Atlas Climático de Cenários Futuros para o ES
O objetivo do atlas é oferecer, por meio de um conjunto de mapas e gráficos, a distribuição espacial das variáveis climáticas no Espirito Santo ao longo dos anos (cenários futuros).
Esses produtos foram produzidos considerando os cenários de Representative Concentration PathWay (RCP) 4.5 e 8.5. Este atlas pode servir como uma ferramenta fundamental para pesquisadores, formuladadores de políticas públicas e interessados na temática de mudanças climáticas (adaptação e mitigação).
Cenários do ES em Destaque
Dados de Modelos Climáticos
Referência para Tomada de Decisão e Pesquisa
O que é RCP?
O RCP recebe esse nome em função das emissões futuras de gases do efeito estufa (GEE), fundamentados em um conjunto de conjecturas coerentes e fisicamente sólida sobre suas forçantes radioativas, tais como, demografia, cenário socioeconômico e mudanças tecnológicas (Meinshausen et al., 2011). Cada RCP abastece os conjuntos de dados, espacialmente distribuídos, com informações sobre as mudanças no uso e cobertura da terra, bem como nas emissões setoriais de poluentes do ar, apontando as concentrações anuais de gases de efeito estufa e as emissões antropogênicas até o ano 2100 (IPCC, 2014; Jarraud; Steiner, 2012; Moss et al., 2010; Riahi et al., 2017).
Os cenários são identificados pela sua forçante radioativa total, expressa em W/m-2, que poderá ser alcançada antes ou durante o século XXI. Assim, os principais cenários RCP são: RCP 2.6 (Baixas emissões), RCP 4.5 e 6.0 (estabilização de médias emissões de GGE) e o RCP 8.5 (altas emissões).
A seleção dos modelos climáticos empregados foi realizada com base nos resultados apresentados no Relatório Técnico-Científico de Avaliação de Desempenho de Modelos Climáticos para o Brasil (Alves, 2023). A escolha dos modelos seguiu critérios de desempenho estatístico, assegurando maior confiabilidade às projeções futuras. Esses dados possuem resolução temporal diária e abrangem o período histórico de janeiro de 1995 a dezembro de 2014. Foram considerados cenários históricos e projeções futuras, devidamente processadas e harmonizadas para a área de estudo.
Com base em Alves et al 2023 e Tavares et al 2023, foram selecionados diferentes conjuntos de modelos de acordo com a variável de interesse. Para precipitação (pr), foram utilizados os modelos NorESM2-MM, GFDL-ESM4, INM-CM5-0 e MRI-ESM2-0. Para temperatura máxima (tasmax) e mínima (tasmin), foram considerados os modelos MRI-ESM2-0, CNRM-ESM2-1, CanESM5, NorESM2-MM e CMCC-ESM2.
Para validação e correção de viés dos modelos, foi empregado o conjunto de dados Daily Gridded Meteorological Variables in Brazil (BR-DWGD), desenvolvido por Xavier et al. (2022). Esse conjunto é baseado em observações terrestres interpoladas a partir de pluviômetros e estações meteorológicas do Instituto Nacional de Meteorologia (INMET) e da Agência Nacional de Águas e Abastecimento (ANA), respectivamente. O BR-DWGD apresenta resolução espacial de 0.1° x 0.1° para todo o território brasileiro e disponibiliza séries diárias de precipitação, temperatura máxima e mínima do ar próxima à superfície, no período de 1961 a 2020.
Ressalta-se que os modelos climáticos do CMIP6 foram interpolados para uma grade de 0.1°, empregando a técnica de interpolação bilinear, a fim de manter consistência espacial com os dados de BR-DWGD (Abdelmoaty, 2025; Tavares, 2024). Essa etapa é essencial para garantir a comparabilidade direta entre os conjuntos de dados, permitindo a aplicação de procedimentos de validação, correção de viés e cálculo dos indicadores climáticos de forma robusta.
A correção de viés dos modelos climáticos foi realizada por meio do método delta aditivo ancorado ao observado. Essa abordagem consiste em calcular a diferença média entre as projeções futuras e o período histórico simulado pelo modelo, ajustando em relação as observações de referência (Maraun, 2016).
- Abdelmoaty, H.M., Rajulapati, C.R., Nerantzaki, S.D. et al. Bias-corrected high-resolution temperature and precipitation projections for Canada. Sci Data 12, 191 (2025). https://doi.org/10.1038/s41597-025-04396-z
- Maraun, D. Bias correcting climate change simulations - a critical review. Currente 20 Climate Change Reports , 2, 211-220, 2016. https://link.springer.com/article/10.1007/s40641-016-0050-x
- Tavares, Priscila da Silva; Pilotto, Isabel Lopes; Chou, Sin Chan; Souza, Saulo Aires; Fonseca, Leila Maria Garcia; Chagas, Diego José, 2023, "Projeções climáticas para América do Sul regionalizadas pelo modelo Eta com correção de viés" , https://doi.org/10.57810/lattesdata/WAVGSL, LattesData, V3
- Tavares, P., Pilotto, I. L., Chou, S. C., Souza, S. A., Fonseca, L. M. G., Chagas, D. J. (2024). A dataset of high-resolution climate change projections over South America with bias correction . Derbyana, 45. https://doi.org/10.69469/derb.v45.821 doi: 10.69469/derb.v45.821
- Xavier, A. C., Scanlon, B. R., King, C. W., & Alves, A. I. (2022). New improved Brazilian daily weather gridded data (1961-2020) . International Journal of Climatology, 42(16), 8390- 8404. https://rmets.onlinelibrary.wiley.com/doi/10.1002/joc.7731
Os índices climáticos extremos também foram produzidos para essa página. Eles foram calculados a partir da variável temperatura diária (T) e precipitação diária (PR). O cálculo dos indicies segue a proposta do Expert Team on Climate Change Detection and Indices - ETCCDI.
©2025 Desenvolvido pelo SEAMA e CPID.