O fenômeno ENOS e a análise da variabilidade das séries temporais de precipitação na Área de Conservação Guanacaste, Costa Rica
DOI:
https://doi.org/10.15359/rgac.72-18Palavras-chave:
Área de Conservação Guanacaste, precipitação, ecorregiões, ENOSResumo
O noroeste pacífico da Costa Rica é uma região com uma estacionalidade no regime de chuvas muito marcada. Somado a essa sazonalidade, esta área da Costa Rica é propensa a fenômenos hidroclimáticos extremos como secas e inundações, por exemplo. A distribuição limitada de pluviômetros ou a falta de disponibilidade de informações relevantes fazem com que os dados complementares obtidos de satélites e suas respectivas reanálises sejam fundamentais para obter informações cruciais e, assim, embasar as ações de gestão dos recursos hídricos e suas repercussões nos ecossistemas, tanto naturais quanto produtivos. Para analisar os padrões de precipitação, foram analisadas as séries temporais de precipitação do produto CHIRPS para cinco ecorregiões delimitadas na Área de Conservação Guanacaste, no Pacífico noroeste da Costa Rica. Estas curvas foram correlacionadas com as séries temporais das regiões de monitoramento da temperatura superficial do mar nas regiões Niño 1.2, Niño 3, Niño 3.4 e Niño 4. Todas as ecorregiões analisadas correlacionaram de forma negativa e forte com a região do Niño 1.2, com valores de R entre -0.72 e -0.74. Além disso, foi detectado um atraso na curva do Niño 4 de quatro a cinco meses, em relação à curva da região Niño 1.2. O estudo sugere que a anomalia do El Niño 4, com um desfasamento de aproximadamente 4 a 5 meses, pode ser utilizada como indicador de possíveis impactos nos padrões de precipitação nas diferentes ecorregiões estudadas. Este tempo é suficiente para planejar ações, especialmente no setor agroprodutivo. Neste trabalho, é demonstrado o potencial de previsibilidade dos efeitos do fenômeno ENOS sobre o padrão de precipitação em áreas extensas e com certa homogeneidade ecossistêmica, como as ecorregiões na Área de Conservação Guanacaste.
Referências
Allen, K; Allen, K., Dupuy, J., Gei, M., Hulshof, C., Medvigy, D., Pizano, C, Salgado, B, et al. (2017). Will Seasonally Dry Tropical Forests Be Sensitive or Resistant to Future Changes in Rainfall Regimes? Environmental Research Letters, 12(2). https://doi.org/10.1088/1748-9326/aa5968.
Awange, J; Hu, K; Khaki, M. (2019). The Newly Merged Satellite Remotely Sensed, Gauge and Reanalysis-Based Multi-Source Weighted-Ensemble Precipitation: Evaluation over Australia and Africa (1981–2016). Science of the Total Environment, 670, 448–65.
Awange, J; Forootan, E. (2016). An Evaluation of High-Resolution Gridded Precipitation Products over Bhutan (1998–2012). International Journal of Climatology, 36(3), 1067–87.
Beck, H, Vergopolan, N; Pan, M; Levizzani, V; Van Dijk, A; Weedon, P; Brocca, P; Pappenberger, F; Huffman, G and Wood, E. (2017). Global-Scale Evaluation of 22 Precipitation Datasets Using Gauge Observations and Hydrological Modeling. Hydrology and Earth System Sciences, 21(12), 6201–17.
Cleveland, R; Cleveland, J; Terpenning, I. (1990). A Seasonal-Trend Decomposition Procedure Based on Loess (with Discussion). Journal of Official Statistics, 6(1).
Comité Regional de Recursos Hidráulicos CRRH y Sistema de la Integración Centroamericana SICA. (2019). El Niño Oscilación Del Sur (Enos). CRRH-SICA https://centroclima.org/wp-content/uploads/2019/02/El_Ni%C3%B1o_febrero_2019.pdf.
Corlett, R. (2016). The Impacts of Droughts in Tropical Forests. Trends in Plant Science, 21(7), 584–93. https://doi.org/https://doi.org/10.1016/j.tplants.2016.02.003.
Dee, P; Uppala, S; Simmons, A; Berrisford, P; Poli, P; Kobayashi, S; Andrae, U; et al. (2011). The Era-Interim Reanalysis: Configuration and Performance of the Data Assimilation System. Quarterly Journal of the Royal Meteorological Society, 137(656), 553–97.
Dinku, T., Funk, C., Peterson, P., Maidment, R., Tadesse, T., Gadain, H., & Ceccato, P2018). Validation of the Chirps Satellite Rainfall Estimates over Eastern Africa. Quarterly Journal of the Royal Meteorological Society, 144, 292–312.
Evans, J. (1996). Straight Forward Statistics for the Behavioral Sciences. Brooks/Cole Pub. Co, Pacific Grove.
Funk, C., Peterson, P; Landsfeld, P; Pedreros, D Verdin, J; Rowland, B; Romero, Husak, G; Michaelsen, J; and Verdin, A (2015). A Quasi-Global Precipitation Time Series for Drought Monitoring: U.S. Geological Survey Data Serie,s 832. https://doi.org/https://doi.org/10.1038/sdata.2015.66.
.Gorelick, N, Hancher, M; Dixon, M; Ilyushchenko, S; Thau, D; and Moore, R (2017). Google Earth Engine: Planetary-scale Geospatial Analysis for Everyone. Remote Sensing of Environment. https://doi.org/https://doi.org/10.1016/j.rse.2017.06.031.
Harris, I., Jones, P. D., Osborn, T., & Lister, D. (2014). Updated High-Resolution Grids of Monthly Climatic Observations–the Cru Ts3. 10 Dataset. International Journal of Climatologyt, 34(3), 623–642.
Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz‐Sabater, Jet al. (2020). The Era5 Global Reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730), 1999–2049.
Hsu, K; Gao, X; Sorooshian, S, and Gupta, H. (1997). Precipitation Estimation from Remotely Sensed Information Using Artificial Neural Networks. Journal of Applied Meteorology and Climatology, 36(9), 1176–90.
Huffman, G, Bolvin, D., Nelkin, E; Wolff, D., Adler, R., Gu, G., ... Stocker, E. (2007). The TRMM Multisatellite Precipitation Analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales. Journal of Hydrometeorology, 8(1), 38-55.
Kidd, C., Bauer, P., Turk, J., Huffman, G., Joyce, R., Hsu, K., & Braithwaite, D (2012). Intercomparison of High-Resolution Precipitation Products over Northwest Europe. Journal of Hydrometeorology, 13(1), 67–83.
Kummerow, C., Barnes, W., Kozu, T., Shiue, J., & Simpson, J. (1998). The Tropical Rainfall Measuring Mission (TRMM) Sensor Package. Journal of Atmospheric and Oceanic Technology, 15(3), 809–817.
Losada, T., Rodriguez-Fonseca, B., Mohino, E., Bader, J., Janicot, S., & Mechoso, C. R. (2012). Tropical SST and Sahel Rainfall: A Non-Stationary Relationship. Geophysical Research Letters, 39(12).Ministerio de Planificación-Ministerio de Agricultura y Ganadería. (2015). Plan General de la Emergencia por Sequia. Según Decreto Ejecutivo N° 38642-MP-MAG, publicado en La Gaceta N°195, del viernes 10 de octubre del 2014. San José, Costa Rica. CNE. MP-MAG. https://www.pgrweb.go.cr/scij/Busqueda/Normativa/Normas/nrm_texto_completo.aspx?param1=NRTC&nValor1=1&nValor2=78091&nValor3=98281&strTipM=TC#ddown.
NASA. (2000). Digital Elevation Model - SRTM 1 Arc-Second 30m. NASA, NGA. http://lpdaac.usgs.gov
National Centers for Environmental Information. (s.f). Equatorial Pacific Sea Surface Temperatures. https://www.ncei.noaa.gov/access/monitoring/enso/sst.
National Weather Service, Climate Prediction Center (sf). Monthly Atmospheric & SST Indices. http://www.cpc.ncep.noaa.gov/data/indices/sstoi.indices.
Olson, D; Dinerstein, E. (2002). The Global 200: Priority Ecoregions for Global Conservation. http://maps.tnc.org/gis_data.html.
Personal del Área de Conservación Guanacaste. (2022). Sitio Web Del área de Conservación Guanacaste.
Pfeifer, M., Gonsamo, A., Woodgate, W., Cayuela, L., Marshall, A. R., Ledo, A.,,Paine, P; Marchant, P; et al. (2018). Tropical Forest Canopies and Their Relationships with Climate and Disturbance: Results from a Global Dataset of Consistent Field-Based Measurements. Forest Ecosystems, 5. https://doi.org/10.1186/s40663-017-0118-7.
Powers, J. S., Vargas G, G., Brodribb, T. J., Schwartz, N. B., Pérez‐Aviles, D., Smith‐Martin, C. M., ... & Medvigy, D. (2020). A Catastrophic Tropical Drought Kills Hydraulically Vulnerable Tree Species. Global Change Biology, 26(5), 3122-3133. https://doi.org/10.1111/gcb.15037
Qin, Y., Chen, Z., Shen, Y., Zhang, S., & Shi, R. (2014). Evaluation of Satellite Rainfall Estimates over the Chinese Mainland. Remote Sensing, 6(11), 11649–72.R Core Team. (2021). R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.
Schneider, U., Becker, A., Finger, P., Meyer-Christoffer, A., Ziese, M., & Rudolf, B. (2014). GPCC’s New Land Surface Precipitation Climatology Based on Quality-Controlled in Situ Data and Its Role in Quantifying the Global Water Cycle. Theoretical and Applied Climatology, 115(1), 15–40.
Serrat, A; Valdes, J; Stakhiv, E. (2014). Water Management Applications for Satellite Precipitation Products: Synthesis and Recommendations. JAWRA Journal of the American Water Resources Association, 50(2), 509–25.
Sorooshian, S., Hsu, K;., Gao, X., Gupta, H., Imam, B., & Braithwaite, D. (2000). Evaluation of Persiann System Satellite-Based Estimates of Tropical Rainfall. Bulletin of the American Meteorological Society, 81(9), 2035–46.Tang,
L., Tian, Y., Yan, F., & Habib, E (2015). An Improved Procedure for the Validation of Satellite-Based Precipitation Estimates. Atmospheric Research, 163, 61–73.
Trenberth, K. (1997). The Definition of El Niño. Bulletin of the American Meteorological Society, 78(12), 2771–7. http://www.cgd.ucar.edu/staff/trenbert/trenberth.papers/defnBAMS.pdf.
Wang, B., Liu, J., Kim, H. J., Webster, P. J., Yim, S. Y., & Xiang, B (2013). Northern Hemisphere Summer Monsoon Intensified by Mega-El Nino/Southern Oscillation and Atlantic Multidecadal Oscillation. Proceedings of the National Academy of Sciences of the United States of America, 110(14), 5347–5352. https://doi.org/10.1073/pnas.1219405110Wilks, D. (2011). Statistical Methods in the Atmospheric Sciences. Academic press.
Wu, W., Li, Y., Luo, X., Zhang, Y., Ji, X., & Li, X (2019). Performance Evaluation of the Chirps Precipitation Dataset and Its Utility in Drought Monitoring over Yunnan Province, China. Geomatics, Natural Hazards and Risk, 10(1), 2145–62.
Yan, G; Yi, L; Xi, C. (2018). Evaluating Satellite-Based Precipitation Products in Monitoring Drought Events in Southwest China. International Journal of Remote Sensing, 39(10), 3186–3214.
Yun, K; Lee, J. Timmermann, A; and et al. (2021). Increasing Enso–Rainfall Variability Due to Changes in Future Tropical Temperature–Rainfall Relationship. Communications Earth & Environment. https://doi.org/10.1038/s43247-021-00108-8.
Zambrano, M. (2020). HydroTSM: Time Series Management, Analysis and Interpolation for Hydrological Modelling. https://github.com/hzambran/hydroTSM.
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Mauricio Vega-Araya
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Política proposta para revistas que oferecem Acesso Aberto
Os autores que publicam nesta revista concordam com os seguintes termos:
a. Os autores mantêm os direitos autorais e garantem à revista o direito de ser a primeira publicação do trabalho, sob a Licença Creative Commons https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es, que permite que outros compartilhar com reconhecimento da autoria do trabalho e da publicação inicial nesta revista.
b. Os autores podem estabelecer separadamente acordos adicionais para a distribuição não exclusiva da versão do trabalho publicado na revista (por exemplo, colocá-la em repositório institucional ou publicá-la em livro), com reconhecimento de sua publicação inicial nesta revista. Esses acordos adicionais devem respeitar os termos da licença: ou seja: não envolver lucro e compartilhar com a mesma licença.
c. Os autores são incentivados a arquivar a versão/PDF pós-impressão ou do editor em repositórios de acesso aberto.
REVGEO está licenciado sob https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
.svg_4.png){kind=logo}
_(1).png){kind=logo}
_(1)_(1)_(1)_1.png){kind=logo}
(2)(1)(1)(1).png){kind=logo}
