Machine Translated by Google

Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.

Revista Brasileira de
Geografia Física
ISSN:1984-2295
Homepage: https://periodicos.ufpe.br/revistas/rbgfe

Avaliação das Simulações CMIP6 sobre a América do Sul Tropical

Cássia Gabriele Dias1 e Michelle Simões Reboita2

1
Mestre em Meio Ambiente e Recursos Hídricos, bolsista, Universidade Federal de Itajubá, 2 Professora Doutora do Instituto de Recursos Naturais
(IRN) - Universidade Federal de Itajubá, Av. BPS, 1303, Bairro Pinheirinho, Itajubá, MG, Brasil, Autor correspondente E-mail:
cassia_dias08@hotmail.com

Artigo recebido em 26/02/2021 e aceito em 04/05/2021

ABSTRATO
Este estudo avalia o desempenho de 46 modelos climáticos globais do Projeto de Intercomparação de Modelos Acoplados
(Fase 6) - CMIP6 e seleciona os melhores modelos na simulação da precipitação e da temperatura do ar a 2 metros de altitude
na climatologia tropical da América do Sul (SA) durante o período histórico (1996-2014). Por esta razão, algumas medidas
estatísticas são computadas. Um grande número de modelos tem um viés pequeno quando comparado com a observação,
porém muitos deles têm um desempenho ruim no índice de concordância de Willmott, o que indica um baixo desempenho na
representação da variabilidade temporal. Entre os 46 modelos, E3SM-1-0, EC-Earth3, EC-Earth3-AerChem, EC-Earth3-Veg,
IPSL-CM6A LR, MPI-ESM1-2-LR e TaiESM1 apresentam melhor desempenho na reprodução do clima SA. Quando o conjunto
dos 7 modelos é comparado com esses 46 modelos, há uma redução do viés das variáveis em estudo em alguns setores da
AS. Isso indica que o uso de 7 modelos é suficiente para aplicação em outros estudos.
Palavras-chave: CMIP6; América do Sul tropical; validação; variáveis atmosféricas

Avaliação de Simulações do CMIP6 sobre a América do Sul Tropical

RESUMO
Este estudo avalia o desempenho de 46 modelos climáticos globais do Coupled Model Intercomparison Project (Fase 6)
- CMIP6 e seleciona os que melhor simulam a climatologia da precipitação e temperatura do ar a 2 metros de altura sobre a
América do Sul (AS) tropical durante o período histórico (1996-2014). Para isso, são calculadas algumas medidas estatísticas.
Enquanto a maioria dos modelos apresenta um viés aceitável quando comparados com a observação, muitos deles mostram
uma baixa performance em termos do índice de concordância de Willmott, o que indica menor habilidade em representar a
variabilidade temporal. Entre os 46 modelos, E3SM-1-0, EC-Earth3, EC-Earth3-AerChem, EC-Earth3-
Veg, IPSL-CM6A-LR, MPI-ESM1-2-LR e TaiESM1 têm maior habilidade em reproduzir o clima da AS. Quando o ensemble
desses 7 modelos é comparado com composto de 46 modelos, apresenta redução no viés das variáveis em estudo em alguns
setores da AS. Isso indica, que a utilização de 7 modelos é suficiente para aplicação em outros estudos.
Palavras-chave: CMIP6; América do Sul Tropical; validação; variáveis atmosféricas

Introdução
A necessidade de sistematizar as análises dos
modelos acoplados de oceano e atmosfera de vários
centros de modelagem climática levou o World Climate
Research Program (WCRP) a criar o Coupled Model
Intercomparison Project (CMIP) em setembro de 1995
(Eyring et al., 2016; Carlson e outros, 2017). Em
seguida, o CMIP desenvolveu protocolos de
experimentação de modelos climáticos para garantir a
disponibilidade de saída do modelo para uma ampla
comunidade de pesquisa (Carlson et al., 2017).
Atualmente, o CMIP encontra-se na sexta fase (CMIP6)
e seus outputs são disponibilizados gratuitamente pela
Earth System Grid Federation (ESGF).
Os modelos climáticos globais (GCMs) do
CMIP forneceram informações úteis aos relatórios do
Painel Intergovernamental sobre Mudanças Climáticas
(IPCC) ao longo dos anos. As projeções são realizadas
por diferentes grupos de pesquisa e estão disponíveis
gratuitamente para todos em uma página da web. Em
seguida, os pesquisadores produzem artigos científicos
com esses dados e o IPCC os coleta e sintetiza. Assim,
é publicado nos relatórios do IPCC. O último relatório
publicado foi o IPCC-AR5 em 2013. Além disso, os
resultados do CMIP foram usados como condições
iniciais e de contorno em modelos climáticos regionais

1282
Dias., C., G., Reboita., M.,S.
Machine Translated by Google

Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.

(RCMs; Elguindi et al., 2014; Gutowski Jr. et al., 2016;
Ambrizzi et al., 2018).
Diferentes estudos avaliaram a confiabilidade das
simulações para o clima atual na América do Sul (Gulizia e
Camilloni, 2014; Tian e Dong, 2020, Vasconcellos et al.,
2020), enquanto outros se concentram nas projeções
climáticas (Blázquez e Nuñez, 2013; Torres e Marengo,
2013; Llopart, Reboita e da Rocha, 2020). Em geral, eles
mostram que os modelos representam as principais
características do clima sul-americano em termos de
precipitação e temperatura do ar.
Análise estatística
a) Representação espacial: O primeiro passo deste
estudo é apresentar os mapas sazonais e anuais
de precipitação e temperatura do ar a 2 m para a
observação e o conjunto (média dos 46 GCMs) e
o viés espacial entre eles (eq. 1 ).
Viés = P ÿ O (eq. 1)
em que P e O são, respectivamente, o ensemble CMIP6-
GCMs e a observação.

Um requisito básico em estudos que utilizam os Também calculamos a correlação espacial (r)
GCMs do CMIP é mencionar por que determinados (equação 2) e o viés da média sazonal do conjunto e das
observações. Os valores obtidos estão incluídos no título
modelos foram selecionados para o estudo. Nesse sentido,
o desempenho dos GCMs precisa ser avaliado antes de das figuras.
aplicá-los, como no downscaling dinâmico. Nesse contexto,
o objetivo deste estudo é identificar os GCMs do CMIP6 ÿ (=1ÿ )( ÿ )
= (eq.2)
que melhor representam o clima tropical sul-americano em ÿ (=1ÿ )2
ÿÿ (=1ÿ )2
termos de precipitação e temperatura do ar.

sendo n o número de anos em estudo, Pi e Oi,

respectivamente, cada valor simulado e observado. A
Metodologia correlação pode variar de +1 a -1, onde +1 indica uma
Dados
relação positiva perfeita, -1 indica uma relação negativa
Simulações de precipitação e temperatura do ar
perfeita e 0 indica que não existe nenhuma relação. Valores
a 2 metros de altura de 46 CMIP6-GCMs (Eyring et al.,
de correlação de 0,91 a 1,0 (-0,91 a -1,0) indicam correlação
2016) para o período histórico (dezembro de 1996 -
muito alta; de 0,71 a 0,9 (-0,71 a -0,9) uma alta correlação;
novembro de 2014) são avaliadas (os nomes dos modelos
de 0,51 a 0,7 (-0,51 a -0,7) correlação moderada; de 0,31
são apresentados na Tabela 1). As simulações foram
a 0,5 (-0,31 a -
obtidas da The Earth System Grid Federation (ESGF;
plataforma (https://esgf node.llnl.gov/search/cmip6/) e,
0,5) correlação fraca; de 0,0 a 0,3 (0,0 a -0,3) uma
posteriormente, a área da América do Sul tropical (75o W -
correlação muito fraca (Hinkle et al., 2003).
35 o W e 35 o W o S - 0 o ) foi selecionado nas saídas dos
GCMs.
b) Seleção de melhores modelos: O segundo passo do
A análise diária da precipitação com resolução
estudo é calcular o viés sazonal e anual da precipitação e
horizontal de um grau do Global Precipitation Climatology
temperatura do ar para a caixa da América do Sul tropical
Project Versão 1.2 (GPCP; Huffman et al., 2001) foi
(75o W - 35 o W e 35o S - 0 o ) considerando cada
considerada como dados observados e baixada de
indivíduo CMIP6-GCM.
Aqui obtemos um único valor para o viés e é
ftp://ftp.cgd.ucar.edu/archive/PRECIP/. Para validação da
representados visualmente por meio de um mapa de calor
temperatura do ar, foi utilizada a reanálise ERA5 (Hersbach
(Metsalu e Vilo, 2015; Yi, 2019). O mesmo é feito para o
e Dee, 2016) do European Centre for Medium-Range
índice de concordância de Willmott (d; eq. 3; Willmott et
Weather Forecasts (ECMWF), com 0,25o de resolução
al., 2011; Reboita et al., 2018):
horizontal. O período estudado é limitado entre 1996 e
2014 devido à disponibilidade de precipitação do GPCP. ÿ (=1
ÿ) 2
=1ÿ (eq. 3)
ÿ (|=1ÿ |+| ÿ |)2

Todos os conjuntos de dados foram interpolados

em que Pi e Oi são, respectivamente, valores simulados e
em um grau de espaço de grade com a técnica bilinear
observados, enquanto P e O são as médias das séries
(Jones, 1999; Chen e Knutson, 2008; Santos, Martins e
temporais, simuladas e observadas, respectivamente. O
Torres, 2017) antes das análises. Este procedimento nos
índice de concordância varia de 0 a 1, onde 1 indica a
permite calcular as diferenças de ponto de grade entre
perfeita concordância entre simulação e observação.
simulação e observação e representá-las espacialmente.

O viés e d para períodos sazonais e anuais são

apresentados em mapas de calor. As estações são definidas

1283
Dias., C., G., Reboita., M.,S.
Machine Translated by Google

Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.

como DJF (dezembro-janeiro-fevereiro), MAM climatologia sazonal da precipitação e temperatura

(março-abril-maio), JJA (junho-julho-agosto) e SON do ar na América do Sul. Assim, esses modelos são
(setembro-outubro-novembro). selecionados e um novo conjunto é realizado.
A análise dessas estatísticas permite definir
quais são os modelos que melhor representam o
Tabela 1 Resolução horizontal (longitude x latitude) e referências de cada CMIP6-GCM.
Modelo lon × lat Referências Referências Modelo lon × lat
FGOALS-f3-
ACCESS-CM2 192x144 Dez e outros. (2019) 288 x 180 Yu (2019)
eu

ACESSO-ESM1-
192 x 145 Ziehn et ai. (2019) FGOALS-g3 180x80 Isso (2019)
5
AWI-CM-1-1-
SENHOR
384x192 Semmler et al. (2018) FIO-ESM-2-0 288x192 Song et ai. (2019)

AWI-ESM-1-1-
192 x 96 Danek et ai. (2020) GFDL-ESM4 288x180 Krasting et ai. (2018)
LR

BCC-CSM2-MR 320x160 Wu et al. (2018) GISS-E2-1-G 144x90 NASA-GISS (2018)

BCC-ESM1 128 x 64 Zhang et ai. (2018) GISS-E2-1-H 144x90 NASA-GISS (2019)

CAMS-CSM1-0 320x160 IITM-ESM 192 x 94 Raghavan e Panickal (2019)

Dois (2019)

CanESM5 128 x 64 Swart et ai. (2019) INM-CM4-8 180x120 CAS-ESM2-0 Volodin et ai. (2019a)
256x128 Danabasoglu (2019b) INM-CM5-0 180x120 Volodin et ai. (2019b)
IPSL-CM6A
CESM2 288x192 Danabasoglu (2019a) 144x143 Boucher et ai. (2018)
LR
CESM2-FV2 144x96 Danabasoglu (2019d) KACE-1-0-G 192x144 Byun et al. (2019)
CESM2- MCM-UA-1-
288x192 Danabasoglu (2019c) 96x80 Stouffer (2019)
WACCM 0
CESM2- Tatebe e Watanabe (2018)
WACCM-FV2 144x96 Danabasoglu (2019e) MIROC6 256x128

MPI-ESM-1-
CIESM 288 x 192 Huang (2019) 192 x 96 Neubauer et ai. (2019)
2-HAM
CMCC-CM2- Scoccimarro, Bellucci e MPI-ESM1- Jungclaus, Bittner e
288 x 192 384 x 192
HR4 Peano (2020) 2-HR Salsichas (2019)
CMCC-CM2- Lovato e Peano MPI-ESM1-
288 x 192 192 x 96 Wieners et ai. (2019)
SR5 (2020) 2-LR
E3SM-1-0 360x180 Bader e outros. (2019a) MRI-ESM2-0 320x160 360x180 Bader et Yukimoto e outros. (2019)
E3SM-1-1 al. (2019b) NESM3 192 x 96 Cao e Wang (2019)
E3SM-1-1-ECA 360x180 Bader et ai. (2020) NorCPM1 144 x 96 Bethke et al. (2019)
Consórcio EC-Earth NorESM2-
EC-Terra3 512 x 256 144 x 96 Seland et ai. (2019)
(2019b) LM
EC-Terra3- Consórcio EC-Earth (2020) NorESM2-
512 x 256 288 x 192 Bentsen e outros. (2019)
AirChem MILÍMETROS

Consórcio EC-Earth SAM0-

EC-Earth3-Veg 512x256 288 x 192 Parque e Shin (2019)
(2019a) UNICON
EC-Earth3-Veg Consórcio EC-Earth (2020)
320 x 160 TaiESM1 288 x 192 Lee e Liang (2020)
LR

Resultados Por exemplo, durante a estação chuvosa da América

Climatologias
A Figura 1 mostra a média sazonal e anual
de precipitação da observação (Figura 1 ae) e 46
CMIP6-GCMs (Figura 1 fj) enquanto a Figura 2
mostra o viés entre eles. Esses números indicam
que o conjunto CMIP6-GCMs simula bem a
variabilidade temporal e espacial da precipitação
sobre a América do Sul tropical, mas com algumas
discrepâncias de intensidade. Para
Dias., C., G., Reboita., M.,S.
do Sul tropical, que está em DJF (Reboita et al.,
2010; Marrafon e Reboita, 2020), o conjunto CMIP6-
GCMs desloca a área mais úmida do noroeste da
Amazônia para o leste entre as regiões norte e
nordeste do Brasil. Além disso, em todas as
estações, os GCMs são mais secos no sul do Brasil
e úmidos nos Andes. Nesta última região, pode ser
um problema nos modelos devido à representação
da topografia (Chou et al., 2014; Freire, de Freitas e Coelho, 2015
1284
Machine Translated by Google
Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.
Os vieses relatados também são um problema comum em
modelos climáticos regionais (Solman et al., 2013; Ambrizzi
et al., 2018).
Vasconcellos e cols. (2020) avaliou a precipitação
DJF, no período histórico (1980–
2005), sobre a América do Sul tropical simulada por 5
modelos CMIP5 (CCSM4, GFDL-ESM2G, GFDL ESM2M,
MIROC-ESM-CHEM e CAN-ESM2).
Assim como em nossos resultados (Figuras 2 ab), os
modelos superestimam a precipitação no nordeste do
Brasil (2-6 mm dia-1 ) e subestimam na região norte. Tian
e Dong (2020) compararam o desempenho do CMIP3 (24
modelos no período de 1850-2000), CMIP5 (25 modelos
no período de 1850-2000).
2005) e CMIP6 (26 modelos no período de 2005-2014) na
simulação da precipitação nos trópicos. As três fases do
CMIP mostram um padrão de viés semelhante nos trópicos
que está de acordo com as Figuras 2 ij. Os autores
destacaram que o CMIP5 diminui as estimativas de
precipitação sobre o norte do Brasil obtidas no CMIP3,
enquanto o CMIP6 apresenta melhorias em relação ao
CMIP5 nesta mesma região.
Em resumo, o conjunto de 46 CMIP6-GCMs
simula condições mais secas na Zona de Convergência do
Atlântico Sul (Figura 1 f), que é a faixa chuvosa da
Amazônia ao sudeste do Brasil no DJF (Silva et al., 2019;
Pedro et al., 2020 ).
No entanto, comparando nossos resultados dos ensembles
CMIP3 e CMIP5 mostrados por Gulizia e Camilloni (2014),
é evidente que CMIP6 diminui o viés na precipitação.
Para a temperatura do ar a 2 m (Figuras 3 e 4), o
ensemble 46 CMIP6-GCMs tem um bom desempenho na
representação da observação.
As diferenças ocorrem na Amazônia e no norte da
Argentina, onde o conjunto superestima a temperatura do
ar. Dufresne et ai. (2013) analisaram o viés na climatologia
da temperatura anual perto da superfície (em relação ao
período 1961-1990) simulado pelo IPSL-CM4 (CMIP3) e
IPSL CM5A-LR, IPSL-CM5A-MR e IPSL-CM5B LR
modelos de CMIP5. Com exceção do modelo IPSL-CM4,
que apresentou superestimação da temperatura para toda
a região do presente estudo, os demais modelos
apresentaram padrão semelhante ao encontrado em
nossas Figuras 4 ij. No entanto, esses modelos apresentam
superestimativas maiores, de até 4,5 °C, no Norte e Sul do
Brasil, e subestimativas, de até 2,5 °C, no Nordeste.
Wu e outros. (2019) avaliaram os modelos BCC CSM1.1m
(CMIP5) e BCC-CSM2-MR (CMIP6) para o período de 1986
a 2005 e também apresentaram padrão espacial e valores
semelhantes aos resultados de Dufresne et al. (2013).
Seleção de GCMs
Dias., C., G., Reboita., M.,S.
Trabalhar com simulações não é uma tarefa
fácil, pois requer muito espaço em disco rígido para
armazenar os dados e bons recursos para processamento
de dados. Então, ao invés de usar todos os modelos
CMIP6 nos estudos para a América do Sul, podemos
selecionar aqueles que simulam melhor o clima. Isso
ajuda a economizar recursos computacionais. Desta
forma, esta seção foca na avaliação e seleção dos
melhores modelos.
Para a precipitação (Figura 5), o viés apresenta,
em geral, valores menores em DJF do que em JJA. É um
bom resultado, pois o DJF é a estação chuvosa na América
do Sul tropical (Reboita et al., 2018; Llopart et al., 2020).
EC-Terra3, EC-Terra3-
AerChem, EC-Earth3-Veg, EC-Earth3-Veg-LR, INM-CM4-8,
INM-CM5-0, IPSL-CM6A-LR e TaiESM1 são os modelos
com os vieses mais baixos. Se considerarmos, por exemplo,
o modelo TaiESM1, ele possui um bias de 0,18 e -0,43 mm
dia-1 em DJF e JJA, respectivamente. Esses valores
representam um erro de 3% na climatologia DJF enquanto
24% na JJA, e estão no intervalo de erro esperado pelos
modelos de precipitação (Giorgi e Mearns, 1999).
Em relação ao índice de concordância para precipitação
(Figura 6) em cada estação, os valores máximos registrados
ocorrem em MPI-ESM1-2-LR (d=0,63 em SON), NorESM2-
MM (d= 0,61 em MAM), EC Earth3-Veg (d=0,60 em
anual), IPSL-CM6A-LR (d=0,56 em DJF), IPSL-CM6A-LR e
EC-Earth3-
Veg (0,49 em ambos em JJA).
Para temperatura do ar (Figura 7), E3SM-1-1, EC-
Earth3, EC-Earth3-AerChem, EC-Earth3-Veg, IITM-ESM e
TaiESM1 mostram bias entre -0,5 e 0,5 oC . Isso indica o
bom desempenho dos modelos desde que tenha sido
aceito viés de até 2 oC na temperatura do ar simulada
(Flato et al., 2013).
Embora vários modelos tenham um pequeno
viés sazonal, eles apresentam pior desempenho em termos
de índice de concordância. Está associado ao fato desse
índice ser mais capaz de captar a variabilidade da série
temporal do que o viés (ver equação na metodologia). Por
exemplo, TaiESM1 tem em DJF bias=0 e d=0,58 (Figura
7).
Isso significa que a variabilidade ano a ano não está bem
representada. O d máximo obtido na Figura 8
é 0,73 para o período anual em EC-Earth3-Veg.
Este modelo também tem um bom desempenho sazonal.
Por exemplo, d=0,63 em JJA. MPI-ESM1-2-HR também
tem uma boa habilidade sendo d=0,68 em MAM e SON.
1285
Machine Translated by Google

Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.

a) b) c) d) e)

f) g) h) eu) j)

k) eu) m) n) o)

Figura 1 Média sazonal e anual de precipitação (mm dia-1 ) para o período 1996-2014. A primeira linha é GPCP: a) DJF, b) MAM, c) JJA, d) SON ee) anual.
A segunda linha é o conjunto de 46 CMIP6-GCMs: f) DJF, g) MAM, h) JJA, i) SON e j) anual, e a terceira linha é o conjunto de 7 CMIP6-GCMs: k) DJF, l)
MAM, m) JJA, n) FILHO e o) anual.

1286
Dias., C., G., Reboita., M.,S.
Machine Translated by Google

Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.

a) b) c) d) e)

f) g) h) eu) j)

k) eu) m) n) o)

Figura 3 Semelhante à Figura 1, mas para a temperatura do ar a 2 metros de altura (oC).

1287
Dias., C., G., Reboita., M.,S.
Machine Translated by Google

Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.

respectivamente) ensemble, em geral, mostra menor

viés em todo o domínio em comparação com 46-
GCMs (Figuras 2e, 2g e 2i, respectivamente).
Analisando o viés espacial e a correlação (Figuras 1f-
o), pode-se notar que na maioria dos períodos há
uma melhor representação estatística da precipitação nos 7-GCMs.
De acordo com o intervalo de correlação (Hinkle et
al., 2003), em 7-GCMs a correlação é moderada em
DJF (0,74; Figura 1k), muito fraca em MAM (-0,15;
Figura 1l) e JJA (0,14; Figura 1m), e fraco em SON
(0,42; Figura 1n) e no período anual (0,42; Figura 1o).
Para 46-GCMs, é fraco em DJF (0,44; Figura 1f) e
muito fraco em MAM (0,09; Figura 1g), JJA (-0,12;
Figura 1h), SON (0,26; Figura 1i) e no período anual
( 0,18; Figura 1j). Em relação ao bias, o ensemble 7-
GCMs apresenta melhores resultados que o 46-
GCMs em todos os períodos, exceto no DJF quando
o 46-GCMs (Figura 1f) tem bias de 0,01 e no 7-GCMs
(Figura 1k) é de 0,25 mm dia - 1 .

Figura 5 Viés da precipitação (mm dia-1 ) no período

1996-2014.
Para DJF, o d máximo (0,58) é obtido em TaiESM1.

Com base na análise estatística de

precipitação e temperatura, os modelos que
apresentam melhor desempenho para a América do
Sul tropical são E3SM 1-0, EC-Earth3, EC-Earth3-AerChem, EC-Earth3-
Veg, IPSL-CM6A-LR, MPI-ESM1-2-LR e TaiESM1.

Comparação dos Conjuntos

Nesta seção, comparamos o desempenho
dos conjuntos com 46 e 7 integrantes (Figuras 1-4),
doravante denominados 46-GCMs e 7-GCMs,
respectivamente. Para precipitação, em DJF, o 7-
GCMs (Figura 2b) apresenta melhor desempenho do
que o 46-GCMs (Figura 2a) sobre o Amazonas, Acre
e Rio Grande do Sul. Para MAM, 46-GCMs (Figura
2c) apresentam viés menor no domínio estudado, Figura 6 Índice de concordância de Willmott (d) da
exceto no Acre, Acre, Rondônia, Mato Grosso do Sul precipitação (mm dia-1 ) no período 1996-2014.
e São Paulo. Nessas regiões, o ensemble 7-GCMs
apresenta melhor desempenho (Figura 2d). Em JJA,
SON e anualmente, 7-GCMs (Figuras 2f, 2h e 2j,

1288
Dias., C., G., Reboita., M.,S.
Machine Translated by Google

Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.

Figura 8 Índice de concordância de Willmott (d) da

Figura 7 Viés da temperatura do ar a 2 m (oC) no período
1996-2014.
A Figura 4 mostra o viés de temperatura do ar
para 46-GCMs e 7-GCMs. No DJF, o conjunto de 7-GCMs
simula um viés menor sobre o Mato Grosso e nas regiões
sul e norte do Brasil em comparação com 46-GCMs (Figura
4b). No MAM, os conjuntos (Figura 4c e 4d) apresentam
um padrão semelhante, porém, o viés de temperatura do
ar em 7-GCMsis é menor nas regiões norte e sul do Brasil
(Figura 4d) enquanto é menor no nordeste no 46- GCMs
(Figura 4c). Em JJA, o 7-GCMs (Fig.8e) tem um
desempenho ruim na região norte em comparação com o
46-GCMs (Figura 4f); por outro lado, em SON (Figura 4h)
temperatura do ar a 2 m (oC) no período 1996-2014
por outro lado, para 46-GCMs é fraco em DJF (0,32; Figura
3f) e MAM (0,36; Figura 3g), muito fraco em JJA (0,08;
Figura h) e fraco em SON (0,43; Figura 3 i) e no período
anual (0,44; Figura 3 j).
Com relação ao viés, o ensemble 7-GCMs apresenta
melhores resultados que o 46-GCMs em todos os períodos,
exceto JJA (Figura 3m). Em resumo, o 7-GCMs, em geral,
simula um viés mais suave do que o 46-GCMs.

e 7-GCMs anuais simulam vieses menores em quase todo

o domínio.
O viés espacial e a correlação mostram maiores semelhanças
com as observações para 7-GCMs do que para 46-GCMs
em todos os períodos em estudo. De acordo com o intervalo
de correlação (Hinkle et al., 2003), em 7-
A correlação de GCMs é fraca em DJF (0,43; Figura 3k)
e MAM (0,32; Figura 3l), muito fraca em JJA (0,23; Figura
3m), e moderada em SON (0,55; Figura 3n) e anual (0,58;
Figura 3o). No

1289
Dias., C., G., Reboita., M.,S.
Machine Translated by Google

Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.

a) b) Conjunto de GCMs menos GPCP: b) DJF, d) MAM, f) JJA,

h) SON ej) anual.
a) b)

c) d)

c) d)

e) f)

e) f)

g) h)

g) h)

eu) j)

eu)
j)

Figura 2 Viés sazonal e anual da precipitação (mm dia-1 )

para o período 1996-2014. A primeira coluna é o conjunto
de 46 CMIP6-GCMs menos o GPCP: a) DJF, c) MAM, e) Figura 4 Semelhante à figura 2, mas para a temperatura do
JJA, g) SON e i) anual, e a segunda coluna é 7 CMIP6- ar a 2 metros de altura (oC).

Conclusões mas com o mesmo desempenho e/ou melhor do que com 46

Neste estudo, obtivemos 46 CMIP6-
Simulações GCMs do período histórico (1996-
2014) para a América do Sul tropical. O objetivo foi verificar
o desempenho do conjunto de 46 CMIP6-GCMs em reproduzir
as principais características das climatologias de precipitação
e temperatura do ar sobre a América do Sul tropical. O
segundo objetivo foi identificar os melhores modelos para
construir um ensemble com um número reduzido de membros
Dias., C., G., Reboita., M.,S.
integrantes.
Tanto para precipitação quanto para temperatura
do ar a 2 m, em geral, os valores de bias são aceitáveis, pois
segundo Giorgi e Mearns (1999) para precipitação o erro
aceitável está na faixa de 5 a 30%, e segundo Flato et al.
(2013), o erro de temperatura aceitável é de até 2°C.
Em relação ao índice de concordância, que é uma
estatística mais sensível à variabilidade do
1290
Machine Translated by Google
Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.
dados do que o viés, não há modelos com valores
próximos a 1. Isso indica que os modelos têm maior
dificuldade de capturar a variabilidade ano a ano. Para
precipitação, os modelos com melhor desempenho são:
BCC-CSM2-MR, BCC ESM1, CanESM5, CMCC-CM2-
HR4, CMCC CM2-SR5, E3SM-1-0, E3SM-1-1 -ECA, EC
Earth3, EC -Earth3-AerChem, EC-Earth3-Veg, INM-
CM4-8, INN-CM5-0, IPSL-CM6A-LR, KACE-1-0-G, MCM-
UA-1 -0, MPI-ESM1-2 -LR e TaiESM1. Em relação à
temperatura do ar a 2 metros, os modelos que apresentam
melhor desempenho são: CAMS-CSM1-0, CAS-ESM2-0,
E3SM-1-0, E3SM-1-1, E3SM-1-1-ECA, EC- Earth3, EC
Earth3-AerChem, EC-Earth3-Veg, FIO-ESM-2-0, IITM-
ESM, IPSL-CM6A-LR, MPI-ESM1-2-HR, NorESM2-MM,
SAM0-UNICORN e TaiESM1.
Em resumo, para estudos na América do Sul
tropical, recomendamos os modelos: E3SM-1-0, EC-
Earth3, EC-Earth3-AerChem, EC-Earth3-Veg, IPSL-CM6A-
LR, MPI-ESM1-2-LR e TaiESM1, visto que a análise
individual desses modelos apresenta bons resultados
estatísticos quando comparados com a observação e o
ensemble constructo com eles, em geral, apresentou um
viés menor que o ensemble com 46 membros.
Agradecimentos
Os autores agradecem ao CMIP6, ESGF,
ECMWF e GPCP pelos dados utilizados neste estudo e
ao CNPq e FAPEMIG (Água-JPI) pelo apoio financeiro.
Referências
Ambrizzi, T., Reboita, MS, da Rocha, RP, Llopart, M.,
2018. O estado da arte e aspectos fundamentais da
modelagem climática regional na América do Sul.
Annals of the New York Academy of Sciences 1436(1),
98-120. https://doi.org/10.1111/nyas.13932
Bader, DC, Leung, R., Taylor, M., McCoy, RB, 2019a.
Saída do modelo E3SM-Project E3SM1.0 preparada
para histórico CMIP6 CMIP. Versão 20190913.Earth
System Grid Federation. https://doi.org/10.22033/
ESGF/CMIP6.4497
Bader, DC, Leung, R., Taylor, M., McCoy, RB, 2019b.
Saída do modelo E3SM-Project E3SM1.1 preparada
para histórico CMIP6 CMIP. Versão 20191211.
Federação da Grade do Sistema Terrestre. https://
doi.org/10.22033/ESGF/CMIP6.11485
Bader, DC, Leung, R., Taylor, M., McCoy, RB, 2020.
Saída do modelo E3SM-Project E3SM1.1ECA
preparada para histórico CMIP6 CMIP.
Versão 20200623. Rede do Sistema de Terra
Dias., C., G., Reboita., M.,S.
Federação.
https://doi.org/10.22033/ESGF/CMIP6.11486
Bentsen, M., Oliviè, DJL, Seland, Ø., et al., 2019.
Saída do modelo NCC NorESM2-MM preparada para
histórico CMIP6 CMIP. Versão 20191108.
Gradehttps://doi.org/
Federação do Sistema Terrestre.
10.22033/ESGF/CMIP6.8040
Bethke, I., Wang, Y., Counillon, F., et al., 2019.
Saída do modelo NCC NorCPM1 preparada para
histórico CMIP6 CMIP. Versão 20200724.
Gradehttps://doi.org/
Federação do Sistema Terrestre.
10.22033/ESGF/CMIP6.10894
Blázquez, J., Nuñez, MN, 2013. Análise de incertezas em
projeções climáticas futuras para a América do Sul:
comparação dos modelos WCRP-CMIP3 e WCRP-
CMIP5. Climate Dynamics 41, 1039-1056. https://
doi.org/10.1007/s00382-
012-1489-7
Boucher, O., Denvil, S., Levavasseur, G., et al., 2018.
IPSL Saída do modelo IPSL-CM6A-LR preparada
para histórico CMIP6 CMIP. Versão 20180803.
Federação da Grade do Sistema Terrestre. https://
doi.org/10.22033/ESGF/CMIP6.5195
Byun, Y.-H., Lim, Y.-J., Sung, HM, et al., 2019.
Saída do modelo NIMS-KMA KACE1.0-G preparada
para histórico CMIP6 CMIP. Versão 20190910.
Federação da Grade do Sistema Terrestre. https://
doi.org/10.22033/ESGF/CMIP6.8378
Cao, J., Wang, B., 2019. Saída do modelo NUIST
NESMv3 preparada para histórico CMIP6 CMIP.
Versão 20190630.Earth System Grid Federation.
https://
doi.org/10.22033/ESGF/CMIP6.8769
Carlson, D., Eyring, V., van der Wel, N., Langendijk, G.,
2017. Projeto de intercomparação de modelos
acoplados do WCRP: uma contribuição notável para
a ciência do clima. União Européia de Geociências
[online]. Disponível: https://www.egu.eu/news/highlight
articles/586/wcrps-coupled-model
intercomparison-project-a-remarkable
contribuition-to-climate-science/. Acesso:
11 fev. 2021.
Chen, CT, Knutson, T., 2008. Sobre a verificação
e comparação de índices de chuvas extremas de
modelos climáticos. Jornal do Clima 21, 1605-
1621.
http://dx.doi.org/10.1175/2007JCLI1494.1
Chou, S.C., Lyra, A., Mourão, C., et al., 2014.
Avaliação das Simulações Eta Aninhadas em Três
Modelos Climáticos Globais. americano
1291
Machine Translated by Google
Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.
Journal of Climate Change 3, 438-454, 2014.
http://dx.doi.org/10.4236/ajcc.2014.35039
Danabasoglu, G., 2019a. Saída do modelo NCAR CESM2
preparada para histórico CMIP6 CMIP.
Versão 20190401. Federação da Grade do Sistema
Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.7627
Danabasoglu, G., 2019b. NCAR CESM2-
Saída do modelo WACCM preparada para histórico
CMIP6 CMIP. Versão 20190415. Federação da Grade
do Sistema Terrestre. https://doi.org/10.22033/ESGF/
CMIP6.10071
Danabasoglu, G., 2019c. NCAR CESM2-
Saída do modelo WACCM preparada para histórico
CMIP6 CMIP. Versão 20190415. Federação da Rede
Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.10071
Danabasoglu, G., 2019d. Saída do modelo NCAR CESM2-
FV2 preparada para histórico CMIP6 CMIP. Versão
20191120.Earth System Grid Federation. https://
doi.org/10.22033/ESGF/CMIP6.11297
Danabasoglu, G., 2019e. NCAR CESM2-
Saída do modelo WACCM-FV2 preparada para
histórico CMIP6 CMIP. Versão 20191120.
Gradehttps://doi.org/
Federação do Sistema Terrestre.
10.22033/ESGF/CMIP6.11298
Danek, C., Shi, X., Stepanek, C., et al., 2020. Saída do
modelo AWI AWI-ESM1.1LR preparada para histórico
CMIP6 CMIP. Versão 20200212.
Gradehttps://doi.org/
Federação do Sistema Terrestre.
10.22033/ESGF/CMIP6.9328
Dix, M., Bi, D., Dobrohotoff, P., et al., 2019.
Saída do modelo CSIRO-ARCCSS ACCESS-CM2
preparada para histórico CMIP6 CMIP. Versão
20191108. Federação da Grade do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.4271
Dufresne, JL, Foujols, MA, Denvil, S., et al., 2013.
Projeções de mudanças climáticas usando o Modelo
do Sistema Terrestre IPSL-CM5: de CMIP3 a CMIP5.
Climate Dynamics 40, 2123-2165. https://doi.org/
10.1007/s00382-012-1636-1
Consórcio EC-Earth (EC-Earth), 2019a. Resultado do
modelo EC Earth-Consortium EC-Earth3-Veg
preparado para histórico CMIP6 CMIP.
Versão 20200225. Federação da Grade do Sistema
Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.4706
Consórcio EC-Earth (EC-Earth), 2019b. Saída do modelo
EC-Earth3 do EC Earth-Consortium preparada para
histórico CMIP6 CMIP. Versão
Dias., C., G., Reboita., M.,S.
20200310. Federação da Grade do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.4700
Consórcio EC-Earth (EC-Earth), 2020a. Saída do modelo
EC Earth-Consortium EC-Earth3-Veg-LR preparado
para histórico CMIP6 CMIP.
Versão 20200217. Federação da Grade do Sistema
Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.4707
Consórcio EC-Earth (EC-Earth), 2020b. Resultado do
modelo EC Earth-Consortium EC-Earth3-AerChem
preparado para histórico CMIP6 CMIP.
Versão 20200624. Federação da Grade do Sistema
Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.4701
Elguindi, N., Giorgi, F., Turuncoglu, U., 2014.
Avaliação das simulações do modelo global CMIP5
sobre o subconjunto de domínios CORDEX usados
na Fase I do CREMA. Mudança Climática 7-21. https://
125,
doi.org/10.1007/s10584-013-0935-9
Eyring, V., Bony, S., Meehl, GA, Senior, CA, Stevens, B.,
Stouffer, RJ, Taylor, KE, 2016.
Visão geral do design experimental e organização do
Projeto de Intercomparação de Modelo Acoplado
Fase 6 (CMIP6), Desenvolvimento de Modelo
Geocientífico 9, 1937-
1958. http://dx.doi.org/10.5194/gmd-9-1937-
2016
Flato, G., Marotzke, J., Abiodun, B., et al., 2013.
Avaliação de Modelos Climáticos. In: Mudança
Climática 2013: A Base da Ciência Física.
Contribuição do Grupo de Trabalho I para o Quinto
Relatório de Avaliação do Painel Intergovernamental
sobre Mudanças Climáticas [Stocker, TF, D.
Qin, G.-K. Plattner, M. Tignor, SK Allen, J.
Boschung, A. Nauels, Y. Xia, V. Bex e PM
Midgley (eds.)]. Cambridge University Press,
Cambridge, Reino Unido e Nova York, [online]
NY, EUA. https:// Disponível:
www.ipcc.ch/report/ar5/wg1/. Acesso: 11 fev. 2021.
Freire, J.L., de Freitas, S.R., Coelho, C.A.dos.S., 2015.
Calibração do modelo regional BRAMS para a
previsão de eventos climáticos extremos.
Revista Brasileira de Meteorologia 30(2), 158-
170. http://dx.doi.org/10.1590/0102-
778620140034
Giorgi, F., Mearns, LO, 1999. Introdução à seção especial:
modelagem climática regional revisitada. Journal of
Geophysical Research 104(D6), 6335-6352. https://
doi.org/10.1029/98JD02072
1292
Machine Translated by Google
Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.
Gulizia, C., Camilloni, I., 2014. Análise comparativa da
capacidade de um conjunto de modelos climáticos globais
CMIP3 e CMIP5 para representar a precipitação na
América do Sul. Jornal Internacional de Climatologia
35(4), 583-595.
https://doi.org/10.1002/joc.4005
Gutowski Jr., WJ, Giorgi, F., Timbal, B., et al., 2016 WCRP
COordinated Regional Downscaling EXPperiment
(CORDEX): um diagnóstico MIP para CMIP6.
Desenvolvimento de Modelo Geocientífico 9, 4087-4095,
https://doi.org/10.5194/gmd-9-4087-2016
Hersbach, H., Dee, D., 2016. A reanálise ERA5 está em
produção. Boletim ECMWF [online] 147, 7.
Disponível:
https://www.ecmwf.int/en/newsletter/147/news
/era5-reanálise-produção. Acesso: 11 fev. 2021.
Hinkle, DE, Wiersma, W., Jurs, SG, 2003.
Estatística Aplicada às Ciências do Comportamento. 5ª
ed. Boston: Houghton Mifflin, 756 p.
Huang, W., 2019. Saída do modelo THU CIESM preparada
para histórico CMIP6 CMIP. Versão 20200417. Federação
da Grade do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.8843
Huffman, GJ, Adler, RF, Morrissey, MM, Bolvin, DT, Curtis,
S., Joyce, R., McGavock, B., Susskind, J., 2001.
Precipitação Global em Resolução Diária de Um Grau de
Observações Multissatélites. Jornal de Hidrometeorologia
2, 36-50.
Instituto Goddard da NASA para Estudos Espaciais, 2018.
http://dx.doi.org/10.1175/1525-
7541(2001)002<0036:GPAAODD>2.0.CO;2
Jones, PW 1999. Esquemas de remapeamento conservador
de primeira e segunda ordem para grades em coordenadas
esféricas. Revisão Mensal do Tempo, 127, 2204-221.
NASA Goddard Institute for Space Studies, 2019.
http://dx.doi.org/10.1175/1520-
0493(1999)127%3C2204:FASOCR%3E2.0.C
O;2
Jungclaus, J., Bittner, M., Wieners, KH, 2019.
Neubauer, D., Ferrachat, S., Siegenthaler-Le Drian, C., al.,
MPI-M Saída do modelo MPI-ESM1.2-HR preparada para
histórico CMIP6 CMIP. Versão 20190710. Federação da
Grade do Sistema Terrestre. https://doi.org/10.22033/
ESGF/CMIP6.6594
Krasting, JP, John, JG, Blanton, C., e outros, 2018.
Saída do modelo NOAA-GFDL GFDL-ESM4 preparada
para histórico CMIP6 CMIP. Versão 20190726. Federação
da Grade do Sistema Terrestre. https://doi.org/10.22033/
ESGF/CMIP6.8597
Dias., C., G., Reboita., M.,S.
Lee, W.-L., Liang, H.-C., 2020. Saída do modelo AS-RCEC
TaiESM1.0 preparada para histórico CMIP6 CMIP.
Versão 20200623. Federação da Grade do Sistema
Terrestre. https://doi.org/10.22033/ESGF/CMIP6.9755
Li, L., 2019. Saída do modelo CAS FGOALS-g3 preparada
para histórico CMIP6 CMIP. Versão 20190818. Federação
da Grade do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.3356
Llopart, M., Reboita, MS, da Rocha, RP, 2020.
Avaliação de projeções climáticas multimodelo de
recursos hídricos no domínio CORDEX da América do
Sul. Dinâmica Climática 54, 99-
116. https://doi.org/10.1007/s00382-019-
04990-z
Lovato, T., Peano, D., 2020. CMCC CMCC-CM2-
Saída do modelo SR5 preparada para histórico CMIP6
CMIP. Versão 20200616. Federação da Grade do Sistema
Terrestre. https://doi.org/10.22033/ESGF/CMIP6.3825
Marrafon, V., Reboita, M.S., 2020. Características da
precipitação na América do Sul reveladas através de
índices climáticos. Revista Brasileira de Climatologia
26(16) 663.
http://dx.doi.org/10.5380/abclima.v26i0.7218
Metsalu, T., Vilo, J. 2015. ClustVis: uma ferramenta web para
visualização de agrupamento de dados multivariados
usando Análise de Componentes Principais e mapa de calor.
Pesquisa de ácidos nucleicos 43(W1), W566–W570.
https://doi.org/10.1093/nar/gkv468
Saída do modelo NASA-GISS GISS-E2.1G preparada
para histórico CMIP6 CMIP. Versão 20180827. Federação
da Grade do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.7127
Saída do modelo NASA-GISS GISS-E2.1H preparada
para histórico CMIP6 CMIP. Versão 20190403. Federação
da Grade do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.7128
2019. Saída do modelo HAMMOZ-Consortium MPI
ESM1.2-HAM preparada para histórico CMIP6 CMIP.
Versão
20190627.Earth System Grid Federation.
https://doi.org/10.22033/ESGF/CMIP6.5016
Park, S., Shin, J., 2019. Saída do modelo SNU SAM0-
UNICON preparada para histórico CMIP6 CMIP. Versão
20190323. Federação da Grade do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.7789
1293
Machine Translated by Google
Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.
Pedro, D.F.P., Freitas, A.C.V., Belotti, F.M., 2020.
A influência da Zona de Convergência do Atlântico
Sul (ZCAS) na ocorrência de deslizamentos de massa
em Belo Horizonte e cidades vizinhas. Revista
Brasileira de Climatologia 17(16), 635-659.
http://dx.doi.org/10.5380/abclima.v27i0.70352
Raghavan, K., Panickal, S., 2019. Saída do modelo
CCCR-IITM IITM-ESM preparada para histórico
CMIP6 CMIP. Versão 20191226. Federação da Grade
do Sistema Terrestre. https://doi.org/10.22033/ESGF/
CMIP6.3708
Reboita, M. S. Gan, M.A., da Rocha, R.P., Ambrizzi, T.,
2010. Regimes de precipitação na América do Sul:
Uma revisão bibliográfica.
Revista Brasileira de Meteorologia, 25(2), 185-
204. https://doi.org/10.1590/S0102-
7786201000020000
Reboita, M.S., Dias, C.G., Dutra, L.M.M., da Rocha, R.P.,
Llopart, M., 2018. Previsão Climática Sazonal para o
Brasil Obtida Através de Modelos Climáticos Globais
e Regional.
Revista Brasileira de Meteorologia 33(2), 207-
224. https://doi.org/10.1590/0102-7786332001
Rong, X., 2019. Saída do modelo CAMS CAMS_CSM1.0
preparada para histórico CMIP6 CMIP.
Versão 20190708. Federação da Grade do Sistema
Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.9754
Santos, DF.dos., Martins, FB, Torres, RR, 2017.
Impactos das projeções climáticas no balanço hídrico
e implicações na cultura da oliveira em Minas Gerais.
Revista Brasileira de Engenharia Agrícola e Ambiental
21(2), 77-82.
http://dx.doi.org/10.1590/1807-
1929/agriambi.v21n2p77-82
Scoccimarro, E., Bellucci, A., Peano, D., 2020.
Saída do modelo CMCC CMCC-CM2-HR4 preparada
para histórico CMIP6 CMIP. Versão 20200904.
Federação da Grade do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.3823
Seland, Ø., Bentsen, M., Oliviè, DJL, et al., 2019.
Saída do modelo NCC NorESM2-LM preparada para
histórico CMIP6 CMIP. Versão 20190815.
Vasconcellos, FC, Deng, Y., Zhang, H., Martins, G.,
Federação do Sistema Terrestre. Grade
https://doi.org/10.22033/ESGF/CMIP6.8036
Semmler, T., Danilov, S., Rackow, T., e outros, 2018.
Saída do modelo AWI AWI-CM1.1MR preparada para
histórico CMIP6 CMIP. Versão 20200511.
Federação da Sistema
Terra. Grade
Volodin, E., Mortikov, E., Gritsun, A., et al., 2019a. Saída
https://doi.org/10.22033/ESGF/CMIP6.2686
Dias., C., G., Reboita., M.,S.
Silva, J.P.R., Reboita, M.S., Escobar, G.C.J., 2019.
Caracterização da Zona De Convergência do Atlântico
Sul em Campos Atmosféricos Recentes. Revista
Brasileira de Climatologia 25(15), 355-377.
http://dx.doi.org/10.5380/abclima.v25i0.64101
Solman, SA, Sanchez, E., Samuelsson, P., et al., 2013.
Avaliação de um conjunto de simulações de modelos
climáticos regionais sobre a América do Sul
conduzidos pela reanálise ERA-Interim: desempenho
do modelo e incertezas. Climate Dynamics 41,
1139-1157.
http://dx.doi.org/10.1007/s00382-013-1667-2
Song, Zhenya, et al., 2019. Saída do modelo FIO-QLNM
FIO ESM2.0 preparada para histórico CMIP6 CMIP.
Versão 20191209. Federação da Grade do Sistema
Terrestre. https://doi.org/10.22033/ESGF/CMIP6.9199
Stouffer, R., 2019. Saída do modelo UA MCM-UA-1-0
preparada para histórico CMIP6 CMIP.
Versão 20191017. Federação da Grade do Sistema
Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.8888
Swart, NC, Cole, JNS, Kharin, VV, et al., 2019. Saída do
modelo CCCma CanESM5 preparada para histórico
CMIP6 CMIP. Versão 20190429. Federação da Grade
do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.3610
Tatebe, H., Watanabe, M., 2018. Saída do modelo
MIROC MIROC6 preparada para histórico CMIP6
CMIP. Versão 20181212. Federação da Grade do
Sistema Terrestre. https://doi.org/10.22033/ESGF/
CMIP6.5603
Tian, B., Dong, X., 2020. The Double- ITCZ Bias in
CMIP3, CMIP5, and CMIP6 Models Based on Annual
Mean Precipitation. Cartas de pesquisa geofísica 47,
1-11. https://doi.org/10.1029/2020GL087232
Torres, RR, Marengo, JA, 2013. Hotspots de mudanças
climáticas na América do Sul: de conjuntos de dados
multimodelos CMIP3 a CMIP5. Climatologia Teórica
e Aplicada volume 117, 579-587.
http://dx.doi.org/10.1007/s00704-013-1030-x
2020. Vieses de precipitação do verão austral sobre
a América do Sul tropical em cinco modelos de
sistemas terrestres CMIP5. International Journal of
Climatology 40, 6506-6525. http://dx.doi.org/10.1002/
joc.6595.
do modelo INM INM-CM4-8
1294
Machine Translated by Google
Revista Brasileira de Geografia Física v.14, n.03 (2021)1282-1295.
preparado para histórico CMIP6 CMIP. Versão
20190530. Federação da Grade do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.5069
Volodin, E., Mortikov, E., Gritsun, A., et al., 2019b. Saída
do modelo INM INM-CM5-0 preparada para histórico
CMIP6 CMIP. Versão 20190610. Federação da Grade
do Sistema Terrestre.
https://doi.org/10.22033/ESGF/CMIP6.5070
Wieners, K.-H., Giorgetta, M., Jungclaus, J., et al., 2019.
Saída do modelo MPI-M MPI-ESM1.2-LR preparada
para histórico CMIP6 CMIP. Versão 20190710.
Federação da Grade do Sistema Terrestre. https://
doi.org/10.22033/ESGF/CMIP6.6595
Willmott, CJ, Robeson, SM, Matsuura, K., 2011. Um índice
refinado de desempenho do modelo.
Jornal Internacional de Climatologia 32(13), 2088–
2094. http://dx.doi.org/10.1002/joc.2419
Wu, T., Chu, M., Dong, M., et al., 2018. Saída do modelo
BCC BCC-CSM2MR preparada para o histórico CMIP6
CMIP. Versão 20181126.
Gradehttps://doi.org/
Federação do Sistema Terrestre.
10.22033/ESGF/CMIP6.2948
Wu, T., Lu, Y., Fang, Y., et al., 2019. O Modelo do Sistema
Climático do Centro Climático de Pequim (BCC
CSM): o principal progresso do CMIP5 para o CMIP6.
Geocientific Model Development 12(4), 1573-1600.
https://doi.org/10.5194/gmd 12-1573-2019
Dias., C., G., Reboita., M.,S.
Yi, M., 2019. Um guia completo para mapas de calor.
Chartio [online]. Disponível:
https://chartio.com/learn/charts/heatmap
complete-guide/ .Acesso: 25 fev. 2021.
Yu, Yongqiang, 2019. Saída do modelo CAS FGOALS-f3-
L preparada para histórico CMIP6 CMIP.
Versão 20190927.Earth System Grid Federation.
https://
doi.org/10.22033/ESGF/CMIP6.3355
Yukimoto, S., Koshiro, T., Kawai, H., e outros, 2019.
MRI Saída do modelo MRI-ESM2.0 preparada para
histórico CMIP6 CMIP. Versão 20190222.
Federação da Sistema
Terra. Grade
https://doi.org/10.22033/ESGF/CMIP6.6842
Zhang, J., Wu, T., Shi, X., et al., 2018. Saída do modelo
BCC BCC ESM1 preparada para histórico CMIP6
CMIP. Versão 20181214. Federação da Grade do
Sistema Terrestre. https://doi.org/10.22033/ESGF/
CMIP6.2949
Ziehn, T., Chamberlain, M., Lenton, A., et al., 2019. Saída
do modelo CSIRO ACCESS-ESM1.5 preparada para
histórico CMIP6 CMIP. Versão 20191115.Earth System
Grid Federation. https://doi.org/10.22033/ESGF/
CMIP6.4272
1295