Eventos climáticos extremos no Brasil : análise estatística e detecção de anomalias com inteligência artificial

Abstract

As mudanças climáticas causadas pela humanidade têm intensificado a frequência e a severidade de eventos extremos, como ondas de calor, secas e precipitações intensas, tornando sua identificação e caracterização fundamentais para a compreensão dos impactos climáticos e para o desenvolvimento de estratégias de adaptação. Neste trabalho, investigamos os eventos extremos no Brasil sob duas perspectivas complementares. Na primeira, realizamos uma caracterização estatística dos extremos climáticos entre 1961 e 2020 a partir de dados das estações meteorológicas do Instituto Nacional de Meteorologia (INMET), empregando índices recomendados pela Organização Meteorológica Mundial (OMM). Os resultados evidenciam tendências robustas de aquecimento, com aumento da frequência de extremos de calor, especialmente do índice TX90p, além de mudanças significativas nos regimes de precipitação, incluindo o aumento da duração de períodos secos em diferentes regiões do país [1]. Na segunda etapa, exploramos uma abordagem baseada em aprendizado de máquina não supervisionado, utilizando LSTM-Autoencoders para detectar anomalias em dados de reanálise do ERA5. As anomalias identificadas apresentaram forte correspondência com os eventos extremos previamente caracterizados, indicando que o modelo é capaz de capturar padrões fisicamente relevantes. Por fim, uma análise espaço-temporal das anomalias revelou uma transição na predominância dos padrões detectados, com uma mudança de eventos associados à ausência de precipitação para eventos dominados por extremos de temperatura. Esses resultados demonstram o potencial da combinação entre métodos estatísticos tradicionais e técnicas modernas de aprendizado de máquina para a identificação e interpretação de eventos climáticos extremos.

Human-induced climate change has intensified the frequency and severity of extreme events—such as heatwaves, droughts, and heavy precipitation — making their identification and characterization crucial for understanding climate impacts and developing adaptation strategies. In this study, we investigate extreme events in Brazil from two complementary perspectives. First, we conduct a statistical characterization of climate extremes between 1961 and 2020 using data from the National Institute of Meteorology (INMET) weather stations, employing indices recommended by the World Meteorological Organization (WMO). The results reveal robust warming trends, with an increased frequency of heat extremes—particularly the TX90p index—as well as significant changes in precipitation regimes, including longer dry spells in various regions of the country [1]. In the second stage, we explore an unsupervised machine learning approach using LSTM-Autoencoders to detect anomalies in ERA5 reanalysis data. The identified anomalies show a strong correspondence with the previously characterized extreme events, indicating that the model can capture physically relevant patterns. Finally, a spatiotemporal analysis of the anomalies reveals a shift in the predominance of detected patterns, transitioning from events associated with a lack of precipitation to events dominated by temperature extremes. These results demonstrate the potential of combining traditional statistical methods with modern machine learning techniques for the identification and interpretation of extreme climate events.