

documentados, que permitem uma reconstrução mais detalhada de climas regionais, e (b) por

indicativos de um clima que difere, pelo menos regional e sazonalmente, do atual (Clauzet

et al., 2006). O segundo motivo deve-se a mudanças no ciclo sazonal da radiação solar

incidente, principal forçante externa do sistema climático terrestre, por conta de variações nos

parâmetros orbitais da Terra (Fig. 1.1). As mudanças na insolação devem-se, basicamente, à

precessão dos equinócios, que provoca o deslocamento da longitude do periélio1; mudanças

nos demais parâmetros são pequenas (Braconnot et al., 2004; Clauzet et al., 2006).

Atualmente, o periélio ocorre em dezembro, i.e. inverno (verão) no Hemisfério Norte (Sul).

Em 6 ka AP, ele ocorria no final de agosto ou início de setembro (Fig. 1.8). Esta alteração

amplifica (atenua) o ciclo sazonal da insolação no Hemisfério Norte (Sul) com relação ao

presente, mas não provoca qualquer mudança na energia média global recebida pela Terra

(Braconnot et al., 2002; Harrison et al., 2003; Liu et al., 2004; Silva Dias et al., 2006). A

quantidade de insolação em cada latitude é, portanto, a diferença mais importante entre o

presente e o HM. Berger (1978) calculou os parâmetros orbitais de cada período e a insolação

resultante. A Fig. 1.9 mostra a distribuição mensal, por latitude, da insolação no presente e

sua a diferença para o HM.

1 Periélio é a posição na órbita terrestre em que o planeta se encontra mais próximo ao Sol.


Fig. 1.8: Parâmetros orbitais para o presente e para 6 ka AP, onde e é a excentricidade, ε a obliqüidade e ω a longitude do periélio (ω–180 é o ângulo entre o equinócio de outono e o periélio). Os solstícios de verão e inverno (SV, SI) e equinócios de primavera e outono (EP, EO) são dados para o Hemisfério Sul (adaptado de Joussaume e Braconnot, 1997).

Fig. 1.9: Distribuição da insolação mensal, por latitude, no presente e a diferença desta no HM, com relação ao presente (dados obtidos em PMIP-II, 2005).

1.5.1. Modelagem do Holoceno Médio

Nos experimentos do PMIP para o HM, todos os 19 grupos de modelagem utilizaram as

mesmas condições de fronteira para a inicialização de seus modelos, que são deliberadamente

simples. As simulações de 6 ka AP devem diferir das suas simulações de controle (do clima

do presente) em apenas dois aspectos: nos parâmetros orbitais e na concentração de gás

metano na atmosfera, que nas simulações de controle são de 760 ppb e nas do HM, 650 ppb.

A concentração de CO2, nas simulações dos dois períodos, é mantida no nível da Era Pré-

Industrial (280 ppm, segundo Raynaud et al., 1993). Os parâmetros orbitais das simulações de

controle são especificados para 1950 A.D., e os do HM são dados por Berger (1978). São eles,

respectivamente: excentricidade, 0.016724 e 0.018682; obliqüidade, 23.446 e 24.105; e

precessão angular, 102.04 e 0.87 (PMIP-II, 2005).


Partindo destas condições iniciais, diversos estudos com diferentes modelos climáticos

vêm sendo realizados acerca do clima no HM em vários continentes. A maioria dos estudos,

no entanto, concentra atenções no Hemisfério Norte, onde o ciclo sazonal é amplificado. As

mudanças mais pronunciadas ocorrem sobre as regiões de monções da África e da Ásia, onde

o aumento do contraste oceano-continental e o conseqüente aumento da convergência em

baixos níveis provoca um grande fortalecimento destes sistemas.

O que ainda não está totalmente esclarecido é o papel dos oceanos nas alterações

desencadeadas pela forçante da insolação. Braconnot et al. (2000) investigaram o impacto da

resposta oceânica à insolação de 6 ka AP e da sua retroalimentação no ciclo sazonal da

monção africana. Para tanto os autores compararam dois experimentos, um com um modelo

que acopla oceano e atmosfera sem correção de fluxos na interface ar-mar, e o outro com um

modelo atmosférico forçado com TSM moderna prescrita. Os resultados mostram que no HM

a alteração no ciclo hidrológico é maior quando a atmosfera está acoplada ao oceano, e que a

monção de verão é mais intensa e penetra mais ao norte sobre o deserto do Saara. Resultados

do experimento acoplado são mais consistentes com os proxies da região. A resposta da TSM

está defasada em 2-3 meses da forçante de insolação, o que tem impacto na duração da

monção (inicia um mês antes e retrocede mais lentamente).

A resposta dos oceanos tropicais à forçante da insolação e como ela afeta as monções da

África e da Ásia foi investigada por Zhao et al. (2005). Ao avaliar sete modelos com oceano e

atmosfera acoplados, estes autores também perceberam que a incorporação da

retroalimentação oceânica introduz um retardo (de 1-2 meses) na resposta do ciclo sazonal à

forçante orbital, por conta da inércia dos oceanos, que intensifica tanto a monção africana

quanto a asiática. Na África, o aumento na precipitação está associado a uma estrutura dipolar

mais intensa no Atlântico, com TSM mais quente ao norte de 5oN e mais fria ao sul. Tal

dipolo é criado pelo aumento na insolação e fortalecido por uma forte retroalimentação

vento/evaporação em torno de 15oN, que contribui para o aquecimento na região. A baixa

monçônica se aprofunda sobre as águas mais quentes, aumentando a advecção de umidade

para o continente. Estes mecanismos também são responsáveis pelo aquecimento do NW do

oceano Índico no final do verão. Lá, no entanto, o efeito da convergência do vento sobre

águas quentes no aumento da precipitação é mais direto.

O comportamento do ENSO no HM foi investigado por Liu et al. (2000). O modelo

acoplado (oceano-atmosfera) por eles utilizado simulou o fenômeno com intensidade

reduzida, o que os autores atribuíram a duas causas: (a) a intensificação da monção asiática

pela forçante de insolação fortalece os alísios e diminui as temperaturas do Pacífico


Equatorial, suprimindo eventos quentes do ENSO; e (b) o aumento da insolação de inverno no

Hemisfério Sul aquece a superfície do Pacífico Sul, cujas correntes transportam águas mais

quentes para o equador e enfraquecem a termoclina equatorial média, contribuindo para a

supressão de eventos quentes.

Clement et al. (1999), utilizando um modelo do ENSO com complexidade

intermediária, forçado por variações na insolação devidas à forçante orbital, mostraram que o

ENSO tinha atividade mais fraca no início e meio do Holoceno do que no final. Uma

simulação mais recente (Kitoh e Murakami, 2002) mostra que a temperatura do Pacífico

Tropical e os padrões de circulação em 6 ka AP são similares àqueles observados nos

períodos de LN atuais.

Rimbu et al. (2004) realizaram experimentos com modelos acoplados associados a

proxies de TSM para investigar a variabilidade climática do Atlântico Norte e Tropical

acoplados nos últimos 10 ka. Eles constataram que do início do Holoceno ao HM, TSMs

relativamente altas no setor leste do Atlântico Norte são acompanhadas por TSMs

relativamente baixas no setor tropical (que configuram as condições durante eventos tipo LN).

Mudanças na superfície continental (i.e. na cobertura vegetal) também podem ser

consideradas retroalimentadoras do sistema climático, principalmente por implicar em

mudanças no albedo. Estudos do impacto das mudanças na superfície continental do norte da

África no HM indicam que a diminuição do albedo induzida pela vegetação leva ao

aquecimento do continente, aumentando o contraste deste com o oceano e também a advecção

de umidade do oceano para o continente. A presença da vegetação intensifica o aquecimento

na primavera provocando o início precoce da precipitação monçônica. Outro efeito é

prolongamento da estação chuvosa até o outono, pois a vegetação reduz a dependência da

advecção de umidade e ainda mantém condições monçônicas através da reciclagem de

umidade (Harrison, 2006).

Wohlfahrt et al. (2004) testaram o acoplamento de um modelo de vegetação com a

versão anterior do modelo do IPSL (que tem oceano e atmosfera acoplados) para avaliar os

impactos da retroalimentação oceânica e da vegetação – e a sua sinergia – em latitudes ao

norte de 40°N. Os autores mostraram que a resposta atmosférica à forçante orbital do HM

produz um aquecimento de 1,2°C sobre os continentes no verão e um resfriamento no resto do

ano. A resposta do oceano reforça o resfriamento na primavera mas contrapõe o resfriamento

no outono e no inverno. A resposta da vegetação provoca aquecimento em todas as estações,

sendo maior na primavera (1,0°C). A vegetação e o oceano em conjunto levam a um maior

aquecimento (sinergia). A combinação dos efeitos atmosfera-oceano-vegetação faz com que


as altas latitudes do norte sejam mais quentes ao longo do ano. As mudanças resultantes na

vegetação simulada são consistentes com padrões de vegetação observados no HM (por

proxies). A retroalimentação também tem efeitos na precipitação: a resposta atmosférica

reduz a precipitação ao longo do ano; a resposta oceânica reduz a aridez no outono, inverno e

primavera, mas não afeta a precipitação de verão; a resposta da vegetação aumenta a

precipitação de primavera mas diminui-a no verão. A sinergia entre as respostas aumentam a

precipitação no outono, inverno e primavera e reduzem-na no verão. As mudanças

combinadas resultam na amplificação do contraste sazonal.

Poucos estudos tiveram a América do Sul e o seu sistema monçônico como foco.

Modelar mudanças climáticas sobre a América do Sul representa um desafio aos modelos

climáticos computacionais. A baixa resolução da maioria dos GCMs implica na representação

bastante pobre da cordilheira dos Andes, devido à sua grande altitude e pequena extensão

zonal. Isto causa impacto significativo não só no potencial dos modelos em simular mudanças

nos Andes, mas também na sua habilidade de simular bloqueios e efeito de “sombra de

chuva” provocado pela montanha. Ainda, as mudanças nas planícies tropicais são fortemente

dependentes da habilidade dos modelos em simular precisamente a convecção, a cobertura de

nuvens e os processos de superfície. Dados tanto marinhos quanto terrestres são relativamente

esparsos em comparação ao Hemisfério Norte (Valdes, 2000).

O estudo de Valdes (2000) é o primeiro centrado no clima do continente sul-americano

durante o HM. Analisando todos os modelos do PMIP em conjunto, Valdes constatou um

resfriamento generalizado sobre a América do Sul no trimestre dezembro-janeiro-fevereiro

(DJF) e aquecimento em junho-julho-agosto (JJA), tal qual o esperado pelas mudanças

orbitais, embora a magnitude da variação média anual não ultrapassasse 0,2°C. A precipitação

apresenta um sinal sazonal bem marcado, com supressão generalizada em DJF (exceto no NE

brasileiro) e aumento em JJA que prossegue em setembro-outubro-novembro (SON). As

mudanças em DJF são maiores em magnitude portanto a média anual aponta condições mais

secas que o presente para quase todo o continente. A pressão média ao nível do mar sobre o

continente aparece maior no HM em DJF, o que corresponde a uma redução na convecção

sobre a região e é consistente com condições mais secas e frias.

Liu et al. (2004) investigaram a resposta dos seis maiores sistemas monçônicos de verão

(monções da América do Norte, do norte da África, da Ásia, do norte da Australásia, da

América do Sul e do sul da África) à forçante orbital do HM, utilizando um GCM com oceano

e atmosfera acoplados (FOAM), com foco nos papéis distintos que exercem a forçante direta

da insolação e a retroalimentação oceânica. Harrison et al. (2003) compararam os resultados


deste modelo com os resultados do NCAR-CSM na análise das monções do continente

americano. Ambos modelos (FOAM e NCAR-CSM) mostram que a monção da América do

Sul é enfraquecida pela redução da insolação no verão. A temperatura continental diminui, a

pressão atmosférica sobre o continente aumenta, diminuindo assim o contraste oceano-

continente e, portanto, o efeito da circulação e o transporte de umidade; logo a precipitação é

significativamente reduzida no interior do continente. A mudança no ciclo sazonal da TSM é

uma resposta direta à mudança na insolação, que ocorre, em geral, com defasagem de 1-2

meses devido à capacidade térmica dos oceanos. A retroalimentação oceânica contribui para a

redução da precipitação – com exceção do extremo sul do continente, onde o aumento da

TSM no leste do Pacífico e o enfraquecimento do anticiclone podem influenciar o regime de

precipitação – porém a evolução sazonal mostra que a forçante orbital (i.e. variação na

insolação) é dominante (Harrison et al., 2003; Liu et al., 2004).

Jorgetti (2004) utilizou uma versão anterior do modelo do IPSL para estudar a relação

entre a TSM e o clima da América do Sul no HM. Este modelo acopla oceano e atmosfera e

contém uma interação simplificada da vegetação com o clima. Seus resultados mostram uma

redução no ciclo sazonal da temperatura bem como o enfraquecimento do sistema monçônico.

As principais mudanças no campo de precipitação são o deslocamento para o sul da ZCIT e

enfraquecimento da ZCAS com uma pequena transposição para norte. A suposta tendência de

resfriamento sobre quase todo o continente só foi detectada no SE brasileiro. As diferenças

mais evidentes constatadas com a inclusão da vegetação interativa foram no NE brasileiro e

na Argentina e provavelmente estão associadas ao efeito profundidade de raiz/

evapotranspiração.

1.5.2. Indicadores paleoclimáticos (proxies) na América do Sul

Apesar de se ter, no Hemisfério Norte, uma cobertura espacial e temporal de registros

paleoclimáticos muito maior, com os proxies coletados no Hemisfério Sul já é possível um

entedimento, mesmo que por vezes vago, das condições climáticas do HM.

Dunas eólicas foram reconhecidas em diversos sítios da Amazônia. Elas são

consideradas indicativos de períodos mais secos no passado, pois não poderiam se

desenvolver sob o tipo de vegetação presente ali atualmente. Mesmo em campos de dunas nas

regiões de savanas, o conteúdo de umidade do solo deve ser baixo, a fim de permitir a

migração da duna, que só ocorre em estações secas prolongadas. Ainda assim, os campos de

dunas identificados estão localizados próximo aos limites da floresta atual. A sua datação


varia de um sítio para o outro, mas o conjunto indica o HM como sendo o final de sua fase

ativa (Albuquerque et al., 2006).

O desenvolvimento de lagos nas planícies tropicais marca o início do clima úmido do

meio para o final do Holoceno. Sedimentos de matéria orgânica mostram uma tendência de

aumento no nível dos lagos que se perpetua até os dias atuais, quando ele é máximo (Turcq

et al., 2002). Um estudo palinológico em dois lagos na Amazônia equatorial mostra o

desenvolvimento da floresta desde o início do Holoceno, com uma fase mais seca que o

presente entre 6,8 e 1,6 ka AP (Colinvaux et al., 1988). Na Amazônia colombiana, depósitos

do lago Loma Linda mostram o desenvolvimento da floresta a partir de 6 ka AP, indicando

uma transição para um clima mais úmido. A vegetação da época teria sido dominada por

savana, com precipitação reduzida e maior sazonalidade (Behling e Hooghiemstra, 2000). Na

Amazônia boliviana, estudos palinológicos nos lagos Bella Vista e Chaplin indicam que a

floresta só teria aparecido mais tarde – entre 3 ka e 660 anos AP – nestes sítios localizados

próximo ao limite da floresta atual. O período entre 7 e 3 ka AP teria sido marcado pelo

predomínio da savana e maior freqüência de queimadas, devido ao posicionamento mais ao

norte da ZCIT no verão (Mayle et al., 2000).

Na Serra dos Carajás, no leste da Amazônia, o HM é marcado por um aumento no

número de espécies de gramíneas e outros elementos pioneiros, constatado em registros de

pólen. Como não se observou o desenvolvimento de elementos de savana neste período, que

seriam indicativos de um clima com estação seca, esta mudança na vegetação foi interpretada

como conseqüência de incêndios mais freqüentes na região (Turcq et al., 1998).

Análises de sedimentos do lago Caçó, no NE brasileiro, indicam um clima mais seco do

que o atual durante o HM (Sifeddine et al., 2003).

Depósitos lacustres nos Andes, entre 14°-20°S, indicam que o nível dos lagos atingiu

seu mínimo em 6-5 ka AP. O aumento do nível, depois desse período, começou a ocorrer

antes nos lagos mais ao norte (Abbot et al., 2003). Já um lago mais ao sul deste conjunto, em

torno de 24°S, apresenta um comportamento climático diferente, com nível alto entre 6 e 3,5

ka AP e queda acentuada entre 3,5 e 2 ka AP, voltando a subir depois disso (Grosjean et al.,

2001). Baker et al. (2001) estudaram sedimentos do lago Titicaca (17°S) e verificaram que a

máxima aridez e o nível mais baixo ocorreram entre 8 e 5,5 ka AP. Atualmente o aumento no

nível do lago e condições úmidas na Amazônia são correlacionadas com anomalias de TSM

frias no Atlântico Equatorial Norte. Durante o período de deglaciação ocorreram diversas

fases úmidas de escala milenial no Altiplano e na Amazônia, que coincidem com períodos

frios anômalos no Atlântico Equatorial Norte e em altas latitudes.


Depósito eólicos na região dos pampas (a planície centro-norte argentina, ao sul do

Chaco – 30°-38°S), indicam uma fase árida que durou entre 7 ka e 1000 AP anos (Tonni

et al., 2001), coincidindo com a expansão em direção ao sul da fauna subtropical (Tonni et al.,

1999).

Registros de pólen do sudoeste brasileiro indicam condições ambientais mais secas em

6 ka do que no presente (Liu et al., 2004). Outros registros indicam um HM mais úmido no

sul do Brasil. Na Serra da Boa Vista (27°42’S-49°09’W, 1160 m de altitude), elementos da

floresta de Araucária e da Mata Altântica são dominantes no período entre 7,8 e 3,2 ka AP

(Behling, 1995).

Kim et al. (2002) investigaram dois testemunhos marinhos próximos a Valparaíso,

Chile, e encontraram temperaturas extraordinariamente quentes no SE do Pacífico no período

entre 7,5-5 ka AP. Segundo os autores, elas podem ser explicadas por um enfraquecimento na

variabilidade/intensidade do ENSO. Durante fases quentes do ENSO, a pressão é

anomalamente baixa sobre o SE do Pacífico, causando o enfraquecimento da ASPS e seu

deslocamento para o norte, levando consigo o cinturão de ventos de oeste. Isto implica que

mudanças na variabilidade/intensidade do ENSO no passado estão intimamente relacionadas à

intensidade da ASPS e mudanças na faixa latitudinal dos ventos de oeste. As altas TSMs no

sudeste do Pacífico podem ter sido causadas por dois processos conjuntos: aquecimento

devido ao deslocamento para o sul das águas frias do oceano Austral, associado à transposição

dos ventos de oeste; e um aquecimento extra devido à advecção de águas mais quentes pelo

flanco sul do giro subtropical, que também estaria deslocado para o sul. Tal suposição implica

ainda que o giro subtropical estivesse fortalecido no HM.

Varvitos encontrados em lagos equatorianos (Rodbell et al., 1999) e corais de Papua

Nova Guiné (Tudhope et al., 2001) indicam que eventos ENSO eram consideravelmente mais

fracos no período entre 8,8 e 5,8 ka AP.

Analisando a variabilidade dos depósitos de titânio e ferro na bacia do Cariaco

(Venezuela), Haug et al. (2001) constataram maior deposição no período entre 8 e 5 ka AP

devido a um aumento na descarga de rios, por conta da posição média anual da ZCIT estar

deslocada para o norte. Após 5 ka AP, a ZCIT teria se deslocado para o sul, pois os registros

indicam transição para um clima mais seco na Venezuela. Os autores interpretam este período

(pós 5 ka AP) como de reativação de condições do tipo EN mais intensas.

Koutavas et al. (2006) confirmam a forte relação entre a posição da ZCIT, a TSM

equatorial e o ENSO ao longo do Holoceno. A ZCIT deslocada ao norte favorece ventos

equatoriais, que induzem ressurgência, abaixam a TSM e ajudam a manter a ZCIT ao norte.


Proxies do setor leste do Pacífico Equatorial revelam um histórico consistente de TSMs,

marcado por um mínimo entre 9-5 ka AP. Reconstruções do Pacífico oeste indicam o

contrário: condições mais quentes prevalecem até 5 ka AP. Estas tendências opostas mostram

um gradiente zonal de TSM ao longo do equador entre 20-30% maior no HM, um padrão

remanescente da fase fria do ENSO, i.e. LN.

CAPÍTULO 2: DADOS E METODOLOGIA

2.1. Descrição do modelo

A versão IPSL_CM4 é a mais recente do modelo climático do IPSL e acopla quatro

componentes: a atmosférica, a de superfície continental, a oceânica e a de gelo marinho

(Marti et al., 2006).

A componente atmosférica é um modelo clássico de circulação geral (LMDZ) (Hourdin

et al., 2006), que utiliza equações primitivas baseadas em diferenças finitas. Possui uma grade

expansível tanto em latitude quanto em longitude, com 96 pontos igualmente espaçados em

longitude (∆λ = 3,75°) e 72 pontos igualmente espaçados em latitude (∆ϕ = 2,535°). Na

vertical, o modelo utiliza a coordenada híbrida σ-p, com 19 níveis desigualmente espaçados.

Esta coordenada foi definida de maneira tal que a pressão Pn no nível n seja função da pressão

na superfície Ps, tal que Pn = AnPs + Bn. Os valores de An e Bn são escolhidos para que o

termo AnPs domine próximo à superfície (onde An tem valor 1), de forma que a coordenada

vertical acompanha a topografia – tal qual a chamada coordenada σ – e em altos níveis

domine o termo Bn, para equivaler a uma coordenada de pressão. Esta nova versão do modelo

contém recentes melhorias nas parametrizações de convecção, cobertura de nuvens, ajuste da

camada limite e acoplamento com sub-superfícies.

A componente de superfície continental (ORCHIDEE) (Krinner et al., 2005) está

dividida em três módulos: de hidrologia, de parametrização da dinâmica da vegetação e da

dinâmica do carbono da biosfera terrestre. A inclusão do esquema ORCHIDEE resultou em

duas importantes melhorias nas simulações atmosféricas com relação à versão anterior do

modelo (Marti et al., 2006): (1) a redução de um máximo irreal na precipitação de janeiro

sobre o oeste do oceano Índico e (2) a redução da precipitação de verão sobre os continentes

do Hemisfério Norte. Há também os efeitos negativos, como a redução da precipitação sobre

o delta do rio Amazonas e o aumento irreal da precipitação de julho sobre o subcontinente

indiano, ao passo que a extensão da monção a noroeste é reduzida.

A componente oceânica (ORCA) (Madec e Imbard, 1996) utiliza as configurações do

sistema Ocean Parallélisé (OPA). A resolução horizontal baseia-se num fator de escala


meridional que varia com o cosseno da latitude. No Hemisfério Norte a grade horizontal tem

dois pólos (um sobre a Ásia e outro sobre a América do Norte), para que a taxa de anisotropia

seja praticamente igual a um em todo o domínio. O espaçamento de grade é refinado próximo

ao equador para aprimorar a dinâmica equatorial. Na vertical, o domínio estende-se da

superfície até 5000 m de profundidade, dividido em 31 níveis, sendo 10 nos primeiros 100 m.

Como forçantes, o oceano recebe calor, água doce e fluxos de momentum da atmosfera e do

gelo marinho (através das respectivas componentes).

Finalmente, há a componente que acopla a dinâmica e termodinâmica do gelo marinho à

componente oceânica (LIM) (Fichefet e Morales Maqueda, 1997) e que, utilizando a mesma

grade horizontal desta, determina o calor latente e sensível armazenados e os fluxos de calor

na vertical, parametriza o albedo de superfície, entre outras interações relativamente

complexas que sejam função da temperatura de superfície e da espessura da neve e do gelo

(Marti et al., 2006).

2.2. Simulações

A simulação de controle escolhida (2L24 – Controle Pré-industrial) carrega, no seu

estado básico, uma concentração de gases traço prescritas a valores anteriores à Revolução

Industrial. O propósito de considerar tal condição é testar a sensibilidade do modelo à

forçante orbital, somente (Braconnot et al., 2004). 2L24 é considerada aqui a simulação do

clima do presente, e a rodada já ultrapassou 800 anos. As saídas são mensais, e para esta

análise utilizou-se as séries de médias mensais de 100 anos (o século entre os anos 400 e 500

da simulação). Evitou-se o período inicial da simulação em função dos ajustes dos modos

acoplados entre o oceano e a atmosfera, que levam poucas centenas de anos para atingirem o

equilíbrio (PMIP-II, 2005)

A simulação do clima do Holoceno Médio (HOL04) difere da primeira nos parâmetros

orbitais, que definem a distribuição global da insolação no topo da atmosfera (TOA). A

simulação possui 300 anos com saídas também mensais, porém só estabiliza após o ano 170

(apresenta uma tendência bastante forte de aumento na temperatura média global até este

ponto). Assim, foram utilizadas as séries temporais dos últimos 100 anos desta simulação.

Tanto em 2L24 quanto em HOL04 foram utilizadas as seguintes variáveis atmosféricas

– precipitação (PPT), radiação de onda longa emergente no topo da atmosfera (ROL),

umidade específica a 2 m (Q2M) e em 850 hPa (Q850), temperatura do ar a 2 m (T2M) e em

850 hPa (T850), PNM, componentes zonal (U) e meridional (V) do vento em 850 e 200 hPa –

e a TSM. Os campos de todas as variáveis foram interpolados horizontalmente para uma

grade regular 2,5°x2,5°, para facilitar a comparação com observações disponíveis nesta grade.

Capítulo 2: Dados e Metodologia 29

Para a validação e análise dos campos médios de TSM, especificamente, a grade desta

variável foi interpolada para 2°x2°. As variáveis umidade, temperatura e vento foram

interpoladas verticalmente para obtê-las nos níveis de pressão supracitados.

2.3. Observações

Dados observacionais, de origens diversas, foram utilizados para validar o clima médio

e a sua variabilidade reproduzidos pela simulação de controle.

Para a validação da PPT, utilizou-se a climatologia mensal do Global Precipitation

Climatology Project (GPCP; Alder et al., 2003), referente a um período de 24 anos (1979–

2002). Os dados são distribuídos globalmente por pontos de grade com uma resolução

espacial de 2,5°x2,5°.

Para as variáveis ROL, Q2M, T2M, PNM, U e V em 850 e 200 hPa, foram obtidas

séries temporais mensais da reanálise do NCEP/NCAR (National Center for Environmental

Prediction e National Center for Atmospheric Research; Kalnay et al., 1996), que cobrem o

período 1948–2005 com resolução espacial também de 2,5°x2,5°.

A TSM observada, utilizada para a validação da TSM média de 2L24, foi obtida do

conjunto NOAA Extended Reconstructed Sea Surface Temperature Data Set v.2 (Smith e

Reynolds, 2004), que vem a ser uma reconstrução do Comprehensive Ocean-Atmosphere

Data Set (COADS) através do uso de métodos estatísticos para preenchimento de dados

esparsos. Os dados utilizados abrangem a faixa latitudinal entre 50°S e 50°N, em uma grade

2°x2°, cobrindo o período 1903–2002. O conjunto está disponível em

http://www.cdc.noaa.gov/cdc/data.noaa.ersst.html.

A variabilidade climática do modelo foi avaliada nos dois períodos simulados (presente

e em 6 ka AP), através dos índices descritos anteriormente (SOI, Niño3, PDO e AMO). A

validação do SOI modelado foi feita confrontando-o com o índice dado pelo Climate

Research Unit, Inglaterra (http://www.cru.uea.ac.uk/cru/data/soi.htm), calculado com base no

método de Ropelewski e Jones (1987). Para o cálculo do índice com dados simulados também

utilizou-se este método. A resolução temporal dos dados observados é mensal, cobrindo o

período 1866–2005. As anomalias de TSM da região do Niño3 foram obtidas do conjunto

HadISST1, uma reconstrução feita para o período 1871–2005 a partir de dados observados

desde 1981 (Rayner et al., 2003) [série disponibilizada pelo Climate Diagnostics Center

(CDC), em http://www.cdc.noaa.gov/Pressure/Timeseries/Nino3]. O índice da PDO

observada foi calculado a partir das anomalias mensais de TSM do período 1900–2004

(Mantua et al., 1997) [série obtida em http://www.atmos.washington.edu/~mantua/

abst.PDO.html]. Por fim, o índice da AMO, disponibilizado também pelo CDC


(http://www.cdc.noaa.gov/Timeseries/AMO), foi construído a partir das anomalias mensais de

TSM do conjunto Kaplan Extended SST v.2 (Kaplan et al., 1998), para o período 1906–2005.

O comprimento da série temporal de cada índice do modelo (nas duas simulações) foi

estabelecido conforme a série do respectivo índice observado.

2.4. Metodologia

Este trabalho foi desenvolvido com base em três tipos de análises: (a) por diferenças

entre campos médios mensais, onde avaliou-se as discrepâncias entre o clima simulado em

2L24 e o clima observado e também a variação do clima em HOL04 com relação ao clima da

simulação do presente; (b) análise dos padrões espaciais através de funções ortogonais

empíricas (EOFs – Empirical Othogonal Functions), onde investigou-se os modos de

variabilidade dos oceanos Atlântico e Pacífico, e também determinou-se o índice

representativo da monção da América do Sul (LISAM), através de EOFs combinadas; (c)

análise da variabilidade temporal de alguns padrões clássicos de variabilidade climática

através da transformada de ondeleta, onde avaliou-se as escalas temporais típicas dos índices

da SO, Niño3, da PDO, da AMO e dos principais modos de variabilidade dos oceanos

Atlântico e Pacífico, e ainda a correlação temporal entre estes modos de variabilidade e a

monção da América do Sul através do escalograma de ondeletas cruzadas. As análises (b) e

(c) foram executadas de maneira idêntica nas duas simulações (2L24 e HOL04).

2.4.1. Análise por diferenças dos campos médios mensais

Baseada no procedimento aplicado em Jorgetti (2004), esta análise teve como objetivo,

primeiramente, quantificar o desvio do clima simulado com relação ao clima observado (o

“bias” do modelo), tomando por base médias sazonais. Para cada variável da simulação de

controle foram calculadas médias mensais climatológicas, conforme a equação 2.1. Estas

foram agrupadas em trimestres (calculando-se a média dos três meses) – DJF, MAM, JJA,

SON – para caracterizar o clima médio em cada estação do ano. O mesmo foi feito para os

campos das variáveis observadas. Subtraiu-se então os campos médios sazonais

observacionais dos respectivos campos médios da simulação de controle, obtendo assim os

campos de diferenças sazonais.

∑n

=ij)y(i,

n=(j)

1

1µ (2.1)

onde µ(j) é a média para um mês j, i é o índice que indica o ano e n é o número de anos.


Posteriormente esta mesma análise foi utilizada para verificar mudanças no clima médio

do Holoceno com relação ao clima médio do presente, subtraindo-se os campos médios

sazonais de 2L24 dos campos médios de HOL04.

2.4.2. Análise por Funções Ortogonais Empíricas (EOFs)

O clima é considerado uma média de longo prazo do tempo meteorológico, i.e. a

integral do tempo (meteorológico) no tempo em um determinado intervalo. Variações

climáticas são também resultado de interações não-lineares extremamente complexas que

ocorrem entre diversos modos, em diversas escalas, fazendo com que o clima seja

caracterizado por uma alta dimensionalidade (Hannachi, 2004). Torna-se, portanto, um

desafio reduzir a dimensionalidade do sistema e encontrar os padrões que mais importam para

explicar as variações.

Também denominada Análise de Componentes Principais, a análise por EOFs visa

extrair da evolução temporal dos campos de uma determinada variável os padrões espaciais de

variabilidade e a sua variação no tempo, fornecendo a magnitude da “importância” de cada

padrão (ou modo). Esta magnitude é dada pelo percentual da variância explicada do modo

(Björnsson e Venegas, 1997). Esta técnica tornou-se bastante popular em ciências

atmosféricas pois reduz de forma eficiente um grande conjunto de dados para poucas

combinações lineares que contenham a maior parte da variância presente nos dados originais.

A literatura apresenta-se bastante confusa quanto à terminologia relacionada a este método,

portanto este estudo segue a proposta em Björnsson e Venegas: o padrão espacial da oscilação

denominar-se-á EOF e a sua série temporal, componente principal ou coeficiente de

expansão.

O objetivo desta análise foi determinar os modos de variabilidade dominantes da TSM

simulada em cada um dos oceanos Atlântico e Pacífico, isoladamente. Tomando a série de

campos mensais dos 100 anos de ambas as simulações, foram setorizadas áreas nas bacias do

Atlântico (entre 40ºS-30ºN e 70ºW-20ºE) e do Pacífico (entre 40ºS-30ºN e 140ºE-70ºW) que

priorizassem a região tropical.

Os dados brutos (campos de TSM média mensal) receberam um tratamento preliminar,

antes de serem submetidos à análise por EOFs. Supondo inicialmente a série temporal de cada

ponto de grade, buscou-se primeiro remover a sua tendência linear, caso contrário o modo

dominante da variabilidade dos dados poderia ser mascarado por esta tendência. Foi utilizado

o método de regressão linear para obter uma reta de tendência (eq. 2.2) para a série de cada

ponto de grade (y):

y(t)=a+bt , (2.2)


com: ( )22 ∑∑∑∑∑

−

−

ttn

yttyn=b e

ntby

=a ∑∑ − ,

onde y(t) é o valor predito da série temporal; t é o índice do tempo; a é o valor de y(t) quando

t é zero e b é o coeficiente angular da reta. A série sem tendência linear foi obtida subtraindo-

se y(t) de y.

O passo seguinte foi remover o ciclo anual. Tomando as séries temporais sem tendência,

calculou-se as médias climatológicas de cada mês (eq. 2.1). De cada valor mensal da série

sem tendência foi subtraída a média climatológica do respectivo mês, eliminando assim o

ciclo anual e obtendo uma série de anomalias. Estas anomalias foram então padronizadas,

dividindo-se cada valor pelo desvio-padrão da série (eq. 2.3).

σµ(j)j)y(i,=y' − (2.3)

Com base nos campos mensais de anomalias padronizadas de TSM, cobrindo 100 anos

em cada simulação, foi então iniciada a análise das EOFs, seguindo o procedimento proposto

em Björnsson e Venegas (1997) e Hannachi (2004).

Primeiramente, as anomalias foram transpostas para uma matriz t x p, onde cada linha

representa o tempo t e cada coluna um ponto de grade p. A partir desta matriz calculou-se a

matriz de covariância, dada por:

Y'Y'n

=R T

11−

(2.4)

onde Y’ é a matriz t x p das anomalias padronizadas, Y’T é a matriz transposta de Y’, e R é uma

matriz p x p cujos elementos diagonais são as variâncias dos p pontos e os outros elementos

são as covariâncias entre os p pontos.

A meta principal desta técnica consiste em encontrar a combinação linear entre todas as

variáveis, i.e. pontos de grade, que explica a variância máxima (Hannachi, 2004). Isto

significa encontrar uma direção c = (c1,…,cp)T tal que Y’c tenha máxima variabilidade. A

variância da série temporal Y’c é dada por:

cccccc R=)(Y')(Y'n

=Y'n

=)(Y' TT

11

11var 2

−− (2.5)

O problema em questão é, portanto, maximizar cTRc ao limite tal que cTc=I (i.e. que o

vetor c seja unitário; I é a matriz-identidade). A solução para isto é simplesmente resolver o

problema de autovalor

Rc = λc , (2.6)

onde λ é a matriz diagonal contendo os autovalores λi de R (a matriz de covariância, por

definição, é simétrica e portanto diagonalizável), e os vetores-coluna ci de c são os


autovetores de R correspondentes aos autovalores λi. Tanto λ quanto c têm dimensões p x p. O

i-ésimo vetor-coluna ci vem a ser a i-ésima EOF, logo as EOFs estão ordenadas de acordo

com o tamanho dos autovalores associados (e λ1 ≥ λ2 ≥ … ≥ λp). Assim, a 1a EOF é o

autovetor associado ao maior autovalor, aquele associado ao segundo maior autovalor é a 2a

EOF, etc (Björnsson e Venegas, 1997; Hannachi, 2004).

Conforme foi definido para a resolução do problema de autovalor, a matriz c, de

autovetores, tem a propriedade cTc=I. Isto implica que os autovetores sejam ortogonais entre

si – por isso o nome Funções Ortogonais Empíricas – ou seja, são linearmente independentes.

O significado físico desta propriedade é que as EOFs não estão correlacionadas no espaço.

Cada autovetor pode ser entendido como um mapa (i.e. a distribuição espacial do

modo), se reposicionados os pontos p na grade original. O padrão aí obtido representa uma

oscilação permanente, estacionária. A evolução temporal de uma EOF demonstra como esse

padrão oscila no tempo. Esta evolução é dada pelo coeficiente de expansão da EOF, ou a

componente principal, que vem a ser a projeção dos t campos de anomalias (os dados

originais) na EOF, ou seja:

ai = Y’ci , (2.7)

sendo ai um vetor com t componentes. Assim como as EOFs não são correlacionadas no

espaço, os seus coeficientes de expansão não são correlacionados no tempo.

Decorrente do fato da matriz de dados Y’ ser real, a matriz de covariância R é definida-

positiva. Logo, todos os autovalores são positivos, sendo que cada um deles dá a medida da

variância explicada pelo modo (i.e. pela EOF) a ele associado, dada por:

%100exp ∑ i

ilic λ

λ=Var (2.8)

Se R é simétrica, segue que os autovalores λi e os autovetores ci (as EOFs) decompõem

R de acordo com

R = λ1c1c1T + λ2c2c2

T + … + λpcpcpT . (2.9)

É nesta decomposição que se baseiam constatações como “a 1a EOF explica x% da variância

dos dados” (neste caso, λ1/∑λi = 0.x). Geralmente os primeiros poucos autovalores dominam

os demais, significando que a maior parte do comportamento da matriz de dados pode ser

explicada por alguns poucos vetores (Björnsson e Venegas, 1997). É exatamente isto que se

espera da análise por EOFs – reduzir os dados para alguns (poucos) modos de variabilidade.

Para a obtenção do LISAM buscou-se determinar os modos de variabilidade de cinco

parâmetros climáticos combinados: PPT, T850, Q850, U850 e V850. Foram utilizados os

campos médios mensais dos 100 anos de cada simulação, espacialmente setorizados sobre a


América do Sul (0°-40°S e 20°-60°W – domínio limitado em 60°W, ao invés de 65°W,

devido aos pontos de grade com valores indefinidos na área ocupada pelos Andes, em

850 hPa).

Aplicou-se a mesma técnica de EOFs combinadas utilizada em Silva e Carvalho (2006).

Ela difere da técnica descrita acima quanto à matriz de entrada dos dados: por se tratar de

campos de cinco variáveis ao invés de uma só, a matriz dos dados originais X possui

dimensões t x 5p, contendo em cada linha de tempo t os pontos de grade p dos campos de

todas as variáveis. Como o número de pontos no espaço é consideravelmente maior do que o

número de pontos no tempo, o cálculo dos autovalores e autovetores é feito a partir da matriz

de correlação L (Hirose e Kutzbach, 1969). Esta matriz está relacionada à matriz de

covariância R através da seguinte forma:

L = D–1 R D–1 (2.10)

onde D é a chamada matriz diagonal – os elementos de sua diagonal são os desvios-padrão da

amostra original X, ou seja, os elementos diagonais são a raiz quadrada dos correspondentes

em R, sendo nulos os outros elementos; e D–1 é a matriz inversa de D (Wilks, 2006). Quando

os dados são padronizados (como no caso das anomalias de TSM, mas não no caso do

LISAM), L e R são equivalentes.

Sendo assim, os coeficientes resultantes dos autovetores da matriz de correlação não são

representativos do seu padrão espacial – tal como na matriz de covariância – e sim da sua

série temporal. Os autovetores, portanto, representam aqui a componente principal, e não a

EOF. Como o LISAM é dado pelo coeficiente de expansão da primeira EOF combinada,

somente este foi considerado na análise. O padrão espacial do modo é obtido projetando o

índice na série de campos de cada variável, individualmente, na forma de mapas de

correlação.

2.4.3. Análise da variabilidade temporal por Transformada de Ondeleta (TO)

De maneira geral, um sinal climático representa o somatório de interações entre

processos físicos que operam numa vasta gama de escalas temporais e espaciais. Muitas

vezes, na tentativa de detectar um sinal, calcula-se a média de um parâmetro climático

qualquer, sobre um grande domínio espacial – que pode ser o globo inteiro, um hemisfério,

um continente, os oceanos, etc. Ao passo que isto elimina algumas das flutuações de alta

freqüência, a série temporal resultante pode ainda possuir grande variabilidade no domínio do

tempo (Lau e Weng, 1995). A análise por TO é uma técnica bastante eficiente na

determinação de escalas temporais relevantes, permitindo assim o melhor entendimento de

fenômenos que ocorrem em múltiplas escalas de tempo (Vitorino et al., 2006). Ao decompor


uma série temporal no domínio de tempo-freqüência, é possível determinar os modos de

variabilidade dominantes e como estes modos variam no tempo (Torrence e Compo, 1998).

Sob esta ótica, a análise por TO foi aplicada a diversas séries temporais neste estudo: (i)

nas séries dos índices de variabilidade climática (SOI, Niño3, PDO e AMO), comparando os

índices observados com os índices da simulação de controle, para validação da variabilidade

apresentada pelo modelo, e comparando as simulações do presente e do HM entre si, para

avaliar mudanças no padrão de variabilidade de um mesmo índice simulado com diferentes

condições iniciais; (ii) nas componentes principais das anomalias de TSM dos oceanos

Atlântico e Pacífico, em ambas as simulações; e (iii) nas séries do LISAM calculados também

para ambas as simulações.

Quase sempre um sinal climático é não-estacionário, consistindo numa grande

variedade de regimes de freqüência que podem ser localizáveis no tempo ou podem abranger

porção considerável do período estudado. A simples análise da sua distribuição de densidade

espectral – através da Transformada de Fourier (TF) – identifica as freqüências fundamentais

e suas contribuições relativas à série temporal, mas não mostra nenhuma informação referente

à sua localização temporal. Sinais não-estacionários que aparecem somente num curto

intervalo de tempo podem não ser detectados pela TF, pois estes sinais são diluídos ao se

calcular a média de todo o domínio do tempo. Ao buscar estruturas fundamentais no domínio

tempo-freqüência, algumas freqüências, embora de sinal fraco, podem ainda ser importantes

se fizerem parte de uma hierarquia de freqüências (Weng e Lau, 1994). É por isto que a

análise por ondeletas é superior à análise de Fourier, uma vez que ela decompõe a série em

escalas de tempo e freqüência (em um escalograma), permitindo a localização no tempo de

sinais não-estacionários (Weng e Lau, 1994; Torrence e Compo, 1998).

Matematicamente, a TO decompõe o sinal s(t) em termos de algumas funções

elementares ψa,b(t), (denominadas ondeletas-filhas, ou simplesmente ondeletas) derivadas da

ondeleta-mãe ψ(t) por dilatações [e.g., ψ(t) → ψ(2t)] e translações [e.g., ψ(t) → ψ(t+1)]

(Weng e Lau, 1994; Lau e Weng, 1995). Com escala de dilatação positiva a e em posição

transladada b (ambos números reais, contínuos ou discretos), as ondeletas-filhas estão

definidas por:

1

−

abt

a=(t)ba, ψψ . (2.11)

O fator a-1/2 é de normalização da energia, i.e. mantém a energia das ondeletas igual à da

ondeleta-mãe, assim como elas mantêm a mesma forma (Weng e Lau, 1994).

A TO do sinal real s(t) com relação à ψ(t) pode ser definida como uma integral de

convolução, ou o produto interno entre a função s(t) e as ondeletas, i.e.


( ) ∫

−

= dta

bts(t)a

=sbaW ba *1,, , ψψ , (2.12)

onde ψ* indica o complexo conjugado da função (Weng e Lau, 1994; Lau e Weng, 1995;

Torrence e Compo, 1998).

Para caracterizar uma função ondeleta-mãe, ψ(t) deve ser quadraticamente integrável no

tempo e no espaço, i.e. deve possuir energia finita, além de ter média zero (condição de

admissibilidade). Também deve ser uma função centrada em zero e, no limite | t | → ∞, deve

decair rapidamente a zero (Farge, 1992; Meyers et al., 1993).

A função ondeleta utilizada neste estudo é a de Morlet, que representa uma onda

modulada por um envelope gaussiano: 2/2

0)( ttiw eet −=ψ . (2.13)

É a mais indicada para sinais climáticos devido à sua forma ondulada, apresentando variações

no tempo tão suaves quanto íngremes. Por ser complexa, ela é capaz de detectar tanto a

amplitude quanto a fase (em função do tempo) para diferentes freqüências exibidas na série

temporal de um sinal meteorológico (Weng e Lau, 1994). O parâmetro w0 indica uma

freqüência adimensional, e w0 = 6 é o que melhor satisfaz a condição de admissibilidade

(Farge, 1992; Torrence e Compo, 1998; Grinsted et al., 2004; Maraun e Kurths, 2004). Neste

estudo, porém, a análise de TO foi executada com w0 = 5,4, conforme Weng e Lau (1994) e a

recomendação do autor do código utilizado (JL Mélice, IRD, comunicação pessoal).

As ondeletas derivadas da função Morlet seguem a equação 2.14:

( )2

,

2

01

−

−

−

⋅⋅= abt

abtiw

ba eea

ψ . (2.14)

Sendo a função ψ(t) complexa, a TO W(a,b) é também complexa. A TO pode ser dividida

em parte real ℜ{W(a,b)} e parte imaginária ℑ{W(a,b)}, ou em amplitude |W(a,b)| e fase

tan–1[ℑ{W(a,b)}/ ℜ{W(a,b)}]. Pode-se também definir a energia do escalograma de ondeleta por

|W(a,b)|2, o que dá a medida da variância da série em cada escala a cada tempo. A fase das

funções de ondeleta definidas no espaço dos números reais não é definida, pois a parte

imaginária é nula (Torrence e Compo, 1998).

Após a definição da ondeleta-mãe, é necessário escolher a série de escalas a serem

representadas na TO. Para a ondeleta Morlet, que é contínua, é conveniente escolher escalas

como derivadas da potência de dois:

sj = s0 2 jδj , com j = 0,1,…,J (2.15)

J = δj-1 log2 (Nδj / s0) , (2.16)


onde s0 é a menor escala resolvível e J determina a maior escala. A menor escala pode ser

pelo menos 2δt, e o maior valor de δj que continua a dar amostragem adequada é de

aproximadamente 0,5 para a ondeleta Morlet. Quanto menor δj, mais fina será a resolução do

escalograma.

O espectro de ondeleta global consiste na média (por escala s) da potência da TO sobre

todo o período da série (eq. 2.17) (Torrence e Compo, 1998). É equivalente ao espectro de

Fourier suavizado pela função ondeleta Morlet no espaço de Fourier (Farge, 1992).

∑−

=

=1

0

22)(1)(

N

ii sW

NsW (2.17)

A TO em um ponto no tempo ti sempre contém informações dos pontos vizinhos. A

quantidade de pontos vizinhos considerados vai depender da ondeleta-mãe escolhida e das

escalas consideradas. Assim, se a ondeleta está centrada próxima ao início ou ao final da

série, ocorrem erros de borda. Define-se, portanto, o cone de influência (COI), que é a região

do escalograma de ondeletas fora da qual os efeitos de borda não podem ser ignorados. O COI

é dado pela área onde, por conta de uma descontinuidade na borda, a potência da ondeleta

sofre decaimento de fator e–2 (Maraun e Kurths, 2004; Grinsted et al., 2004).

Uma das deficiências da análise de TO é a falta de um teste de significância apropriado

para processos não-estacionários. Quase todos os testes de significância tradicionais

pressupõem que ciclos idênticos se repetem nestes processos, o que contradiz a justificativa

de aplicação da técnica em questão (Lau e Weng, 1995). Uma alternativa é utilizar métodos

de Monte Carlo, tal como é proposto em Torrence e Compo (1998). Lau e Weng descartam

esta alternativa por considerar tais métodos insatisfatórios no contexto de sistemas não-

lineares, onde procura-se localizar freqüências que podem ser parte de uma hierarquia de

estruturas de freqüências relacionadas às freqüências fundamentais que governam o sistema.

Alguns dos harmônicos mais altos têm pequenas amplitudes e pode ser difícil distingüí-los de

ruído. Ainda assim, sua presença em conjunto com as freqüências fundamentais é fisicamente

importante, porém não necessariamente estatisticamente significante no sentido tradicional.

Torrence e Compo (1998) contra-argumentam que testes de significância devem, sim,

ser aplicados, mesmo que se pressuponha estacionaridade. Segundo eles, a associação de

métodos de Monte Carlo com o teste qui-quadrado poderia ser utilizada desde que observada

a coerência dos resultados. Já Vitorino et al. (2006) concluíram que tal método de fato é

inviável para a análise de TO. Diante destas incertezas e no intuito de simplificar a análise,

optou-se no presente estudo pela não-realização de qualquer teste de significância.

Uma última análise foi feita no intuito de detectar alguma relação entre os modos de

variabilidade da TSM dos oceanos e a variabilidade das monções na América do Sul, dada


pelo LISAM. Para tanto aplicou-se a análise de ondeletas cruzadas: dadas duas séries

temporais x(ti) e y(ti), com transformadas de ondeleta Wix(s)e Wi

y(s), onde i é o índice do

tempo e s é a escala, é possível definir o escalograma de ondeletas cruzadas como:

Wixy(s) = Wi

x(s).Wiy*(s) , (2.18)

onde Wiy*(s) é o conjugado complexo de Wi

y(s). O escalograma de ondeletas cruzadas é

complexo, de tal forma que pode ser decomposto em amplitude (potência) |Wixy(s)| e diferença

de fase φi(s), esta dada pelo argumento complexo (Torrence e Compo, 1998; Maraun e

Kurths, 2004; Grinsted et al., 2004).

A potência das ondeletas cruzadas revela as áreas (no tempo e na freqüência) em que as

duas séries têm grandes amplitudes em comum. Outra maneira de mensurar isto é o quão

coerente a transformada de ondeletas cruzadas é no espaço de tempo-freqüência (Grinsted

et al., 2004). A coerência da ondeleta é definida como o quadrado da amplitude do

escalograma de ondeletas cruzadas, suavizado e normalizado pela potência da ondeleta de

cada série, suavizada individualmente:

2121

212

)()(

)()(

sWssWs

sWssR

yi

xi

xyi

i−−

−

= , (2.19)

onde ⟨.⟩ indica suavização no tempo e na escala. O fator s-1 serve para converter a uma

densidade de energia. Com estas definições, 0 ≤ Ri2(s) ≤ 1 (Torrence e Webster, 1999). Pelo

fato da TO conservar a variância, a coerência da ondeleta é uma representação bastante

precisa da covariância (normalizada) entre as séries temporais.

A diferença de fase da coerência de ondeletas é dada por (Torrence e Webster, 1999):

{ }{ }

ℜ

ℑ=

−

−−

)(

)(tan)(

1

11

sWs

sWss

xyi

xyi

iφ (2.20)

A análise de coerência e diferença de fase do escalograma de ondeletas cruzadas foi

aplicado entre o LISAM e cada um dos modos do Atlântico e do Pacífico, em 2L24 e em

HOL04. Foram utilizados os códigos para Matlab desenvolvidos por Torrence e Webster

(1999) e adaptados por Aravéquia (2003).

CAPÍTULO 3: CLIMA MÉDIO NO PRESENTE E EM 6 KA AP

Este capítulo está dividido em duas partes. Na primeira é exposta uma avaliação do

clima médio do modelo para o presente, em campos globais sazonais. Feita a partir de

comparações com o clima observado, esta análise tem como objetivo maior a validação do

modelo, i.e. a determinação da magnitude e da localização dos desvios (bias) do modelo com

relação aos dados reais do ponto de vista médio sazonal. Na segunda parte o enfoque é a

América do Sul, e o objetivo da análise é determinar as diferenças entre o clima médio

sazonal em HOL04 e em 2L24 sobre o continente.

3.1. Clima médio no presente

Na comparação entre os campos médios de PPT observada (GPCP) e do modelo (2L24)

(Fig. 3.1), a maior discrepância é a ocorrência, no modelo, de uma “ZCIT dupla” sobre o

oceano Pacífico em praticamente todas as estações. Este bias é bastante comum em modelos

acoplados e está relacionado à tendência em orientar a Zona de Convergência do Pacífico Sul

(ZCPS) paralela às latitudes e estendê-la excessivamente para o leste (IPCC, 2007).

Kodama (1992, 1993) descreve como Zonas Subtropicais de Precipitação (ZSPs) a

ZCPS, a ZCAS e a Zona Frontal do Baiu (ZFB), esta última sobre o leste da Ásia e o oeste do

Pacífico Norte. São zonas de forte convergência de umidade em baixos e médios níveis com

precipitação abundante, que se formam e permanecem ativas durante os meses de verão. As

ZSPs estendem-se das regiões de convecção monçônica nos trópicos para leste em direção aos

subtrópicos (até ~25°S e 30°N). O aporte de umidade que as sustenta advém tanto do fluxo de

ar (vindo dos continentes) orientado na direção das ZSPs quanto da circulação periférica das

altas subtropicais, vinda de latitudes mais baixas.

A simulação de controle não reproduz o correto posicionamento da ZCPS. Esta banda

de precipitação, como pode ser verificado nos campos de PPT do GPCP, é orientada na

direção NW-SE sobre o sudoeste do Pacífico e presente o ano todo mas mais intensa nos

Análise da variabilidade climática de um modelo do clima da América do Sul no presente e em 6 ka AP

40

meses DJF e MAM. Em 2L24 a ZCPS parece se desenvolver mais zonalmente e mais

próxima do equador, contribuindo para o efeito de duplicação da ZCIT.

A formação da ZCAS durante os meses de verão está bem representada pelo modelo,

porém com taxa de PPT subestimada na região Amazônica e no Brasil central. Na versão

anterior deste modelo foi constatado que a PPT na ZCAS era superestimada enquanto que a

PPT produzida pelo modelo na região Amazônica foi substancialmente subestimada (Jorgetti,

2004). Há uma superestimativa da PPT no extremo noroeste da América do Sul, durante o ano

inteiro, porém mais intensa e abrangendo área maior em DJF e MAM. Em SON essa

discrepância estende-se para sudeste, sobre o continente, indicando que o modelo simula o

desenvolvimento da ZCAS mais tarde do que o observado.

Fig. 3.1: PPT climatológica do GPCP (à esq.), de 2L24 (no meio) e a diferença 2L24–GPCP (à dir.), para os trimestres DJF, MAM, JJA e SON.

Capítulo 3: Clima Médio no Presente e em 6 ka AP

41

Sobre o Atlântico e a costa norte do continente sul-americano, a ZCIT do modelo está

enfraquecida nos meses DJF e MAM, também apresentando indícios de duplicação. Em JJA

ela é mais intensa do que o observado. No extremo sul da América do Sul, a oeste dos Andes,

o volume de PPT provocado por sistemas transientes é maior em 2L24.

A ZFB aparece enfraquecida no modelo, não atingindo, ao longo do seu ciclo, os

máximos observados pelo GPCP. Sobre a Indonésia, no extremo oeste do Pacífico Equatorial,

a PPT é superestimada em todos os trimestres. No trimestre em que ocorre a monção asiática

de verão (JJA), a PPT sobre a Índia é subestimada pelo modelo, bem como sobre o norte da

Austrália em DJF.

Fig. 3.2: Diferença entre campos médios da ROL climatológica de 2L24 e da reanálise NCEP/NCAR, para os trimestres DJF, MAM, JJA e SON.

A análise das diferenças entre os campos médios de ROL (Fig. 3.2) corrobora as

principais discrepâncias encontradas nos campos de PPT. Merecem destaque a região tropical

sobre o Pacífico, onde o excesso de ROL simulado (em todas as estações) indica uma

supressão generalizada de nebulosidade convectiva, e o continente sul-americano. A carência

de PPT sobre toda a região central e norte/nordeste da América do Sul no modelo fica

evidente a partir dos campos de ROL. O expressivo desvio positivo de 2L24 com relação à


42

reanálise expõe a ineficácia do modelo na formação da nebulosidade profunda típica da

região, principalmente em DJF (quando a ZCIT aparece mais fraca) e em SON (pelo atraso no

desenvolvimento da ZCAS).

Os campos de diferenças entre a Q2M simulada em 2L24 e a Q2M da reanálise

(Fig. 3.3) indicam que, sobre praticamente toda a América do Sul (excetuando a extensão de

sua costa ocidental), o modelo apresenta concentrações de umidade bem menores do que as

observadas: a diferença é de pelo menos 2 g/kg ao longo do ano, chegando a 7 g/kg em SON.

O mesmo acontece sobre as florestas equatoriais do todo o planeta. Sobre algumas regiões

desérticas (e.g. o Platô Tibetano, o sudoeste dos EUA, a metade norte do Chile, a metade

oeste da Austrália e o leste da África) o modelo tende a superestimar a umidade presente no ar

próxima à superfície.

Fig. 3.3: Diferença entre campos médios de Q2M climatológica de 2L24 e da reanálise NCEP/NCAR, para os trimestres DJF, MAM, JJA e SON.

Uma das possíveis causas de grandes bias na Q2M deste modelo está na interpolação da

umidade entre o primeiro nível de pressão e a superfície para obter a umidade a 2 m. Pode ser

que o primeiro nível do modelo acoplado não seja exatamente igual ao primeiro nível da

reanálise, o que daria representatividade diferente à concentração de umidade em cada um dos


43

casos. Interpolações que partem de valores diferentes – não necessariamente errados – podem

potencializar as diferenças, sem que isto invalide a variável no modelo. A comparação entre

os campos sazonais de diferenças de Q2M e as diferenças na PPT mostra, no entanto, que a

causa dos erros do modelo nos padrões de PPT não está na umidade próxima à superfície,

uma vez que as diferenças não são coincidentes em toda parte. Mais adiante será mostrado

que é mais provável que os erros do modelo estejam na convergência horizontal de umidade,

o que evidencia um problema de circulação.

Fig. 3.4: T2M climatológica da reanálise NCEP/NCAR (à esq.), de 2L24 (no meio) e a diferença 2L24–Reanálise (à dir.), para os trimestres DJF, MAM, JJA e SON.

A distribuição espacial de T2M, em geral, segue o mesmo padrão no modelo e na

reanálise (Fig. 3.4). Sobre a América do Sul, porém, a média sazonal é pelo menos 1°C maior

no modelo em quase todas as estações, em particular sobre a Amazônia nos meses SON,


44

quando esta diferença ultrapassa 5°C – o que provavelmente está relacionado ao déficit

pluviométrico de 2L24 sobre esta região nesta estação do ano. Em JJA ocorrem diferenças

(entre o modelo e a reanálise) positivas na zona equatorial do continente e negativas daí para

o sul, mas as magnitudes destas diferenças ficam entre 1 e 5°C.

Os campos sazonais de T2M evidenciam que a cordilheira dos Andes não é bem

resolvida no modelo, uma vez que subestimam a diminuição de temperatura próxima à

superfície conforme o aumento da altitude (tendo em vista a baixa resolução horizontal do

modelo atmosférico, as altitudes médias são menores que as reais). Por este motivo toda a

faixa costeira do Pacífico, na América do Sul, apresenta diferenças positivas de T2M. Em

todo o planeta, as discrepâncias mais expressivas de T2M são encontradas nas latitudes mais

altas, particularmente sobre a Antártica – onde também ocorrem altitudes maiores – em MAM

e JJA. Sobre o Himalaia e o Platô Tibetano, região onde a altitude média também é grande, o

modelo também apresenta erro na T2M, apontando temperaturas mais baixas. Esta questão

dos erros em função da altitude ainda será abordada a seguir.

A análise das diferenças nos campos sazonais de PNM (Fig. 3.5) aponta distorções

importantes (em todos as estações) em latitudes mais altas, um problema já constatado na

versão anterior do modelo (Jorgetti, 2004). A Baixa das Aleutas, no extremo norte do

Pacífico, aparece bem mais intensa do que na reanálise nos meses de inverno e primavera –

principalmente em DJF. A evolução sazonal dos anticiclones subtropicais sobre os oceanos

Pacífico e Atlântico é razoavelmente reproduzida pelo modelo. A Alta Subtropical do

Atlântico Norte (ASAN) é mais intensa em 2L24 do que na reanálise em todas as estações,

sobretudo nos meses JJA e SON. A Alta Subtropical do Pacífico Norte (ASPN) é sempre mais

fraca no modelo, possivelmente devido à maior intensidade simulada da Baixa das Aleutas

(tendência de redução da pressão sobre todo o setor norte da bacia do Pacífico). A ASPS,

embora apresente-se mais fraca no modelo em todas as estações do ano, ainda assim apresenta

configuração e evolução de acordo com o observado. O ciclo anômalo da ASAS – ao

contrário das outras altas subtropicais, que são mais intensas no verão (Rodwell e Hoskins,

2001), a ASAS é mais intensa no inverno, pois no verão ela é enfraquecida pela proximidade

da ZCAS (Satyamurty et al., 1998) – é relativamente bem representado pelo modelo, estando

o centro do anticiclone apenas um pouco mais intenso e alargado nos meses MAM, quando

ele de fato está se expandindo.

Em uma faixa zonal sobre o oceano Austral, ao sul da Oceania, a PNM é subestimada

pelo modelo, o que evidencia um leve deslocamento para o norte do cinturão de baixas

pressões do Hemisfério Sul em 2L24. No interior da Ásia, sobre o Platô Tibetano, bem como


45

sobre as regiões polares continentais (Antártica e Groenlândia), a PNM é bastante

superestimada. Estas regiões têm em comum uma altitude média elevada (entre 2000 e

4000 m na Ásia e na Antártica e cerca de 2000 m na Groenlândia), o que sugere um problema

de ajuste na redução da pressão atmosférica ao nível do mar. Este problema está relacionado à

temperatura, pois a redução da altitude é calculada com base na lei da hidrostática. Uma vez

que a baixa resolução horizontal do modelo provoca erros na temperatura (conforme foi

ressaltado na comparação dos campos de T2M), erros na redução da pressão atmosférica são

conseqüência direta.

Fig. 3.5: PNM climatológica da reanálise NCEP/NCAR (à esq.), de 2L24 (no meio) e a diferença 2L24–Reanálise (à dir.), para os trimestres DJF, MAM, JJA e SON.

Cabe aqui ressaltar que a própria reanálise, por sua natureza, também não representa

precisamente a realidade. Não se trata de um banco de dados estritamente observacionais, e


46

sim de um modelo alimentado pela maior quantidade possível de dados medidos (seja

remotamente, seja in situ). Não há, porém, a cobertura completa de todas as regiões do globo;

torna-se necessária a interpolação dos campos sobre as regiões mais remotas onde a oferta de

dados observados é escassa, introduzindo, assim, determinada margem de erro nos resultados

da reanálise. Em algumas regiões, com menor cobertura de dados, a influência da estimativa

inicial da análise do modelo (dada por previsões de curto prazo) é maior, podendo levar a

diferenças mais significativas para o clima real.

Fig. 3.6: Vento climatológico em 200 hPa da reanálise NCEP/NCAR (à esq.), de 2L24 (no meio) e a diferença 2L24–Reanálise (à dir.), para os trimestres DJF, MAM, JJA e SON. As regiões sombreadas nas figuras à direita indicam diferenças na magnitude do vento.

Os campos de vento em 200 hPa (Fig. 3.6) mostram que em 2L24 os núcleos dos jatos

subtropicais (sobre o Pacífico, principalmente) são bem mais intensos e zonalmente


47

concentrados que nos campos observados – por isto as importantes diferenças negativas no

seu lado polar. Sobre o setor norte do Pacífico, a superestimativa do jato, no modelo, pode

estar relacionada ao abaixamento da PNM sobre as Aleutas, ao induzir a convergência na

superfície. A circulação em baixos níveis (850 hPa) (Fig. 3.7) reafirma esta hipótese, pois nos

campos de 2L24 a circulação ciclônica sobre o extremo norte do Pacífico é mais intensa do

que nos campos observados, em todas as estações.

Fig. 3.7: Vento climatológico em 850 hPa da reanálise NCEP/NCAR (à esq.), de 2L24 (no meio) e a diferença 2L24–Reanálise (à dir.), para os trimestres DJF, MAM, JJA e SON.

De acordo com os campos de vento em 850 hPa (Fig. 3.7), as circulações anticiclônicas

relacionadas às altas subtropicais não são muito bem representadas em 2L24. A circulação da

ASPN só aparece nos meses JJA e SON, época em que ela realmente está mais fortalecida. A

ASAN ganha evidência em MAM, tal qual na observação, e em JJA e SON o modelo a


48

simula bem mais intensa do que realmente é, confirmando as diferenças constatadas nos

campos de PNM. A ASPS é, talvez, o anticiclone cuja evolução sazonal é melhor simulada;

apenas em DJF é mais fraco do que o observado. A ASAS é mais fraca em 2L24 em DJF, mas

nas demais estações aparece progressivamente mais intensa do que na reanálise.

Ainda nos campos da Fig. 3.7, pode-se verificar algumas discrepâncias na circulação de

baixos níveis sobre a América do Sul, relacionadas principalmente à ASAS e à ASAN. Em

DJF, meses de maior atividade monçônica, os alísios de NE que avançam sobre o continente

impulsionados pela ASAN estão mais fracos em 2L24 do que no campo observado,

justamente por causa do enfraquecimento do anticiclone na simulação, nesta época. O mesmo

é constatado com relação aos alísios de SE, impulsionados pela ASAS. Este diagnóstico

explica a subestimativa da PPT e Q2M sobre a região, bem como o excesso de ROL. O JBN

pode ser percebido no campo da reanálise, também em DJF, mas não aparece em 2L24. Todas

estas discrepâncias no transporte de umidade sobre o continente justificam o fraco

desenvolvimento da ZCAS na simulação do clima do presente.

A Fig. 3.8 mostra os campos globais de diferenças entre a TSM média sazonal

modelada (2L24) e a observada (conjunto NOAA). Na maior parte da faixa intertropical dos

oceanos as diferenças não ultrapassam ±1°C, com exceção dos setores leste das bacias

oceânicas – onde o modelo apresenta temperaturas superestimadas em até 6°C. No oceano

Atlântico a TSM é subestimada (em até 4°C) mesmo em latitudes tropicais, diferenças estas

que avançam para leste na direção dos pólos. Nas latitudes mais altas, em todos os oceanos, o

modelo aponta TSM climatológica mais baixa do que a observada, alcançando até 8°C de

diferença.

Fig. 3.8: Diferença entre a TSM climatológica de 2L24 e do conjunto NOAA para DJF, MAM, JJA e SON.


49

3.2. Clima médio na América do Sul em 6 ka AP

A análise do clima médio na simulação HOL04 foi focada na América do Sul, em um

domínio que se estende de 90-30°W e 60°S-20°N, e descrita a partir dos desvios sazonais do

clima do HM com relação ao clima do presente (da simulação 2L24). A análise da TSM

média sazonal do HM, no entanto, foi mantida no domínio global.

Os campos de diferenças da TSM global entre os climas presente e passado simulados

pelo modelo (Fig. 3.9) indicam resfriamento generalizado (embora de pequena magnitude)

dos oceanos, durante o HM em relação ao presente. Apenas nos meses SON é que a TSM

média foi maior (no máximo 0,5°C) em algumas regiões. As maiores diferenças negativas

ocorreram em MAM, tendo a superfície do mar sido até 2°C mais fria há 6 ka AP, em todos

os oceanos.

Fig. 3.9: Diferença entre a TSM climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e SON.

A precipitação, segundo o modelo, era discretamente menor sobre a maior parte do

continente sul-americano durante o HM (Fig. 3.10) nos meses DJF e MAM, devido à

atividade convectiva (associada à ZCAS) menos intensa no passado. Ao NW (sobre a

Colômbia, Equador e Peru), esta diferença era maior. Sobre o NE brasileiro, no entanto,

chovia mais em 6 ka AP. Isto sugere que o deslocamento para o sul da ZCIT em DJF teria

sido limitado neste período – devido ao seu posicionamento médio estar deslocado mais para

o norte (Haug et al., 2001; Koutavas et al., 2006) – com a convergência permanecendo sobre

o NE, resultando em diferenças positivas neste setor. Nos meses JJA e SON a situação se

invertia: sobre a costa NW do continente, próximo e logo ao sul do equador, chovia mais em 6

ka AP do que no presente, o que possivelmente está relacionado ao aquecimento do Pacífico


50

Equatorial Leste nesta época do ano, especificamente (Fig. 3.9). Sobre toda a costa norte da

América do Sul, ocorria o contrário. Diferenças negativas de PPT, ainda maiores no NE, são

indícios de que a ZCIT deslocava-se mais além sobre o oceano Atlântico no verão do

Hemisfério Norte.

Fig. 3.10: Diferença entre a PPT climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e SON.

A análise das diferenças entre os campos médios de ROL de 6 ka AP e do presente

(Fig. 3.11) corrobora as principais diferenças encontradas nos campos de PPT. Sobre o

noroeste da América do Sul, durante os meses DJF e MAM do HM, a ROL era mais intensa

do que no presente, i.e. a cobertura média de nuvens era menor, implicando em menos

precipitação. Nas demais estações do ano a situação era inversa. Já para região equatorial

sobre o NE da América do Sul, a maior emissão de ROL em JJA e SON confirma a hipótese

de uma ZCIT deslocada mais para o Hemisfério Norte, durante o HM.

Fig. 3.11: Diferença entre a ROL no TOA climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e SON.

Com exceção dos meses de primavera (SON), nas demais épocas do ano o clima na

América do Sul era mais seco no HM do que no presente (Fig. 3.12). A diferença é maior em

MAM, principalmente sobre a zona intertropical. Nos meses de primavera, a região central da

América do Sul apresentava um clima mais úmido há 6 ka AP.


51

Fig. 3.12: Diferença entre a Q2M climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e SON.

Tal como esperado, os campos de diferenças entre a temperatura média no HM e no

presente (Fig. 3.13) apontam a redução do ciclo sazonal, causada pela forçante orbital. A

temperatura sobre o continente era menor durante o HM nos meses de verão e outono do

Hemisfério Sul; a mudança na outra fase do ciclo não é muito notável no inverno (não há

grande variação na temperatura média na região central do continente); ela é melhor

caracterizada nos meses de primavera, quando a temperatura média era maior no HM do que

no presente. A este aumento na temperatura média da primavera está associado o aumento na

umidade mencionado anteriormente. O aumento da umidade, em função da temperatura, pode

ocorrer através de duas formas: (1) maior evaporação e (2) mudanças no gradiente de pressão

que aumentam a convergência de umidade. Ambos processos podem ser importantes para

definir o início da estação chuvosa sobre o continente, questão que será explorada adiante.

Fig. 3.13: Diferença entre a T2M climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e SON.

As diferenças entre os campos sazonais de PNM das simulações HOL04 e 2L24

(Fig. 3.14) concordam com as diferenças de temperatura. O menor aquecimento sobre os

continentes no passado implica em pressão atmosférica maior, e vice-versa. A intensificação

do gradiente de pressão em SON confirma a hipótese de aumento na convergência de

umidade sobre o continente.

A zona de pressão mais baixa durante o HM nas latitudes subtropicais, entre 30-50°S, se


52

considerada junto com as diferenças positivas de pressão em latitudes ainda mais altas, podem

ser indicativas de que o cinturão das baixas pressões mantinha-se mais ao norte nos meses de

verão e outono, o que concorda com a hipótese de Kim et al. (2002).

Fig. 3.14: Diferença entre a PNM climatológica de HOL04 e de 2L24 para DJF, MAM, JJA e SON.

Com relação ao vento em altos níveis (Fig. 3.15), os contra-alísios (ventos equatoriais

de oeste, em altitude) sobre a costa noroeste da América do Sul eram mais intensos nos meses

DJF e MAM durante o HM. Nos meses de inverno e primavera do Hemisfério Sul, a baixa

pressão relativa sobre o continente induzia uma tendência anticiclônica na circulação de altos

níveis há 6 ka AP, mais intensa em SON. Não há variações importantes com relação às

correntes de jato subtropical e polar.

Fig. 3.15: Diferença entre o vento climatológico em 200 hPa de HOL04 e de 2L24 para DJF, MAM, JJA e SON. O vetor indica a diferença na direção do vento; a área sombreada, a diferença na magnitude.

Os campos de diferenças do vento em baixos níveis (Fig. 3.16) sustentam a hipótese de

que o cinturão de baixas pressões teria se mantido mais ao norte durante os meses DJF e

MAM no HM, devido à presença de tendência ciclônica na mesma faixa latitudinal.

O vetor resultante da diferença do vento entre HOL04 e 2L24 na região do JBN, em

DJF, aponta para NW, indicando uma tendência de enfraquecimento do vento que

normalmente seria de NW. Da mesma forma, percebe-se o enfraquecimento dos ventos de

leste (alísios de NE e SE) em todas as estações, mas principalmente em DJF e MAM. Em

SON percebe-se o fortalecimento do JBN. Isto pode estar associado ao maior acúmulo de


53

umidade na região central da América do Sul, mas não é suficiente para provocar maior taxa

de PPT na região nos meses de primavera. Os efeitos deste acúmulo de umidade devem,

portanto, ser analisados localmente, a fim de detalhar possíveis mudanças com relação ao

início da estação chuvosa.

Fig. 3.16: Diferença entre a direção do vento climatológico em 850 hPa de HOL04 e de 2L24 para DJF, MAM, JJA e SON.

Para investigar mudanças locais na precipitação sobre a América do Sul, entre o

presente e o HM, foram selecionadas as localidades destacadas na Fig. 3.17 e delas obtidas as

séries de PPT mensal. A análise consistiu na avaliação de mudanças no ciclo anual, na média

e no desvio-padrão (como medida da variabilidade) da PPT sobre cada uma das localidades. A

Fig. 3.18 ilustra os resultados da análise do ciclo anual, onde as curvas com triângulos

referem-se a 2L24 e as curvas com círculos, a HOL04. As variações nas médias e desvios-

padrão são apresentados na Tab. 3.1.

Fig. 3.17: Localidades da América do Sul selecionadas para análise do ciclo anual, da média e do desvio-padrão da precipitação.


54

Fig. 3.18: Ciclo anual da PPT no presente (triângulos) e no HM (círculos), das localidades selecionadas da América do Sul (Fig. 3.17).

Na localidade representativa da Venezuela – extremo norte da América do Sul – o

período chuvoso é entre março e agosto e está diretamente relacionado à sazonalidade da

ZCIT. A taxa de PPT na estação chuvosa é menor no HM, devido ao já constatado

enfraquecimento da ZCIT nos meses em que ela migra para o Hemisfério Norte. Por conta

desta diminuição na taxa diária, a PPT média também é menor no HM, bem como a sua

variabilidade.


55

Na localidade da Amazônia, o ciclo sazonal da PPT sofre influência tanto dos

deslocamentos da ZCIT quanto da evolução da ZCAS. O seu gráfico indica, para o HM,

menor taxa de PPT na estação chuvosa e maior taxa na estação em que normalmente chove

menos, uma sutil resposta à atenuação do ciclo sazonal da insolação no Hemisfério Sul, em

6 ka AP. Na média, porém, a PPT é menor no HM, assim como a sua variabilidade.

Nas localidades do Pará, Maranhão e Ceará, cuja PPT está relacionada à migração da

ZCIT para o Hemisfério Sul, a taxa de PPT nos meses de dezembro a abril era maior no HM.

Com relação à PPT média, as diferenças entre as duas épocas são mínimas, apenas um

pequeno aumento no Maranhão, no HM. No Ceará a variabilidade é um pouco maior no HM.

No ponto sobre o Lago Titicaca, as mudanças na insolação também resultam numa

resposta discreta do ciclo anual da PPT. O seu mínimo ocorre em junho-julho, e o aumento

relativo da insolação nesta época do ano, no HM, provoca um pequeno aumento na taxa de

PPT durante os meses junho-novembro. A redução da insolação nos meses de verão, no

entanto, é maior, provocando diminuição na taxa de PPT entre fevereiro-abril. Por esta

diminuição da PPT no verão ser maior do que o aumento na primavera, a PPT média acaba

sendo menor no HM, com diminuição também na sua variabilidade.

Em Goiás e em Minas Gerais a PPT está relacionada à ZCAS, e sua sazonalidade é

dependente da atividade convectiva que predomina sobre o continente nos meses de verão do

Hemisfério Sul. Goiás, que possui uma estação realmente seca nos meses de inverno, não

chega a presenciar uma antecipação da estação chuvosa; apenas a sua redução entre janeiro-

março. Em Minas Gerais o mês de outubro no HM é mais chuvoso, mas todos os demais

meses da estação chuvosa também apresentam redução da PPT.

Sobre a região do Pantanal, no Mato Grosso do Sul, o excesso de umidade e maior

aquecimento na primavera faz com que o mês de outubro apresente ligeira diferença positiva

na PPT do HM. Também aqui isto não chega a representar uma antecipação da estação

chuvosa, pois nos demais meses de verão a chuva no HM é menor. A média e o desvio-padrão

da PPT no HM também são menores que no presente.

O ponto sobre o Chaco, no extremo norte da Argentina, representa a região de maior

atuação dos CCMs – tanto que nos meses de inatividade destes sistemas a PPT cai a índices

muito baixos. Aqui também o mês de outubro do HM apresenta maior PPT do que no

presente, enquanto o resto da estação chuvosa apresenta redução em 6 ka AP.

No ponto sobre o Rio Uruguai o maior volume de chuva ocorre no verão e deve-se

principalmente aos CCMs, sendo a precipitação nos meses de inverno relacionada à passagem

de sistemas frontais. O seu gráfico indica taxas de PPT para esta estação um pouco maiores no


56

HM, provavelmente relacionada ao deslocamento para o norte do cinturão de baixas pressões

do Hemisfério Sul, impulsionando maior número de sistemas transientes a passarem sobre o

local. O pequeno acréscimo de PPT na primavera (outubro-novembro) também pode ser

percebido nesta região, porém a diminuição em janeiro-abril é muito mais notável – tanto que

a PPT média no HM.

Tab. 3.1: média e desvio-padrão da PPT nos 100 anos das simulações 2L24 e HOL04 das localidades selecionadas da América do Sul (conforme mapa da Fig. 3.17).

PPT (mm/dia) 2L24 HOL04 Região

média desvio-padrão média desvio-padrão 1. Venezuela 3,41 4,56 2,93 3,98 2. Amazonas 3,19 2,37 3,05 2,21 3. Pará 2,68 2,82 2,68 2,90 4. Maranhão 1,99 2,34 2,08 2,39 5. Ceará 1,92 2,19 1,93 2,33 6. Lago Titicaca 5,32 4,03 5,01 3,80 7. Goiás 1,99 2,87 1,86 2,61 8. Minas Gerais 2,15 2,69 2,18 2,56 9. Pantanal 1,61 1,76 1,46 1,58 10. Chaco 0,52 0,56 0,46 0,50 11. Rio Uruguai 1,35 1,13 1,21 1,01

Esta versão do modelo do IPSL apresenta algumas melhorias com relação à versão

anterior, cujas simulações foram analisadas por Jorgetti (2004) e Silva Dias et al. (2006). O

clima mais seco no HM, generalizado sobre a América do Sul, verificado nas análises com

proxies bem como em outros estudos de modelagem paleoclimática (e.g. Valdes, 2000;

Harrison et al., 2003), pode ser verificado também em HOL04, principalmente através dos

campos de diferenças de Q2M. O resfriamento no verão do Hemisfério Sul, demonstrado por

Valdes (2000), foi constatado nesta simulação, porém com maior magnitude.

As diferenças nos campos sazonais de PPT e vento em baixos níveis, associadas à

análise local do ciclo anual da PPT, indicam mudanças no sistema monçônico da América do

Sul. A causa principal seria a diminuição do contraste térmico do continente (com

temperaturas menores) em relação ao oceano. Por conta do resfriamento ocorre o aumento da

PNM sobre o continente nos meses de verão, enfraquecendo o gradiente de pressão, e por

conseqüência os alísios. O resultado é o menor transporte de umidade para o continente,

menos atividade convectiva no interior e menor taxa de PPT.

O trimestre SON, época em que normalmente inicia a monção de verão na América do

Sul tropical, apresenta-se mais quente em 6 ka AP. Paralelamente, os campos de Q2M e vento

em 850 hPa indicam um quadro favorável à convergência e acúmulo de umidade, o que

poderia gerar uma antecipação da estação chuvosa no HM. Na análise local, porém, observa-


57

se apenas um mínimo aumento relativo da PPT no mês de outubro, acompanhado de uma

inversão nesta tendência nos meses subseqüentes (i.e. diminuição da PPT no HM com relação

ao presente). Isto mostra maior influência da redução da insolação no verão do Hemisfério

Sul.

Jorgetti (2004) também constatou o enfraquecimento e antecipação da monção, atrelado

ao desenvolvimento da ZCAS e mudanças na circulação associada. Seu estudo indica porém,

maior precipitação em SON por conta desta antecipação, o que não foi verificado aqui.

Apenas no volume de Q2M foi verificado um aumento na primavera, que se reverteu num

aumento significativo da PPT somente no oeste da América do Sul tropical. Não foi

diagnosticado aqui um início precipitado da estação chuvosa em toda a região sob influência

da ZCAS.

Mudanças no comportamento sazonal da ZCIT constatadas aqui coincidem com as

indicações de proxies de uma posição média anual deslocada para o norte. A intensificação da

PPT sobre o NE brasileiro em DJF (com menor PPT mais ao sul) e o enfraquecimento da

ZCIT sobre o Atlântico em JJA e SON faz sentido quando se assume a hipótese de que a sua

migração para o sul é atenuada. A causa disto seria a amplificação do ciclo anual no

Hemisfério Norte em 6 ka AP.


58

CAPÍTULO 4: MODOS DE VARIABILIDADE NO PRESENTE E EM 6 KA AP

No capítulo anterior discutiu-se o comportamento médio sazonal do clima modelado no

presente e em 6 ka AP. No entanto, o clima também é representado pela variabilidade. Neste

capítulo, portanto, são apresentados os resultados de duas análises: na primeira seção, a

análise por transformada de ondeleta dos índices de variabilidade climática (SOI, Niño3, PDO

e AMO), comparando as duas simulações com dados observados; na segunda seção, a análise

da variabilidade espacial e temporal da TSM dos oceanos Atlântico e Pacífico em cada uma

das simulações, através de EOFs e da transformada de ondeleta, respectivamente.

4.1. Índices de variabilidade climática

O espectro de ondeleta global da série observada do SOI (Fig. 4.1a), mostra energia

concentrada na escala entre 2-16 anos, sendo que o pico ocorre para flutuações com período

da ordem de 2-4 anos. Este espectro aponta, conforme esperado, o ENSO como modo

dominante (que ocorre na escala de 2-7 anos). No entanto este sinal não é estacionário na

série. O escalograma da parte real dos coeficientes da ondeleta aponta enfraquecimento na

energia do sinal de 2-4 anos na década de 1880 e nos períodos 1935-45 e 1955-65. Estes

foram períodos de domínio da energia na escala entre 4-8 anos. Nesta escala ocorreram

amplitudes mais importantes nos períodos 1875-90, 1910-25, 1940-60 e 1970-2000. Na escala

de 12-15 anos surgiram maiores amplitudes a partir de 1980, sendo que no final desta década

percebe-se a transferência de energia para freqüências mais altas, o que pode ter contribuído

para a maior intensidade do ENSO (os eventos EN de 1986/87 e LN de 88/89). Na escala de

40-50 anos existe um pulso fraco cujo sinal aparece crescente ao longo da série, no entanto ele

já está praticamente fora do cone de influência e sua confiabilidade é reduzida. Os resultados

aqui encontrados são consistentes com os de Wang e Wang (1996).

O espectro de ondeleta global do SOI da simulação do presente (Fig. 4.1b) confirma o

que o gráfico da série temporal já sugere: a magnitude das amplitudes em 2L24 é menor do

que nos dados observados e portanto têm menor energia. A flutuação mais energética também


60

ocorre na escala de 2-4 anos, porém maior energia está sendo atribuída a oscilações

interdecadais (15-30 anos) do que na observação (principalmente entre os anos 30 e 70 da

série). O modelo também atribui maior energia à oscilações de mais alta freqüência (escala de

1,5 ano). Na escala de atuação do ENSO (2-4 anos), os períodos mais energéticos são entre os

anos 60-90 e 120-135.

Na simulação do HM (Fig. 4.1c) o espectro de ondeleta global do SOI é similar ao da

simulação 2L24, porém com menor energia. O sinal do ENSO aparece mais fraco e

perturbado por ruídos de mais alta freqüência, mas mesmo assim há um pico de energia por

volta de 3,5 anos. Nesta escala, os períodos mais energéticos são entre os anos 20-30, 50-70 e

85-110. Oscilações interdecadais também aparecem nesta simulação (ainda que com menos

energia do que em 2L24, nesta escala ela é proporcionalmente maior em relação ao restante

do espectro), e percebe-se nitidamente como elas modulam os sinais de mais alta freqüência.

Entre os anos 60 e 80, maiores amplitudes na escala de 16-30 anos transferem energia e

provocam aumento da amplitude de uma oscilação na escala de 6 anos (entre os anos 70-80),

que por sua vez transmite essa energia para a escala de 3 anos.

Fig. 4.1: Série temporal, escalograma da parte real dos coeficientes da ondeleta e espectro de ondeleta global do SOI, calculado com dados de PNM (a) observados, do Climate Research Unit, (b) em 2L24 e (c) em HOL04. Período dado em anos.

Capítulo 4: Modos de Variabilidade no Presente e em 6 ka AP

61

Para a série de anomalias de TSM observada na região do Niño3 (Fig. 4.2a), o espectro

global indica maior energia na escala de 2-8 anos, tal como esperado devido ao ENSO. Pode-

se observar três períodos mais energéticos nesta série de 135 anos: de 1875 até 1910, com a

variabilidade praticamente confinada na escala de 2-4 anos; de 1910 a 1960, quando as

oscilações mais energéticas diminuem a freqüência, permanecendo na escala entre 4-8 anos; e

da década de 1970 até o presente, quando as maiores amplitudes voltam para freqüências mais

altas, ampliando o intervalo das escalas para 2-8 anos. Sinais mais fracos aparecem

irregularmente na escala interdecadal, de aproximadamente 10-20 anos, ao longo do período

analisado. Apesar de ser menor, em magnitude, do que o sinal aparente no SOI,

aproximadamente nesta escala, a partir de 1980, também percebe-se a transferência de energia

para freqüências mais altas, o que poderia ter fortalecido os eventos ENSO importantes desta

década. É importante observar que o sinal interdecadal que afeta o ENSO manifesta-se mais

intensamente em latitudes mais altas do Pacífico Norte, portanto é natural que na TSM da

região do Niño3 a sua assinatura espectral não seja tão marcante. De maneira geral, o

escalograma do Niño3 é consistente com o do SOI, bem como com os resultados de Wang e

Wang (1996).

Fig. 4.2: Série temporal, escalograma da parte real dos coeficientes da ondeleta e espectro de ondeleta global do Niño3, obtido com anomalias de TSM (a) observadas (Rayner et al., 2003), (b) de 2L24 e (c) de HOL04. Período dado em anos.


62

O espectro de ondeleta global da série de anomalias de TSM na região do Niño3, gerada

pelo modelo em 2L24 (Fig. 4.2b), coloca quase toda a energia na escala de 2-4 anos, e o

escalograma de ondeleta apresenta extremos de amplitude ocorrendo irregularmente, nesta

escala, ao longo de todo o período da série (135 anos). Os períodos mais energéticos são entre

os anos 1-20, 40-90 e 110-130 da série. Fica evidente que o modelo reproduz o ENSO, ainda

que com uma freqüência maior, e a energia atribuída a esta oscilação está bastante

superestimada em relação ao observado. Oscilações na escala interdecadal são praticamente

desprezíveis.

O mesmo ocorre em HOL04 (Fig. 4.2c), porém a magnitude da energia atribuída ao

ENSO nesta simulação é um pouco menor do que em 2L24, significando um fenômeno ENSO

enfraquecido. As amplitudes mais energéticas transitam entre as escalas de 2-5 anos,

continuamente ao longo da série. Oscilações interdecadais têm pouca ou nenhuma

importância no espectro.

No espectro global do índice da PDO observada (Fig. 4.3a) a energia está distribuída em

várias escalas. O pico maior aparece entre 4-7 anos, sendo que no escalograma, as amplitudes

nesta escala são mais importantes entre as décadas de 1930-60 e depois no final do período, a

partir da década de 90. Esta escala de variabilidade refere-se ao ENSO, uma vez que o padrão

espacial da PDO é bastante similar ao desse fenômeno. Outros picos no espectro de energia

também estão presentes nas escalas inter e multidecadais de 16-30 e 40-60. Apesar de tantas

oscilações estarem contidas no índice da PDO, aquela que a caracteriza é a da escala

multidecadal, com ciclo de aproximadamente 50 anos. No escalograma esta oscilação aparece

fora do cone de influência pois a série não é longa o suficiente para captar mais de um ciclo

completo sem que ocorram efeitos de borda. No entanto, a energia atribuída a esta flutuação é

uma das mais importantes do espectro global. São características conhecidas da PDO a fase

fria, ocorrida entre 1947-76, e a inversão para a fase quente, a partir de 1977 (Mantua et al.,

1997), inversão esta que teria causado as mudanças na variabilidade temporal do ENSO a

partir da década de 1970 (Zhang et al., 1997), constatadas no escalograma do Niño3 (Fig.

4.2a). Outras evidências da modulação do ENSO pela PDO, são o evento LN de 1956 –

historicamente um dos mais intensos (Wang e Wang, 1996) – ocorreu durante a fase fria da

PDO, e indícios de transferência de energia desde a escala multidecadal até as mais altas

freqüências, fortalecendo as amplitudes negativas na escala de variabilidade do ENSO.

O espectro de ondeleta global do índice da PDO em 2L24 (Fig. 4.3b) não apresenta uma

escala de variabilidade dominante ao longo do período de 105 anos. Flutuações irregulares

aparecem nas escalas de 3, 5 e 8-9 anos, sendo as duas primeiras possíveis resultantes da não-


63

estacionaridade do ENSO. Um sinal menos energético porém mais persistente surge nas

escalas de aproximadamente 15-18 e 35-50 anos, sendo que este último pode ser considerado

correspondente à PDO observada, pois o pico de energia ocorre na mesma escala de

variabilidade e apresenta a mesma magnitude.

O espectro global do índice da PDO na simulação do HM (Fig. 4.3c) aproxima-se mais

do observado do que da simulação do presente; o escalograma, porém, difere bastante de

ambos os anteriores. Um pico em torno da escala de 7 anos, de magnitude equivalente ao pico

da série observada, refere-se a uma oscilação que se manifesta de forma mais ou menos

constante a partir do ano 30 da série, quando surge como resultado da interação de flutuações

nas escalas de 4-5 e 9-10 anos. Com relação à variabilidade interdecadal, o espectro de

ondeleta global desta série indica uma oscilação na escala de aproximadamente 45 anos, que

no escalograma aparece semi-estacionária ao longo do período analisado, devido a uma

tendência de aumento da freqüência. A energia desta oscilação tem magnitude comparável à

da PDO observada.

A série de anomalias de TSM observadas no Atlântico Norte tem como oscilação mais

forte e persistente a multidecadal – a própria AMO, como pode ser verificado no escalograma

Fig. 4.3: Série temporal, escalograma da parte real dos coeficientes da ondeleta e espectro de ondeleta global da PDO, representada pela 1a EOF das anomalias de TSM do Pacífico ao norte de 20°N, obtida com dados (a) observados (Mantua et al., 1997), (b) de 2L24 e (c) de HOL04. Período dado em anos.


64

da parte real dos coeficientes da ondeleta da Fig. 4.4a – em torno de 60 anos. A oscilação é

evidente na própria série temporal. As épocas em que ocorreram inversões de fase (segundo o

escalograma) são consistentes com as datas mencionadas por Enfield et al. (2001) e

Schlesinger e Ramankutty (1994). Destaque também deve ser atribuído à flutuação que, da

década de 1930 até o final do período, transita entre as escalas de 6 a 10 anos, e para outra na

escala de 3-4 anos, menos regular, embora ambas com menor energia do que a multidecadal.

A oscilação de 3-4 anos pode ser um indício do sinal do ENSO no Atlântico Norte.

No espectro global das anomalias de TSM do Atlântico Norte (Fig. 4.4b), a oscilação

mais forte e persistente aparece na escala de 15 anos, com energia equivalente à do sinal da

AMO observada. O escalograma mostra que este sinal é quase estacionário com uma

perturbação entre os anos 30 e 50 da série composta pelos 100 últimos anos da simulação.

Esta perturbação pode ter sido originada pela transferência de energia de uma banda de

freqüências mais baixas, na escala de 30-35 anos. A variabilidade na escala de 3-4 anos

também aparece na TSM modelada, um pouco mais energética que a observada, porém com a

mesma irregularidade, sugerindo que o ENSO também influencia a TSM no Atlântico no

modelo.

Fig. 4.4: Série temporal, escalograma da parte real dos coeficientes da ondeleta e espectro de ondeleta global da AMO, representada pelas anomalias de TSM do Atlântico Norte (0-70°N) (a) observadas (Kaplan et al., 1998), (b) em 2L24 e (c) em HOL04. Período dado em anos.


65

Na análise da série que representa o índice da AMO em HOL04 (Fig. 4.4c), não aparece

nenhuma oscilação persistente na escala de variabilidade em questão (que possa ser

caracterizada como multidecadal). O pico mais energético no espectro global é referente à

suposta influência do ENSO no Atlântico, na escala de 3-4 anos, bastante irregular ao longo

do período da série. Na escala de 12 anos, o segundo maior pico do espectro de ondeleta

global indica uma flutuação que começa forte no início da série e diminui a sua amplitude até

o ano 50, aproximadamente, e entre os anos 55-80 mantém-se (com menores amplitudes) na

escala de 8 anos.

4.2. EOFs dos oceanos Atlântico e Pacífico

A análise por EOFs foi realizada com anomalias de TSM nos oceanos Atlântico e

Pacífico entre as latitudes 40°S e 30°N, em cada uma das simulações, para identificar os

principais modos de variabilidade nas regiões tropicais no presente e no HM, e para explorar

o efeito da forçante de insolação.

Fig. 4.5: Variância explicada pelas quatro primeiras EOFs do Atlântico, em 2L24 (à esq.) e HOL04 (à dir.).

Após o cálculo dos autovalores e autovetores da matriz de covariância dos dados do

Atlântico, os quatro primeiros modos foram identificados como sendo os mais importantes,

em ambas as simulações, pois somados eles explicam mais de 60% da variância dos dados. A

independência entre os autovalores é dada pela regra de North (North et al., 1992), quando as

barras de erro amostral dos autovalores plotados em um espectro não se interceptarem

(Fig. 4.5). Nas duas simulações, a diferença entre o terceiro e o quarto autovalor é comparável

à magnitude de seus erros amostrais, o que significa que os erros nas EOFs podem ser do

tamanho das próprias EOFs. Assim, estes modos não estão bem separados um do outro e a


66

decomposição entre eles pode não ser estável. No entanto o terceiro modo foi mantido na

análise por conter, nas duas simulações, importantes flutuações na escala decadal.

Fig. 4.6: Padrão espacial da 1a EOF do Atlântico (à esq.) em 2L24 (acima) e HOL04 (abaixo), junto com os respectivos coeficientes de expansão (à dir.: série temporal, escalograma da parte real dos coeficientes da ondeleta e espectro de ondeleta global). Período dado em anos.

A primeira EOF do oceano Atlântico (Fig. 4.6) na simulação do presente explica 36%

da variância dos dados. Este modo exibe um padrão de monopolo que se estende por toda a

região tropical, com o seu máximo (0,1) situado na faixa zonal em torno de 5°N; apenas ao

sul de 25°S esta polaridade se inverte, mas a magnitude do pólo de sinal oposto (–0,02) é

muito menor do que a do pólo dominante. A transformada de ondeleta do coeficiente de

expansão deste modo indica que a sua variabilidade temporal é dominada pelo ENSO,

fenômeno que no modelo ocorre na escala entre 2-4 anos e com energia comparável à do pico

no espectro de ondeleta global da série da EOF. Os períodos com maiores amplitudes nesta

escala, indicados pelo escalograma da parte real dos coeficientes da ondeleta, coincidem com


67

os períodos indicados pelo escalograma do índice do Niño3 (Fig. 4.2b – considerando aquela

série a partir do ano 35, somente).

Na simulação do HM, o padrão espacial do primeiro modo do Atlântico explica 35,9%

da variância dos dados e não apresenta muitas diferenças do padrão de 2L24, apenas as

amplitudes próximas à costa norte da América do Sul e no centro do Atlântico Sul são

maiores (o máximo na banda em torno de 5°N chega a 1,2). A análise do coeficiente de

expansão mostra que também no HM o primeiro modo era dominado pelo ENSO, porém o

pico de energia no espectro global está na escala de 4 anos. Os períodos com maiores

amplitudes também são coincidentes com aqueles indicados pelos índice do Niño3 (Fig. 4.2c

– a partir do ano 35).

Jorgetti (2004), que também analisou os modos de variabilidade dos oceanos simulados

pelo modelo do IPSL (versão anterior) no presente e em 6 ka AP, encontrou padrões

semelhantes na versão anterior do modelo acoplado oceano-atmosfera do IPSL mas

explicando variâncias bem menores – 18,9% no presente e 16% no HM – para o primeiro

modo do Atlântico. Ela encontrou também maiores diferenças entre os modos do presente e

do HM, sendo que no modo de 6 ka AP o dipolo ao sul de 25°S intensificou-se. A

variabilidade temporal dominante deste modo no presente é decadal, segundo os resultados de

Jorgetti, e no HM dominam períodos mais longos com potência menor.

Cardoso (2001) também encontrou um padrão espacial similar para o primeiro modo do

Atlântico, explicando 33,4% da variância dos dados, porém a sua análise foi concentrada nos

meses de inverno (maio-setembro) e baseada em dados de TSM efetivamente observados.

A segunda EOF do oceano Atlântico (Fig. 4.7) explica 13,5% da variância total dos

dados em 2L24, e seu padrão espacial apresenta um tripolo sobre a região enquadrada, com

um pólo negativo sobre as latitudes do Hemisfério Norte, um positivo com centro em 20°S e

outro negativo centrado em 37°S, sendo este o mais intenso. A variabilidade temporal deste

modo é predominantemente interanual, onde as maiores amplitudes transitam progressiva e

sucessivamente entre as escalas de 2 a 8 anos.

Em HOL04 a segunda EOF do Atlântico, além de explicar uma fração menor da

variância dos dados (11,3%), também tem o padrão espacial um pouco diferente do presente.

O pólo negativo do Hemisfério Norte é mais intenso e aparece dividido em dois máximos, um

centrado em 5°N e o outro em 22°N, enquanto os dois pólos sobre o Atlântico Sul aparecem

um pouco mais fracos do que no presente. A variabilidade temporal, porém, muda bastante

em 6 ka AP. O pico mais energético do espectro de ondeleta global ocorre na escala bienal,

sinal este que se mantém durante quase todo o período. Flutuações nas escalas de 4 e 8 anos


68

ganham força durante algumas décadas, mas não persistem. Na escala interdecadal (15 anos),

uma oscilação mantém-se fraca porém quase-estacionária, sendo afetada por transferências

ocasionais de um sinal multidecadal de baixa energia.


Estes resultados são bastante semelhantes aos de Jorgetti (2004) na versão anterior do

modelo do IPSL, que encontrou variância de 13,2% explicada pelo segundo modo do

Atlântico no presente e 11,1% no HM. O padrão espacial nos seus dados também é o de um

tripolo, porém ela não constatou mudanças no padrão do HM para o presente. A variabilidade

por ela encontrada é dominada, no presente, por um período de 15-16 anos, e no HM por

períodos mais longos. A variabilidade interanual tem mais importância neste modo do que no

primeiro.


69

Venegas et al. (1997) e Cardoso (2001) também obtiveram, em dados observados, como

segunda EOF um padrão de dipolo no Atlântico Sul, sendo que Cardoso estendeu sua área de

análise até os 15°N e também obteve um terceiro pólo no Hemisfério Norte. Venegas et al.

sugerem um acoplamento da variabilidade oceânica com a atmosférica, em que o

fortalecimento e enfraquecimento da ASAS forçam flutuações na TSM em uma estrutura de

dipolo norte-sul por processos associados ao vento.


A terceira EOF do oceano Atlântico (Fig. 4.8) é responsável, na simulação 2L24, por

7,6% da variância dos dados. O seu padrão espacial tem no Atlântico Norte Subtropical as

maiores amplitudes (0,12), e próximo ao equador, amplitudes com o sinal oposto (–0,06). No

Atlântico Sul há um fraco dipolo nordeste-sudoeste, com amplitudes bem menores do que as

do Atlântico Norte. A variabilidade temporal deste modo tem duas flutuações dominantes,

uma na escala interanual (2-4 anos, possivelmente modulada pelo ENSO do modelo) e outra


70

na escala interdecadal (16 anos), que entre os anos 45 e 90 da série apresenta amplitudes

maiores e transfere energia para escalas de mais alta freqüência (e.g. 8 anos).

Na simulação HOL04 este modo representa 8,6% da variância dos dados, e um padrão

espacial modificado com relação ao de 2L24. A estrutura de um dipolo está mais organizada

sobre todo o domínio espacial, com amplitudes ainda importantes no Atlântico Norte e um

pólo de sinal oposto no Atlântico Subtropical Sul, também intensificado. A variabilidade

interdecadal deste modo aumenta sua freqüência para 12 anos e a interanual diminui para 4

anos, mas ainda são importantes os sinais de mais alta freqüência, principalmente na escala

bienal.

Não foram encontrados na literatura padrões consistentes com os resultados aqui

diagnosticados, que possam validar este modo da variabilidade do Atlântico simulado pelo

modelo. Até mesmo Jorgetti (2004), que utilizou a versão anterior deste mesmo modelo,

encontrou padrões (espaciais e temporais) diferentes para a terceira EOF do Atlântico no

presente e no HM. O padrão encontrado por Cardoso (2001) para a terceira EOF também

contém um dipolo nordeste-sudoeste no Atlântico Sul, porém ele está deslocado para o norte,

e a polaridade atribuída às flutuações no Atlântico Norte, no mesmo contexto do dipolo no

sul, é oposta à encontrada neste estudo.

Para o oceano Pacífico, os quatro primeiros modos somam quase 70% da variância

explicada em cada simulação, sendo que o primeiro modo explica sozinho praticamente 50%

da variância dos dados. Ao plotar o espectro dos autovalores (Fig. 4.9), também foi constatada

a pequena diferença entre a terceira e a quarta EOF; novamente a terceira foi mantida, nas

duas simulações, por conter uma forte componente decadal na sua variabilidade, o que é de

grande interesse para este estudo.

Fig. 4.9: Variância explicada pelas quatro primeiras EOFs do Pacífico, em 2L24 (à esq.) e HOL04 (à dir.).


71

A primeira EOF do oceano Pacífico (Fig. 4.10) explica, na simulação 2L24, 49% da

variância total dos dados. Sua estrutura espacial apresenta amplitudes que crescem a partir do

setor sudeste tropical e atingem o máximo na faixa centro-equatorial, padrão este que se

traduz no ENSO, i.e. o aquecimento (ou resfriamento) anômalo no Pacífico Tropical Leste

que se estende ao Pacífico Central. A variabilidade temporal deste modo apresenta energia

máxima na escala interanual (2-4 anos, mesma escala em que ocorre o ENSO no modelo), e o

escalograma de ondeletas do seu coeficiente de expansão é bastante similar ao escalograma do

índice do Niño3 da mesma simulação (Fig. 4.2b, a partir do ano 35 daquela série). A

variabilidade interdecadal (16-18 anos) deste modo aparece um pouco mais energética do que

no Niño3.

Fig. 4.10: Padrão espacial da 1a EOF do Pacífico (à esq.) em 2L24 (acima) e HOL04 (abaixo), junto com os respectivos coeficientes de expansão (à dir.: série temporal, escalograma da parte real dos coeficientes da ondeleta e espectro de ondeleta global). Período dado em anos.

No HM, a primeira EOF do Pacífico explica quase 53% da variância, mas o padrão

espacial é praticamente idêntico ao do presente, não fosse pela inversão de sinal. O espectro

de ondeleta global do coeficiente de expansão apresenta, tal como no índice do Niño3, energia


72

menor com relação à simulação 2L24, indicando um ENSO menos intenso. O escalograma

deste modo também é consistente com o escalograma do Niño3 em HOL04 (Fig. 4.2c).

Diversos estudos observacionais encontraram o padrão do ENSO como primeiro modo

do Pacífico (e.g. Weare e Nasstrom, 1982; Kang, 1996, que comparou observações com

padrões modelados; Lau e Weng, 1999; Cardoso, 2001).

Weare e Nasstrom (1982), através de EOFs estendidas, analisaram a evolução temporal

deste modo após 3 e 6 meses. Seus resultados indicam alta persistência do padrão, que estaria

relacionado ao movimento de máxima variabilidade ao longo do equador, desde a costa da

América do Sul. No período analisado por estes autores (1957-76), este modo explica 23,7%

da variância dos dados.

Utilizando médias anuais de TSM, Lau e Weng (1999) realizaram análise de EOFs com

domínio global e também encontraram o padrão do ENSO bem definido sobre o Pacífico.

Neste estudo, tal modo explica 32,7% da variância dos dados. O seu componente principal

indica que uma tendência de aquecimento sobrepõe a variabilidade interanual e interdecadal

presente nos dados, e as anomalias extremas na escala interanual podem ser identificadas

como os eventos quentes e frios mais importantes do Pacífico Tropical. Isto sugere que o

ENSO estaria modulado por uma tendência de aquecimento na TSM global.

Cardoso (2001) considerou somente os meses de inverno na sua análise de EOFs do

Pacífico, e encontrou variância de 34,5% explicada pelo primeiro modo (o ENSO). Além da

variabilidade interanual, seu estudo identificou ainda oscilações de baixa freqüência.

Kang (1996) confronta os padrões de TSM obtidos de médias anuais observacionais

com padrões obtidos por modelagem. Ambos apresentam a fase madura do ENSO como

primeiro modo, porém no seu modelo este modo explica 23,6% da variância total e nas

observações, 39,1%. A variabilidade temporal no modelo caracteriza-se por oscilações

interanuais (4-5 anos) e interdecadais (20 anos), estas de maior amplitude. No modo

observado, a variabilidade temporal concentra-se na escala interanual; oscilações

interdecadais são difíceis de perceber, fato que o autor atribui à pequena extensão dos dados.

A versão anterior do modelo do IPSL (Jorgetti, 2004) não apresentava a configuração

do ENSO tão clara quanto a produzida por esta nova versão (nem no presente, nem no HM), e

a primeira EOF representava apenas 16,8% da variância total (20,5% em 6 ka AP).

A segunda EOF do oceano Pacífico Tropical (Fig. 4.11) em 2L24 contém 9,9% da

variância explicada e um padrão simétrico com amplitudes positivas na região centro-leste do

Pacífico, ao longo do equador, e negativas em ambos os lados norte e sul, na região tropical,

estendendo-se para oeste. Nas regiões subtropicais norte e sul a polaridade novamente se


73

inverte, porém com menores amplitudes. A análise de ondeleta do coeficiente temporal

mostra que o sinal do ENSO aparece novamente no segundo modo, acompanhado agora de

um sinal interdecadal (na escala de 15-18 anos) mais energético, principalmente na primeira

metade da série. Na segunda metade da série surge, com energia fraca, um sinal multidecadal.

O mesmo padrão simétrico aparece em HOL04, explicando 8,8% da variância, porém as

amplitudes no Pacífico Equatorial aparecem mais intensas e com o máximo deslocado para

leste. As amplitudes negativas na região tropical (ao norte e ao sul) espalham-se pelo Pacífico

Central na direção leste. A variabilidade temporal concentra-se na escala interanual (do

ENSO, com energia mais fraca), apenas o sinal na escala multidecadal aparece mais forte do

que em 2L24.


A estrutura deste modo na simulação do presente assemelha-se com o padrão da

segunda EOF estendida de Weare e Nasstrom (1982) após 6 meses, quando as amplitudes

positivas avançam ao longo do equador, partindo da costa do Peru em direção ao Pacífico


74

Central, ao mesmo tempo em que as amplitudes negativas do Hemisfério Norte retraem-se

para as latitudes mais altas.

Já a segunda EOF obtida por Kang (1996) a partir da TSM observada apresenta padrão

espacial bastante parecido com o encontrado no presente estudo, explicando 14,1% da

variância dos dados. Kang observa que tanto a primeira quanto a segunda EOF descrevem

diferentes fases do ENSO na escala interanual.

Cardoso (2001) aponta também o segundo modo do Pacífico como representante de

uma fase do ENSO, com cerca de 10% da variância das anomalias de TSM do inverno.

Jorgetti (2004) obteve um segundo modo bastante distinto deste e dos demais estudos da

variabilidade do Pacífico, um padrão que em nada assemelha-se à estrutura do ENSO.

A terceira EOF do Pacífico (Fig. 4.12) representa, na simulação do presente, 4,8% da

variância dos dados. Sua estrutura espacial compreende amplitudes negativas em todo o setor

oeste da bacia oceânica; do centro para o leste estendem-se pólos positivos – ao norte e ao sul

– com outro pólo negativo na região equatorial-leste. O espectro de ondeleta global do

coeficiente de expansão indica variabilidade dominante na escala de 1,5 ano, mas um pico na

escala interdecadal (15 anos) tem quase a mesma energia que o primeiro e o sinal é quase-

estacionário, com pequeno aumento nas amplitudes entre os anos 35 e 80 da série.

Na simulação do HM, este modo – com 4,35% da variância explicada – tem os sinais

invertidos e amplitudes maiores nas latitudes acima de 20o, nos dois hemisférios. A

variabilidade interdecadal passa a dominar o espectro global, porém a interanual (1,5-5 anos)

ainda mostra influência no modo.

O trabalho de Cardoso (2001) foi o único encontrado na literatura a descrever a terceira

EOF do Pacífico, porém os padrões encontrados aqui não se assemelham aos padrões

descritos por essa autora. O terceiro modo encontrado por Jorgetti (2004) apresenta feições

similares ao modo encontrado aqui, com variância explicada um pouco maior (6,9%), mas

também com variabilidade interanual tão importante quanto a decadal. Na versão anterior do

modelo do IPSL, a variabilidade interdecadal também passou a ser mais importante no HM,

apesar do padrão espacial de 6 ka AP ter se diferenciado mais da versão mais recente do

modelo.


75



76

CAPÍTULO 5: VARIABILIDADE DA MONÇÃO NA AMÉRICA DO SUL

NO PRESENTE E EM 6 KA AP

Este capítulo apresenta os resultados da investigação da variabilidade climática da

monção da América do Sul, induzida por variações da TSM dos oceanos adjacentes.

Calculou-se o índice representativo deste sistema – o LISAM (Silva e Carvalho, 2006;

detalhes no Capítulo 2, página 33) – nas duas simulações do modelo, para avaliar diferenças

na sua estrutura espacial, na energia do seu ciclo anual e na sua variabilidade temporal, entre

o presente e o HM. Por fim, utilizou-se a análise de ondeletas cruzadas para estabelecer uma

relação temporal entre o LISAM e cada um dos modos de variabilidade da TSM dos oceanos

Atlântico e Pacífico, definidos no capítulo anterior.

5.1. Índice de monção na América do Sul (LISAM)

O LISAM, em cada um das simulações, foi obtido calculando-se o coeficiente de

expansão da 1a EOF combinada das variáveis PPT, Q850, T850, U850 e V850, no domínio

espacial entre 0-40°S e 60°-20°W.

A Fig. 5.1 mostra os padrões espaciais da monção em 2L24, obtidos correlacionando o

LISAM com as anomalias de cada uma das variáveis envolvidas. Os campos são bastante

parecidos com aqueles encontrados por Silva e Carvalho (2006) a partir de dados

observacionais (Fig. 1.7). Aqui o padrão de precipitação também apresenta correlação

positiva em grande parte da área tropical do continente, evidenciando a presença da ZCAS e

da ZCIT, embora esta, no modelo, esteja deslocada mais ao sul. Outra diferença surge no sul

do Brasil, que no padrão observado não consta como região de correlações significativas, mas

no padrão da simulação é uma região que tem anomalias positivas de PPT relacionadas à

monção da América do Sul.

As correlações positivas mais altas no campo de umidade são também consistentes com

a presença da ZCAS, embora sua configuração espacial seja, no modelo diferente, do

observado (vide Fig. 1.7). Em 2L24 elas formam um centro alongado na direção NW-SE, tal


como a ZCAS, mas estão posicionadas mais ao sul. O norte do continente parece contribuir

menos para o fortalecimento da monção no modelo do que no observado; o contrário vale

para a região central da Amazônia.

No campo de vento zonal percebe-se o mesmo dipolo nas correlações da variável com o

LISAM, demonstrando que ventos de oeste (leste) sobre o norte e centro do Brasil e de leste

(oeste) sobre o sul do Brasil fortalecem (enfraquecem) o sistema monçônico. Em 2L24 este

dipolo expande-se zonalmente sobre o Atlântico, com correlações maiores (positiva e

negativamente) sobre o oceano do que no observado (Fig. 1.7). No campo de vento

meridional, as correlações negativas sobre o norte e nordeste da América do Sul, tal como no

campo observado, indicam que ventos de norte (sul) estão associados com a organização

(decaimento) do sistema monçônico. As maiores correlações positivas estendem-se mais ao

sul no modelo. Os padrões de vento correlacionados com o LISAM, em 2L24, estão

consistentes com a dinâmica do transporte de umidade das latitudes tropicais/equatoriais para

o interior do continente, essencial para sustentar o sistema monçônico.

As correlações positivas do LISAM com a temperatura do ar, no modelo, avançam bem

mais em direção ao interior do continente do que no observado (Fig. 1.7), indicando que o

sistema se fortalece com anomalias positivas de temperatura em quase todo o domínio

(incluindo o oceano), exceto no extremo NW.

Fig. 5.1: Campos de correlação entre o LISAM e as anomalias sazonais de (a) PPT, (b) Q850, (c) T850, (d) U850 e (e) V850 em 2L24. Sombreamento indica correlações estatisticamente significantes no nível de 5%, com número de eventos independentes igual ao número de ciclos sazonais (100).

Capítulo 5: Variabilidade da Monção na América do Sul no Presente e em 6 ka AP 79

Os campos de correlações do LISAM com cada uma das variáveis na simulação do HM

(Fig. 5.2) são praticamente idênticos aos respectivos da simulação de controle, indicando que

a estrutura espacial do sistema monçônico na América do Sul não sofre alterações

significativas por conta da diferença na forçante de insolação em 6 ka AP.

Fig. 5.2: Campos de correlação entre o LISAM e as anomalias sazonais de (a) PPT, (b) Q850, (c) T850, (d) U850 e (e) V850 em HOL04. Sombreamento indica correlações estatisticamente significantes no nível de 5%, com número de eventos independentes igual ao número de ciclos sazonais (100).

Investigou-se, então, se de fato houve mudanças na sua intensidade, já que a principal

hipótese acerca da forçante de insolação no HM é a atenuação do seu ciclo sazonal no

Hemisfério Sul e, conseqüentemente, o enfraquecimento da monção da América do Sul.

Fig. 5.3: O LISAM em 2L24 (à esq.) e em HOL04 (à dir.). A série temporal do índice e a energia do seu ciclo anual, dada pelo escalograma dos coeficientes da ondeleta e pelo espectro de ondeleta global.

As análises de TO do LISAM das duas simulações (Fig. 5.3) evidenciam que o ciclo

anual é de longe a oscilação mais energética, mascarando qualquer outra escala de


variabilidade. O escalograma dos coeficientes da ondeleta mostra que este ciclo apresenta,

esporadicamente, pequenas variações de amplitude, mas o espectro de ondeleta global não

indica em que escala de tempo estas variações ocorrem – o único pico visível no espectro é na

escala de 12 meses. Não são perceptíveis variações na energia do ciclo anual de 2L24 para

HOL04. Isto sugere que a suposta atenuação do ciclo sazonal da insolação no HM,

exclusivamente, não seja suficiente para enfraquecer o sistema monçônico da América do Sul.

Para analisar a variabilidade temporal do LISAM foi extraído o ciclo anual de cada uma

das séries, na tentativa de evidenciar escalas de variabilidade com menor energia. A Fig. 5.4

mostra as TOs das séries de anomalias do LISAM, em 2L24 e em HOL04. Ainda são

dominantes as oscilações de alta freqüência, em escalas menores que dois anos. Pelo espectro

de ondeleta global das duas simulações, a energia vai decaindo quanto maior a escala, até

períodos de 20 anos, aproximadamente. Em 2L24 há um sinal fraco porém persistente na

escala de 14-15 anos entre os anos 10 e 70 da série, cujas fases negativas sempre transferem

energia para freqüências mais altas. Nos últimos 20 anos da série uma flutuação na escala de

4-8 anos ganha energia. Em HOL04 observa-se um sinal na escala de 3-4 anos que ganha

energia na década de 50, e a partir do ano 65 transfere-se para a escala de 6 anos, decaindo no

início da década de 90.

Fig. 5.4: As séries de anomalias do LISAM em 2L24 (à esq.) e em HOL04 (à dir.). A variabilidade do índice é dada pelo escalograma de fase das anomalias e pelo espectro de ondeleta global. Período dado em anos.

5.2. Influência dos oceanos na monção da América do Sul

A última etapa deste estudo consistiu na investigação da variabilidade conjunta da

monção da América do Sul e da TSM dos oceanos Atlântico e Pacífico. Foram empregados na

análise o LISAM e as duas primeiras EOFs de cada oceano, de cada simulação. As 3as EOFs

dos dois oceanos foram descartadas pela inconsistência constatada entre os padrões de TSM


da simulação do presente e da TSM observada, ou pela falta de referências aos mesmos na

literatura consultada. Utilizou-se a técnica do cruzamento e coerência de ondeletas; a análise

foi feita cruzando a série de anomalias do LISAM com o coeficiente de expansão de cada uma

das EOFs, individualmente.

Fig. 5.5: (a) séries temporais das anomalias do LISAM (azul) e da 1a EOF do Atlântico Tropical (vermelho) em 2L24; (b) energia do escalograma cruzado das ondeletas das séries de (a); (c) coerência média entre as ondeletas das séries de (a); e (d) escalograma da coerência (contornos) e diferença de fase (vetores) no cruzamento das ondeletas de (a). Vetores são plotados para coerência maior do que 0,4 e a cada 2 anos no tempo; um a cada 4 vetores é plotado na escala.

Iniciando a análise pela simulação 2L24, a Fig. 5.5 apresenta o cruzamento de ondeletas

do LISAM com a 1a EOF do oceano Atlântico. Os picos de energia no escalograma (b)

ocorrem na escala entre 2-4 anos e em intervalos de tempo que coincidem com as amplitudes

máximas da ondeleta simples deste modo do Atlântico (Fig. 4.6), que por sua vez é modulado

pelo ENSO (Figs 4.1 e 4.2). Máximos de energia aparecem no escalograma cruzado também

na escala decadal (8-20 anos), particularmente no primeiro terço da série. No restante da série

esta energia fica confinada na escala de 16-20 anos, mas a persistência da energia na escala

decadal faz com que seja o segundo maior pico no espectro de coerência média (Fig. 5.5c),

com 0,5. O maior pico, que atinge a coerência máxima (1,0), corresponde a escalas maiores

de 35 anos e persiste ao longo de todo o período analisado, porém fora do cone de influência.


O escalograma de coerência e diferença de fase (d) aponta alta coerência (> 0,8) nas escalas

semi-anual, anual e bienal, intermitentemente ao longo da período. No entanto o escalograma

de energia (b) não mostra alta energia nestas escalas e a coerência média (c) também é

extremamente baixa, sugerindo que os picos de alta coerência sejam resultado de ruído. O

primeiro terço das séries também apresenta coerência alta nas escalas entre 5-10 anos e 16

anos, com diferença de fase também próxima de 180°. Na escala entre 2-4 anos, o

escalograma aponta coerência média-alta (> 0,7) com as duas séries novamente fora de fase.

A Fig. 5.6 mostra a TO cruzada para o LISAM e a 2a EOF do Atlântico em 2L24. O

espectro de coerência média (c) aponta um pico (0,5) na escala de 8 anos, uma das mais

energéticas na análise de ondeleta simples deste modo do Atlântico (Fig. 4.7). No

escalograma cruzado (Fig. 5.6b) a energia nesta escala é máxima entre os anos 15-30 e 70-100

da série. Na escala de 4-7 anos ocorrem intervalos de energia máxima entre os anos 5-30 e 60-

65 da série. A escala multidecadal (> 30 anos) também é bastante energética até o ano 60,

porém está fora do cone de influência.

Fig. 5.6: (a) séries temporais das anomalias do LISAM (azul) e da 2a EOF do Atlântico Tropical (vermelho) em 2L24; (b) energia do escalograma cruzado das ondeletas das séries de (a); (c) coerência média entre as ondeletas das séries de (a); e (d) escalograma da coerência (contornos) e diferença de fase (vetores) no cruzamento das ondeletas de (a). Vetores são plotados para coerência maior do que 0,4 e a cada 2 anos no tempo; um a cada 4 vetores é plotado na escala.


O escalograma de coerência e diferença de fase (Fig. 5.6d) aponta alta coerência (> 0,8)

entre as duas séries em escalas menores que a anual, novamente sem que apareça alta energia

no escalograma de (b). Na escala decadal (8-16 anos) a coerência também é alta nos primeiros

e nos últimos 20 anos da série, com diferença de fase de 180° no primeiro período e de 100°,

aproximadamente, no segundo. Alta coerência aparece persistente na escala de 32 anos, até a

década de 70, com diferença de fase de –140°. Esta região, porém, está praticamente fora do

cone de influência.

Fig. 5.7: (a) séries temporais das anomalias do LISAM (azul) e da 1a EOF do Pacífico Tropical (vermelho) em 2L24; (b) energia do escalograma cruzado das ondeletas das séries de (a); (c) coerência média entre as ondeletas das séries de (a); e (d) escalograma da coerência (contornos) e diferença de fase (vetores) no cruzamento das ondeletas de (a). Vetores são plotados para coerência maior do que 0,4 e a cada 2 anos no tempo; um a cada 4 vetores é plotado na escala.

A estrutura espacial e temporal da 1a EOF do Pacífico em 2L24 corresponde ao próprio

ENSO (Fig. 4.10) e, tal como esperado, é o seu sinal que aparece no escalograma cruzado das

ondeletas do LISAM e desta EOF (Fig. 5.7b), na escala entre 2-6 anos, como um dos mais

energéticos. Na escala decadal (8-20 anos) também aparecem máximos de energia entre os

anos 10 e 80 da série. Por conta desta persistência, nesta escala a coerência média ultrapassa

0,75 (c), ficando abaixo apenas do pico da escala multidecadal (> 40 anos) – esta bastante

energética e persistente, porém fora do cone de influência. No escalograma da coerência e


diferença de fase (d), alta coerência (> 0,8) só ocorre em intervalos esparsos na escala semi-

anual e anual, nos primeiros e nos últimos 30 anos da série (que podem ser desconsiderados).

Entre os anos 30 e 70, ocorrem picos quase isolados de coerência média-alta (> 0,7) na escala

de 1-4 anos, e um sinal persistente de coerência média na escala de aproximadamente 18 anos.

A diferença de fase é sempre 180°.

A 2a EOF do Pacífico, em 2L24, é também modulada pelo ENSO (Fig. 4.11), logo é

esperado que o seu sinal também apareça no escalograma cruzado desta série com a série do

LISAM (Fig. 5.8b). A energia desta oscilação, no entanto, não é tão forte nem persistente ao

longo da série, perdendo em importância para o sinal decadal (8-20 anos) que abrange os

primeiros 80 anos. Este sinal, que também é importante na variabilidade temporal da 2a EOF

isoladamente, atinge 0,7 de coerência média na TO cruzada com o LISAM (c).

Fig. 5.8: (a) séries temporais das anomalias do LISAM (azul) e da 2a EOF do Pacífico Tropical (vermelho) em 2L24; (b) energia do escalograma cruzado das ondeletas das séries de (a); (c) coerência média entre as ondeletas das séries de (a); e (d) escalograma da coerência (contornos) e diferença de fase (vetores) no cruzamento das ondeletas de (a). Vetores são plotados para coerência maior do que 0,4 e a cada 2 anos no tempo; um a cada 4 vetores é plotado na escala.

O escalograma de coerência e diferença de fase (Fig. 5.8d) mostra, porém, alta

coerência (> 0,8) somente nos primeiros 20 anos da série na escala de 8-12 anos. A última

década da série também apresenta alta coerência nesta escala, porém está fora do cone de


influência. Em ambos os casos a diferença de fase é de aproximadamente 150°. Coerência

média (0,6-0,8) na escala de 2-7 anos ocorre entre os anos 30 e 70, com diferença de fase em

torno de 180°.

Analisando a variabilidade conjunta das séries do LISAM e da 1a EOF do Atlântico

obtidas com dados da simulação HOL04 (Fig 5.9), importantes diferenças foram

identificadas. Maior energia (b) é atribuída aos picos na escala do ENSO (aqui em torno de 4

anos), respondendo à maior energia que esta flutuação representa na série da EOF (Fig. 4.6).

A coerência média (Fig 5.9c) nesta escala também é maior do que em 2L24. Na escala

decadal e interdecadal a energia, além de maior, é mais persistente. Na primeira metade do

período de 100 anos, alta energia aparece confinada nas escalas de 8-14 anos e 20-30 anos, e

do ano 50 até o ano 90, transfere-se para a escala de 16-20 anos.

Fig. 5.9: (a) séries temporais das anomalias do LISAM (azul) e da 1a EOF do Atlântico Tropical (vermelho) em HOL04; (b) energia do escalograma cruzado das ondeletas das séries de (a); (c) coerência média entre as ondeletas das séries de (a); e (d) escalograma da coerência (contornos) e diferença de fase (vetores) no cruzamento das ondeletas de (a). Vetores são plotados para coerência maior do que 0,4 e a cada 2 anos no tempo; um a cada 4 vetores é plotado na escala.

O escalograma de coerência (Fig 5.9d) mostra coerência bastante alta (> 0,85) na escala

do ENSO entre os anos 15 e 65 da série, e um pouco menor (0,7-0,8) entre os anos 75 e 90,

sempre com diferença de 180° na fase (tendendo para 150° entre os anos 30 e 65 na escala de


3 anos). Na escala interdecadal (16-30 anos), coerência acima de 0,85 é praticamente

constante ao longo do período, com diferença de fase em torno de 160°.

No escalograma cruzado das ondeletas do LISAM e da 2a EOF do Atlântico no HM

(Fig. 5.10b) a energia avança, com o tempo, nas escalas entre 2 e 8 anos. Entre os anos 55 e

95 da série a energia nesta progressão é máxima e constante. Outras escalas também são

importantes, como a de 8-16 anos nos intervalos 5-25 e 60-90 da série; e a de 18-25 anos entre

os anos 40 e 60. Pelo escalograma de coerência e diferença de fase (d) a coerência entre o

LISAM e a 2a EOF do Atlântico em HOL04 é alta (> 0,8) somente na primeira década, na

escala anual-bienal, e entre os anos 30-50, na escala de 2-5 anos. A diferença de fase nestes

períodos é de 100-120°.

Fig. 5.10: (a) séries temporais das anomalias do LISAM (azul) e da 2a EOF do Atlântico Tropical (vermelho) em HOL04; (b) energia do escalograma cruzado das ondeletas das séries de (a); (c) coerência média entre as ondeletas das séries de (a); e (d) escalograma da coerência (contornos) e diferença de fase (vetores) no cruzamento das ondeletas de (a). Vetores são plotados para coerência maior do que 0,4 e a cada 2 anos no tempo; um a cada 4 vetores é plotado na escala.

Em HOL04 (Fig. 5.11) o sinal decadal no escalograma cruzado (b) das ondeletas do

LISAM e da 1a EOF do Pacífico perde energia, evidenciando o domínio do ENSO. Restam

ainda, porém, picos de energia menores na escala de 12 e de 30 anos, entre os anos 10 e 40 da

série, e 16 anos, entre os anos 70 e 90 da série. Nesta escala a coerência média (c) chega a 0,7,


devido à persistência do sinal. Na escala do ENSO a coerência média é de 0,5, por causa da

não-estacionaridade desta flutuação, no entanto ainda é bem maior do que na simulação do

presente. No escalograma de coerência e diferença de fase, o intervalo entre os anos 30 e 70 é

o de maior coerência na escala entre 1,5 e 5 anos, com máximos chegando a 0,9. Nos últimos

25 anos da série, alta coerência (> 0,85) marca a escala de 8 anos. Em todos estes intervalos a

diferença de fase é de 180°.

Fig. 5.11: (a) séries temporais das anomalias do LISAM (azul) e da 1a EOF do Pacífico Tropical (vermelho) em HOL04; (b) energia do escalograma cruzado das ondeletas das séries de (a); (c) coerência média entre as ondeletas das séries de (a); e (d) escalograma da coerência (contornos) e diferença de fase (vetores) no cruzamento das ondeletas de (a). Vetores são plotados para coerência maior do que 0,4 e a cada 2 anos no tempo; um a cada 4 vetores é plotado na escala.

A 2a EOF do Pacífico, na simulação do HM, apresenta sinal basicamente interanual,

com diversas flutuações que atuam simultaneamente na escala entre 2-6 anos, e um pulso

mais fraco em torno da escala decadal (8-10 anos) (Fig. 4.11). São nestas escalas que ocorrem

os picos de energia no escalograma cruzado das ondeletas do LISAM e da 2a EOF

(Fig. 5.12b), que também coincidem nos intervalos. Já pelo escalograma de coerência e

diferença de fase (d), a maior e mais persistente coerência entre as séries está mesmo na

escala decadal (8-30 anos). Até o ano 50, a coerência é alta (> 0,85) em duas escalas: 8-16

anos, com diferença de fase de 180°, e 16-30 anos, com diferença de fase de –100°. Do ano 60


ao final da série, a maior coerência está na escala de 8-20 anos, com diferença de fase de

150°. Em escalas menores que 4 anos também ocorrem intervalos de coerência alta, porém

são esparsos e quase nada persistentes.

Fig. 5.12: (a) séries temporais das anomalias do LISAM (azul) e da 2a EOF do Pacífico Tropical (vermelho) em HOL04; (b) energia do escalograma cruzado das ondeletas das séries de (a); (c) coerência média entre as ondeletas das séries de (a); e (d) escalograma da coerência (contornos) e diferença de fase (vetores) no cruzamento das ondeletas de (a). Vetores são plotados para coerência maior do que 0,4 e a cada 2 anos no tempo; um a cada 4 vetores é plotado na escala.

Comparando as análises de cada simulação, algumas diferenças gerais podem ser

percebidas. Em 2L24, a variabilidade da monção apresenta coerência média-alta na escala de

variabilidade do ENSO, porém esta coerência não é persistente na escala (é episódica, i.e. é

alta apenas durante a ocorrência dos eventos mais intensos). Na escala decadal a coerência

também é alta, principalmente no início da série. Em HOL04, o LISAM apresenta coerência

maior e mais persistente com a variabilidade dos oceanos na escala do ENSO, principalmente

com relação ao sinal do Atlântico. A escala decadal também ganha maior importância: a

monção é coerente com a variabilidade do Atlântico na escala entre 16-30 anos ao longo de

todo o período analisado, e com o Pacífico na escala de 8-30 anos.

A principal causa da maior coerência e persistência do LISAM com a variabilidade dos

oceanos na escala do ENSO, constatada no HM, pode ser atribuída à variabilidade temporal


do próprio fenômeno ENSO neste período. Apesar do ENSO aparecer enfraquecido na

simulação do HM, o seu sinal é mais regular, i.e. mais próximo da estacionaridade (vide Figs.

4.2 e 4.10). Na simulação do presente os eventos do ENSO aparentemente são mais intensos,

porém irregulares, por isto a alta coerência com a monção da América do Sul é episódica. Já

no HM, com um sinal mais constante, a coerência apresenta maior persistência, o que leva a

maiores valores na coerência média.

CAPÍTULO 6: CONCLUSÕES

A etapa inicial deste estudo consistiu em uma análise de consistência dos campos

médios sazonais de PPT, ROL, Q2M, T2M, PNM, vento em 200 e 850 hPa e TSM simulados

pelo modelo para o clima do presente (campos globais). O modelo, embora reproduza as

principais feições climatológicas esperadas, apresenta algumas diferenças relevantes com

relação ao clima observado.

A análise do clima médio na simulação do HM foi focada na América do Sul. O clima

mais seco neste período, indicado por proxies bem como por outros estudos de modelagem

paleoclimática (e.g. Valdes, 2000; Harrison et al., 2003) foi verificado também em HOL04,

principalmente através dos campos de diferenças de umidade. O resfriamento sobre o

continente no verão do Hemisfério Sul, demonstrado por Valdes (2000), foi constatado nesta

simulação, porém com maior magnitude.

As diferenças nos campos sazonais de PPT e vento em baixos níveis, associadas a

análises localizadas do ciclo anual da PPT, indicam mudanças no sistema monçônico da

América do Sul, causadas, principalmente pela diminuição do contraste térmico do continente

(com temperaturas menores) em relação ao oceano. Por conta do resfriamento ocorre o

aumento da PNM sobre o continente nos meses de verão, enfraquecendo o gradiente de

pressão, e por conseqüência os ventos alísios. O resultado é o menor transporte de umidade

para o continente, menos atividade convectiva no interior e menor taxa de PPT.

Durante a primavera do Hemisfério Sul, em particular – época em que normalmente

inicia a monção de verão na América do Sul tropical – a temperatura do ar próximo à

superfície (T2M) apresenta-se maior em 6 ka AP. Paralelamente, os campos de Q2M e vento

em 850 hPa indicam um quadro favorável à convergência e acúmulo de umidade, o que

poderia gerar uma antecipação da estação chuvosa no HM. No entanto a análise do ciclo anual

da PPT, realizada localmente sobre a região de maior aquecimento e concentração de

umidade, indica apenas um pequeno aumento relativo da PPT no mês de outubro,

acompanhado de uma inversão nesta tendência nos meses subseqüentes (i.e. diminuição da


PPT no HM com relação ao presente). Isto mostra que influência da redução da insolação no

verão domina o comportamento médio da monção da América do Sul.

Mudanças no comportamento sazonal da ZCIT constatadas aqui coincidem com as

indicações de proxies de uma posição média anual deslocada para o norte durante o HM. A

intensificação da PPT sobre o NE brasileiro em DJF (com menor PPT mais ao sul) e o

enfraquecimento da ZCIT sobre o Atlântico em JJA e SON faz sentido quando se assume a

hipótese de que a sua migração para o sul é atenuada. A causa disto seria a amplificação do

ciclo anual no Hemisfério Norte em 6 ka AP.

Através da Transformada de Ondeleta avaliou-se a variabilidade temporal dos seguintes

índices de variabilidade climática: SOI, Niño3, PDO e AMO. Na simulação do presente

obteve-se resultados razoáveis, em que o modelo apresentou diferenças não-desprezíveis com

relação aos modos de variabilidade observados no sistema oceano-atmosfera. O índices

melhor simulados são os relativos ao fenômeno ENSO (SOI e Niño3).

A componente atmosférica do ENSO (SOI) tem a sua energia subestimada no modelo

na escala entre 2-4 anos. Já oscilações interdecadais têm maior energia que no índice

observado. Por outro lado, a componente oceânica do ENSO (TSM Niño3) apresenta, no

modelo, energia superestimada e confinada na escala de 2-4 anos, freqüência um pouco mais

alta do que aquela que TSM observada aponta para o fenômeno. O sinal interdecadal contido

neste índice, na simulação do presente, é praticamente desprezível.

A PDO, cujo padrão de distribuição da TSM assemelha-se ao padrão do El Niño,

aparece na simulação do presente acompanhada de ruídos que mascaram a importância da sua

variabilidade interdecadal. A oscilação de baixa freqüência predominante do Atlântico surge

não como multidecadal (cerca de 60 anos) tal como observado, e sim na escala de 15 anos.

Na simulação do HM todos os índices analisados apresentam diferenças com relação

aos respectivos da simulação do presente; alguns conservam as características esperadas,

outros não. O SOI de HOL04 é similar ao de 2L24 porém apresenta menor energia na escala

do ENSO. O mesmo acontece no índice Niño3, que ainda amplia discretamente a banda de

freqüência do ENSO. A coerência entre as mudanças nestes dois índices é um indicativo da

hipótese de que o ENSO teria sido mais fraco durante o HM (Kim et al., 2002).

O índice da PDO no HM assemelha-se mais ao índice observado do que ao da

simulação do presente. A oscilação esperada na escala entre 30-60 anos está presente, porém

outras flutuações persistentes e mais energéticas, que não são identificáveis nem nos dados

observados nem em 2L24, também estão. Na análise do índice da AMO no HM, não aparece

nenhuma oscilação persistente que possa ser caracterizada como multidecadal.

Capítulo 6: Conclusões 93

O índice que representa a monção da América do Sul (Silva e Carvalho, 2006),

calculado para as duas simulações, apresenta no presente e no HM configuração espacial

bastante semelhante à observada. O escalograma de energia da série temporal deste índice não

aponta diferenças entre a potência do ciclo anual nestes dois períodos, sugerindo que a

atenuação do ciclo sazonal da insolação no HM não teria sido suficiente para enfraquecer o

sistema monçônico da América do Sul. O ciclo anual foi então extraído para avaliar

flutuações com freqüências menores que 1 ano. O escalograma da série de anomalias do

índice mostra que nas duas simulações o índice é modulado por oscilações que variam entre

as escalas de 1 e 20 anos, com a energia do espectro global decrescendo quanto maior a

escala.

A última etapa do trabalho compreendeu a análise de ondeletas cruzadas entre o índice

de monção da América do Sul e os dois primeiros modos de variabilidade de cada um dos

oceanos, no presente e no HM. Comparando as análises de cada simulação, algumas

diferenças gerais podem ser percebidas. No presente, a coerência entre o índice da monção e a

variabilidade da TSM dos oceanos é média-alta na escala de variabilidade do ENSO, porém

esta coerência não é persistente na escala (é alta apenas durante a ocorrência dos eventos). Na

simulação do HM, o índice da monção apresenta coerência maior e mais persistente com a

variabilidade dos oceanos na escala do ENSO, principalmente do Atlântico. A escala decadal

também ganha maior importância neste período.

A principal causa da maior coerência e persistência da monção com a variabilidade dos

oceanos na escala do ENSO, constatada no HM, pode ser atribuída à variabilidade temporal

do próprio fenômeno ENSO neste período. Apesar do ENSO aparecer enfraquecido na

simulação do HM, o seu sinal era mais regular. Na simulação do presente os eventos do

ENSO aparentemente eram mais intensos, porém irregulares, por isto a alta coerência com a

monção da América do Sul é episódica. Já no HM, com um sinal mais constante, a coerência

apresenta maior persistência.

Sugestões para trabalhos futuros

A análise da variabilidade acoplada entre a monção da América do Sul e a TSM dos

oceanos precisa ser aprofundada, para melhor determinar os níveis de coerência constatados

neste estudo. O ENSO mostrou ser uma influência importante, portanto a mesma análise por

transformada de ondeletas cruzadas poderia ser aplicada utilizando o índice do Niño3. Da

mesma forma, seria interessante setorizar a análise em áreas menores dos oceanos, e.g. em


Atlântico Sul, Equatorial e Norte, possibilitando assim identificar qual setor exerce maior

influência sobre o sistema monçônico do continente.

Outra abordagem possível é regionalizar também a análise sobre áreas continentais.

Poderiam ser avaliados os níveis de coerência entre a precipitação de regiões distintas da

América do Sul – e.g. o NE brasileiro, a Amazônia, o norte da Argentina/Paraguai e o SE do

Brasil – e os diversos setores oceânicos. Sugere-se realizar investigação análoga com o vento

em baixos níveis. Isto resultaria num quadro muito mais detalhado do sistema monçônico,

evidenciando também a variabilidade espacial.

As forçantes remotas que afetam o sistema monçônico da América do Sul também

poderiam ser avaliadas através de Funções de Influência. Situando pontos-alvo sobre as

regiões onde se espera atividade convectiva sobre o continente, obtêm-se, com esta análise, as

regiões de origem dos padrões de teleconexão (i.e. as forçantes remotas) que interferem nesta

atividade. Esta análise complementaria a investigação acerca da influência de setores

específicos dos oceanos sobre regiões distintas de atuação da monção.

As mudanças do ENSO entre o HM e o presente neste modelo também necessitam ser

melhor investigadas. Os resultados deste estudo sugerem que, em 6 ka AP, os eventos teriam

sido mais fracos porém mais regulares; ainda assim, aparentemente exerciam maior influência

sobre o regime de precipitação monçônica na América do Sul. Análises de correlação entre o

índice mensal Niño3 e as variáveis atmosféricas (PPT, vento e PNM) na América do Sul,

utilizando o método SVD (Singular Value Decomposition), isoladamente para os eventos

mais intensos, possibilitaria determinar os padrões em que se estabelece a coerência com a

monção.

É também evidente que uma análise multi-modelo deve ser realizada para que os

resultados possam ter maior significância estatística. Modelos distintos levam, em geral, a

climas distintos, pelo menos no que se refere aos padrões de variabilidade. Estes modelos

diferem menos entre si no clima médio do que nos modos de variabilidade.

REFERÊNCIAS BIBLIOGRÁFICAS

Abbott MB, Wolfe BB, Wolfe AP, Seltzer GO, Aravena R, Mark BG, Polissar PJ, Rodbell

DT, Rowe HD, Vuille M. 2002. Holocene paleohydrology and glacial history of the central

Andes using multiproxy lake sediment studies. Palaeogeography, Palaeoclimatology,

Palaeoecology, 194: 123-138.

Albuquerque ALS, Turcq B, Evangelista H, Schnack E. 2006. South America past climate. In:

Environmental changes in South America in the last 10k years: Atlantic and Pacific

controls and biogeophysical effects. IAI SGP-078 Final Scientific Report. 192p.

Alder RF, Huffman GJ, Chang A, Ferraro R, Xie PP, Janowiak J, Rudolf B, Schneider U,

Curtis S, Bolvin D, Gruber A, Susskind J, Arkin P, Nelkin E. 2003. The version-2 Global

Precipitation Climatology Project (GPCP) monthly precipitation analysis (1979-present).

Journal of Hydrometeorology, 4 (6): 1147-1167.

Ambrizzi T, Rutland J, Kayano M, Silva Dias PL. 2006. South America present climate. In:

Environmental changes in South America in the last 10k years: Atlantic and Pacific

controls and biogeophysical effects. IAI SGP-078 Final Scientific Report. 192p.

Andreoli RV, Kayano MT. 2004. Multi-scale variability of the sea surface temperature in the

Tropical Atlantic. Journal of Geophysical Research, 109: C05009.

Andreoli RV, Kayano MT. 2005. ENSO-related rainfall anomalies in South America and

associated circulation features during warm and cold Pacific Decadal Oscillation regimes.

International Journal of Climatology, 25: 2017-2030.

Aravéquia JA. 2003. Funções de Influência com dependência temporal: aplicações na

interpretação da deriva de prognósticos de tempo e da gênese de anomalias climáticas.

Tese de Doutorado, IAG/USP, 242p.

Baker PA, Seltzer GO, Fritz SC, Dunbar RB, Grove MJ, Tapia PM, Cross SL, Rowe HD,

Broda JP. 2001. The history of south american tropical precipitation for the past 25000

years. Science, 291: 640-643.

Beer J. 2002. Editorial. Joint edition of the IGBP: Pages News, 13(3) and Clivar Exchanges,

11(1), n.36: 2-3.


Behling H. 1995. Investigation into the Late Pleistocene and Holocene history of vegetation

and climate in Santa Catarina (S Brazil). Vegetation History and Archaeobotany, 4: 127-

152.

Behling H, Hooghiemstra H. 2000. Holocene Amazon rainforest-savanna dynamics and

climatic implications: high resolution pollen record from Laguna Loma Linda in eastern

Colombia. Journal of Quaternary Science, 15(7): 687-695.

Berger A. 1978. Long-term variations of daily insolation and Quaternary climatic changes.

Journal of Atmospheric Sciences, 35: 2362-2367.

Bjerknes J. 1969. Atmospheric teleconnections from the equatorial Pacific. Monthly Weather

Review, 97: 163-172.

Björnsson H, Venegas SA. 1997. A manual for EOF and SVD analyses of climatic data.

CCGCR Report, 97-1. McGill University, Québec. 52p.

Braconnot P, Marti O, Joussaume S, Leclainche Y. 2000. Ocean feedback in response to 6 kyr

BP insolation, Journal of Climate, 13: 1537-1553.

Braconnot P, Loutre MF, Dong B, Joussaume S, Valdes PJ and PMIP participating groups.

2002. How the simulated change in monsoon at 6 ka BP is related to the simulation of the

modern climate: results from the Paleoclimate Modeling Intercomparision Project. Climate

Dynamics, 19: 107-121.

Braconnot P, Joussaume S, Harrison SP, Hewitt C, Valdes PJ, Ramstein G, Stouffer RJ, Otto-

Bliesner BL, Taylor KE. 2003. The second phase of the Paleoclimate Modeling

Intercomparision Project (PMIP-II). Clivar Exchanges, 8(4): 19-20.

Braconnot P, Harrison SP, Joussaume J, Hewitt C, Kitoh A, Kutzbach J, Liu Z, Otto-Bliesner

BL, Syktus J, Weber SL. 2004. Evaluation of coupled ocean-atmosphere simulations of the

Mid-Holocene. In: Batterbee et al. (ed.) Past climate variability trough Europe and Africa.

Kluwer, Dordrecht.

Burroughs WJ. 1992. Weather cycles: real or imaginary? Cambridge University Press, 207p.

Cane MA. 2005. The evolution of El Niño, past and future. Earth and Planetary Science

Letters, 230: 227-240.

Cardoso AO. 2001. A influência da temperatura da superfície do mar no clima de inverno da

cidade de São Paulo. Dissertação de Mestrado, IAG/USP, 167p.

Chavez RR, Nobre P. 2004. Interactions between sea surface temperatures over the South

Atlantic ocean and the South Atlantic Convergence Zone. Geophysical Research Letters,

31: L0320410.

Referências Bibliográficas 97

Clauzet G, Silva Dias PL, Wainer I, Jorgetti T, Turcq B, Compagnucci RH. 2006. Overview

of numerical modeling studies of the mid-Holocene in South America. In: Environmental

changes in South America in the last 10k years: Atlantic and Pacific controls and

biogeophysical effects. IAI SGP-078 Final Scientific Report. 192p.

Clement AC, Seager R, Cane MA. 1999. Orbital controls on ENSO and the tropical climate.

Paleoceanography, 14: 441-456.

Colinvaux PA, Olson K, Liu KB. 1988. Late-glacial and Holocene pollen diagram from two

endorheic lakes of the inter-Andean plateau of Ecuador. Review of Palaeobotany and

Palynology, 55: 83-99.

Corti S, Molteni F, Palmer TN. 1999. Signature of recent climate change in frequencies of

natural atmospheric regimes. Nature, 398: 799-802.

Crucifix M, Braconnot P, Harrison SP, Otto-Bliesner B. 2005. Second phase of Paleoclimate

Modelling Intercomparison Project. EOS, 86(28).

Diaz AF, Studzinski CD, Mechoso CR. 1998. Relationships between precipitation anomalies

in Uruguay and Southern Brazil and sea surface temperature in the Pacific and Atlantic

oceans. Journal of Climate, 11: 251-271.

Dommenget D, Latif M. 2000. Interannual to decadal variability in the tropical Atlantic.

Journal of Climate, 13: 777-792.

Doyle ME, Barros VR. 2002. Midsummer low-level circulation and precipitation in

subtropical South America and related sea-surface temperature anomalies in the South

Atlantic. Journal of Climate, 15: 3394-3410.

Enfield DB, Mestas-Nuñez AM, Trimble PJ. 2001. The Atlantic Multi-decadal Oscillation

and its relationship to rainfall and river flows in continental U.S.. Geophysical Research

Letters, 28: 2077-2080.

Farge M. 1992. Wavelet transforms and their applications to turbulence. Annual Review Fluid

Mechanics, 24: 395-457.

Fichefet T, Morales Maqueda MA. 1997. Sensitivity of a global sea ice model to the treatment

of ice thermodynamics and dynamics. Journal of Geophysical Research, 102(C6): 12609-

12646.

Figueroa SN, Nobre CA. 1990. Precipitation distribution over Central and Western Tropical

South America. Climanálise, 5(6): 36-45.

Garcia SR, Kayano MT. 2006. South American monsoon during the two phases of the Pacific

Decadal Oscillation. Proceedings of 8th ICSHMO. Foz do Iguaçú, Instituto Nacional de

Pesquisas Espaciais, p. 1049-1055.


Gray ST, Graumlich LJ, Betancourt JL, Pederson GT. 2004. A tree-ring based reconstruction

of the Atlantic Multidecadal Oscillation since 1567 A.D. Geophysical Research Letters,

31: L12205.

Grimm AM, Ferraz S, Gomez J. 1998. Precipitation anomalies in southern Brazil associated

with El Niño and La Niña events. Journal of Climate, 11: 2863-2880.

Grimm AM, Vera C, Mechoso CR. 2005. The South American Monsoon System. The Global

Monsoon System: Research and Forecast. WMO – IWM-III (15): 219-238.

Grinsted A, Moore JC, Jevrejeva S. 2004. Application of cross wavelet transform and wavelet

coherence to geophysical time series. Nonlinear Processes in Geophysics, 11: 561-566.

Grosjean M, van Leeuwen JFN, van der Knaap WO, Geyh MA, Ammann B, Tanner W,

Messerli B, Veit H. 2001. A 22,000 14C yr BP sediment and pollen record of climate

change from Laguna Miscanti, 24oS, northern Chile. Global and Planetary Change, 28:

35-51.

Hannachi A. 2004. A primer for EOF analysis of climate data. Department of Meteorology,

University of Reading, U.K. 33p.

Hare SR. 1996. Low frequency variability and salmon production. Tese de Doutorado,

University of Washington, USA. 306p.

Harrison SP. 2006. Land-surface changes: feedbacks and climate forcing. Joint edition of the

IGBP: Pages News, 13(3) and Clivar Exchanges, 11(1), n.36: 21-22.

Harrison SP, Braconnot P, Joussaume S, Hewitt C, Stouffer RJ. 2002. Fourth international

workshop of The Palaeoclimate Modelling Intercomparison Project (PMIP): launching

PMIP Phase II. EOS, 83: 447-447.

Harrison SP, Kutzbach J, Liu Z, Bartlein PJ, Otto-Bliesner B, Muhs D, Prentice IC,

Thompson RS. 2003. Mid-Holocene climates of the Americas: a dynamical response to

changed seasonality. Climate Dynamics, 20: 663-688.

Haug GH, Hughen KA, Sigman DM, Peterson LC, Rohl U. 2001. Southward migration of the

Intertropical Convergence Zone through the Holocene. Science, 293: 1304-1308.

Hirose M, Kutzbach JE. 1969. An alternate method for eigenvector computations. Journal of

Applied Meteorology, 8: 701.

Hourdin F, Musat I, Bony S, Braconnot P, Codron F, Dufresne JL, Fairhead L, Filiberti MA,

Friedlingstein P, Grandpeix JY, Krinner G, LeVan P, Li ZX, Lott F. 2006. The LMDZ4

general circulation model: climate performance and sensitivity to parametrized physics

with emphasis on tropical convection. Climate Dynamics, 27 :787-813.


Hurrell JW. 1995. Decadal trends in the North Atlantic Oscillation and relationships to

regional temperature and precipitation. Science, 269: 676-679.

IPCC. 2007. Working Group I: the physical basis of climate change. Fourth Assessment

Report. WMO/UNEP.

Jansen E, Weaver A. 2006. CLIVAR/PAGES Intersection Panel: Understanding natural

climate variability through integrating the climate dynamics and paleoclimate

communities. Joint edition of the IGBP: Pages News, 13(3) and Clivar Exchanges, 11(1),

n.36: 2.

Jorgetti T. 2004. Análise de uma modelagem do clima tropical atual da América do Sul e em

6000 anos AP. Dissertação de mestrado, IAG/USP. 105p.

Joussaume S, Taylor KE. 1995. Status of the Paleoclimate Modeling Intercomparision

Project. Proceedings of the first international AMIP scientific conference. Monterey,

WCRP-92, p. 425-430.

Joussaume S, Braconnot P. 1997. Sensitivity of paleoclimate simulation results to season

definitions. Journal of Geophysical Researchi, 102(D2): 1943-1956.

Kalnay E et al. 1996. The NCEP/NCAR Reanalysis 40-year Project. Bulletin of the American

Meteorological Society, 77: 437-471.

Kang IS. 1996. Association of interannual and interdecadal variations of global-mean

temperature with tropical Pacific SST appearing in a model and observations. Journal of

Climate, 9: 455-464.

Kaplan A, Cane M, Kushnir Y, Clement A, Blumenthal M, Rajagopalan B. 1998. Analyses of

global sea surface temperature 1856-1991. Journal of Geophysical Research, 103: 18567-

18589.

Kerr R. 2000. A North Atlantic climate pacemaker for the centuries. Science, 288(5473): 1984

Kerr R. 2005. Atlantic climate pacemaker for millennia past, decades hence? Science, 309:

41-42.

Kim JH, Schneider R, Hebbeln D, Muller PJ, Wefer G. 2002. Last deglacial sea-surface

temperature evolution in the Southeast Pacific compared to climate changes on the South

American continent. Quaternary Science Reviews, 21: 2085-2097.

Kitoh A, Murakami S. 2002. Tropical Pacific climate at the mid-Holocene and the Last

Glacial Maximum simulated by a coupled ocean-atmosphere general circulation model.

Paleoceanography, 17:


Kodama YM. 1992. Large-scale common features of sub-tropical precipitation zones (the

Baiu Frontal Zone, the SPCZ, and the SACZ). Part I: characteristics of subtropical frontal

zones. Journal of the Meteorological Society of Japan, 70: 813-835.

Kodama YM. 1993. Large-scale common features of sub-tropical precipitation zones (the

Baiu Frontal Zone, the SPCZ, and the SACZ). Part II: Conditions of the circulations for

generating the STCZs. Journal of the Meteorological Society of Japan, 71: 581-610.

Koutavas A, de Menocal PB, Lynch-Stieglitz J. 2006. Holocene trends in the tropical Pacific

sea surface temperatures and the El Niño–Southern Oscillation. PAGES News, 14(3): 22-

23.

Krinner G, Viovy N, de Noblet-Ducoudré N, Ogée J, Polcher J, Friedlingstein P, Ciais P,

Sitch S, Prentice C. 2005. A dynamic global vegetation model for studies of the coupled

atmosphere-biosphere system. Global Biogeochemical Cycles, 19: GB1015.

Lau KM, Weng HY. 1995. Climate signal detection using wavelet transform: how to make a

time series sing. Bulletin of the American Meteorological Society, 76(12): 2391-2402.

Lau KM, Weng HY. 1999. Interannual, decadal-interdecadal, and global warming signals in

sea surface temperature during 1955-97. Journal of Climate, 12: 1257-1267.

Liu Z, Kutzbach J, Wu L. 2000. Modeling climate shift of El Niño variability in the Holocene.

Geophysical Research Letters, 27(15): 2265-2268.

Liu Z, Harrison SP, Kutzbach J, Otto-Bliesner BL. 2004. Global monsoons in the mid-

Holocene and oceanic feedback. Climate Dynamics, 22: 157-182.

Madec G, Imbard M. 1996. A global ocean mesh to overcome the north pole singularity.

Climate Dynamics, 12(6): 381–388.

Mantua NJ, Hare SR, Zhang Y, Wallace JM, Francis RC. 1997. A Pacific interdecadal climate

oscillation with impacts on salmon production. Bulletin of the American Meteorological

Society, 78: 1069-1079.

Mantua NJ, Hare SR. 2002. The Pacific Decadal Oscillation. Journal of Oceanography, 58:

35-44.

Maraun D, Kurths J. 2004. Cross wavelet analysis: significance testing and pitfalls. Nonlinear

Processes in Geophysics, 11: 505-514.

Marti O, Braconnot P, Bellier J, Benshila R, Bony S, Brockmann P, Cadule P, Caubel A,

Denvil S, Dufresne JL, Fairhead L, Filiberti MA, Foujols MA, Fichefet T, Friedlingstein P,

Gosse H, Grandpeix JY, Hourdin F, Krinner G, Lévy C, Madec G, Musat I, Noblet N de,

Polcher J, Talandier C. 2006. The new IPSL climate system model: IPSL-CM4. Note du

Pôle de Modélisation, 26. Institut Pierre Simon Laplace. 82p.


Mayle FE, Burbridge R, Killeen TJ. 2000. Millenial-scale dynamics of southern Amazonian

rainforests. Science, 290: 2291-2294.

Mechoso CR, Robertson AW, Ropelewski CF, Grimm AM. 2005. The american monsoon

systems: an introduction. The Global Monsoon System: Research and Forecast. WMO –

IWM-III (13): 197-206.

Meyers SD, Kelly BG, O’Brien JJ. 1993. An introduction to wavelet analysis in oceanography

and meteorology: with application to the dispersion of Yanai waves. Monthly Weather

Review, 121: 2858-2866.

Meyers SD, O’Brien JJ, Thelin E. 1999. Reconstruction of monthly SST in the tropical

Pacific Ocean during 1868-1993 using adaptive climate basis functions. Monthly Weather

Review, 127: 1599-1612.

Mo KC, Hakkinen S. 2001. Decadal variations in the Tropical South Atlantic and linkages to

the Pacific. Geophysical Research Letters, 28(10): 2065-2068.

Monahan AH, Pandolfo L, Fyfe JC. 2001. The preferred structure of variability of the

Northern Hemisphere atmospheric circulation. Geophysical Research Letters, 28: 1019-

1022.

Nieuwolt S. 1977. Tropical Climatology. John Wiley & Sons. 207p.

North GR, Bell TL, Cahalan RF, Moeng FJ. 1982. Sampling errors in the estimation of

empirical orthogonal functions. Monthly Weather Review, 110: 699-706.

Paegle JN, Mo K. 2002. Linkages between summer rainfall variability over South America

and sea surface temperature anomalies. Journal of Climate, 15: 1389-1407.

Palmer TN. 1999. A nonlinear dynamical perspective on climate prediction. Journal of

Climate, 12: 575-591.

PMIP-II Project Home Page. 2005. Boundary Conditions. Disponível em http://www-

lsce.cea.fr/pmip2/.

Quadrelli R, Wallace JM. 2004. A simplified linear framework for interpreting patterns of

Northern Hemisphere wintertime climate variability. Journal of Climate, 17: 3728-3744.

Raynaud D, Jouzel J, Barnola JM, Chappellaz J, Delmas RJ, Lorius C. 1993. The ice record of

greenhouse gases. Science, 259: 926-934.

Rayner NA, Parker DE, Horton EB, Folland CK, Alexander LV, Rowell DP, Kent EC,

Kaplan A. 2003. Global analyses of sea surface temperature, sea ice and night marine air

temperature since the late nineteenth century. Journal of Geophysical Research, 108(D14):

4407.


Rimbu N, Lohmann G, Lorenz SJ, Kim JH, Schneider RR. 2004. Holocene climate variability

as derived from alkenone sea surface temperature and coupled ocean-atmosphere model

experiments. Climate Dynamics, 23: 215-227.

Robertson A, Mechoso CR. 2000. Interannual and interdecadal variability of the South

Atlantic Convergence Zone. Monthly Weather Review, 128: 2947-2957.

Rodbell DT, Seltzer GO, Anderson DM, Abbott MB, Enfield DB, Newman JH. 1999. A

15000 –year record of El Niño alleviation in southwestern Ecuador. Science, 283: 516-520.

Rodwell MJ, Hoskins BJ. 2001. Subtropical anticyclones and summer monsoons. Journal of

Climate, 14: 3192-3211.

Ropelewski CF, Jones PD. 1987. An extension of the Tahiti-Darwin Southern Oscillation

Index. Monthly Weather Review, 115: 2161-2165.

Ropelewski CF, Halpert MS. 1987. Global and regional scale precipitation patterns associated

with the El Niño/Southern Oscillation. Monthly Weather Review, 115: 1606-1626.

Satyamurty P, Nobre CA, Silva Dias PL. 1998. Chapter 3C: South America. Meteorological

Monographs 27(49): 119-139.

Sifeddine A, Albuquerque ALS, Ledru M-P, Turcq B, Knoppers B, Martin L, Mello WZ,

Passenau H, Dominguez JML, Cordeiro RC, Abrão JJ, Bittencourt ACSP. 2003. A 21000

cal years paleoclimatic record from Caçó lake, northern Brasil: evidence from sedimentary

and pollen analyses. Palaeogeography, Palaeoclimatology, Palaeoecology, 189: 25-34.

Silva AE, Carvalho LMV. 2006. Large-scale Index for South America Monsoon (LISAM).

(submetido ao Atmospheric Science Letters)

Silva Dias PL, Silva Dias MAF, Braconnot P, Turcq B, Jorgetti T. 2006. Evaluation of model

simulation of 6 ka BP and present climate in tropical South America. (submetido ao

Climate Dynamics)

Schlesinger ME, Ramankutty N. 1994. An oscillation in the global climate system of period

65-70 years. Nature, 367: 723-726.

Smith TM, Reynolds RW. 2004: Improved Extended Reconstruction of SST (1854–1997).


Tonni EP, Cione AL, Figini AJ. 1999. Predominance of arid climates indicated by mammals

in the pampas of Argentina during Late Pleistocene and Holocene. Palaeogeography,

Palaeoclimatology, Palaeoecology, 147: 257-281.

Tonni EP, Cione AL, Figini AJ. 2001. Chronology of Holocene pedogenetic events in the

pampean area of Argentina. Current research in the Pleistocene, 18: 124-127.


Torrence C, Compo GP. 1998. A practical guide to wavelet analysis. Bulletin of the American

Meteorological Society, 79(1): 61-78.

Torrence C, Webster PJ. 1999. Interdecadal changes in the ENSO–Monsoon system. Journal

of Climate, 12: 2679-2690.

Trenberth KE. 1997. The Definition of El Niño. Bulletin of the American Meteorological

Society, 78: 2771-2777.

Trewartha GT. 1961. The Earth’s Problem Climates. The University of Wisconsin Press.

334p.

Troup AJ. 1965. The Southern Oscillation. Quarterly Journal of the Royal Meteorological

Society, 91: 490-506.

Tudhope AW, Chilcott CP, McCulloch MT, Cook ER, Chappell J, Ellam RM, Lea DW,

Lough JM, Shimmield GB. 2001. Variability in the El Niño-Southern Oscillation through a

glacial-interglacial cycle. Science, 291: 1511-1517.

Turcq B, Sifeddine A, Martin L, Absy ML, Soubies F, Suguio K, Volkmer-Ribeiro C. 1998.

Amazonia rainforest fires: a lacustrine record of 7000 years. Ambio, 27: 139-142.

Turcq B, Cordeiro RC, Albuquerque ALS, Sifeddine A, Simões Filho FFL, Souza AG, Abrão

JJ, Oliveira FBL, Silva AO, Capitâneo JA. 2002. Accumulation of organic carbon in five

Brazilian lakes during the Holocene. Sedimentary Geology, 148(1-2): 319-342.

Valdes PJ. 2000. South American palaeoclimate model simulations: how reliable are the

models? Journal of Quaternary Science, 15(4): 357-368.

Venegas SA, Mysak LA, Straub DN. 1997. Atmosphere-ocean coupled variability in the

South Atlantic. Journal of Climate, 10: 2904-2920.

Vera C, Higgins W, Amador J, Ambrizzi T, Garreaud R, Gochis D, Gutzler D, Lettenmaier D,

Marengo J, Mechoso CR, Nogués-Paegle J, Silva Dias PL, Zhang C. 2005: A unified view

of the american monsoon systems. (aceito pelo Journal of Climate, na edição especial do

1st CLIVAR Science Conference)

Vitorino MI, Silva Dias PL, Ferreira NJ. 2006. Observational study of the seasonality of the

submonthly and intraseasonal signal over the tropics. Meteorology and Atmospheric

Physics, 93: 17-35.

Wang B, Wang Y. 1996. Temporal structure of the Southern Oscillation as revealed by

waveform and wavelet analysis. Journal of Climate, 9: 1586-1598.

Weare BC, Nasstrom JS. 1982. Examples of extended empirical orthogonal function analyses.

Monthly Weather Review, 110: 481-485.


Weng HY, Lau KM. 1994. Wavelet, period-doubling and time-frequency localization with

application to satellite data analysis. Journal of the Atmospheric Sciences, 51: 2523-2541.

Wilks DS. 2006. Statistical methods in the Atmospheric Sciences. 2nd Ed. Elsevier Academic

Press. 627p.

Wohlfahrt J, Harrison SP, Braconnot P. 2004. Synergistic feedbacks between the ocean and

vegetation on mid- and high-latitude climates during the mid-Holocene. Climate

Dynamics, 22: 223-238.

Yu JY, Mechoso CR. 1999. Links between annual variations of Peruvian stratocumulus

clouds and of SST in the eastern equatorial Pacific. Journal of Climate, 12: 3305-3318.

Zhang Y, Wallace JM, Battisti DS. 1997. ENSO-like interdecadal variability: 1900-93.


Zhao Y, Braconnot P, Marti O, Harrison SP, Hewitt C, Kitoh A, Liu Z, Mikolajewicz U, Otto-

Bliesner B, Weber SL. 2005. A multi-model analysis of the role of the ocean on the

African and Indian monsoon during the mid-Holocene. Climate Dynamics, 25: 777-800.

Zhou JY, Lau KM. 1998. Does a monsoon climate exist over South America? Journal of

Climate, 11: 1020-1040.

u sÃo paulo...ao laboratório master, pela resolução dos problemas de hardware e software. À...

Documents