Universidade de São Paulo

Escola Superior de Agricultura “Luiz de Queiroz”

Estimativa de precipitação pluvial por satélites para o estado do Mato

Grosso

Karlmer Abel Bueno Corrêa

Dissertação apresentada para obtenção do título de Mestre

em Ciências. Área de concentração: Engenharia de
Sistemas Agrícolas

Piracicaba
2020
 1

Karlmer Abel Bueno Corrêa

Engenheiro Agrônomo

Estimativa de precipitação pluvial por satélite para o estado do Mato Grosso

versão revisada de acordo com a resolução CoPGr 6018 de 2011

Orientador:
Prof. Dr. FELIPE GUSTAVO PILAU

Dissertação apresentada para obtenção do título de Mestre

em Ciências. Área de concentração: Engenharia de
Sistemas Agrícolas

Piracicaba
2020
2

Dados Internacionais de Catalogação na Publicação

DIVISÃO DE BIBLIOTECA – DIBD/ESALQ/USP

Corrêa, Karlmer Abel Bueno

Estimativa de precipitação pluvial por satélite para o estado do Mato Grosso
/ Karlmer Abel Bueno Corrêa. - - versão revisada de acordo com a resolução
CoPGr 6018 de 2011. - - Piracicaba, 2020.
61 p.

Dissertação (Mestrado) - - USP / Escola Superior de Agricultura “Luiz de

Queiroz”.

1. Chuva 2. Geoprocessamento 3. Sensoriamento remoto 4. Variabilidade

temporal I. Título
 3

DEDICATÓRIA

Aos meus queridos pais

Sonia e Cleber
4

AGRADECIMENTOS

Aos meus pais, Cleber e Sonia, por todo o suporte e amor para que eu pudesse finalizar
mais uma etapa da minha vida.
À minha companheira Raissa Tandara, por aventurar-se ao meu lado por todos esses
anos, com carinho e amizade.
Ao meu orientador Prof. Dr. Felipe Gustavo Pilau, pelos ensinamentos, oportunidades
e orientação durante essa etapa.
Aos integrantes do Grupo GEPEMA-AGRIMET, por todo o apredizado e pela amizade,
em especial a Brena, amiga de viagens marcantes, pelo companherismo e por todas as risadas.
Ao Departamento de Biossistemas e ao Programa de Pós Graduação em Engenharia de
Sistemas Agrícolas, por permitir me desenvolver como pesquisador e possibilitar tanto
crescimento como pessoa e como profissional.
À SMARTAGRI e seus funcionários, em especial ao Fernando e ao Mateus, pelo
apredizado e parceria durante a realização desse projeto.

À CAPES, pela concessão da bolsa de estudos.

 5

SUMÁRIO

RESUMO ................................................................................................................................... 7
ABSTRACT ............................................................................................................................... 8
1. INTRODUÇÃO GERAL ....................................................................................................... 9
REFERÊNCIAS ....................................................................................................................... 10
2. ESTIMATIVA DA PRECIPITAÇÃO POR SATÉLITES PARA REGIÕES
PLUVIOMÉTRICAS HOMOGÊNEAS NO ESTADO DO MATO GROSSO ...................... 15
RESUMO ................................................................................................................................. 15
ABSTRACT ............................................................................................................................. 15
2.1. INTRODUÇÃO ............................................................................................................. 16
2.2. MATERIAL E MÉTODOS ........................................................................................... 18
2.2.1. Área de estudo ......................................................................................................... 18
2.2.2. Dados de precipitação medidos e estimados para o Mato Grosso ........................... 18
2.2.3. Regiões pluviométricas homogêneas do Mato Grosso ............................................ 21
2.3. RESULTADOS E DISCUSSÃO ................................................................................... 22
2.3.1. Análise dos dados de precipitação estimados pelo CHIRPS ................................... 22
2.3.2. Regiões pluviométricas homogênas no estado do Mato Grosso .............................. 25
2.4. CONCLUSÃO ............................................................................................................... 30
REFERÊNCIAS ....................................................................................................................... 31
3. ANÁLISES TEMPORAIS DOS DADOS DE PRECIPITAÇÃO ESTIMADOS POR
SATÉLITES PARA O ESTADO DO MATO GROSSO......................................................... 41
RESUMO ................................................................................................................................. 41
ABSTRACT ............................................................................................................................. 41
3.1. INTRODUÇÃO ............................................................................................................. 42
3.2. MATERIAL E MÉTODOS ........................................................................................... 43
3.2.1. Área de estudo ......................................................................................................... 43
3.2.2. Aquisição dos dados meteorológicos ....................................................................... 44
3.2.3. Produto GPM ........................................................................................................... 45
3.2.4. Produto GSMaP ....................................................................................................... 45
3.2.5. Produto PERSIANN ................................................................................................ 46
3.2.6. Produto CHIRPS ...................................................................................................... 46
3.2.7. Informações dos bancos de dados e das escalas temporais ..................................... 47
3.2.8. Análise estatística dos dados.................................................................................... 47
6

3.3. RESULTADOS E DISCUSSÃO ................................................................................... 48

3.4. CONCLUSÃO ............................................................................................................... 57
REFERÊNCIAS ....................................................................................................................... 57
 7

RESUMO

Estimativa de precipitação pluvial por satélites para o estado do Mato Grosso

Estudos do uso de produtos de satélite para a execução de planejamentos e

monitoramentos relacionados a estimativas de precipitação pluvial têm aumentado nos últimos
anos, procurando avaliar as diferenças das dinâmicas locais da precipitação. Porém, conforme
a existência de um baixo número de postos pluviométricos em algumas regiões do Brasil,
avançar nessas análises pode propiciar melhorias do entendimento sazonal espacializado da
precipitação como ferramenta de gestão agrícola. O objetivo deste trabalho foi analisar uma
longa série de dados de estimativa de precipitação por sensoriamento remoto, com o intuito
identificar regiões pluviométricas homogêneas no estado do Mato Grosso. Foram utilizados
dados estimados de precipitação pluvial mensal média do satélite CHIRPS para 170 localidades
que possuem estações automáticas e pluviométricas distribuídas no território do estado.
Posteriormente, definidas essas regiões, utilizando diferentes produtos de estimativa de
precipitação pluvial, avaliou-se suas diferentes performances em diferentes escalas de tempo.
Na primeira etapa, obteve-se os dados na escala diária pelo Instituto Nacional de Meteorologia
e pela Agência Nacional de Águas, correspondendo à série temporal de abril de 2014 a maio de
2018. Depois de identificada a performance dos satélites em relação às estações, executou-se
uma segunda etapa, usando as mesmas localidades, só que dividindo-se as estações em quatro
regiões pluviométricas homogêneas. Como resultados são apresentadas as variações da
precipitação pluvial das regiões estabelecidas de forma diária, mensal, anual e pela alternância
entre estações secas e úmidas. Conclui-se que, para o estado do Mato Grosso, a utilização dos
produtos CHIRPS e GPM providenciam diferentes propostas de utilização, podendo ser usados
tanto no monitoramento climatológico como regional.

Palavras-chave: Geoprocessamento, Variabilidade da chuva, Banco de dados, Sensoriamento

remoto.
8

ABSTRACT

Rainfall estimated by satellites for the state of Mato Grosso

Studies of the use of satellite products for the execution of planning and monitoring
related to rainfall estimates have increased in recent years, seeking to assess the differences in
local rainfall dynamics. However, depending on the existence of a low number of rainfall
stations in some regions of Brazil, advancing these analyses may provide improvements in the
spatialized seasonal understanding of rainfall as an agricultural management tool. The objective
of this work was to analyze a long series of remote sensing rainfall estimation data in order to
identify homogeneous rainfall regions in the state of Mato Grosso. Estimated monthly rainfall
data from the CHIRPS satellite were used for 170 locations that have automatic and
pluviometric stations distributed in the territory of the state. Subsequently, these regions were
defined, using different rainfall estimation products, and their different performances were
evaluated at different time scales. In the first stage, data was obtained on a daily scale by the
National Institute of Meteorology and the National Water Agency, corresponding to the time
series from April 2014 to May 2018. After identifying the performance of the satellites in
relation to the stations, a second stage was performed, using the same locations, but dividing
the stations into four homogeneous rain regions. The results are presented as rainfall variations
of the established regions on a daily, monthly and annual basis and by alternating dry and wet
stations. It is concluded that, for the state of Mato Grosso, the use of CHIRPS and GPM
products provide different proposals for use, and can be used in both climatological and regional
monitoring.

Keywords: Geoprocessing, Rainfall variability, Database, Remote sensing

 9

1 INTRODUÇÃO GERAL

Devido à grande extensão territorial do Brasil, com suas divergentes regiões, biomas e
relevos, analisar as condições atmosféricas, principalmente o ciclo hídrico, não é uma tarefa
simples. Um número reduzido de estações meteorológicas, situação observada em diversas
regiões do país, aumenta ainda mais essa dificuldade (KUCERA et al., 2013).
A análise de dados coletados por estações distantes entre si pode não retratar a plena
condição meteorológica e climática de uma região. Por isso, quanto maior o número de estações
operantes em um espaço, melhor será o retrato das mudanças e das condições meteorológicas
atuais da região, principalmente com relação às variáveis ambientais que normalmente
apresentam maior variação no espaço e no tempo, como a precipitação pluvial, com grande
dinâmica, sobretudo, na escala diária (SALIO et al., 2015).
No Brasil, a distribuição espacial desses pontos de medição é desuniforme, e o número
ou densidade de estações por unidade da federação é heterogêneo (ADAMI et al., 2006;
INMET, 2020). Nem todos os munícipios possuem registros locais e, muitas vezes, faz-se
necessário o uso dos dados de uma estação próxima para qualquer análise agrometeorológica.
Essa é a característica dos estados da região Centro-Oeste do Brasil (SABINO, 2018;
SIQUEIRA et al., 2012).
Mesmo que haja estações meteorológicas em uma região, quando o objetivo é avaliar
ou utilizar dados de precipitação, pode-se recorrer às alternativas remotas, radares e satélites
meteorológicos, capazes de fornecer informação em maior resolução espacial. No Brasil, onde
a distribuição e organização de dados de radares meteorológicos ainda são deficitárias, o uso
de imagem de satélites é a melhor alternativa (COSTA et al., 2019)
A utilização do sensoriamento remoto permite observar mudanças espaciais e temporais
em nível de paisagem e seus efeitos decorrentes à atmosfera, resultando em um crescente
número de estudos, a partir da diversidade de produtos provenientes do sensoriamento remoto
orbital para o monitoramento e planejamento dos recursos hídricos em bacias hidrográficas
(SATGÉ et al., 2020; SILVA et al., 2018), previsões climáticas (SHARIFI et al., 2016;
SPRACKLEN et al., 2012), planejamento agrícola e florestal (SILVA-FUZZO et al., 2015),
além de dar suporte a estudos climatológicos e meteorológicos (FEITOSA, 2016; GUARIENTI,
2018).
As estimativas de precipitação pluvial por satélite foram e prosseguem sendo
desenvolvidas e validadas para as diferentes regiões e condições do globo terrestre. As
informações são fontes auxiliares de dados de precipitação (SENAY et al., 2016), aplicadas em
10

modelos matemáticos robustos que modelam o ciclo hidrológico em bacias hidrográficas

(CHAGAS et al., 2020; FALCK, 2015; ZHANG et al., 2019), auxiliando assim quanto à
limitação de dados de precipitação em estações de superfície. Vale ressaltar que a aplicação
desses produtos, principalmente, nas estimativas de precipitação pluvial não é recente (AVILA,
2006; DINKU et al., 2007).
No Brasil, a utilização desses produtos de satélite é bem difundida na agrometeorologia,
modelagem agrícola e no manejo hidrográfico (LOUZADA, 2016). Por isso, devido à fácil
aquisição de dados, ampla cobertura espacial, resoluções espaço-temporais abundantes,
observações ininterruptas e o livre acesso aos bancos de dados, essas informações tem se
destacado na modelagem climática e agrícola, somando-se às observações realizadas por
estações meteorológicas de superfície (CAMPAROTTO et al., 2013).
Alguns dos principais produtos de estimativa da precipitação pluvial são o Tropical
Rainfall Measuring Mission (TRMM), o satélite Global Precipitation Measurement (GPM) com
seu algoritmo Integrated Multi-satellitE Retrievals for GPM (IMERG), o Climate Hazards
Group Infra-Red Precipitation with Station (CHIRPS), o Precipitation Estimation from
Remotely Sensed Information using Artificial Neural Networks (PERSIANN) e o Global
Satellite Mapping of Precipitation (GSMaP) (KUMMEROW et al., 2000; HUFFMAN et al.,
2014; FUNK et al., 2015; ASHOURI et al., 2015; OKAMOTO et al., 2005).
Devido a ampla utilização desses produtos, a hipótese desse trabalho é que com base na
assertividade em escalas menores (estado ou município) há a possibilidade de o sensoriamento
remoto auxiliar no monitoramento de chuva em áreas de produção agrícola, permitindo o
monitoramento, planejamento e vinculação a estudos de séries temporais.
A agregação dos conjuntos geoespaciais com diferentes comportamentos permite maior
capacidade de detecção da variabilidade espaço-temporal das chuvas e possibilita a integração
das medições advindas do sensoriamento remoto aos estudos agrícolas regionais. Assim, a
proposta principal deste estudo foi analisar diferentes produtos de estimativas de precipitação
pluvial por sensoriamento remoto, identificando suas performances no monitoramento para o
estado do Mato Grosso.

REFERÊNCIAS

ADAMI, M.; GIAROLLA, A.; MOREIRA, M.A.; DEPPE, F. Avaliação de diferentes escalas
temporais de chuva obtidas por modelos matemáticos e por sensoriamento remoto
 11

para o Paraná. In Proceedings of Congresso brasileiro de meteorologia, Florianópolis, SC,

Brasil, 2006.

ASHOURI, H.; HSU, K.-L.; SOROOSHIAN, S.; BRAITHWAITE, D.K.; KNAPP, K.R.;
CECIL, L.D.; NELSON, B.R.; PRAT, O.P. PERSIANN-CDR: Daily precipitation climate
data record from multi-satellite observations for hydrological and climate studies. Bulletin
of the American Meteorological Society, v.96, ed.1, p.69–83, 2015.

AVILA, A.M.H. Estimativa de precipitação em regiões tropicais utilizando imagens do

satélite GOES 12. 2006.136 f. Tese (Doutorado em Engenharia Agrícola) – Universidade
Estadual de Campinas, Campinas, 2006.

CAMPAROTTO, L.B.; BLAIN, G.C.; GIAROLLA, A.; ADAMIR, M.; CAMARGO, B.P.
Validação de dados termopluviométricos obtidos via sensoriamento remoto para o Estado
de São Paulo. Revista Brasileira de Engenharia Agrícola e Ambiental, v.17, n.6, p.665-
671, 2013.

CHAGAS, V.B.P.; CHAFFE, P.L.B.; ADDOR, N.; FAN, F.M.; FLEISCHMANN, A.S.;
PAIVA, R.C.D.; SIQUEIRA, V.A. CAMELS-BR: Hydrometeorological time series and
landscape attributes for 897 catchments in Brazil. Earth System Science Data, v.67, p.41,
2020.

COSTA, J.; PEREIRA, G.; SIQUEIRA, M.E.; CARDOZO, F.; SILVA, V.V. Validação dos
dados de precipitação estimados pelo CHIRPS para o Brasil. Revista Brasileira de
Climatologia, v.24, p.228-243, 2019.

DINKU, T.; CECCATO, P.; GROVER-KOPEC, E.; LEMMA, M.; CONNOR, S.J.;
ROPELEWSKI, C.F. Validation of satellite rainfall products over East Africa’s complex
topography. International Journal of Remote Sensing, v.28, n.7, p.1503-1526, 2007.

FUNK, C.; PETERSON, P.; LANDSFELD, M.; PEDREROS, D.; VERDIN, J.; SHUKLA, S.;
HUSAK, G.; ROWLAND, J.; HARRISON, L.; HOELL, A.; MICHAELSEN, J. The
climate hazards infrared precipitation with stations—a new environmental record for
monitoring extremes. Scientific Data, n.150066, p.1-21, 2015.

INMET, Instituto Nacional de Meteorologia. BDMEP - Banco de Dados Meteorológicos para

Ensino e Pesquisa. Disponível
em:<http://www.inmet.gov.br/portal/index.php?r=bdmep/bdmep>. Acesso em: 21 jan.
2020.

FALCK, A.S.; MAGGIONI, V.; TOMASELLA, J.; VILA, D.A.; DINIZ, F.L.R. Propagation
of satellite precipitation uncertainties though a distributed hydrologic model: A case study
in the Tocantins-Araguaia basin in Brazil. Journal of Hydrology, v.527, p.943-957, 2015.
12

FEITOSA, G.P. Análise comparativa da hidroclimatologia e de índices de seca de regiões

hidrográficas do semiárido brasileiro, da Tunísia e da Mauritânia. 2016. 122 f.
Trabalho de Conclusão de Curso (Bacharelado em Ciências Ambientais) – Universidade
Federal do Ceará, Fortaleza, 2016.

GUARIENTI, G.S.S. SWAMP: Uma metodologia espaço-temporal para análise de dados

ambientais usando wavelets e séries temporais. 2018. 109 f. Tese (Doutorado em Física
Ambiental) – Universidade Federal de Mato Grosso, Cuiabá, 2018.

HUFFMAN, G.; BOLVIN, D.; BRAITHWAITE, D.; HSU, K.; JOYCE, R.; XIE, P. Integrated
Multi-Satellite Retrievals for GPM (IMERG), version 4.4. NASA's Precipitation
Processing Center, 2014. Disponível em:<ftp://arthurhou.pps.eosdis.nasa.gov/gpmdata/>.
Acesso em: 15 set, 2019.

KUCERA, P.A.; EBERT, E.E.; TURK, F.J.; LEVIZZANI, V.; KIRSCHBAUM, D.;
TAPIADOR, F.J.; LOEW, A.; BORSCHE, M. Precipitation from space: advancing earth
system science. American Meteorological Society, v.94, p.365–375, 2013.

KUMMEROW, C.; SIMPSON, J.; THIELE, O.; BARNES, W.; CHANG, A.T.C.; STOCKER,
E.; ADLER, R.F.; HOU, A.; KAKAR, R.; WENTZ, F.; ASHCROFT, P.; KOZU, T.;
HONG, Y.; OKAMOTO, K.; IGUCHI, T.; KUROIWA, H.; IM, E.; HADDAD, Z.;
HUFFMAN, G.; FERRIER, B.; OLSON, W.S.; ZIPSER, E.; SMITH, E.A.; WILHEIT,
T.T.; NORTH, G.; KRISHNAMURTI, T.; NAKAMURA, K. The status of the Tropical
Rainfall Measuring Mission (TRMM) after two years in orbit. Journal of Applied
Meteorology, v.39, n.12, p.1965-1982, 2000.

LOUZADA, F.L.R.O. Balanço hídrico climatológico com dados estimados pelo satélite
tropical rainfall measuring mission para a bacia hidrográfica do Rio Doce. 2016. 107
f. Tese (Doutor em Produção Vegetal) – Universidade do Espírito Santo, Alegre, 2016.

OKAMOTO, K.; IGUCHI, T.; TAKAHASHI, N.; IWANAMI, K.; USHIO, T. The global
satellite mapping of precipitation (GSMaP) project. 25th IGARSS Proceedings, p.3414-
3416, 2005.

SABINO, M. Intensidade-duração-frequência de precipitação máxima em Mato Grosso.

2018. 67 f. Dissertação (Mestrado em Física Ambiental) – Universidade Federal de Mato
Grosso, Cuiabá, 2018.

SALIO, P.; HOBOUCHIAN, M.P.; SKABAR, Y.G.; VILA, D. Evaluation of high-resolution

satellite precipitation estimates over southern South America using a dense rain gauge
network. Atmospheric Research, v.163, p.146-161, 2015.
 13

SATGÉ, F.; DEFRANCE, D.; SULTAN, B. BONNET, M.-P.; SEYLER, F.; ROUCHÉ, N.;
PIERRON, F.; PATUREL, J.-E. Evaluation of 23 gridded precipitation datasets across
West Africa. Journal of Hydrology, v.581, 2020.

SENAY, G.B.; FRIEDRICHS, M.; SINGH, R.K.; VELPURI, N.M. Evaluating Landsat 8
evapotranspiration for water use mapping in the Colorado River Basin. Remote Sensing of
Environment, v.185, p.175-185, 2016.

SHARIFI, E.; STEINACKER, R.; SAGHAFIAN, B. Assessment of GPM-IMERG and other

precipitation products against gauge data under different topographic and climatic
conditions in Iran: Preliminary results. Remote Sensing, v.8, p.135, 2016.

SILVA-FUZZO, D.F.; PRELA-PANTANO, A.; CAMARGO, M.B.P. Modelagem

agrometeorológica para estimativa de produtividade de soja para o vale do médio
Paranapanema-SP. Brazilian Journal of Irrigation and Drainage, v.20, n.3, p.490-501,
2015.

SILVA, M.N.A.; PESSOA, F.C.L.; SILVEIRA, R.N.P.O.; ROCHA, G.S.; MESQUITA, D.A.
Determinação da homogeneidade e tendência das precipitações na bacia hidrográfica do
Rio Tapajós. Revista Brasileira de Meteorologia, v.33, n.4, p.665-675, 2018.

SIQUEIRA, G.M.; BEZERRA, J.M.; VIEIRA, S.R.; CAMARGO, M.B.P. Zoneamento de

parâmetros climáticos no estado de São Paulo (Brasil) utilizando técnicas de geoestatística.
Revista Brasileira de Geografia Física, v.3, p.612-629, 2012.

SPRACKLEN, D.V; ARNOLD, S.R.; TAYLOR, C.M. Observations of increased tropical

rainfall preceded by air passage over forests. Nature, v.489, p.282-285, 2012.

ZHANG, Y.; KONG, D.; GAN, R.; CHIEW, F.H.S.; MCVICAR, T.R.; ZHANG, Q.; YANG,
Y. Coupled estimation of 500 m and 8-day resolution global evapotranspiration and gross
primary production in 2002-2017. Remote Sensing of Environment, v.222, p.165-182,
2019.
14
 15

2 ESTIMATIVA DA PRECIPITAÇÃO POR SATÉLITES PARA REGIÕES

PLUVIOMÉTRICAS HOMOGÊNEAS NO ESTADO DO MATO GROSSO

RESUMO

Com o desenvolvimento de inúmeros produtos de satélite, as resoluções tanto espaciais

e temporais de estimativas de precipitação, as quais apresentam maior acurácia, mais estudos
devem ser realizados para analisar suas performances em regiões de grande interesse
econômico, podendo dar suporte ao monitoramento tanto climatológicos quanto
meteorológicos. O objetivo desse trabalho foi analisar uma longa série de dados de estimativa
de precipitação por sensoriamento remoto, com o intuito identificar regiões pluviométricas
homogêneas no estado do Mato Grosso. Foram utilizados dados estimados de precipitação
pluvial mensal média do satélite CHIRPS para 170 localidades que possuem estações
automáticas e pluviométricas distribuídas no território do estado. Na primeira etapa obtiveram-
se os dados na escala diária pelo Instituto Nacional de Meteorologia e pela Agência Nacional
de Águas, correspondendo à série temporal de 2014 a 2018. Depois de identificada a capacidade
de estimativa da precipitação pelo satélite, em relação as estações, executou-se uma segunda
etapa, usando as mesmas localidades, e estimando a precipitação pluvial mensal para os anos
de 1981 a 2019. Foi executada a análise de agrupamentos hierárquicos para definir o número
ótimo de regiões homogêneas que se adequassem ao conjunto de dados espacializados de
precipitação pluvial. Como resultados são apresentadas as discrepâncias climáticas das regiões
estabelecidas de forma mensal e anual. Conclui-se que, para o estado do Mato Grosso, a
utilização do produto CHIRPS pode auxiliar no monitoramento climatológico de regiões com
defasada distribuição de pontos de observação da atmosfera.

Palavras-chave: Variabilidade temporal da chuva; série temporal; sistema de informação

geográfica; dados geoespaciais.

ABSTRACT

With the development of numerous satellite products, with both spatial and temporal
resolutions of rainfall estimates with greater accuracy, more studies should be conducted to
analyze their performance in regions of great economic interest, which can support both
climatological and meteorological monitoring. The objective of this work was to analyze a long
series of remotely sensed rainfall estimation data in order to identify homogeneous rainfall
regions in the state of Mato Grosso. We used estimated monthly rainfall data from the CHIRPS
satellite for 170 locations that have automatic and pluviometric stations distributed in the
territory of the state. In the first stage, data were obtained on a daily scale by the National
Institute of Meteorology and the National Water Agency, corresponding to the time series from
2014 to 2018. After identifying the satellite's performance in relation to the stations, a second
stage was carried out, using the same locations, and estimating the monthly rainfall for the years
from 1981 to 2019. Hierarchical grouping analysis was used to define the optimal number of
homogeneous regions that would fit the spatialized rainfall data set. As results, the climatic
discrepancies of the regions established on a monthly and annual basis are presented. It is
concluded that, for the state of Mato Grosso, the use of the product CHIRPS can help in the
climatological monitoring of regions with lagged distribution of observation points of the
atmosphere.
16

Keywords: Variability of rainfall; Time series; Geographic information system; Geospatial

data.

2.1. INTRODUÇÃO

A precipitação é um componente determinante do ciclo hidrológico (ELTAHIR e

BRAS, 1996; TRENBERTH et al., 2003) e é a variável mais importante e ativa associada à
circulação atmosférica nos estudos climáticos e meteorológicos (KIDD e HUFFMAN, 2011).
Registros precisos e confiáveis de precipitação são cruciais, não apenas para o estudo das
tendências e variabilidade climática, mas também para a gestão dos recursos hídricos e do
tempo, clima e previsão hidrológica (JIANG et al., 2012; LARSON e PECK, 1974; LIU et al.,
2017; YILMAZ et al., 2005).
Vários conjuntos de dados climáticos em escalas espaço-temporais diferentes foram
desenvolvidos a partir de observações de estações (in situ). Com instrumentos avançados de
infravermelho e microondas, as observações por satélite compensam as deficiências existentes
em medições locais, fornecendo uma distribuição espacial mais homogênea e de forma
histórica, devido ser possível utilizar dados de reanálise vinculados a estações de superfície
(KIDD e LEVIZZANI, 2011; XIE et al., 2003).
Alguns conjuntos de dados derivados de satélite estão agora operacionalmente
disponíveis, incluindo os produtos Tropical Rainfall Measuring Mission (TRMM) (HUFFMAN
et al., 2007), Climate Hazards Group InfraRed Precipitation with Station (CHIRPS) (FUNK et
al., 2015), o satélite Global Precipitation Measurement (GPM) com seu algoritmo Integrated
Multi-satellitE Retrievals for GPM (IMERG) (HUFFMAN et al., 2019), Global Satellite
Mapping of Precipitation (GSMaP) (MEGA et al., 2014) e Precipitation Estimation from
Remotely Sensed Information using Artificial Neural Networks (PERSIANN) (ASHOURI et
al., 2015). Esses diferentes tipos de produtos geoespaciais de precipitação suportam o
desenvolvimento de uma ampla gama de campos de pesquisa.
Especificamente o produto CHIRPS, o qual possui tanto altas resoluções espacial quanto
temporal, tem sido analisado em várias regiões do Brasil (CAVALCANTE et al., 2020; CÉRON
et al., 2020), buscando-se adaptá-lo para os diferentes biomas brasileiros (NOGUEIRA et al.,
2018; PAREDES-TREJO et al., 2017; SCHWALBERT et al., 2020 ).
As tendências globais e regionais das alterações climáticas podem ser quantificadas e
evidenciadas com base em múltiplos conjuntos de dados. A climatologia em diferentes regiões
e as mudanças no clima também podem ser investigadas através destes produtos de
 17

sensoriamento remoto (ALEXANDER et al., 2006; KUNKEL et al., 2015; RAJAH et al., 2014;
SUN et al., 2014).
Uma série de estudos comparando conjuntos de dados climáticos apareceu nos últimos
anos (DERIN e YILMAZ, 2014; DONAT et al., 2014; GEHNE et al., 2016; JIANG et al., 2012;
KIDD et al., 2012; MIAO et al., 2015; SUN et al., 2014; WANG e ZENG, 2015). Por conta do
seu longo período de informações disponível, estudos demonstram a eficiência do produto
CHIRPS para análises climáticas (CAVALCANTE et al., 2020; CÉRON et al., 2020; RIVERA
et al., 2018).
Dentre inúmeras pesquisas que abordam a variabilidade climática, destaca-se a
identificação de regiões hidrologicamente homogêneas por intermédio da análise de
agrupamentos, do inglês cluster analysis (CA) (SHIRIN e THOMAS, 2016; GONÇALVES et
al., 2016; FARSADNIA et.al., 2013; HASSAN e PING, 2012; SANTOS et al., 2015) que,
quando realizada de forma integrada a dados de sensoriamento remoto, pode suprir a ausência
de informações de um determinado local. Dentre as diversas metodologias disponíveis, o
algoritmo proposto por Ward (WARD, 1963) tem sido amplamente utilizado em estudos
climatológicos no país, definindo as áreas homogêneas (MACEDO et al. 2010; OLIVEIRA et
al. 2010).
Em particular, a análise de agrupamentos é uma técnica capaz de transformar séries
históricas de dados pluviais em zonas pluviométricas homogêneas. Cada posto meteorológico
corresponde a uma série temporal de dados de um local, enquanto uma região homogênea é
formada pelo agrupamento das séries temporais mais similares (COMUNELLO et al., 2013;
CORREA et al, 2014; SEIDEL et al., 2008; LYRA et al., 2014; OLIVEIRA-JÚNIOR et al.,
2017). Muitos trabalhos nas áreas de agrometeorologia e climatologia enfatizam a aplicação de
técnicas de agrupamentos para a definição de regiões climáticas homogêneas para diversos
estados do Brasil, como Rio de Janeiro (ANDRÉ et al., 2008), Pernambuco (FECHINE E
GALVINCIO, 2008) e Rio Grande do Sul (BOSCHI et al., 2011).
Integrar medições de precipitação via satélite com observações terrestres pode colaborar
no monitoramento hidrológico em áreas de produção agrícola que possuam características
similares (SILVA et al., 2018). A partir de tais características, o objetivo deste trabalho foi o de
identificar regiões homogêneas de precipitação pluvial no estado do Mato Grosso, utilizando
produtos de estimativas provenientes de satélites meteorológicos.
18

2.2. MATERIAL E MÉTODOS

2.2.1. Área de estudo

A extensão territorial do Estado de Mato Grosso (MT) é de 906.806,9 km² (IBGE,

2012), limitando-se entre os paralelos 10º a 19º Sul e os meridianos 51º a 62º Oeste (Figura 1).
O estado apresenta verão quente e chuvoso, com inverno seco, definindo clima Aw segundo a
classificação de Köppen (KÖPPEN, 1931). A temperatura média anual é de 26,5 ºC, com
precipitação média anual próxima dos 1500 mm.

2.2.2. Dados de precipitação medidos e estimados para o Mato Grosso

Os dados de precipitação estimados por satélite para o Estado do Mato Grosso foram
obtidos a partir de coleções de cenas do satélite Climate Hazards Group Infra-Red Precipitation
with Station (CHIRPS), desenvolvido pela agência United States Geological Survey (USGS)
(FUNK et al., 2015). Esta base de dados tem uma cobertura espacial que se estende entre 50S
a 50N, incluindo todas as longitudes. O CHIRPS incorpora imagens de satélite com resolução
de 0,05° com dados de estações no local para criar séries temporais (FUNK et al., 2015). Os
dados geoespaciais foram obtidos pela plataforma do Google Earth Engine (GEE)
(GORELICK et al., 2017). Esse produto foi utilizado devido ao seu longo tempo de
informações (desde do ano 1981 ao presente) e por ter a maior resolução espacial entre os
produtos que serão testados no Capítulo 2.
Na interface do GEE, o processo de extração das informações de uma série temporal de
imagens pode ser representada por uma ImageCollection, uma coleção de cenas de cada produto
(GORELICK et al., 2017), necessitando-se criar uma função que tenha propriedades espaciais
e temporais para cada produto para, posteriormente, realizar a extração pixel a pixel de uma ou
múltiplas bandas do produto geoespacial em conjunto de cenas. Esse processo foi efetuado para
todos os produtos utilizados nessa pesquisa.
Para a primeira análise da precipitação pluvial do estado do Mato Grosso foram usados
dados de precipitação pluvial, medidos em 30 estações meteorológicas automáticas
pertencentes ao Instituto Nacional de Meteorologia (INMET), e 140 postos pluviométricos
pertencentes a Agência Nacional das Águas (ANA), denominando-se esse conjunto de ESM
(Figura 1). Para a análise do conjunto de dados de precipitação estimados pelo produto do
satélite CHIRPS, em relação aos observados (ESM), foi utilizada a série de dados diários
 19

coletados entre 1º de abril de 2014 e 31 de maio de 2018. O período foi definido com base na
disponibilidade máxima de dados mensurados em superfície pelas ESM.
As informações provenientes do sensoriamento remoto foram comparadas
pontualmente com as localizações das ESM, com a intenção de identificar o desempenho das
estimativas de precipitação pluvial do produto CHIRPS para o estado do Mato Grosso, por meio
da correlação dos dados geoespaciais às ESM. Em função das falhas do banco de ESM, buscou-
se o intervalo de tempo com menor quantidade de dados faltantes, delimitando-se por utilizar
todas as estações e pluviômetros com integridade dos seus dados diários, em um ano, acima de
80%. Por isso, o conjunto de dados utilizados abrange o período de abril de 2014 a maio de
2018, totalizando 50 meses de informações.

Figura 1. Disposição espacial das estações meteorológicas automáticas e de postos

pluviométricos sobre a grade de pixels do satélite CHIRPS no estado do Mato Grosso.

Para uma segunda análise dos dados geoespaciais do produto CHIRPS, foi extraído nas
mesmas localizações das ESM, informações das estimativas de precipitação histórica do satélite
para o período de 1º de janeiro de 1981 a 31 de dezembro de 2019, formando-se 6.290 séries
temporais (37 anos x 170 ESM), sendo essas informações usadas na análise de agrupamentos
20

com a intenção de obter regiões pluviométricas homogêneas para o estado do Mato Grosso.
No processamento dos dados, foram eliminados dados “outlier” ou seja, observações que
desviaram significativamente do restante da amostra, para melhor assertividade e padronização
de escala dos dados (FÁVERO et al., 2009; HAIR et al., 2009).
A avaliação da assertividade dos dados geoespaciais foi realizada a partir do coeficiente
de determinação (R²) (Equação 1), pela raiz do erro quadrático médio (RMSE, do inglês root
mean square error) (Equação 2), erro médio ou viés aditivo (BIAS, do inglês additive bias)
(Equação 3) e probabilidade de BIAS (PBIAS) (Equação 4). O R² foi usado para determinar o
ajuste entre os dados de precipitação das RMSE e dos dados estimados pelos satélites (EST). O
Bias, por outro lado, é uma medida de como um valor estimado se desvia do valor observado
(referência) e indica se há sub ou superestimação, enquanto o PBIAS é uma porcentagem do
Bias relativo à média observada.

2
∑𝑛
𝑖=1(𝐸𝑆𝑇−𝐸𝑆𝑇𝑚)(𝐸𝑆𝑀−𝐸𝑆𝑀𝑚)
𝑅2 = [ ] (1)
√∑𝑛
𝑖=1(𝐸𝑆𝑇−𝐸𝑆𝑇𝑚)(𝐸𝑆𝑀−𝐸𝑆𝑀𝑚)
2

∑n
i=1(ESM – EST)
2
RMSE = √ (2)
N

∑𝑛
𝑖=1(𝐸𝑆𝑇−𝐸𝑆𝑀)
𝐵𝑖𝑎𝑠 = (3)
𝑁

𝐵𝑖𝑎𝑠
𝑃𝐵𝐼𝐴𝑆 = 1 𝑥 100 (4)
( ) ∑𝑛
𝑖=1 𝐸𝑆𝑀
𝑁

Em que ESM são os dados observados pelas estações meteorológicas automáticas pertencentes
ao INMET e dos postos pluviométricos da ANA, ESMm é a média dos valores observados,
EST são os dados das estimativas por satélite (CHI), ESTm é a média dos valores estimados e
N número de medições. Utilizou-se o programa estatístico R versão 3.6.1 (R CORE TEAM,
2019) para manipulação do banco de dados e de programas de sistema de informação geográfica
(GIS - Geographic Information System, na sigla em inglês) para elaboração dos mapas dessa
dissertação.
 21

2.2.3. Regiões pluviométricas homogêneas do Mato Grosso

Foram empregadas 4 técnicas de análise de agrupamentos hierárquicos aglomerativos

(método da ligação simples - SPS, ligação média - MED, método da ligação completa - CPT e
critério de Ward - WRD) para determinar as regiões pluviométricas homogêneas. Para definir
o método de agrupamento mais adequado foi usado o coeficiente de correlação cofenética,
denominado CCC (CARVALHO et al., 2009; GOBO et al., 2018).
O CCC é obtido pelo quociente entre os valores de similaridade da matriz original e da
matriz resultante da simplificação do dendrograma, sendo que quanto maior for o valor, menor
será a distorção provocada pelos agrupamentos dos dados (VICINI e SOUZA, 2005; KOPP et
al. 2007) (Equação 5).

(5)

Em que: F representa a matriz fenética; C retrata a matriz cofenética.

O método WRD, o qual obteve o maior CCC, foi utilizado nas análises, sendo
descartado os outros métodos. Para validar o número de agrupamentos, empregou-se o índice
de Silhouette, desenvolvido por Rousseeuw (1987). No método, a largura da silhueta avalia se
a qualidade de uma solução do agrupamento, podendo ser considerado, tanto a compacidade
(distância entre os pontos de dados dentro do mesmo grupo) quanto a separação (distância entre
os pontos de dados em dois grupos vizinhos). Esse método possibilita determinar o número
ideal de grupos, tal que o valor de k é escolhido de maneira que forneça o melhor valor médio
do Silhouette (GIL et al., 2015; SANTOS et al., 2015; SILVA et al., 2018). O índice sinaliza a
boa qualidade na formação dos grupos quando o seu valor for mais próximo de 1, sendo esse o
seu valor máximo.
Ao final, foi gerado um dendrograma a partir da combinação das ESM e do método mais
representativo aos dados geoespaciais. Os procedimentos estatísticos executados neste trabalho
foram realizados no programa R versão 3.6.1 (R CORE TEAM, 2019), assim como as funções
utilizadas foram scale, dist e hclust, e os pacotes factoextra (KASSAMBARA e MUNDT,
2019), ggplot2 (WICKHAM, 2016) e vegan (OKSANEN et al., 2019), do mesmo programa,
para realizar os agrupamentos hierárquicos, dendrograma e gráficos. Para a manipulação do
banco de dados geoespaciais, foi utilizada a própria plataforma do GEE e de programas de
22

sistema de informação geográfica (GIS - Geographic Information System, na sigla em inglês)

para elaboração dos mapas.

2.3. RESULTADOS E DISCUSSÃO

2.3.1. Análise dos dados de precipitação estimados pelo CHIRPS

A relação entre os dados de precipitação pluvial mensurados nas ESM e provenientes

do produto CHIRPS (Figura 2), relativos a série temporal de 2014 a 2018, mostra uma
correlação (R2) entre os dados de 0,69, com um desvio de 7,7% (PBIAS) e um erro médio de
3,03 mm dia-1 (RMSE). O produto CHIRPS apresentou leve tendência de superestimar os
valores de precipitação medidos na escala diária. Os resultados obtidos para o Mato Grosso
(Figura 2) demonstram similaridade aos comparativos entre medições e estimativas feitas em
estudos também realizados no Brasil (PAREDES-TREJO et al., 2017; SILVA et al., 2019).
As estimativas de precipitação pluvial por satélite, para a escala diária, costumam ter
maiores interferências quando comparadas a maiores escalas temporais, como decêndiais,
mensais e anuais (SILVA et al., 2019). Devido à diferença da topografia, da cobertura vegetal
ou a questões físicas como variação térmica regional e localidades que propiciam a formação
de estruturas de nuvens diversificadas, a variação espaço-temporal da precipitação pode afetar
a relação das estimativas de satélite com os dados observados (CASTELHANO et al.,2017;
MA et al., 2016; NOGUEIRA et al., 2018; ZHANG et al.,2018; XU et al., 2017).
Resultados de comparações de dados de chuva medidos por pluviômetros, cuja área de
coleta varia entre 300 e 500 cm2, e dados estimados por satélites para áreas de centenas ou
milhares de metros quadrados, derivados das características meteorológicicas dessas áreas, em
especial presença de nuvens e algumas de suas características físicas, devem considerar essas
diferenças, podendo sofrer modificações devido a resolução espacial do produto de satélite.
O satélite identifica o comportamento médio dentro da área padrão de coleta de dados e
a partir de um algoritmo específico, estima quanto foi precipitado dentro dessa região. E mesmo
que exista variações dentro do pixel, tais valores extremos são suavizados para a formação do
valor médio em nível de pixel.
Por outro lado, diferente do produto de satélite, o pluviômetro identifica as variações da
precipitação na escala diária, porém o dado observado representará a precipitação do seu local
de instalação, sem vislumbrar qualquer nível de variabilidade mesmo para pequenas distâncias,
 23

definidas por malhas pluviométricas (SCHILLING, 1991; JENSEN e PEDERSEN, 2005;

GIRES et al., 2014; FERNEDA, 2020; SANTOS, 2020).
Considerando as diferenças entre os dados, especificamente sobre a forma de obtenção,
apesar dos resultados (Figura 2) RMSE de 3,03 mm dia-1 e PBIAS de 7,7%, pode-se inferir que
os dados estimados podem refletir melhor a precipitação média, justificando o aumento da
dispersão dos resultados com aumento do volume precipitado.

Figura 2. Correlação entre os dados precipitação pluvial das estações meteorológicas de

superfície (ESM) e do produto CHIRPS (CHI), para o estado do Mato Grosso no período de 1º
de abril de 2014 a 31 de maio de 2018.

Produtos que estimam a precipitação por satélite, em regiões tropicais, podem ter
resultados diferentes ao longo de um ano, devido as variações sazonais dos volumes de chuva,
a exemplo da climatologia do estado do Mato Grosso, interferindo e intensificando tais
diferenças nos meses úmidos e secos (Figura 3). Conforme resultados de Fetter et al. (2018), o
Mato Grosso apresenta alta variabilidade espaço-temporal da chuva ao longo do ano. Destacam-
se os meses de setembro e outubro, que marcam o início da estação chuvosa no estado, com
volumes acumulados mensais elevados, e os meses de abril, maio e junho, na estação seca, com
pouca chuva acumulada. Todos esses períodos apresentaram o Índice de Proporção de Escalas
(IPE) mais próximos a zero, indicando que a variação na quantidade de chuva deve-se em maior
parte à heterogeneidade espacial. Para os demais meses do ano, apesar dos maiores valores de
IPE, caracterizam algumas das áreas com maior variabilidade espaço-temporal.
24

Figura 3. Gráfico de box-plot da precipitação mensal média das estações de superfície (ESM)
e do produto CHIRPS (CHI) no estado do Mato Grosso.

Portanto, subestimativas ou supertimativas da precipitação mensal para o Mato Grosso

(Figura 3), são esperadas, em função das características diferenciadas de medição da chuva feita
em ESM e no produto CHIRPS. Por tais motivos para os meses mais chuvosos, de outubro a
março, têm-se resultados de apontam o aumento do desvio padrão. Destaca-se, no período, o
mês de fevereiro, que teve a maior diferença entre os meses observados. Nos meses mais secos,
de maio a setembro, o desvio do produto CHIRPS foi menor, sendo que para o mês de junho os
resultados mostraram mínimo nível de diferença entre os dois conjuntos de dados.
A correlação dos dados de precipitação do produto de satélite com os dados de superfície
(ESM), para a escala mensal, identifica uma estimativa para o estado do Mato Grosso, com
melhor correlação em comparação ao ajuste obtido para a escala diária. Para estimativas
mensais o RMSE ficou em 28,1mm mês-1, destacando que análises mensais (Figura 3) acusam
estimativas diferentes dentro os meses, com maiores desvios para meses mais chuvosos.
Segundo Costa et al. (2019), ao analisar o comportamento mensal do produto CHIRPS
e realizar a validação desses dados no período de 1998 a 2010, para todo o Brasil, encontrou-
se coeficiente de determinação corresponte a 93% para a região Centro-Oeste, praticamente o
resultado aqui obtido (R2 = 0,95). Esses autores destacam que o produto CHIRPS tende a
 25

subestimar os dados nas estações mais úmidas do ano, principalmente de setembro a março,
onde a ocorrência de chuvas convectivas é acentuada. A mesma conclusão foi apresentada por
Cavalcante et al. (2020) que analisaram o mesmo produto na região Norte do Brasil.

Figura 3. Correlação entre os dados de precipitação pluvial das estações meteorológicas de

superfície (ESM) e do produto CHIRPS (CHI), para o estado do Mato Grosso. no período de 1º
de abril de 2014 a 31 de maio de 2018.

2.3.2. Regiões pluviométricas homogênas no estado do Mato Grosso

A partir dos dados de precipitação média mensal (CHI) da série de anos de 1981 a 2019,
considerando-se o bom ajuste obtido para entre dados estimados e medidos em escala mensal
(Figura 3) para um período parcial, 2014 a 2018, foram realizadas as análises para a formação
dos agrupamentos hierárquicos das regiões pluviométricas homogêneas no estado do Mato
Grosso.
A análise dos resultados dos quatro métodos de agrupamentos usados indicaram valores
de CCC de 0,495, 0,713, 0,612 e 0,792, respectivamente, para os métodos SPS, MED, CPT e
WARD. Dessa forma, o melhor resultado obtido foi a partir do método de Ward. Com a escolha
do método de Ward, foi aplicado o índice Silhouette para validar os agrupamentos formados.
Os grupos formados de acordo com os valores do índice de Silhoeutte, s(i), foram
definidos por 4 regiões pluviométricas homogêneas de precipitação do estado do Mato Grosso
(Figura 4). Nele, cada grupo pode ser identificado pela quantidade de elementos incluídos em
seu respectivo agrupamento (n), o valor da largura média da silhueta, 𝑠̅(k), tanto por grupo
26

quanto médio aos 4 grupos formados, demostrando valor médio de 0,59. Em estudo realizado
por Santos et al. (2015), foram encontrados valores menores do que 0,5 para o índice, o que
pode ser provocado pelas grandes diferenças entre os regimes de chuvas para todo o estado do
Mato Grosso e pela dificuldade de agregação dos grupos conforme os dados analisados.

Figura 4. Valores do índice de Silhouette para cada um dos 4 agrupamentos (grupos) formados
para o estado do Mato Grosso.

Definido a disposição das ESM em quatro grupos, , representado pelo dendrograma

(Figura 5), tem-se um primeiro agrupamento (Grupo 1), ao sul do estado, resultado do
agrupamento de 58 pontos de medição, sempre coincidentes as coordenadas geográficas das
estações meteorológicas (INMET) e postos pluviométricos (ANA) no estado do Mato Grosso.
Já o segundo (Grupo 2), localizado mais ao norte do Grupo 1, promoveu o agrupamento de
dados de precipitação estimada correspondentes ao posicionamento de outras 36 ESM. O
terceiro (Grupo 3), distribuído na região centro-norte do Mato Grosso, agrupou um conjunto de
41 ESM enquanto o quarto (Grupo 4), posicionado no extremo norte do estado, agregou 35
ESM (Figuras 5 e 6).
 27

Figura 5. Dendrograma com os quatro agrupamentos formados pelo aglomerado de grupos de

dados homogêneos no estado do Mato Grosso, com base na distância euclidiana e o método de
agrupamento de Ward.

Figura 6. Localização dos grupos pluviométricos homogêneos no estado do Mato Grosso, com
base na média distância euclidiana e no método de agrupamento de Ward.

Observa-se, através da disposição dos clusters, que no território Mato-grossense há

distribuição crescente nos volumes de chuva com o aumento da latitude local, observado entre
28

a extremidade sul (divisa com a Bolívia e estados de Goiás e Mato Grosso do Sul) e a porção
norte do estado (Região Amazônica) (Figura 7).
Os totais acumulados médios de chuva variaram entre 900 e 1500 mm para o Grupo 1
(região sul do estado), entre 950 e 1750 mm para o Grupo 2 (região médio-sul), entre 950 e
1880 mm para o Grupo 3 (região centro-norte) e entre 1000 e 2000 para o Grupo 4 (região
norte).
Situado no subtrópico, o estado do Mato Grosso sofre influências dos sistemas
atmosféricos de origem tropical e extratropical, ocasionando diferenças nas características
climáticas ao estado, principalmente, nas variações regionais e temporais de grande escala do
clima, devido a intensa circulação da atmosfera sobre a região (ALVES, 2009; DINIZ et al.,
2018). A seção norte recebe influências dos sistemas que atuam na região amazônica e a seção
sul sofre a ação dos sistemas extratropicais, tais como os sistemas frontais (ALVES, 2009).
O norte do estado insere-se no bioma Amazônia, cujas florestas apresentam elevada taxa
de retorno de água a atmosfera pelo processo de evapotranspiração (SALATI e VOSE, 1984;
SPRACKLEN et al., 2012; NOBRE, 2014); logo, nessa região, haverá uma maior devolução
por parte da evapotranspiração como precipitação pluvial. Quando se avança ao sul, tem-se um
arco transicional para o bioma Cerrado. A partir dessa região há uma mudança da vegetação,
onde a densidade florestal é menor e aumentam-se os campos de cultivo agrícolas. Nesse
sentido, altera-se o clima em função dos mecanismos água/energia, acarretando a diminuição
dos volumes acumulados de chuva (BONAN, 2008; BRÜMMER et al., 2012).
As diferenças de precipitação anual média entre agrupamentos (G1, G2, G3 e G4) e suas
distribuições (Figura 7) evidenciam que o G1 apresenta a menor variabilidade de precipitação
pluvial anual histórica, quando comparado aos outros grupo. Já o G3 foi caracterizado de forma
contrária, com maior variabilidade, diferenciando-se em relação aos outros agrupamentos.
Valores extremos (mínimo e máximo) seguem um padrão de acréscimo com redução da latitude
local.
 29

Figura 7. Box-Plot dos dados de precipitação pluvial média anual dos agrupamentos do estado
do Mato Grosso (1981-2019).

A análise mensal da distribuição da precipitação em cada grupo permite identificar os

períodos que mais contribuem para a diferenciação latitudinal do estado do Mato Grosso em
relação ao seu regime pluviométrico anual (Figura 8).
O grupo G1, localizado no sul do estado, tem valores médios mensais mais baixos nas
estações chuvosas quando comparado com os outros três grupos. Porém, mesmo com a
ocorrência de precipitações pluviais menores ou nulas nos meses da estação seca, o grupo 1
possuiu maiores valores precipitados em relação aos outros para essa época do ano, e também
com maior percentual de chuva na estação seca em relação ao total precipitado no ano (10,8
%).
Por outro lado, os grupos G2, G3 e G4, possuem maior similaridade em sua distribuição
média mensal de precipitação, mostrando que nos meses mais chuvosos, principalmente
dezembro, janeiro, fevereiro e março, os três têm regimes pluviométricos maiores, superando
em mais de 30 mm os valores observados para o grupo G1.
O grupo 4 (G4) é o agrupamento com maior percentual de chuva na estação úmida
(93,6%). Os grupos 2 e 3 possuem percentagens de chuva diferentes tanto nas estações secas
quanto nas úmidas, mas seus valores são próximos das regiões extremas do estado, G1 e G4.
No período seco G2 e G3, na estação seca acumulam 8,7 e 7,6% do total de chuva.
30

Outro comportamento que pode ser identificado é a ocorrência da antecipação das

chuvas em cada região no mês de setembro. As regiões mais ao norte do estado, como G3 e G4,
possuem maiores valores de precipitação pluvial, identificando-se também o prolongamento da
estação chuvosa.
Segundo Nimer (1989), o período chuvoso da região está associado ao deslocamento
para sul da Zona de Convergência Intertropical (ZCIT), acompanhando a marcha aparente do
sol em direção ao Trópico de Capricórnio. Sobre a porção central da América do Sul, a ZCIT
avança mais para sul do que nas regiões costeiras, gerando instabilidade em todo o Brasil central
nos meses de verão. Em função da influência da massa de ar tropical marítima e equatorial, as
temperaturas são elevadas durante todo o ano.
No inverno, quando a ZCIT está deslocada para o norte, a região apresenta baixa ou
nenhuma precipitação, algo próximo dos índices pluviométricos encontrados nos 4
agrupamentos.

Figura 8. Gráfico de box-plot da série de precipitação mensal dos 4 agrupamentos do estado

do Mato Grosso.

2.4. CONCLUSÃO

O estudo demonstrou que, para locais como o Mato Grosso, onde o número de estações
meteorológicas de superfície é pequeno, e as séries de dados ainda recentes, o uso de dados
estimados de forma remota, isolados ou associados a dados das estações meteorológicas,
possibilita encontrar uma estratificação adequada da distribuição da precipitação no estado.
 31

Utilizar o produto CHIRPS para análises meteorológicas possibilita o monitoramento da

precipitação pluvial tanto de forma estadual como regional. O estudo mostrou que o Estado do
Mato Grosso pode ser dividido em quatro regiões pluviometricamente homogêneas, com cerca
de, aproximadamente, 89 a 94% das precipitações ocorrendo no verão e 6 a 11 % no inverno.

REFERÊNCIAS

ANDRÉ, R.G.B.; MARQUES, V.S.; PINHEIRO, F.M.A.; FERRAUDO, A.S. Identificação de

regiões pluviometricamente homogêneas no estado do Rio de Janeiro, utilizando valores
mensais. Revista Brasileira de Meteorologia, v.23, p.501-509, 2008.

ALEXANDER, L.V.; ZHANG, X.; PETERSON, T.C.; CAESAR, J.; GLEASON, B.; KLEIN
TANK, A.M.G.; HAYLOCK, M.; COLLINS, D.; TREWIN, B.; RAHIMZADEH, F.;
TAGIPOUR, A.; RUMA KUMAR, K.; REVADEKAR, J.; GRIFFITHS, G.; VICENT, L.;
STEPHENSON, D.B.; BURN, J.; AGUILAR, E.; BRUNET, M.; TAYLOR, M.; NEW, M.;
ZHAI, R.; RUSTICUCCI, M.;VAZQUEZ-AGUIRRE, J.L. Global observed changes in
daily climate extremes of temperature and precipitation. Journal of Geophysical
Research, v.111, p.1-22, 2006.

ALVES, L.M. Clima da região Centro-Oeste do Brasil. In: CAVALCANTI, I.F.A.;

FERREIRA, N.J.; DIAS, M.A.F.S.; SILVA, M.G.A.J.da. Tempo e clima no Brasil. São
Paulo: Oficina de Textos, 2009. p.235-242.

ASHOURI, H.; HSU, K.-L.; SOROOSHIAN, S.; BRAITHWAITE, D.K.; KNAPP, K.R.;
CECIL, L.D.; NELSON, B.R.; PRAT, O.P. PERSIANN-CDR: Daily precipitation climate
data record from multi-satellite observations for hydrological and climate studies. Bulletin
of the American Meteorological Society, v.96, ed.1, p.69–83, 2015.

BONAN, G.B. Forests and climate change: forcings, feedbacks, and the climate benefits of
forests. Science, v.320, n.5882, p.1444-1449, 2008.

BOSCHI, R.S.; OLIVEIRA, S.R.M.; ASSAD, E.D. Técnicas de mineração de dados para
análise pluvial decenal do Rio Grande do Sul. Engenharia Agrícola, v.31, p.1189-1201,
2011.

BRÜMMER, C.; BLACK, T.A.; JASSAL, R.S.; GRANT, N.J.; SPITTLEHOUSE, D.L.;
CHEN, B.; NESIC, Z.; AMIRO, B.D.; ARAIN, M.A.; BARR, A.G.; BOURQUE, C.P.A.
How climate and vegetation type influence evapotranspiration and water use efficiency in
Canadian forest, peatland and grassland ecosystems. Agricultural and Forest
Meteorology, v.153, p.14-30, 2012.
32

CARVALHO, M.F.; ALBUQUERQUE JUNIOR, C.L.; GUIDOLIN, A.F.; FARIAS, F.L.

Aplicação da análise multivariada em avaliações de divergência genética através de
marcadores moleculares dominantes em plantas medicinais. Revista Brasileira de Plantas
Medicinais, v.11, ed.3, p.339-346, 2009.

CASTELHANO, F.J.; PINHEIRO, G.M.; ROSEGHINI, G.M. Correlação entre precipitação

estimada por satélite e dados de superfície para aplicação em estudos climatológicos.
Geosul, v.32, n.64, p.179-192, 2017.

CAVALCANTE, R.B.L.; FERREIRA, D.B.S.; PONTES, P.R.M.; TEDESCHI, R.G.; COSTA,

C.P.W.; SOUZA, E.B. Evaluation of extreme rainfall indices from CHIRPS precipitation
estimates over the Brazilian Amazonia. Atmospheric Research, v.238, n.104879, 2020.

CÉRON, W.L.; MOLINA, -C.J.; RIVERA, I.A.; ANDREOLI, R.V.; KAYANO, M.T.;
CANCHALA, T. A principal component analysis approach to assess CHIRPS precipitation
dataset for the study of climate variability of the La Plata Basin, Southern South America.
Natural Hazards, 2020.

COMUNELLO, E.; ARAÚJO, L.B.; SENTELHAS, P.C.; ARAÚJO, M.F.C.; DIAS, C.T.S.;
FIETZ, C.R. O uso da análise de cluster no estudo de características pluviométricas.
Sigmae, v.2, n.3, p.29-37, 2013.

CORREA, C.C.G.; TEODORO, P.E.; CUNHA, E.R.; OLIVEIRA-JÚNIOR, J.F.; GOIS G.;
RIBEIRO, L.P.; BACANI, V.M.; TORRES, F.E. Spatial interpolation of annual rainfall in
the State Mato Grosso do Sul (Brazil) using different transitive theoretical mathematical
models. International Journal of Innovative Research in Science, Engineering and
Technology, v.3, n.10, p.16618-16625, 2014.

COSTA, J.; PEREIRA, G.; SIQUEIRA, M.E.; CARDOZO, F.; SILVA, V.V. Validação dos
dados de precipitação estimados pelo CHIRPS para o Brasil. Revista Brasileira de
Climatologia, v.24, p.228-243, 2019.

DINIZ, F.A.; RAMOS, A.M.; REBELLO, E.R.G. Brazilian climate normal for 1981-2010.
Pesquisa Agropecuária Brasileira, v.53, n.2, p.131-143, 2018.

DERIN, Y.; YILMAZ, K.K. Evaluation of multiple satellite-based precipitation products over
complex topography. Journal of Hydrometeorology, v.15, ed.4, p.1498–1516, 2014.

DONAT, M. G.; SILLMANN, J.; WILD, S.; ALEXANDER, L.V.; LIPPMANN, T.; ZWIERS,
F.W. Consistency of temperature and precipitation extremes across various global gridded
in situ and reanalysis datasets. Journal of Climate, v.27, ed.13, p.5019–5035, 2014.
 33

ELTAHIR, E.A.B.; BRAS, R.L. Precipitation recycling. Reviews of Geophysics, v.34, ed.3,
p.367–378, 1996.

FARSADNIA, F.; KAMROOD, M.R.; MOGHADDAM NIA, A.; MODARRES, R.; BRAY,
M.T.; HAN, D.; SADATINEJAD, J. Identification of homogeneous regions for
regionalization of watersheds by two-level self-organizing feature maps. Journal of
Hydrology, v.509, p.387-397, 2013.

FÁVERO, L.P.L., BELFIORE, P. Análise de Dados: Modelagem multivariada para tomada

de decisões. Rio de Janeiro: Elsevier, p.646, 2009.

FECHINE, J.A.L.; GALVINCIO, J.D. Agrupamento da precipitação mensal da bacia

hidrográfica do rio Brígida–PE, através da multivariada. Revista Brasileira de Geografia
Física, v.1, p.39-46, 2008.

FERNEDA, B.G. Variabilidade e efeitos da precipitação pluvial sobre a disponibilidade

hídrica, crescimento e produção de soja em uma fazenda no estado de Mato Grosso.
2020. Dissertação (Mestrado em Engenharia de Sistemas Agrícolas). Universidade de São
Paulo Escola Superior de Agricultura “Luiz de Queiroz”.

FETTER, R; OLIVEIRA, C.H.; STEINKE, E.T. Um índice para avaliação da variabilidade

espaço-temporal das chuvas no Brasil. Revista Brasileira de Meteorologia, v.33, n.2,
p.225-237, 2018.

FUNK, C.; PETERSON, P.; LANDSFELD, M.; PEDREROS, D.; VERDIN, J.; SHUKLA, S.;
HUSAK, G.; ROWLAND, J.; HARRISON, L.; HOELL, A.; MICHAELSEN, J. The
climate hazards infrared precipitation with stations—a new environmental record for
monitoring extremes. Scientific Data, n.150066, p.1-21, 2015.

GEHNE, M.; HAMILL, T.M.; KILADIS, G.N.; TRENBERTH, K.E. Comparison of global
precipitation estimates across a range of temporal and spatial scales. Journal of Climate,
v.29, ed.21, p.7773–7795, 2016.

GIL, V.O.; FERRAI, F.; EMMENDORFER, L. Investigação da aplicação de algoritmos de

agrupamento para o problema astrofísico de classificação de galáxias. Revista Brasileira
de Computação Aplicada, v.7, ed.2, p.52-61, 2015.

GIRES, A.; TCHIGUIRINSKAIA, I.; SCHERTZER, D.; SCHELLART, A.; BERNE, A.;
LOVEJOY, S. Influence of small scale rainfall variability on standard comparison tools
between radar and rain gauge data. Atmospheric Research, v.138, p.125-138, 2014.
34

GOBO, J. P. A.; GALVANI, E.; WOLLMANN, C. A. Influência do clima regional sobre o

clima local a partir do diagnóstico de abrangência espacial e extrapolação escalar. Revista
Brasileira de Climatologia, v.22, p.210-228, 2018.

GONÇALVES, M.F.; BLANCO, C.J.C.; SANTOS, V.C.; OLIVEIRA, L.L.S.; PESSOA,

F.C.L. Identification of rainfall homogenous regions taking into account El Niño and La
Niña and rainfall decrease in the state of Pará, Brazilian Amazon. Acta Scientiarum, v.38,
n.2, p.209-216, 2016

GORELICK, N.; HANCHER, M.; DIXON, M.; ILYUSHCHENKO, S.; THAU, D.; MOORE,
R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing
of Environment, v.202, p.18-27, 2017.

HAIR JR., J. F.; BLACK, W.C.; BABIN, B.J.; ANDERSON, R.E.; TATHAM, R.L. Análise
Multivariada de Dados. Porto Alegre: Bookman, ed.6, p.688, 2009.

HASSAN, B.G.H.; PING, F. Regional frequency analysis of daily rainfall extremes using L-
moments approach. APCBEE Procedia, v.1, p.126-135, 2012.

HUFFMAN, G.J.; BOLVIN, D.T.; NELKIN, E.J.; WOLFF, D.B.; ADLER, R.F.; GU, G.;
NELKIN, E.J.; BOWMAN, K.P.; HONG, Y.; STOCKER, E.F.; WOLFF, D.B. The TRMM
Multisatellite Precipitation Analysis (TMPA): Quasi-global, multiyear, combined-sensor
precipitation estimates at fine scales. Journal of Hydrometeorology, v.8, ed.1, p.38–55,
2007.

HUFFMAN, G.J.; BOLVIN, D.T.; BRAITHWAITE, D.; HSU, K.; JOYCE, R.; KIDD, C.;
NELKIN, E.J.; SOROOSHIAN, S.; TAN, J.; XIE, P. NASA Global Precipitation
Measurement (GPM) Integrated Multi-satellitE Retrievals for GPM (IMERG). In:
Algorithm Theoretical Basis Document (ATBD), 2019. Disponível em:
https://docserver.gesdisc.eosdis.nasa.gov/public/project/GPM/IMERG_ATBD_V06.pdf
Acesso em: 22 jan. 2020.

IBGE. Mapas IBGE. Rio de Janeiro: IBGE 2012. Disponível em:<https://mapas.ibge.gov.br/>.

Acessoem: 04 mar. 2020.

JENSEN, N.E.; PEDERSON, L. Spatial variability of rainfall: Variations within a single radar
pixel. Atmospheric Research, v.77, n.1-4, p.269-277, 2005.

JIANG, S.; REN, L.; HONG, Y.; YONG, B.; YANG, X.; YUAN, F.; MA, M. Comprehensive
evaluation of multi-satellite precipitation products with a dense rain gauge network and
optimally merging their simulated hydrological flows using the Bayesian model averaging
method. Journal of Hydrology, v.452–453, p.213–225, 2012.
 35

KASSAMBARA, A.; MUNDT, F. (2019). factoextra: Extract and Visualize the Results of
Multivariate Data Analyses. R package version 1.0.6, 2019. https://CRAN.R-
project.org/package=factoextra

KIDD, C.; LEVIZZANI, V. Status of satellite precipitation retrievals. Hydrology and Earth
System Sciences, v.15, ed.4, p.1109–1116, 2011.

KIDD, C.; HUFFMAN, G. Global precipitation measurement. Meteorological Applications,

v.18, ed.3, p.334–353, 2011.

KIDD, C.; BAUER, P.; TURK, J.; HUFFMAN, G.J.; JOYCE, R.; HSU, K.L.;
BRAITHWAITE, D. Intercomparison of high-resolution precipitation products over
northwest Europe. Journal of Hydrometeorology, v.13, ed.1, p.67–83, 2012.

KOPP, M.M.; DE SOUZA, V.Q.; COIMBRA, J.L.M.; LUZ, V.K.; MARINI, N.; OLIVEIRA,
A.C. Melhoria da correlação cofenética pela exclusão de unidades experimentais na
construção de dendrogramas. Revista da FZVA. Uruguaiana, v.14, n.2, p.46-53, 2007.

KÖPPEN, W. Grundriss der Klimakunde: Outline of climate science. Berlin: Walter de

Gruyter, 1931.

KUNKEL, K.E.; VOSE, R.S.; STEVENS, L.E.; KNIGHT, R.W. Is the monthly temperature
climate of the United States becoming more extreme? Geophysical Research Letters,
v.42, p.629–636, 2015.

LARSON, L.W.; PECK, E.L. Accuracy of precipitation measurements for hydrologic

modeling. Water Resources Research, v.10, ed.4, p.857–863, 1974.

LIU, X.; YANG, T.; HSU, K.; LIU, C.; SOROOSHIAN, S. Evaluating the streamflow
simulation capability of PERSIANN-CDR daily rainfall products in two river basins on the
Tibetan Plateau. Hydrology and Earth System Sciences, v.21, ed.1, p.169–181, 2017.

LYRA, G.B.; OLIVEIRA-JÚNIOR, J.F.; ZERI, M. Cluster analysis applied to the spatial and
temporal variability of monthly rainfall in Alagoas state, Northeast of Brazil. International
Journal of Climatology, v.34, p.2345-2341, 2014.

MA, Y.; TANG, G.; LONG, D.; YONG, B.; ZHOUNG, L.; WAN, W.; HONG, Y. Similarity
and error intercomparison of the GPM and its predecessor-TRMM multisatellite
precipitation analysis using the best available hourly gauge network over the Tibetan
Plateau. Remote Sensing, v.8, p.569-586, 2016.
36

MACEDO, M.J.H.; GUEDES, R.V.S.; SOUSA, F.A.S.; DANTAS, F.R.C. Análise do índice
padronizado de precipitação para o estado da Paraíba, Brazil. Revista Ambiente & Água,
v.5, n.1, p.204-214, 2010.

MEGA, T.; USHIO, T.; KUBOTA, T.; KACHI, M.; AONASHI, K.; SHIGE, S. Gauge adjusted
global satellite mapping of precipitation (GSMaP_Gauge). In. XXXIth URSI General
Assembly and Scientific Symposium (URSI GASS), ed.30, 2014, Beijing, 2014. Anais
[…]. Beijing: China, 2014, p.1-4.

MIAO, C.; ASHOURI, H.; HSU, K.-L.; SOROOSHIAN, S.; DUAN, Q. Evaluation of the
PERSIANN-CDR daily rainfall estimates in capturing the behavior of extreme
precipitation events over China. Journal of Hydrometeorology, v.16, ed.3, p.1387–1396,
2015.

NIMER, E. Climatologia do Brasil. Rio de Janeiro: IBGE, Departamento de Recursos Naturais

e Estudos Ambientais. 421p. 2.ed. 1989.

NOBRE, A.D. O Futuro Climático da Amazônia. Relatório de Avaliação Científica. ARA

Articulación Regional Amazônica. 42 p. 2014.

NOGUEIRA, S.M.C.; MOREIRA, M.A.; VOLPATO, M.M.L. Evaluating Precipitation

Estimates from Eta, TRMM and CHRIPS Data in the South-Southeast Region of Minas
Gerais State—Brazil. Remote Sensing, v.10, n.2, p.313, 2018.

OKSANEN, J.; BLANCHET, F.G.; FRIENDLY, M.; KINDT, R.; LEGENDRE, P.;
MCGLINN, D.; MINCHIN, P.R.; O'HARA, R.B.; SIMPSON, G.L.; SOLYMOS, P.;
STEVENS, M.H.; SZOECS, E.; WAGNER, H. (2019). vegan: Community Ecology
Package. R package version 2.5-6. https://CRAN.R-project.org/package=vegan

OLIVEIRA, L.F.C.; FIOREZE, A.P.; MEDEIROS, A.M.M.; SILVA, M.A.S. Comparação de

metodologias de preenchimento de falhas de séries históricas de precipitação pluvial anual.
Revista Brasileira de Engenharia Agrícola e Ambiental, v.14, n.11, p.1186–1192, 2010.

OLIVEIRA-JÚNIOR, J.F.; XAVIER, F.M.G.; TEODORO, P.E.; GOIS, G.; DELGADO, R.C.
Cluster analysis identified homogeneus regions in Tocantins State, Brazil. Bioscience
Journal, v.33, n.2, p.333-340, 2017.

PAREDES-TREJO, F.J.; BARBOSA, H.A.; KUMAR, T.V.L. Validating CHIRPS-based

satellite precipitation estimates in Northeast Brazil. Journal of Arid Environments, v.139,
p.23-40, 2017.

R CORE TEAM, 2019. R: A language and environment for statistical computing. R Foundation
for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
 37

RAJAH, K.; O’LEARY, T.; TURNER, A.; PETRAKIS, G.; LEONARD, M.; WESTRA, S.
Changes to the temporal distribution of daily precipitation. Geophysical Research Letters,
v.41, p.8887–8894, 2014.

RIVERA, J.A.; MARIANETTI, G.; HINRICHS, S. Validation of CHIRPS precipitation dataset

along the Central Andes of Argentina. Atmospheric Research, v.213, p.437-449, 2018.

ROUSSEEUW, P.J. Silhouettes: a graphical aid to the interpretation and validation of cluster
analysis. Journal of Computational and Applied Mathematics, v.20, p.53-65, 1987.

SALATI E.; VOSE P. Amazon Basin: A system in equilibrium. Science, v.225, n.4658, 1984.

SANTOS, T.L. Variabilidade espacial e temporal da precipitação em Piracicaba (SP) e

influência sobre a produtividade estimada da Soja. 2020. Dissertação (Mestrado em
Engenharia de Sistemas Agrícolas). Universidade de São Paulo Escola Superior de
Agricultura “Luiz de Queiroz”.

SANTOS, E.B.; LUCIO, P.S.; SILVA, C.M.S. Precipitation regionalization of the Brazilian
Amazon. Atmospheric Science Letters, v.16, p.185-192, 2015.

SCHWALBERT, R.A.; AMADO, T.; CORASSA, G.; POTT, L.P.; PRASAD, P.V.V.;
CIAMPITTI, I.A. Satellite-based soybean yield forecast: Integrating machine learning and
weather data for improving crop yield prediction in southern Brazil. Agricultural and
Forest Meteorology, v.284, 107886, 2020.

SCHILLING, W. Rainfall data for urban hydrology: what do we need? Atmospheric

Research, v.27, p.5-21, 1991.

SEIDEL, E.J.; MOREIRA JÚNIOR, F.J.; ANSUJ, A.P.; NOAL, M.R. Comparação entre o
método Ward e o método K-médias no agrupamento de produtores de leite. Ciência e
Natureza, v.30, n.1, p.7-15, 2008.

SHIRIN, A.H.S.; THOMAS, R. Regionalization of rainfall in Kerala state. Procedia

Technology, v.24, p.15-22, 2016.

SILVA, M.N.A.S.; PESSOA, F.C.L.; SILVEIRA, R.N.P.O.; ROCHA, G.S.; MESQUITA,

D.A. Determinação da homogeneidade e tendência das precipitações na bacia hidrográfica
do Rio Tapajós. Revista Brasileira de Meteorologia, v.33, ed.4, p.665-675, 2018.

SILVA, C.B.; SILVA, M.E.S.; AMBRIZZI, T.; TOMMASELLI, J.T.G.; PATUCCI, N.N.;
MATAVELI, G.A.V.; LIMA, B.S., CORREA, W.C. Precipitação na América do Sul –
38

Dados obtidos em estações meteorológicas automáticas e sistemas ornitais. Revista

Brasileira de Climatologia, v.25, p.54-79, 2019.

SPRACKLEN, D.V.; GARCIA, L.-C. The impact of Amazonian deforestation on Amazon

basin rainfall. Geophysical Research Letters, v.42, p.9546-9552, 2012.

SUN, Q.; MIAO, C.; DUAN, Q.; KONG, D.; YE, A.; DI, Z.; GONG, W. Would the ‘real’
observed dataset stand up? A critical examination of eight observed gridded climate
datasets for China. Environmental Research Letters, v.9, ed.1, p.1-16, 2014.

TRENBERTH, K.E.; DAI, A.; RASMUSSEN, R.M.; PARSONS, D.B. The changing character
of precipitation. Bulletin of the American Meteorological Society, v.84, ed.9, p.1205–
1217, 2003.

VICINI, L; SOUZA, A.M. Análise multivariada da teoria à prática. Santa Maria: UFSM;
CCNE, p.215, 2005.

WANG, A.; ZENG, X. Global hourly land surface air temperature datasets: inter-comparison
and climate change. International Journal of Climatology, v.35, ed.13, p.3959–3396,
2015.

WARD, J.H. Hierarchical grouping to optimize an objective function. Journal of the

American Statistical Association, v.58, n.301, p.236-244, 1963.

WICKHAM, H. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag: New York,
2016.

XIE, P.P.; JANOWIAK, J.E.; ARKIN, P.A.; ADLER, R.; GRUBER, A.; FERRARO, R.;
HUFFMAN, G.J.; CURTIS, S. GPCP Pentad precipitation analyses: An experimental
dataset based on gauge observations and satellite estimates. Journal of Climate, v.16,
ed.13, p.2197–2214, 2003.

XU, Z.; TANG, Y.; CONNOR, T.; LI, D.; LI, Y.; LIU, J. Climate variability and trends at a
national scale. Scientific Reports, v.7, n.3258, 2017.

YILMAZ, K.K.; HOGUE, T.S.; HSU, K.L.; SOROOSHIAN, S.; GUPTA, H.V.; WAGENER,
T. Intercomparison of rain gauge, radar, and satellite-based precipitation estimates with
emphasis on hydrologic forecasting. Journal of Hydrometeorology, v.6, ed.4, p.497–517,
2005.
 39

ZHANG, S.; WANG, D.; QIN, Z.; ZHENG, Y.; GUO, J. Assessment of the GPM and TRMM
precipitation products using the rain gauge network over Tibetan plateau. Journal of
Meteorological Research, v.32, p.324-336, 2018.
40
 41

3 ANÁLISES TEMPORAIS DOS DADOS DE PRECIPITAÇÃO ESTIMADOS

POR SATÉLITES PARA O ESTADO DO MATO GROSSO

RESUMO
A utilização de técnicas computacionais mais refinadas e de tecnologias embarcadas em
satélites com múltiplos sensores, permeou a aceleração da criação de produtos de satélite que
que atuem com performances variadas em diferentes regiões geográficas com condições
climáticas e físicas diversas. O objetivo deste trabalho foi analisar diferentes produtos de
estimativa de precipitação pluvial por sensoriamento remoto no estado do Mato Grosso. Foram
utilizados dados estimados de precipitação pluvial diária média dos satélites CHIRPS, GPM,
GSMaP e PERSIANN para 170 localidades que possuem estações automáticas e pluviométricas
distribuídas no território do estado. Na primeira etapa obteve-se os dados na escala diária pelo
Instituto Nacional de Meteorologia e pela Agência Nacional de Águas, correspondendo à série
temporal de abril de 2014 a maio de 2018. Depois de identificada a performance dos satélites
em relação as estações, executou-se uma segunda etapa, usando as mesmas localidades, só que
dividindo-se as estações em quatro regiões pluviométricas homogêneas conforme estipuladas
no Capítulo 1. Como resultados são apresentadas as variações da precipitação pluvial das
regiões estabelecidas de forma diária, mensal, anual e pela alternância entre estações secas
e úmidas. Conclui-se que, para o estado do Mato Grosso, a utilização dos produtos CHIRPS e
GPM providenciam diferentes propostas de utilização, podendo ser usados tanto no
monitoramento climatológico como no meteorológico local.

Palavras-chave: Produtos meteorológicos; Análise de agrupamentos; Variabilidade da

precipitação; Monitoramento regional.

ABSTRACT
The use of more refined computing techniques and technologies embedded in satellites
with multiple sensors, permeated the acceleration of the creation of satellite products that act
with varied performances in different geographic regions with diverse climatic and physical
conditions. The objective of this work was to analyze different products for rainfall estimation
by remote sensing in the state of Mato Grosso. We used estimated daily average rainfall data
from CHIRPS, GPM, GSMaP and PERSIANN satellites for 170 locations that have automatic
and pluviometric stations distributed throughout the state. In the first stage, the data were
obtained on a daily scale by the National Institute of Meteorology and the National Water
Agency, corresponding to the time series from April 2014 to May 2018. After identifying the
performance of the satellites in relation to the stations, a second stage was performed, using the
same locations, only dividing the stations into four homogeneous rainfall regions as stipulated
in Chapter 1. As results are presented the rainfall variations of the established regions on a daily,
monthly, annual basis and by alternating between dry and wet stations. It is concluded that for
the state of Mato Grosso, the use of CHIRPS and GPM products provide different proposals for
use, and can be used both in local climate and in meteorological monitoring.

Keywords: Meteorological products; Analysis of clusters; Variability of rainfall; Regional

monitoring.
42

3.1. INTRODUÇÃO
Conhecer o regime pluviométrico de uma região é necessário, devido as consequências
que períodos de excassez ou excesso podem ter sobre as atividades humanas, como agricultura,
abastecimento hídrico, geração de energia elétrica e serviços urbanos diversos (COURAULT
et al., 2016; DAHRIA et al., 2016; PEREIRA et al., 2002).
A mensuração da precipitação é comumente feita em estações meteorológicas de
superfície, as quais não estão regularmente distribuídas nos estados brasileiros, havendo assim
lacunas de informação meteorológica para diversas localidades. Tal condição, associada às
recorrentes falhas de registros representam uma situação problemática quanto ao conhecimento
das ocorrências e variabilidades espaciais da precipitação (TSUKAHARA et al., 2010;
VENTURA, 2012).
Segundo a Organização Meteorológica Mundial (OMM), especificamente trantando-se
da variável precipitação pluvial, a recomendação quanto a disposição de estações
meteorológicas está atrelada a diversas características devido a variação da distribuição espacial
e temporal desse elemento (WMO, 1982; WMO, 2018). Porém, o recomendado é que uma rede
pluviométrica possua uma distância entre os postos, em média, de 25 a 30 km em terreno plano,
e aproximamente a metade dessa distância em áreas montanhosas (WMO, 1970). Por conta
disso uma maior quantidade de pontos de observação seria necessária, o que normalmente
esbarra em custo de instalação e manutenção. Desse modo, uma alternativa para a obtenção
dessas informações tanto meteorológicas como climatológicas, é o uso de produtos de satélites.
Certos algoritmos desenvoldidos por sensoriamento remoto têm sido utilizados para
observar a variabilidade da precipitação de forma temporal e espacial em diversos lugares do
mundo. Também vem sendo desenvolvidos para estudos relacionados à agricultura,
meteorologia e climatologia, utilizando modelos estatísticos e computacionais para apurar
previsões meteorológicas das estruturas hidrológicas em uma localidade (LI et al., 2013;
WANG et al., 2017; XUE et al., 2013).
Contudo, as fontes de erro associadas a esses produtos ainda não foram bem
compreendidas. Como resultado, esses erros devem ser caracterizados pela utilidade da sua
aplicação (VARIKODEN et al., 2010; XUE et al., 2013). Dessa forma, quantificar as incertezas
e erros inerentes aos dados de precipitação dos satélites continua sendo um desafio
(AGHAKOUCHAKet al., 2012; MEHRAN e AGHAKOUCHAK, 2014)
A natureza dos erros pode mudar com a atualização dos algoritmos ou mudança das
fontes de dados (HIRPA et al., 2010; JIANG et al., 2012). Para um mesmo produto, o
 43

desempenho pode variar significativamente entre diferentes estações do ano, regiões e tipos de
precipitação (EBERT et al., 2007; GEBREGIORGIS e HOSSAIN, 2011).
Portanto, muitos produtos que estimam a precipitação têm sido avaliados para obter
medições confiáveis e que capturem as variações espaço-temporais desse elemento (BECK et
al., 2019; DULIÈRE et al., 2011; TRENBERTH, 2011). Além disso, há também diferença entre
a qualidade e a resolução espaço-temporal dos produtos (SOROOSHIAN et al., 2011). Portanto,
a quantificação dos erros é necessária para a assimilação dos dados, atualização do algoritmo e
uso adequado em diversas aplicações.
Por conta do exposto, inúmeros trabalhos buscam intercomparar produtos de
precipitação baseados em satélites em relação a observações pluviométricas pontuais ou
produtos de pluviometria pós-investigação em escala global ou regional (HABIB et al., 2012;
TANIGUCHI et al., 2013; VEERAKACHEN et al., 2014). Essas informações podem ser úteis,
também, para o zoneamento agroclimático de uma região e definição do planejamento, tanto
hídrico quanto agrícola, podendo caracterizar períodos de seca e seus efeitos na agricultura
(AGUILAR et al., 1986).
Poucos esforços, porém, têm sido executados na avaliação e quantificação da
confiabilidade e precisão desses produtos de precipitação por satélite para o Centro-Oeste
brasileiro. Portanto, o objetivo dessa pesquisa foi analisar quatro produtos de sensoriamento
remoto com diferentes características espaço-temporais vinculados às estimativas de
precipitação pluvial, efetuando esse estudo em diferentes escalas de tempo para o estado do
Mato Grosso.

3.2. MATERIAL E MÉTODOS

3.2.1. Área de estudo

A extensão territorial do Estado de Mato Grosso (MT), localizado na porção central da

América do Sul, é de 906.806,9 km² (IBGE, 2012), limitando-se entre os paralelos 10º a 19º
Sul e os meridianos 51º a 62º Oeste (Figura 1). O estado é majoritariamente classificado por
Aw, com verão quente chuvoso e inverno seco segundo a classificação de Köppen (KÖPPEN,
1931). A temperatura média anual é de 26,5ºC com precipitação média anual próxima aos 1500
mm.
44

3.2.2. Aquisição dos dados meteorológicos

Os dados de precipitação para o Mato Grosso foram obtidos a partir de 30 estações

meteorológicas automáticas pertencentes ao Instituto Nacional de Meteorologia (INMET), e de
outros 140 postos pluviométricos pertencentes a Agência Nacional das Águas (ANA). Esse
conjunto de dados será identificado como ESM (Figura 1).

Figura 1. Localização das estações meteorológicas automáticas e postos pluviométricos no

estado do Mato Grosso.

A partir das imagens dos satélites GPM, GSMaP, CHIRPS e PERSIANN (Tabela 1)
foram obtidos os produtos estimados de precipitação na escala diária. Para o processamento das
imagens foi usada a plataforma Google Earth Engine (GEE), na qual ocorreu toda a obtenção
dos dados geoespaciais (GORELICK et al., 2017). Na interface do GEE, o processo de extração
das informações de uma série temporal de imagens pode ser representada por uma
ImageCollection, uma coleção de cenas de cada produto (GORELICK et al., 2017),
necessitando criar uma função que tenha propriedades tanto espaciais quanto temporais para
cada produto. Para a execução da metodologia, extrairam-se os valores pixel a pixel de uma ou
 45

de múltiplas bandas do produto geoespacial em um conjunto de cenas. Esse processo foi

efetuado para todos os produtos utilizados (Tabela 1).

Tabela 1. Informações gerais dos satélites utilizados nesse estudo.

Acesso ao
Sigla Resolução Resolução Período de
Nome Versão banco de Referências
usada temporal especial dados
dados

0.10º x 0.10º GES Huffman et al.

GPM GPM v05 final Meia hora 2014-2019
(~12 km) DISC (2014)

0.10º x 0.10º Okamoto et

GSMaP GSM Operacional Horário 2014-2020 GEE
(~12 km) al. (2015)

0.05º x 0.05º Funk et al.

CHIRPS CHI v2.0 final Diário 1981-2020 GEE
(~6 km) (2015)

0.25º x 0.25º Ashouri et al.

PERSIANN PER CDR – v1 Diário 1983-2020 GEE
(~30 km) (2015)

3.2.3. Produto GPM

A Medição Global de Precipitação (Global Precipitation Measurement - GPM) é uma

missão internacional de satélites para fornecer observações de última geração de chuva e neve
em todo o mundo a cada três horas. O Integrated Multi-satellitE Retrievals for GPM (IMERG)
é o algoritmo unificado que fornece estimativas de precipitação combinando dados de todos os
instrumentos de microondas passivos na Constelação GPM. Esse algoritmo destina-se a
intercalar, mesclar e interpolar todas as estimativas de precipitação por satélite, juntamente com
estimativas de satélites de infravermelho (IR) calibradas por micro-ondas, análises de medidor
de precipitação e outros estimadores de precipitação em tempo e espaço para as escalas TRMM
e GPM em todo o globo. O sistema é executado várias vezes para cada tempo de observação,
fornecendo uma estimativa rápida e com sucessivos ajustes nas estimativas à medida que mais
dados são integrados. A etapa final usa dados de indicadores mensais para criar produtos no
nível da pesquisa (HUFFMAN et al., 2014).

3.2.4. Produto GSMaP

O Mapeamento de Precipitação por Satélite Global (GSMaP, do inglês Global Satellite

Mapping of Precipitation) é um algoritmo integrado que produz mapas globais de precipitação
46

com resolução temporal horária e espacial de 0,10º x 0,10º. O algoritmo combina observações
de micro-ondas passivas (TRMM TMI, Aqua AMSR-E, DMSP SSM/I e SSMIS, NOAA-19
AMSU-B e MetOp-A MHS), micro-ondas ativas (TRMM PR) e infravermelho (GEO IR),
sendo o infravermelho utilizado para propagar no tempo e no espaço as estimativas dos sensores
de micro-ondas. O algoritmo GSMAP utiliza tabelas de correspondência (LUTs, do inglês look-
up-tables), para estabelecer uma relação entre as taxas de chuva e o vetor de temperatura de
brilho (Tbs) calculado a partir de um modelo de transferência radiativa (RTM, do inglês
radiative transfer model). A recuperação das taxas de precipitação é realizada a partir das Tbs
observadas utilizando as LUTs mencionadas anteriormente (OKAMOTO et al., 2015). Estudos
abordam a sua utilização vinculada a modelos integrados de sensoriamento remoto para
monitoramentos de bacias hidrográficas e estimativas de evapotranspiração, tanto no Brasil
quanto no mundo (SATGÉ et al., 2020; FALCK, 2015)

3.2.5. Produto PERSIANN

PERSIANN-CDR (Precipitation Estimation from Remotely Sensed Information using

Artificial Neural Networks - Climate Data Record) é um produto diário de precipitação quase
global, que abrange o período de primeiro de janeiro de 1983 até o presente. Os dados são
produzidos trimestralmente, com um atraso típico de três meses. O produto é desenvolvido pelo
Centro de Hidrometeorologia e Sensoriamento Remoto da Universidade da Califórnia, Irvine
(UC-IRVINE / CHRS) usando dados de infravermelho Grided Satellite (GridSat-B1) que são
derivados da fusão de dados IR do ISCCP B1, junto com a versão GPCP 2.2 (NOAA, 2018).

3.2.6. Produto CHIRPS

O produto CHIRPS (Climate Hazards Group Infra-Red Precipitation with Station), é

um conjunto de dados de precipitação de cobertura espacial quase global, abrangendo as
latitudes entre 50°S e 50°N por um período superior a 30 anos (iniciando em 1981), com
resolução espacial de 0,05° interpolados com dados de estações in situ para criar séries
temporais que permitam a análise de tendências e monitoramento da precipitação. O método
utilizado baseia-se em estimativas de dados de precipitação obtidos pela técnica Cold Cloud
Duration (CCD) combinados aos dados de superfície, na escala diária (FUNK et al., 2015).
 47

3.2.7. Informações dos bancos de dados e das escalas temporais

Devido ao banco de dados de ESM possuir falhas, buscou-se o intervalo de tempo com
menor quantidade de dados faltantes, delimitando-se por utilizar todas as estações e
pluviômetros com integridade dos seus dados diários, em um ano, acima de 80%. Dessa forma,
selecionaram-se 170 ESM (Figura 1). Por essa razão, nas duas análises realizadas nesse
capítulo, o mesmo conjunto de dados utilizado abrange o período de abril de 2014 a maio de
2018, totalizando 50 meses de informações.
Para avaliar o desempenho de diferentes produtos geoespaciais, selecionaram-se quatro
algoritmos de estimativa de precipitação por satélite (EST) (Tabela 1). As informações foram
extraídas de suas cenas utilizando o mesmo período de dados das ESM, pelas suas coordenadas
geográficas.
Com o propósito de comparar os produtos geoespaciais e as ESM, primeiramente
efetuaram-se comparações entre as ESM e as EST nas escalas temporais diária, mensal, anual,
escala estacional (sendo estabelecido, verão, entre 20 de dezembro até 20 de março, outono, de
21 de março até 21 de junho, inverno, de 22 de junho até 22 de setembro e primavera, entre 23
de setembro até 19 de dezembro) e pelas estações secas e úmidas (respectivamente, 01 de maio
a 30 de setembro e 01 de outubro a 30 de abril entre os anos analisados).
Posteriormente, optou-se por utilizar a divisão formulada no Capítulo 2, a partir da
aglomeração hierárquica das ESM selecionadas no estado do Mato Grosso, realizando-se as
análises diárias, mensais e por estações secas e úmidas. O intuito de repetir as análises dos
produtos geoespaciais em grupos foi identificar se, devido as suas diferentes resoluções
espaciais, esses apresentam diferenças entre si e entre as ESM, mesmo em regiões
pluviométricas homogêneas.

3.2.8. Análise estatística dos dados

A avaliação da qualidade dos dados geoespaciais foi realizada a partir do coeficiente de

determinação (R²) (Equação 1), pela raiz do erro quadrático médio (RMSE, do inglês root mean
square error) (Equação 2), do erro médio ou viés aditivo (BIAS, do inglês additive bias)
(Equação 3) e da probabilidade de BIAS (PBIAS) (Equação 4).

2
∑𝑛
𝑖=1(𝐸𝑆𝑀−𝐸𝑆𝑀𝑚)(𝐸𝑆𝑇−𝐸𝑆𝑇𝑚)
𝑅2 = [ ] (1)
√∑𝑛
𝑖=1(𝐸𝑆𝑀−𝐸𝑆𝑀𝑚)²(𝐸𝑆𝑇−𝐸𝑆𝑇𝑚)
2
48

∑n
i=1(EST – ESM)
2
RMSE = √ (2)
N

∑𝑛
𝑖=1(𝐸𝑆𝑇−𝐸𝑆𝑀)
𝐵𝑖𝑎𝑠 = (3)
𝑁

𝐵𝑖𝑎𝑠
𝑃𝐵𝐼𝐴𝑆 = 1 𝑥 100 (4)
( ) ∑𝑛
𝑖=1 𝐸𝑆𝑀
𝑁

Em que ESM são os observados pelas estações meteorológicas automáticas pertencentes ao

INMET e dos postos pluviométricos da ANA, ESMm é a média dos valores observados, EST
são os dados das estimativas por satélites (CHI, GPM, GSM e PER), ESTm é a média dos
valores estimados e N número de medições. Utilizou-se o programa estatístico R versão 3.6.1
(R CORE TEAM, 2019) para manipulação do banco de dados e de programas de sistema de
informação geográfica (GIS - Geographic Information System, na sigla em inglês) para
elaboração dos mapas desse estudo.

3.3. RESULTADOS E DISCUSSÃO

Os resultados (Figura 2) mostram as correlações entre a precipitação estimada por

satélite (Tabela 1) e a precipitação proveniente da rede de estações meteorológicas no estado
de Mato Grosso, na escala diária. Como pode ser observado nas figuras de dispersão (Figura
2), os quatro produtos analisados apresentaram coeficiente de determinação (R2) variando entre
o máximo de 0,76 (GSM) e o mínimo de 0,55 (PERSIANN), caracterizando uma acentuada
dispersão entre medidas e estimativas feitas para a escala diária.
Resultados para os produto CHIRPS e GPM (Figura 2) apontam leve tendência de
superstimativa da precipitação na escala diária, enquanto resultados contrários foram obtidos
para os produtos GSM e PERSIANN, ambos subestimando os dados medidos, conforme os
coeficientes angulares das retas de correlação.
Ao analisar as estimativas a partir do índice estatístico RMSE observa-se que o
desempenho dos quatro produtos de satélite (Tabela 1) foi similar, com diferença mínima entre
as estimativas e medidas de 2,46 mm dia-1 do GSM e máximo de 3,31 mm dia-1 do PERSIANN.
Complementarmente, o índice PBIAS, ao assinalar a tendência média entre valores estimados
e medidos, acusa superestimativas para os produtos CHIRPS (7,7) e GPM (2,0) e subestimativas
para GSM (-23,8) e PERSIAAN (4,4).
 49

O que pode ser indicado nessa análise é que a resolução espacial, sendo ela maior, como
ao produto CHI, nessas localidades estudadas, não mostrou melhorias em seu desempenho
quando comparado aos outros produtos que possuem resoluções espaciais menores. Uma das
causas pode ser a diferença de captura das informações que os algoritmos dos produtos
possuem, porém esse aspecto não será abordado nessa pesquisa.

Figura 2.Correlações entre dados diários de precipitação medidos nas estações de superfície
(ESM) e estimados pelos produtos de satélite (CHI, GPM, GSM e PER) para o estado do Mato
Grosso.

Camparotto et al. (2013) avaliaram dados obtidos via satélites TRMM e MODIS para o
estado de São Paulo, validando as estimativas com dados observados de 30 estações
meteorológicas, coletados entre os anos de 2003 a 2010. Os resultados encontrados estão
próximos às estimativas obtidas na escala diária nesse trabalho pelo produto CHIRPS.
Diferenças em capacidade preditiva dos produtos de satélites para diferentes regiões devem-se,
sobretudo, à topografia, às variações regionais de formação de nuvens e, especialmente, à forma
como o satélite responde a essas estruturas e à resolução espacial do produto utilizado
(CASTELHANO et al.,2017; MA et al., 2016; NOGUEIRA et al., 2018; XU et al., 2017).
Quando analisados os produtos na escala mensal (Figura 3), identifica-se a manutenção
dos padrões dos produtos de satélite. Com melhor ajuste aos dados de precipitação, o produto
GPM obteve coeficiente de determinação de 0,98 e RMSE com valor de 17,67 mm mês-1, sendo
considerado adequado para análises regionais de precipitação, mesmo apresentando maiores
50

valores de erro do que foi exposto na escala diária (RMSE de 2,95 mm dia-1). Fazendo a mesma
comparação, diferente do GPM, quando analisamos as performances dos outros produtos,
maiores diferenças entre os valores de RMSE e PBIAS são encontradas.
O produto PER, apresentou alguns valores extremos em suas estimativas, e por isso
obteve o maior RMSE dos produtos, com valor de 59,63 mm mês-1, sendo um erro muito alto,
principalmente se tratando da região do Centro-Oeste, que possui períodos chuvosos bem
definidos durante o ano mas que tem a presença de chuvas convectivas no verão. Assim, em
períodos mais secos, essa constelação pode provocar maiores incertezas em suas estimativas.
Essa análise será realizada posteriormente nessa pesquisa.
Algo que pode ser identificado é a semelhança da performance entre os produtos CHI e
GPM que superestimaram as chuvas tanto nas estimativas diárias quanto mensais de
precipitação. Esse resultado apresentou-se diferente nos outros produtos, como o GSM e o PER
que além de possuírem elevados erros, respectivamente, RMSE de 43,14 e 59,63 mm mês-1,
subestimaram da mesma forma nas duas escalas de tempo analisadas.

Figura 3. Correlações entre dados mensais de precipitação medidos nas estações de superfície
(ESM) e estimados pelos produtos de satélite (CHI, GPM, GSM e PER) para o estado do Mato
Grosso.

O padrão sazonal de precipitação do estado do Mato Grosso, descrito a partir dos dados
das ESM, foi seguido pelas estimativas dos satélites (Figura 4). Para os meses chuvosos (de
outubro a março), as estimativas de precipitação apresentaram maiores erros e desvios entre os
 51

produtos analisados, em comparação com os resultados relativos aos meses mais secosdas
estações do outono-inverno (de abril a setembro).
Os melhores resultados foram obtidos para os produtos de satélites CHI e GPM, tanto
nos meses chuvosos como naqueles mais secos. Diferente desses produtos, o GSM subestimou
os dados medidos para todos os meses analisados, não sendo satisfatória sua utilização para o
estado do Mato Grosso na escala mensal.
Por outro lado, o produto PER teve uma performance variada, superestimando os
valores de precipitação nos períodos mais secos e subestimando nos chuvosos. Essa é uma
característica normal dos satélites meteorológicos com baixas resoluções espaciais. Devido à
sua grande área de cobertura, costuma computar falsos alertas de precipitação em regiões onde
ocorre a formação de nuvens, mas que não são precipitadas naquele momento. Porém, poucos
trabalhos relatam tais análises no território nacional, ainda mais utilizando um produto de
satélite como PER.

Figura 4. Gráfico de box-plot da série de precipitação pluvial média na escala mensal dos dados
de ESM em relação aos produtos (CHI, GPM, GSM e PER) para o estado do Mato Grosso.

Utilizando uma escala temporal maior, como a anual, verifica-se as estimativas de

precipitação pluvial dos diferentes produtos para os anos de 2015 a 2017, conforme apresentado
na Figura 5. Avaliando-se o acumulado anual médio, as menores diferenças entre a precipitação
medida e estimada pelo satélite, foi do produto GPM, sendo uma diferença média de 46 mm
por ano.
52

Os produtos CHI, PER e GSM, possuiram diferenças médias entre os valores estimados
e os observados pelas ESM, respectivamente, de 133 mm, 141 mm e 305 mm por ano. Em todos
os anos analisados, o produto GSM subestimou os volumes de precipitação, da mesma forma
que nas escalas diária (Figura 2) e mensal (Figura 3).
O produto PER demonstrou um comportamento satisfatório para os anos de 2015 e
2017, subestimando somente para o ano de 2016. Os resultados indicam a possibilidade de
utilizá-lo em escalas de tempo maiores, como a anual, devido apresentar uma longa série
temporal de dados geoespaciais e ,assim, possibilitar a calibração ou validação desse para
análises regionais de precipitação histórica.

Figura 5. Distribuição da precipitação acumulada anual para cada produto de satélite (CHI,
GPM, GSM e PER) comparado à estações de superfícies (ESM).

Algo que explica alguns desempenhos dos satélites, são as suas diferenças nas estruturas
dos seus algoritmos para coleta de dados. No caso do GPM, ele foi desenvolvido para captar
precipitações com elevada amplitude, tanto light quanto heavy rain, e ter melhores estimativas
em regiões mais planas, possibilitando resultados mais satisfatórios do que os outros satélites
utilizados (HUFFMAN et al., 2014; SHARIFI et al., 2016).
Em outros estudos, a utilização do satélite CHI trouxe resultados bons quando executado
em regiões montanhosas e ou acidentadas (RIVERA et al, 2018). Devido ser o produto com
maior resolução espacial nessas análises (0,01º), o CHI tem valores próximos às estimativas do
GPM. Segundo Gadelha et al. (2019), ao analisar a performance do GPM para diferentes
localidades do Brasil, esses autores justificaram o melhor desempenho nas diferentes regiões,
 53

devido suas estimativas possuirem valores próximos a processos de interpolação de dados de

postos pluviométricos em regiões com baixa densidades de estações.
Quando avaliada as relações entre ESM e EST com o uso de regressões na escala
mensais dos produtos, dividindo-se em grupos com diferentes volumes de chuva, utilizando a
mesma divisão dos agrupamentos abordado no Capítulo 1, observa-se que em regiões com
maiores volumes de precipitação pluvial, alguns satélites sofrem menores penalizações em suas
estimativas, conforme apresentado na Tabela 2.
Separando os produtos de precipitação pluvial de acordo com os respectivos
agrupamentos, demonstra-se uma variação nas estimativas dos satélites meteorológicos nas 4
regiões do estado do Mato Grosso, desde a região mais seca no sul, à região mais úmida ao
norte. Da mesma forma que os produtos estimam a precipitação de formas diferentes durante o
ano, devido a sazonalidade da precipitação, a partir das análises por agrupamentos, o mesmo
ocorre por regiões.
Os resultados demonstram que existe uma diferença nas estimativas de satélite entre as
regiões sul e norte do estado do Mato Grosso. Quando avaliados os produtos ao norte, maiores
foram as incertezas nas estimativas da precipitação. Já no sul do estado, utilizando os mesmos
produtos, menores foram essas diferenças nas estimativas. E isso ocorreu independente da
resolução espacial do produto utilizado. Porém a região sul tem menos frequência de
observações de precipitação.
Um exemplo é o produto CHI, que ao mudar do grupo 1 (G1) ao G4, possuiu uma
mudança do PBIAS de 7,9 a 22,4%, superestimando em decorrência do aumento do volume
precipatado mensalmente em um ano. Da mesma forma é o seu RMSE que de 83,98 foi para
121,41 mm mês-1. Porém, o produto GPM mostrou as menores variações estatísticas, quando
submetido aos diferentes agrupamentos.
Independente do grupo que o produto GSM foi submetido, possuiu subestimativa de
precipitação variando de região para região; entretanto, o menor valor encontrado foi no G3, no
qual observou-se menor PBIAS e maior R², respectivamente, -14,9% e 0,53. Outro produto que
possuiu variação em sua performance foi o PER, o qual possuiu maiores coeficientes de
determinação nas regiões centrais do estado, como G2 e G3, e menores valores de PBIAS.
54

Tabela 2. Indicadores estatísticos para os valores mensais de precipitação pluvial para os

produtos estimados comparados com as ESM durante o período de janeiro de 2015 a dezembro
de 2017 para cada um dos grupos estabelecidos para o estado do Mato Grosso.
RMSE
Produto Grupo Equação R² (mm mês-1) PBIAS (%)

CHI G1 y = 55,4 + 0,59x 0,50 83,98 7,90

GPM G1 y = 58,7 + 0,60x 0,50 85,14 11,70
GSM G1 y = 39,0 + 0,44x 0,43 91,25 -21,50
PER G1 y = 63,4 + 0,41x 0,41 93,84 10,50
CHI G2 y = 62,2 + 0,67x 0,49 101,07 14,70
GPM G2 y = 51,1 + 0,67x 0,54 92,23 6,70
GSM G2 y = 39,8 + 0,53x 0,50 95,28 -16,80
PER G2 y = 52,0 + 0,59x 0,48 96,51 -0,70
CHI G3 y = 59,3 + 0,77x 0,56 103,63 18,00
GPM G3 y = 47,9 + 0,74x 0,59 93,27 6,70
GSM G3 y = 36,9 + 0,60x 0,53 97,77 -14,90
PER G3 y = 64,7 + 0,57x 0,43 108,43 1,30
CHI G4 y = 71,9 + 0,69x 0,49 121,41 22,40
GPM G4 y = 61,1 + 0,65x 0,52 110,84 10,60
GSM G4 y = 49,9 + 0,43x 0,40 121,74 -20,50
PER G4 y = 62,3 + 0,50x 0,42 118,75 -3,80

Submetendo-se os produtos de satélite às divisões dos agrupamentos, buscando analisar

as suas performances médias mensais de precipitação, pode ser observado grandes oscilações
entre os produtos (Figura 12). Devido a existência de falsos alertas, quando existe presença de
nuvens estratiformes na atmosfera e não ocorre precipitação, o satélite pode contabilizar a
precipitação mesmo que não tenha ocorrência da mesma. Entre as estações do outono-inverno,
entre os meses de abril a setembro, no estado do Mato Grosso, costuma-se permanecer por
muitos dias uma grande massa de nebulosidade.
Por conta disso, justifica-se a existência dos pontos extremos nos meses de junho a
agosto e também por estar intrínsecamente ligado às suas respectivas áreas de cobertura das
estimativas, tamanho de pixel, como comentado anteriomente. No caso do CHI, sendo o satélite
com maior resolução espacial analisado nesse estudo (0,01º), devido ao seu detalhamento na
obtenção de informações geospaciais, pode estabelecer maiores erros em suas estimativas por
 55

conta da sensibildiade que o algoritmo possui em relação as mudanças da superfície terrestre e

os efeitos que a atmosfera pode provocar nas estimativas.
De acordo com os comportamentos das estimativas mensais dos produtos CHI e GPM,
utilizar ambos para análises regionais prevê bons resultados independente da região do estado
escolhida. O mesmo não pode ser afirmado para os produtos GSM e PER, que dependem de
uma avaliação prévia das suas estimativas em cada localidade.
56

Figura 12. Gráfico de box-plot da precipitação pluvial média na escala mensal em relação aos dados de ESM e os produtos (CHI, GPM, GSM e
PER) para os agrupamentos (G1, G2, G3 e G4) do estado do Mato Grosso.
57

3.4. CONCLUSÃO

Com base nos resultados verifica-se a possibilidade de utilizar os diferentes produtos,

GPM e CHI, com o propósito de monitorar regionalmente a precipitação pluvial. Tais produtos
obtiveram melhores resultados devido suas diferentes características estruturais, como
resoluções espaciais e temporais, e capacidade de captar uma larga amplitude de precipitações
pluviais. Porém, é necessário avaliar por meio de mais estudos as variabilidades espaciais e
temporais desses produtos para a estimativa de precipitação pluvial regional e municipal. Pode-
se por tais análises, permitir maiores testes para averiguar o desempenho desses produtos ou de
sua utilização em conjunto com calibrações locais para diminuição das incertezas das
estimativas desses produtos.

REFERÊNCIAS

AGHAKOUCHAK, A.; MEHRAN, A.; NOROUZI, H.; BEHRANGI, A. Systematic and

random error components in satellite precipitation data sets. Geophysical Research
Letters, v.39, n.L09406., 2012.

AGUILAR, D.; KRUKER, J.; CALHEIROS, R.D.; SILVA, C. Determinação da

vapotranspiração potencial e balanço hídrico climático da região da Grande
Dourados, MS.Dourados: EMBRAPA-UEPAE Dourados, 1986.

ASHOURI, H.; HSU, K.; SOROOSHIAN, S.; BRAITHWAITE, D.K.; KNAPP, K.R.; CECIL,
L.D.; NELSON, B.R.; PRAT, O.P. PERSIANNCDR: Daily precipitation climate data
record from multisatellite observations for hydrological and climate studies. American
Meteorological Society, v.96, p.69–83, 2015.

BECK, H.E.; PAN, M.; ROY, T.; WEEDON, G.P.; PAPPENBERGER, F.; DIJK, A.I.M.V.;
HUFFMAN, G.J.; ADLER, R.F. WOOD, E.F. Daily evaluation of 26 precipitation datasets
using Stage-IV gauge-radar data for the CONUS. Hydrology and Earth System Sciences,
v.23, p.207–224, 2019.

CAMPAROTTO, L.B.; BLAIN, G.C.; GIAROLLA, A.; ADAMI, M.; CAMARGO, M.B.P.
Validação de dados termopluviométricos obtidos via sensoriamento remoto para o Estado
de São Paulo. Campina Grande, v.17, p.665-671, 2013.

CASTELHANO, F.J.; PINHEIRO, G.M.; ROSEGHINI, G.M. Correlação entre precipitação

estimada por satélite e dados de superfície para aplicação em estudos climatológicos.
Geosul, v.32, n.64, p.179-192, 2017.
58

COURAULT, D.; DEMAREZ, V.; GUÉRIF, M.; PAGE, M.L.; SIMONNEAUX, V.;
FERRANT, S.; VELOSO, A. Contribution of remote sensing for crop and water
monitoring. In: BAGHDADI, N.; ZRIBI, M. Land Surface Remote Sensing in
Agriculture and Forest. ReinoUnido: Elsevier, 2016. p.113-177.

DAHRIA, Z.H.; LUDWIG, F.; MOORS, C.E.; AHMADA, B.; KHANE, A.; KABAT, P. An
appraisal of precipitation distribution in the high-altitude catchments of the Indus basin.
Science of The Total Environment, v.548-549, p.289-306, 2016.

DULIÈRE, V.; ZHANG, Y.; SALATHÉ, E.P. Extreme precipitation and temperature over the
U.S. Pacific Northwest: a comparison between observations, reanalysis data, and regional
models. Journal of Climate, v24, 1950–1964, 2011.

EBERT, E.E.; JANOWIAK, J.E.; KIDD, C. Comparison of near-real-time precipitation

estimates from satellite observations and numerical models. Bulletin of American
Meteorological Society, v.88, p.47–64, 2007.

FALCK, A.S.; MAGGIONI, V.; TOMASELLA, J.; VILA, D.A.; DINIZ, F.L.R. Propagation
of satellite precipitation uncertainties though a distributed hydrologic model: A case study
in the Tocantins-Araguaia basin in Brazil. Journal of Hydrology, v.527, p.943-957, 2015.

FUNK, C.; PETERSON, P.; LANDSFELD, M.; PEDREROS, D.; VERDIN, J.; SHUKLA, S.;
HUSAK, G.; ROWLAND, J.; HARRISON, L.; HOELL, A.; MICHAELSEN, J. The
climate hazards infrared precipitation with stations—a new environmental record for
monitoring extremes. Scientific Data, n.150066, p.1-21, 2015.

GADELHA, A.N.; COLEHO, V.H.R.; XAVIER, A.C.; BARBOSA, L.R.; MELO, D.C.D.;
XUAN, Y.; HUFFMAN, G.J.; PETERSON, W.A.; ALMEIDA, C.N. Grid box-level
evaluation of IMERG over Brazil at various space and time scales. Atmospheric Research,
v.218, p.231-244, 2019.

GEBREGIORGIS, A.S.; HOSSAIN, F. Understanding the dependency of satellite rainfall

uncertainty on topography and climate for hydrologic model simulation. IEEE
Transactions on Geoscience and Remote Sensing, v.51, p.704–718, 2011.

GORELICK, N.; HANCHER, M.; DIXON, M.; ILYUSHCHENKO, S.; THAU, D.; MOORE,
R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing
of Environment, v.202, p.18-27, 2017.

HABIB, E.; HAILE, A.T.; TIAN, Y.; JOYCE, R.J. Evaluation of the high-resolution CMORPH
satellite rainfall product using dense rain gauge observations and radar-based estimates.
Journal Hydrometeorology, v.13, p.1784–1798, 2012.
59

HIRPA, F.A.; GEBREMICHAEL, M.; HOPSON, T. Evaluation of high-resolution satellite

precipitation products over very complex terrain in Ethiopia. Journal Applied
Meteorology and Climatology, v.49, p.1044–1051, 2010.

HUFFMAN, G.; BOLVIN, D.; BRAITHWAITE, D.; HSU, K.; JOYCE, R.; XIE, P. 2014:
Integrated Multi-satellite Retrievals for GPM (IMERG), version 4.4. NASA's Precipitation
Processing Center, Disponível em:
https://gpm.nasa.gov/sites/default/files/document_files/IMERG_ATBD_V4.4.pdf. Acesso
em: 15 fev, 2020.

IBGE. Mapas IBGE. Rio de Janeiro: IBGE 2012. Disponível em:<https://mapas.ibge.gov.br/>.

Acessoem: 04 mar. 2020.

JIANG, S.; REN, L.; HONG, Y.; YONG, B.; YANG, X.; YUAN, F.; MA, M. Comprehensive
evaluation of multi-satellite precipitation products with a dense rain gauge network and
optimally merging their simulated hydrological flows using the Bayesian model averaging
method. Journal of Hydrology, v.452–453, p.213–225, 2012.

KÖPPEN, W. Grundriss der Klimakunde: Outline of climate science. Berlin: Walter de

Gruyter, 1931.

LI, X.; ZHANG, Q.; YE, X. Dry/wet conditions monitoring based on TRMM rainfall data and
its reliability validation over poyang lake basin, China. Water, v.5, n.4, p.1848–1864,
2013.

MA, Y.; TANG, G.; LONG, D.; YONG, B.; ZHONG, L. Similarity and error intercomparison
of the gpm and its predecessor trmmmultisatellite precipitation analysis using the best
available hourly gauge network over the Tibetan Plateau. Remote Sensing, v.8, p.569, 1-
17, 2016.

MEHRAN, A.; AGHAKOUCHAK, A. Capabilities of satellite precipitation datasets to

estimate heavy precipitation rates at different temporal accumulations. Hydrological
Processes, v.28, p.2262–2270, 2014.

NOAA. Climate Data Record (CDR) of Precipitation Estimation from Remotely Sensed
Information using Artificial Neural Networks (PERSIANN-CDR), Version 1 Revision 1,
2018. Página inicial. Disponível em: https://data.nodc.noaa.gov/cgi-
bin/iso?id=gov.noaa.ncdc:C00854 . Acesso em: 03 de mar. de 2020.

NOGUEIRA, S.M.C.; MOREIRA, M.A.; VOLPATO, M.M.L. Evaluating Precipitation

Estimates from Eta, TRMM and CHRIPS Data in the South-Southeast Region of Minas
Gerais State—Brazil. Remote Sensing, v.10, n.2, p.313, 2018.
60

OKAMOTO, K.; IGUCHI, T.; TAKAHASHI, N.; IWANAMI, K.; USHIO, T. The Global
Satellite Mapping of Precipitation (GSMaP) project, 25th IGARSS. Proceedings, p.3414-
3416, 2015.

PEREIRA, A.R.; ANGELOCCI, L.R.; SENTELHAS, P.C. Agrometeorologia: Fundamentos

e aplicações práticas.Guaíba: Agropecuária, p.487, 2002.

R CORE TEAM. R: A language and environment for statistical computing. Vienna,

Austria. R Foundation for Statistical Computing, 2019. Disponível em: http://www.r-
project.org/.

RIVERA, J.A.; MARIANETTI, G.; HINRICHS, S. Validation of CHIRPS precipitation dataset

along the Central Andes of Argentina. Atmospheric Research, v.213, p.437-449, 2018.

SATGÉ, F.; DEFRANCE, D.; SULTAN, B. BONNET, M.-P.; SEYLER, F.; ROUCHÉ, N.;
PIERRON, F.; PATUREL, J.-E. Evaluation of 23 gridded precipitation datasets across
West Africa. Journal of Hydrology, v.581, 2020.

SHARIFI, E.; STEINACKER, R.; SAGHAFIAN, B. Assessment of GPM-IMERG and other

precipitation products against gauge data under different topographic and climatic
conditions in Iran: preliminary results. Remote Sensing, v.8, ed.2, p.135, 2016.

SOROOSHIAN, S.; AGHAKOUCHAK, A.; ARKIN, P.; EYLANDER, J.; FOUFOULA-

GEORGIOU, E.; HARMON, R.; HENDRICKX, J.M.H.; IMAM, B.; KULIGOWSKI, R.;
SKAHILL, B.; SKOFRONICK, G.-J. Advanced concepts on remote sensing of
precipitation at multiple scales. Bulletin American Meteorological Society, v.92, p.1353–
1357, 2011.

TANIGUCHI, A.; SHIGE, S.; YAMAMOTO, M.K.; MEGA, T.; KIDA, S.; KUBOTA, T.;
KACHI, M.; USHIO, T.; AONASHI, K. Improvement of high-resolution satellite rainfall
product for Typhoon Morakot (2009) over Taiwan. Journal of Hydrometeorology, v.14,
p.1859–1871, 2013.

TRENBERTH, K.E. Changes in precipitation with climate change. Climate Research, v.47,
p.123–138, 2011.

TSUKAHARA, R.; JENSEN, T.; CARAMORI, P. H. Utilização de Redes Neurais Artificiais

para Preenchimento de Falhas em Séries Horárias de Dados Meteorológicos. XVI
CongressoBrasileiro de Meteorologia, Belém, PA, 2010.

VARIKODEN, H.; SAMAH, A.A.; BABU, C.A. Spatial and temporal characteristics of rain
intensity in the Peninsular Malaysia using TRMM rain rate. Journal of Hydrology, v,387,
p.312–319, 2010.
61

VEERAKACHEN, W.; RAKSAPATCHARAWONG, M.; SETO, S. Performance evaluation

of global satellite mapping of precipitation (GSMaP) products over the Chaophraya river
basin, Thailand. Hydrological Research Letters, v.8, p.39–44, 2014.

VENTURA, T.M. Preenchimento de falhas de dados micrometeorológicos utilizando

técnicas de inteligência artificial. 2012. 84 f. Dissertação (Dissertação em Física
Ambiental) – Universidade Federal de Mato Grosso, Cuiabá, 2012.

WANG, Z. et al. Evaluation of the GPM IMERG satellite-based precipitation products and the
hydrological utility. Atmospheric Research, v. 196, n. May, p. 151–163, 2017.

World Meteorological Organization (WMO). The planning of meteorological station

networks, WMO n.265. Technical note, n.111. Genebra, Suíça, 1970.

World Meteorological Organization (WMO). Concepts and techniques in hydrological

network design, WMO n.580. Operational hydrology report, n.19. Genebra, Suíça, 1982.

World Meteorological Organization (WMO). Guide to Meteorological Instruments and

Methods of Observation, WMO n.8. Genebra, Suíça, 2018

XU, Z.; TANG, Y.; CONNOR, T.; LI, D.; LI, Y.; LIU, J. Climate variability and trends at a
national scale. Scientific Reports, v.7, n.3258, 2017.

XUE, X.; HONG, Y.; LIMAYE, A.S.; GOURLEY, J.J.; HUFFMAN, G.J.; KHAN, S.I.;
DORJI, C.; CHEN, S. Statistical and hydrological evaluation of TRMM-based multi-
satellite precipitation analysis over the Wangchu basin of Bhutan: Are the latest satellite
precipitation products 3B42V7 ready for use in ungauged basins? Journal of Hydrology,
v.499, p.91-99, 2013.