<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Marcelo Guatura on Medium]]></title>
        <description><![CDATA[Stories by Marcelo Guatura on Medium]]></description>
        <link>https://medium.com/@guaturamarcelo?source=rss-b322b91e09ac------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*bBbp0aUPQINc_UjUBupK4w.jpeg</url>
            <title>Stories by Marcelo Guatura on Medium</title>
            <link>https://medium.com/@guaturamarcelo?source=rss-b322b91e09ac------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 01:39:48 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@guaturamarcelo/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Mapas Georreferenciados com Cartopy]]></title>
            <link>https://guaturamarcelo.medium.com/mapas-georreferenciados-com-cartopy-d1dcee8b104a?source=rss-b322b91e09ac------2</link>
            <guid isPermaLink="false">https://medium.com/p/d1dcee8b104a</guid>
            <category><![CDATA[cartopy]]></category>
            <category><![CDATA[precipitation]]></category>
            <category><![CDATA[inpe]]></category>
            <category><![CDATA[xarray]]></category>
            <category><![CDATA[geopandas]]></category>
            <dc:creator><![CDATA[Marcelo Guatura]]></dc:creator>
            <pubDate>Wed, 10 Mar 2021 12:23:02 GMT</pubDate>
            <atom:updated>2021-11-12T16:30:54.453Z</atom:updated>
            <content:encoded><![CDATA[<h4>E apresentação da base de dados de Precipitação observada do CPTEC/INPE chamada MERGE</h4><p>Na publicação de hoje, quero apresentar a base de dados observados do <a href="https://www.cptec.inpe.br/">CPTEC</a> / <a href="http://www.inpe.br/">INPE</a>, chamada <a href="http://ftp.cptec.inpe.br/modelos/tempo/MERGE/GPM/">MERGE</a>. Base esta, construída com a combinação de dados de precipitação estimado por satélite e, dados observados por <a href="http://img0.cptec.inpe.br/~rclima/historicos/diaria/brasil/precptos200101.gif">estações convencionais</a>, cobrindo a América do Sul.</p><p>O <a href="http://ftp.cptec.inpe.br/modelos/tempo/MERGE/GPM/">MERGE</a> possui duas versões, <a href="http://ftp.cptec.inpe.br/modelos/tempo/MERGE/GPM/DAILY/">DAILY</a> com arquivos diários desde Junho de 2000 e, <a href="http://ftp.cptec.inpe.br/modelos/tempo/MERGE/GPM/HOURLY/">HOURLY</a> com arquivos por hora desde Janeiro de 2010, ambas com atualizações até o presente. Ambos os dados estão disponíveis em formato <a href="https://www.nco.ncep.noaa.gov/pmb/docs/grib2/grib2_doc/">grib2</a>, com cobertura na América do Sul e com resolução horizontal de 0.1º. Outros detalhes podem ser encontrados na publicação “<a href="https://journals.ametsoc.org/view/journals/wefo/25/3/2010waf2222325_1.xml">Combining TRMM and Surface Observations of Precipitation: Technique and Validation over South America</a>” de 2010, e também as atualizações que foram publicadas em 2020.</p><ul><li>DOI: <a href="https://journals.ametsoc.org/view/journals/wefo/25/3/2010waf2222325_1.xml">http://dx.doi.org/10.1175/2010WAF2222325.1</a></li><li>Upgrade: <a href="http://ftp.cptec.inpe.br/modelos/tempo/MERGE/GPM/READ_ME-MERGE.pdf">MERGE-2020</a></li></ul><p>Por hora, utilizaremos a versão <a href="http://ftp.cptec.inpe.br/modelos/tempo/MERGE/GPM/DAILY/">MERGE-Daily</a><em> </em>para o ano de 2020, e vamos explorar algumas funcionalidades do <a href="https://scitools.org.uk/cartopy/docs/latest/">Cartopy</a>, criando mapas em escalas de tempo diária, mensal, trimestral e anual.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/747/1*PnZEHioiwmlfjk7WBzl0HA.png" /></figure><p>O <a href="http://ftp.cptec.inpe.br/modelos/tempo/MERGE/GPM/">MERGE</a> é disponibilizado através de FTP público, sendo possível seu download diretamente pelo navegador. Uma das maneiras mais praticas de realizar o download dos dados, é utilizando o <a href="https://filezilla-project.org/">Filezilla</a>, software visual para transferência de dados com protocolo FTP. Após instalação, abra o programa e preencha o campo ‘host’ com ftp.cptec.inpe.br/modelos/tempo/MERGE/GPM/ e click em ‘Conexão Rápida’, ao final do processo de conexão basta arrastar os diretórios de interesse para o disco local .</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wTHOzTVCS43YPnKaILhLdg.png" /></figure><h3>Ambiente Anaconda</h3><p>Todos códigos abaixo foram testados com Python 3.9.1, em ambiente criado pelo <a href="https://www.anaconda.com/products/individual">Anaconda3</a>. Siga os passos de instalação do <a href="https://www.anaconda.com/products/individual">Anaconda3</a> e dos pacotes conforme a disponibilidade para o seu sistema operacional.</p><p>Referente aos pacotes, serão utilizados: <a href="http://xarray.pydata.org/en/stable/">XArray</a> para ler arquivos <a href="https://www.nco.ncep.noaa.gov/pmb/docs/grib2/grib2_doc/">grib2</a>, <a href="https://scitools.org.uk/cartopy/docs/latest/">Cartopy</a> para produzir mapas, e <a href="https://geopandas.readthedocs.io/en/latest/">Geopandas</a> para a leitura de arquivo <a href="https://www.esri.com/Library/Whitepapers/Pdfs/Shapefile.pdf">shapefile</a>. Estes pacotes foram desenvolvidos com o propósito de trazer facilidade no tratamento e uso de dados georreferenciado.</p><ul><li>Os comandos abaixo devem ser executados no terminal</li></ul><pre># comando para criar ambiente<br>conda create -n merge</pre><pre># comando para ativar ambiente <br>conda activate merge</pre><pre># comandos para instalar pacotes<br>conda install -c conda-forge pandas<br>conda install -c conda-forge matplotlib<br>conda install -c conda-forge numpy<br>conda install -c conda-forge cartopy<br>conda install -c conda-forge geopandas<br>conda install -c conda-forge rioxarray<br>conda install -c conda-forge cmocean<br>conda install -c conda-forge descartes<br>conda install -c conda-forge dask</pre><h3>Exemplos de projeções com Cartopy</h3><p>O <a href="https://scitools.org.uk/cartopy/docs/latest/">Cartopy</a> é uma das melhores ferramentas disponíveis para produzir mapas atualmente, e uma das principais vantagens no seu uso está na capacidade de produzir mapas em diversos tipos de projeções, unidos às facilidades já conhecidas de se trabalhar com o <a href="https://matplotlib.org/stable/index.html">Matplotlib</a>.</p><p>Vamos explorar alguns exemplos de projeção com a observação dia 01 de Janeiro de 2020.</p><p>Importando bibliotecas instaladas para leitura, tratamento e visualização dos dados:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/f4c62e83360b161485657af22cd0ac08/href">https://medium.com/media/f4c62e83360b161485657af22cd0ac08/href</a></iframe><p>Leitura do arquivo observado e ajuste nas coordenadas de longitude, centralizando o campo em 0º:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/cd43572121f19825dbd9d7f4137491c1/href">https://medium.com/media/cd43572121f19825dbd9d7f4137491c1/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/721/1*eVgTl5guU8lXdyQTh8b8Og.png" /></figure><p>Exemplo para criar objetos <strong>fig </strong>e <strong>axes</strong> do <a href="https://matplotlib.org/stable/gallery/subplots_axes_and_figures/subplots_demo.html">subplots</a>, onde podem ser definidas características de tamanho, titulo, escalas de cores, número de níveis, barra de cores, legendas, entre diversos outros detalhes que podem ser adicionados aos mapas:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/a5a3576ccf6ec7ca235306e8a86df027/href">https://medium.com/media/a5a3576ccf6ec7ca235306e8a86df027/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/365/1*JdFy5TVVfk4dATeG3GPFaQ.png" /></figure><p>Usaremos este exemplo como padrão para a visualizar o arquivo diário, e apresentar alguns tipos de projeções:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/0a4fa95d87e6e785c6569da661c236f6/href">https://medium.com/media/0a4fa95d87e6e785c6569da661c236f6/href</a></iframe><ul><li><em>Norm: Normalização de valores entre mínimo e máximo para escala de cores</em></li><li><em>Levels: Número de níveis</em></li><li><em>Cmap: Paleta de cores</em></li><li><em>Figsize: Dimensões da figura</em></li><li><em>ax: Objeto do subplots a ser preenchido</em></li><li><em>subplot_kw: Tipo de projeção</em></li></ul><h3>Exemplos:</h3><h4>Orthographic</h4><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/b4732ba9e96d8bf49ebe37da46776230/href">https://medium.com/media/b4732ba9e96d8bf49ebe37da46776230/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cIJ9DMeA3lfAOvpVOJJdYA.png" /></figure><h4>Mollweide</h4><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/e2db3091e1fc7a9f936a8fbcdebc013b/href">https://medium.com/media/e2db3091e1fc7a9f936a8fbcdebc013b/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4B1qD9okjvvVr_nlvJFfiw.png" /></figure><h4>The Goode Homolosine</h4><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/2019ec2f7c30fdc200a0bec3243a664d/href">https://medium.com/media/2019ec2f7c30fdc200a0bec3243a664d/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bwz0N4Geyq7kChZfjg63wg.png" /></figure><p>Consulte a documentação do <a href="https://scitools.org.uk/cartopy/docs/latest/crs/projections.html">Cartopy</a> para verificar todos tipos de projeções suportados. Nos próximos mapas, adicionaremos o uso do <a href="https://geopandas.readthedocs.io/en/latest/about.html">Geopandas</a> para leitura do <a href="https://www.esri.com/Library/Whitepapers/Pdfs/Shapefile.pdf">shapefile</a> com as divisões politica dos estados brasileiros.</p><p>O <a href="https://www.esri.com/Library/Whitepapers/Pdfs/Shapefile.pdf">shapefile</a> está disponível para download no drive: <a href="https://drive.google.com/file/d/1Sjrz0eo7iQ5ORabwFJ96Nybm_SnQluCW/view?usp=sharing">Clique aqui</a></p><h3><strong>Painel observado 2020</strong></h3><p>Fazendo uso do <a href="https://matplotlib.org/stable/gallery/subplots_axes_and_figures/subplots_demo.html">subplots</a> criaremos mapas em diversas escalas de tempo, assumindo controle de detalhes que podem criar diferenças visuais e dificultem a comparação quando exibido períodos distintos.</p><p>Para isso, modificaremos a função de leitura do XArray de <a href="http://xarray.pydata.org/en/stable/generated/xarray.open_dataset.html">open_dataset</a> para <a href="http://xarray.pydata.org/en/stable/generated/xarray.open_mfdataset.html">open_<strong>mf</strong>dataset</a>. Com essa função é possível ler múltiplos arquivos e concatena-los em um mesmo dataset. Durante a primeira execução a opção <strong>parallel</strong> precisa ser <strong>False</strong>, onde arquivos indexadores são criados, após altere para <strong>True<em>:</em></strong></p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/9efafabba831aff88080b6e5af7827e7/href">https://medium.com/media/9efafabba831aff88080b6e5af7827e7/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/723/1*tCOxLA_y_xUAfAL1OEkeWg.png" /></figure><p>Finalizada a leitura é preciso ajustar às coordenadas de longitude, remover variáveis e outras coordenadas que não serão utilizadas:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/1c0085c77edc9a8cda0b5ea4ed52d637/href">https://medium.com/media/1c0085c77edc9a8cda0b5ea4ed52d637/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/1*BjRWI9bA8kbThw-fw70rsA.png" /></figure><p>Processamento para acumular a precipitação diária em mensal, trimestral e anual:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/b0e26884e171e0351886ca5b97846883/href">https://medium.com/media/b0e26884e171e0351886ca5b97846883/href</a></iframe><ul><li><em>JFM: Janeiro-Feveiro-Março</em></li><li><em>AMJ: Abril-Maio-Junho</em></li><li><em>JAS: Julho-Agosto-Setembro</em></li><li><em>OND: Outubro-Novembro-Dezembro</em></li></ul><p>Faz a leitura do arquivo shapefile com as divisões politica dos estados brasileiros:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/37c86871c57a6a785827dd1515961ccc/href">https://medium.com/media/37c86871c57a6a785827dd1515961ccc/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/683/1*xs0_pqGA6G8JBdyadCPuFw.png" /></figure><p>Finalizados os processos de leitura e tratamento, podemos montar os painéis com os dados observados.</p><h3>Painel Trimestral</h3><p>Para o painel trimestral vamos criar um array de objetos do subplots, com 2 linhas e 2 colunas, e definir o aspecto de posicionamento dos mapas na grade. Ele será preenchido com um bloco de código para cada posição do quadro, assim fica mais simples para entender o uso dos objetos:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/53dcc1a38cf8638c847804f31e44bdbc/href">https://medium.com/media/53dcc1a38cf8638c847804f31e44bdbc/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/489/1*qCRmvMONNgpV6PGO3x_Gsw.png" /></figure><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/5ea9d8f24457756c8a7d5dec088eedb2/href">https://medium.com/media/5ea9d8f24457756c8a7d5dec088eedb2/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*e3DKup5AstR8BQYgA_wCZQ.png" /></figure><h3>Painel Mensal</h3><p>O painel mensal possui com 4 linhas, 3 colunas, e será preenchido usando o mesmo bloco de código para todas posições, garantindo assim a padronização dos mapas:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/ea66792421d3723f78b4d54ff55587c3/href">https://medium.com/media/ea66792421d3723f78b4d54ff55587c3/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EQFoSGeqiUZRGLFJbRvSdA.png" /></figure><h3>Anual</h3><p>O mapa anual utilizaremos parte do exemplo para o arquivo diário, alterando o tipo de projeção, paleta de cores e níveis:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/07cd300996b8ebe7d1476a72dcc72def/href">https://medium.com/media/07cd300996b8ebe7d1476a72dcc72def/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eSE4fucFcb0foZ3UxZjQ-A.png" /></figure><h3>Conclusão</h3><p>A base de precipitação observada MERGE é, com certeza, uma das melhores disponíveis, principalmente para o Brasil, onde existe uma maior cobertura de estações convencionais. Desde sua publicação, diversas melhorias foram realizadas, como por exemplo a substituição dos dados estimados para uma nova geração de satélite, e a integração de novos dados observados por estações convencionais. Se você precisa de dados de precipitação observada, considere esta base.</p><p>Nos testes realizados, o uso do XArray e Cartopy, se mostraram eficientes com arquivos grib2, capaz de produzir mapas em diversos tipos de projeções com facilidade.</p><p>Qualquer dúvida comente.</p><p>Até a próxima!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d1dcee8b104a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Cálculo de Índices de Precipitação com XArray (Python)]]></title>
            <link>https://guaturamarcelo.medium.com/c%C3%A1lculo-de-%C3%ADndices-de-precipita%C3%A7%C3%A3o-com-xarray-python-b7bdf84a3ceb?source=rss-b322b91e09ac------2</link>
            <guid isPermaLink="false">https://medium.com/p/b7bdf84a3ceb</guid>
            <category><![CDATA[xarray]]></category>
            <category><![CDATA[precipitation]]></category>
            <category><![CDATA[noaa]]></category>
            <category><![CDATA[climate]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Marcelo Guatura]]></dc:creator>
            <pubDate>Fri, 22 Jan 2021 12:59:15 GMT</pubDate>
            <atom:updated>2021-01-22T13:03:49.252Z</atom:updated>
            <content:encoded><![CDATA[<h3>Tratamento de dados observados globais e cálculo de índices de Precipitação na América do Sul para os anos de 2017, 2018 e 2019.</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wUKWsSwfQmaQb4WT_C7Fcw.png" /></figure><p>Recentemente comecei a estudar Python para trabalhar com arquivos <a href="https://www.unidata.ucar.edu/software/netcdf/">NetCDF</a>, com o objetivo de tratar dados atmosféricos observados e calcular uma serie de índices. Decidi compartilhar parte desses estudos aqui, espero que possa ser útil para quem também está aprendendo.</p><blockquote><a href="https://www.unidata.ucar.edu/software/netcdf/">NetCDF</a> é uma biblioteca desenvolvida e mantida pelo <a href="https://www.unidata.ucar.edu/">UNIDATA</a>, e é amplamente utilizada para armazenamento de dados ambientais, pois traz muita facilidade em seu uso, por criar arquivos orientados por array e auto descritos. Existem diversas linguagens de programação e ferramentas capazes de manipular este tipo de arquivo, como por exemplo Python, CDO, IDL, MATLAB, R, <a href="http://opengrads.org/">GrADS</a>, C e Fortran.</blockquote><blockquote><em>Para mais informações do funcionamento da biblioteca </em><a href="https://www.unidata.ucar.edu/software/netcdf/docs/"><em>NetCDF</em></a></blockquote><p>Nesta publicação utilizaremos a base de dados<em> </em><a href="https://psl.noaa.gov/data/gridded/data.cpc.globalprecip.html"><em>CPC Global Unified Gauge-Based Analysis of Daily Precipitation</em></a><em> </em>desenvolvida e mantida pela <a href="https://www.noaa.gov/">NOAA</a>, com dados diários interpolados em uma grade regular 0.5º x 0.5º, desde 1979 até o presente. Nos testes foram utilizados arquivos de 1981 até 2010 e também de 2017 até 2019.</p><p><strong>1 — Verificando estrutura do arquivo NetCDF</strong></p><p>Primeiro vamos importar as bibliotecas que usaremos para tratar os arquivos NetCDF, calcular os índices e visualizar.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/63d8e90c0da059f9acd5ba0a410f8fe1/href">https://medium.com/media/63d8e90c0da059f9acd5ba0a410f8fe1/href</a></iframe><p>No tratamento dos arquivos NetCDF usaremos o <a href="http://xarray.pydata.org/en/stable/">XArray</a>, biblioteca muito eficiente para trabalhar com array multi-dimensional. Sugiro a leitura da documentação do projeto, para entender todas opções que serão utilizadas.</p><p>Vamos agora entender como o arquivo <a href="https://www.unidata.ucar.edu/software/netcdf/">NetCDF</a> foi escrito, quais são as variáveis disponíveis e suas chaves para as coordenadas.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/2bb63a7b1300a64ee442d73ee9ec6651/href">https://medium.com/media/2bb63a7b1300a64ee442d73ee9ec6651/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/0*ACXhGhn8snor4typ.png" /></figure><p>O arquivo possui 3 dimensões, são elas Latitude, Longitude e Time, podemos usar essas chaves para acessar as informações da variável Precip. Vamos explorar com mais detalhes essas chaves.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/3218fc35079f429b2fc565e17bede54f/href">https://medium.com/media/3218fc35079f429b2fc565e17bede54f/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/0*BL2FCEvSkdQkfL9W.png" /></figure><p>Como podemos verificar, o arquivo possui 360 registros em latitude, e 720 em longitude, ambos variando em 0.5. Também conseguimos verificar que o arquivo está na frequência diário, possuindo 365 registros por ano, fixo no horário das 00:00.</p><p>Agora, podemos selecionar a variável precipitação pela chave Time, que retornará todos registros em longitude e latitude.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/9839ddfb65a4428d39fbd9d96755f064/href">https://medium.com/media/9839ddfb65a4428d39fbd9d96755f064/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/407/0*LN-xuru25N9O-oFi.png" /></figure><p><strong>2 — Acumulo mensal e recorte para América do Sul</strong></p><p>Nesta publicação vamos calcular índices mensais para América do Sul, para isso precisamos transformar os dados diários em mensais, recortar o domínio da América do Sul e escrever esses dados em novos arquivos, para serem utilizados em outros processos.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/2ae436d105fd55d9a666e1c6feaac0ba/href">https://medium.com/media/2ae436d105fd55d9a666e1c6feaac0ba/href</a></iframe><p><strong>3 — Calculando Climatologia</strong></p><p>A climatologia é o estudo do Clima e como ele muda com o tempo. Essa ciência ajuda a entender melhor as condições atmosféricas e as suas mudanças ao longo do tempo.</p><p>Normalmente a climatologia é calculada com base no período de referência, com as melhores base de dados observados disponíveis. Neste exemplo, usaremos a própria base do CPC para calcular a climatologia, com o período de referencia 1981 até 2010. Para calcular, selecionamos, por exemplo, os 30 janeiros do período de referência e, criamos 1 único janeiro médio, que representa o comportamento médio neste período, para que possa ser comparado ao janeiro observado fora deste período.</p><ul><li>Considerado chuva todos valores acima de 1 milímetro.</li></ul><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/8811413434156eac432d634ac622eda4/href">https://medium.com/media/8811413434156eac432d634ac622eda4/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/0*sh-Yutwt7cgsnDqx.png" /></figure><p>Os arquivos de climatologia que calculamos tem 12 tempos, 1 para cada mês, neste caso a chave de acesso é Month, antes de salvar o arquivo da climatologia precisamos alterar a chave para Time, para o arquivo voltar ao padrão.</p><p>Vamos visualizar o mês de Março como exemplo.</p><ul><li>Climatologia — Média Março</li></ul><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/50adba1a43ce47894ae4de4fe7901f19/href">https://medium.com/media/50adba1a43ce47894ae4de4fe7901f19/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/395/0*m02JlPaY7xSx2dFm.png" /></figure><ul><li>Climatologia — Desvio Padrão Março</li></ul><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/b85d7e72a59ff4cfac8c5a3f1893741e/href">https://medium.com/media/b85d7e72a59ff4cfac8c5a3f1893741e/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/396/0*YpayHKHSrxyMExzV.png" /></figure><p><strong>4 — Índices climáticos</strong></p><p>Com base nos dados mensais de precipitação, e os de climatologia, podemos calcular alguns índices simples, mas bastante eficientes, que fornecem informações para auxiliar a classificar o período observado. Para todos os índices que vamos calcular, existem diversas metodologias, que alteram tanto na habilidade do índice de descrever a observação, como em seu proposito.</p><ul><li><strong>Anomaly:</strong></li></ul><blockquote><em>É calculada pela diferença entre o período observado e a climatologia média, onde o resultado demonstra para valores negativos que o período foi menos chuvoso que a referência, e os valores positivos que foi mais chuvoso.</em></blockquote><ul><li><strong>Z-Score Index:</strong></li></ul><blockquote><em>Com o cálculo da anomalia finalizado, podemos dividir o campo resultante pelo desvios padrão da climatologia do mês de referência, com isso temos o número de desvios padrão acima ou abaixo da média da população. Usaremos valores encontrados para realizar uma classificação entre -3 e 3 desvios, de extremo seco à extremo molhado.</em></blockquote><ul><li><strong>PNP (Percentage of Normal Precipitation):</strong></li></ul><blockquote><em>É a Porcentagem da Normal de Precipitação, calculado dividindo o campo da anomalia pelo climatologia média, resultando a porcentagem da diferença pelo esperado.</em></blockquote><p>Vamos aos códigos!</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/7bf7518d191c0ef8c9fe6350e403dc0d/href">https://medium.com/media/7bf7518d191c0ef8c9fe6350e403dc0d/href</a></iframe><p>Realiza o cálculo dos índices e faz a classificação do ZSI, para todos meses de 2017, 2018 e 2019.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/1de8b16c657593feabe18ad00a7b4faf/href">https://medium.com/media/1de8b16c657593feabe18ad00a7b4faf/href</a></iframe><p>Finalizados os cálculos dos índices, podemos modificar os campos de climatologia para que possam ser salvos com a estrutura correta, e assim ficar disponível para uso no futuro.</p><ul><li>As datas usadas como referência para os arquivos de climatologia são meramente ilustrativas, não descrevem o período.</li></ul><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/d13497ef41cb74e82431a0965f852af1/href">https://medium.com/media/d13497ef41cb74e82431a0965f852af1/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/562/0*XkZwWw_LQLCMPztJ.png" /></figure><p><strong>5 — Conclusão</strong></p><p>O uso do XArray para tratamento de arquivos NetCDF se mostrou extremamente eficiente, de baixo custo computacional e, com poucas linhas de código, conseguimos tratar dados globais, gerar informações úteis para análises e auxiliar na classificação do período observado. Porém, para conseguirmos comparar as observações ao longo do tempo, precisamos padronizar cores, níveis e títulos, o que será tema de próximas publicações.</p><p>Esta publicação ficou um pouco longa, por isso achei melhor separá-la em duas partes, mas para demonstrar os campos que foram calculados e, também a diferença em sua visualização, estou incluindo o resultado da próxima publicação logo abaixo.</p><p>Até a próxima!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9dxat6Jici3Lb2VvMPHUUg.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b7bdf84a3ceb" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>