0
UNIVERSIDADE FEDERAL DO RIO
GRANDE DO NORTE
Centro de Ciências Exatas e da Terra
Programa de Pós-Graduação em Ciências
Climáticas
TESE DE DOUTORADO
MODELAGEM ESTOCÁSTICA DO ÍNDICE DE RADIAÇÃO ULTRAVIOLETA NA
COSTA LESTE DO NORDESTE DO BRASIL
ALEXANDRE BOLEIRA LOPO
Natal, março de 2014.
1
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS CLIMÁTICAS
TESE DE DOUTORADO
MODELAGEM ESTOCÁSTICA DO ÍNDICE DE RADIAÇÃO ULTRAVIOLETA NA
COSTA LESTE DO NORDESTE DO BRASIL
Tese de Doutorado apresentada ao Programa
de Pós-Graduação em Ciências Climáticas do
Centro de Ciências Exatas e da Terra da
Universidade Federal do Rio Grande do Norte
como parte dos requisitos para obtenção do
título de Doutor em Ciências Climáticas.
Natal, março de 2014.
2
Catalogação da Publicação na Fonte. UFRN / SISBI / Biblioteca Setorial
Centro de Ciências Exatas e da Terra – CCET.
Lopo, Alexandre Boleira.
Modelagem estocástica do índice de radiação ultravioleta na costa leste do
nordeste do Brasil / Alexandre Boleira Lopo. - Natal, 2014.
112 f.: il.
Orientadora: Profª. Drª. Maria Helena Constantino Spyrides.
Co-orientador: Prof. Dr. Paulo Sérgio Lucio.
Tese (Doutorado) – Universidade Federal do Rio Grande do Norte.
Centro de Ciências Exatas e da Terra. Programa de Pós-Graduação em
Ciências Climáticas.
1. Climatologia – Tese. 2. Ozônio Total - Tese. 3. Aerossóis – Tese. 4. Métodos de imputação –
Tese. 5. Modelo ADL – Tese. I. Spyrides, Maria Helena Constantino. II. Lucio, Paulo Sérgio. III.
Título.
RN/UF/BSE-CCET
CDU: 551.58
3
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS CLIMÁTICAS
ALEXANDRE BOLEIRA LOPO
MODELAGEM ESTOCÁSTICA DO ÍNDICE DE RADIAÇÃO ULTRAVIOLETA NA
COSTA LESTE DO NORDESTE DO BRASIL
Esta tese foi julgada adequada para a obtenção do Título de DOUTOR EM CIÊNCIAS
CLIMÁTICAS, sendo aprovada em sua forma final.
Nata, 26 de março de 2014.
4
Dedicatória
Dedico este trabalho à minha família, em especial a
minha genitora Dolores B. e Boleira, à minha esposa
Márcia, aos meus filhos Alexandre, Diana, Marco Felipe,
Paula, Júlio Victor e Enzo Manuel, netos Alexandre e
Samuel e em memória de Wilton Rodrigues da Silva
(cunhado) falecido em março de 2014.
5
AGRADECIMENTOS
A Deus Pai, Filho e Espirito Santo fonte de luz, inspiração, coragem e sabedoria.
A minha família, em especial minha genitora Dolores pelo incentivo ao estudo e à
conclusão do doutorado, a minha esposa Márcia pelo companheirismo, confiança, dedicação e
cuidados com nosso filho Enzo Manuel e a minha sobrinha Leticia Macedo Lopo pelo apoio
na cidade de Barcelona-Espanha durante o estágio doutoral.
A Universidade Federal do Rio Grande do Norte pela formação doutoral.
A Universidade Estadual da Bahia pela licença concebida e apoio financeiro.
Ao Instituto Federal de Educação, Ciência e Tecnologia da Bahia pela licença
concebida.
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq pelo
apoio financeiro ao Doutorado Sanduíche – SWE/CsF (246611/2012-0).
A Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pelo
incentivo financeiro inicial.
A ilustre orientadora Profª. Drª. Maria Helena Constantino Spyrides pela competência
na análise estatística descritiva e multivariada e modelagem estocástica e pela disponibilidade
e gentileza nas inúmeras discussões e contribuições para nortear os rumos da execução desta
tese e dos artigos científicos, além do incentivo para a realização de estágio doutoral no
exterior.
Ao ilustre coorientador e coordenador do PPGCC Profº. Dr. Paulo Sérgio Lucio pela
competência na análise estatística multivariada e modelagem estocástica e pelas contribuições
positivas para execução desta tese e artigos científicos.
Ao Prof. Dr. Javier Sigró da Universidad Rovira i Virgili (URV) de Tarragona/
Catalunha/Espanha pelo apoio e orientações na realização do estágio doutoral no grupo de
pesquisa Centre for Climate Change (C3) localizado no Campus de les Terres de l'Ebre na
cidade de Tortosa e a todos os pesquisadores e colegas deste Grupo de pesquisa.
Ao Instituto Nacional de Pesquisas Espaciais (INPE/CRN/LAVAT), na pessoa da
Profª Neusa Paes Leme e Engº Francisco Raimundo da Silva pela gentileza das primeiras
orientações sobre Radiação Ultravioleta e pelo fornecimento de dados do radiômetro GUV.
Ao Profº Dr. Francisco Alexandre da Costa, responsável em coordenar a equipe para a
implantação do PPGCC/CCET/UFRN.
Ao Profº Dr. Claudio Moisés Santos e Silva pela orientação e incentivo na produção
do meu primeiro artigo em Ciências Climáticas.
6
Ao Prof. Dr. Luiz Guilherme M. de Souza (PPGEM/UFRN) pelo incentivo,
orientações e gentileza ao fornecer os dados do LMHES/UFRN.
Ao Prof. Dr. Sebastião Milton Pinheiro da Silva (PPGe/UFRN) pelo apoio e
orientações na construção do terceiro artigo desta tese.
Aos Profºs Dr. David Mendes (UFRN) e Dr. José Henrique Fernandez (UFRN)
avaliadores do Exame de Qualificação pela colaboração e incentivo na construção desta tese e
por examinar o presente trabalho.
Ao Prof. Dr. Marcelo de Paula Corrêa do Instituto de Recursos Naturais da
Universidade Federal de Itajubá pelas contribuições e discussões a respeito desta tese.
Ao Prof. Dr. Ênio Bueno Pereira (INPE) pela colaboração na minha formação doutoral
ao ministrar seminários aos discentes e docentes do PPGCC e examinar o presente trabalho.
A todos os ilustres e dedicados professores que propiciaram minha formação doutoral.
A pesquisadora Drª. Monica C. Damiao Mendes pelas orientações e apoio.
Ao secretário do PPGCC, senhor Paulo Guerra, pela presteza e orientações nas
atividades do Programa.
A todos os queridos colegas do PPGCC pelo tempo de convivência e momentos de
aprendizagem mútua e desenvolvimento pessoal e profissional, em especial aos colegas da 1ª
e 2ª turmas do curso de doutorado aqui representados por Bruce Kelly da N. Silva,
Washington L. F. Correia Filho e George U. Pedra.
Aos revisores anônimos das publicações (on line): Holos, Ciência e Natura e
Atmospheric and Climate Sciences pela colaboração nos artigos publicados.
Ao Instituto Nacional de Meteorologia do Brasil (INMET) pelos dados
disponibilizados no Banco de Dados Meteorológicos para Ensino e Pesquisa (BDMEP).
As Agências de Pesquisa dos Estados Unidos da América: National Aeronautics and
Space Administration (NASA), National Centers for Environmental Prediction (NCEP) e
National Oceanic and Atmospheric Administration (NOAA) pelos dados de satélite e
Reanálise disponibilizados.
7
“Zonal average ultraviolet irradiance (flux ultraviolet, FUV) reaching
the Earth’s surface has significantly increased since 1979 at all
latitudes except the equatorial zone”.
“In the Southern Hemisphere, zonal and annual average UV increase
is partially offset by tropospheric cloud and aerosol transmission
decreases (hemispherical dimming), and to a lesser extent in the
Northern Hemisphere”.
“The largest zonal average increases in FUV have occurred in the
Southern Hemisphere”.
Herman, J. R. (2010) [1]
8
RESUMO
A elevação da radiação ultravioleta (UV), a alta incidência de câncer de pele não melanoma
(CPNM) no Nordeste do Brasil (NEB) e a redução da coluna total de ozônio foram os
motivadores do presente estudo. O objetivo desta investigação é identificar e compreender a
variabilidade da UV e do índice de Radiação Ultravioleta (índice UV) nas capitais da costa
leste do NEB e ajustar modelos estocásticos às séries temporais do índice UV visando realizar
predições (interpolações) e previsões/projeções (extrapolações) seguido de análise de
tendência. A metodologia consistiu da aplicação da análise multivariada (análise de
componentes principais e análise de agrupamentos), método Predictive Mean Matching
(PMM) para preenchimento de falhas nos dados, modelo autoregressivo de defasagens
distribuídas ou Autoregressive Distributed Lag (ADL) e teste Mann-Kendal. A modelagem
via ADL ocorreu através da estimação de parâmetros, diagnóstico, análise de resíduos e
avaliação da qualidade das predições/previsões via erro quadrático médio e coeficiente de
correlação de Pearson. Os resultados da investigação indicaram que a variabilidade anual da
UV na capital do Rio Grande do Norte (Natal) possui uma característica nos meses de
setembro e outubro que consiste em uma estabilização/redução do índice UV em razão da
maior concentração anual de ozônio total. A maior quantidade de aerossóis neste período
contribui em menor intensidade para este evento. A aplicação da análise de agrupamento
(cluster) na costa leste do NEB mostrou que este evento também ocorre nas capitais da
Paraíba (João Pessoa) e Pernambuco (Recife). Os eventos extremos da UV do NEB foram
analisados a partir da cidade de Natal e estavam associados à falta de cobertura de nuvens e
níveis abaixo da média anual de ozônio total e não ocorriam na totalidade da região em
função da distribuição espacial desigual dessas variáveis. O modelo ADL (4, 1), ajustado com
dados do índice UV e ozônio total para o período de 2001 a 2012, realizou a
projeção/extrapolação para os próximos 30 anos (2013-2043) indicando ao fim deste período
elevação de aproximadamente uma unidade do índice UV, caso o ozônio total mantenha a
tendência de queda verificada no período de estudo.
Palavras-Chave: ozônio total, aerossóis, métodos de imputação, modelo ADL, climatologia.
9
ABSTRACT
The increase in ultraviolet radiation (UV) at surface, the high incidence of non-melanoma
skin cancer (NMSC) in coast of Northeast of Brazil (NEB) and reduction of total ozone were
the motivation for the present study. The overall objective was to identify and understand the
variability of UV or Index Ultraviolet Radiation (UV Index) in the capitals of the east coast of
the NEB and adjust stochastic models to time series of UV index aiming make predictions
(interpolations) and forecasts / projections (extrapolations) followed by trend analysis. The
methodology consisted of applying multivariate analysis (principal component analysis and
cluster analysis), Predictive Mean Matching method for filling gaps in the data, autoregressive
distributed lag (ADL) and Mann-Kendal. The modeling via the ADL consisted of parameter
estimation, diagnostics, residuals analysis and evaluation of the quality of the predictions and
forecasts via mean squared error and Pearson correlation coefficient. The research results
indicated that the annual variability of UV in the capital of Rio Grande do Norte (Natal) has a
feature in the months of September and October that consisting of a stabilization / reduction
of UV index because of the greater annual concentration total ozone. The increased amount
of aerosol during this period contributes in lesser intensity for this event. The increased
amount of aerosol during this period contributes in lesser intensity for this event. The
application of cluster analysis on the east coast of the NEB showed that this event also occurs
in the capitals of Paraiba (João Pessoa) and Pernambuco (Recife). Extreme events of UV in
NEB were analyzed from the city of Natal and were associated with absence of cloud cover
and levels below the annual average of total ozone and did not occurring in the entire region
because of the uneven spatial distribution of these variables. The ADL (4, 1) model, adjusted
with data of the UV index and total ozone to period 2001-2012 made a the projection /
extrapolation for the next 30 years (2013-2043) indicating in end of that period an increase to
the UV index of one unit (approximately), case total ozone maintain the downward trend
observed in study period .
Keywords: total ozone, aerosol, imputation methods, ADL model, climatology.
10
SUMÁRIO
LISTA DE ILUSTRAÇÕES .................................................................................................... 11
LISTA DE TABELAS ............................................................................................................. 13
LISTA DE ABREVIATURAS E SIGLAS. ............................................................................. 14
INTRODUÇÃO ........................................................................................................................ 16
CAPÍTULO I (1º ARTIGO) - RADIAÇÃO ULTRAVIOLETA, OZÔNIO TOTAL E
AEROSSÓIS NA CIDADE DE NATAL-RN................................................................... 20
CAPÍTULO
II
(2º
ARTIGO)
-
OZONE
AND
AEROSOL
INFLUENCE
ON
ULTRAVIOLET RADIATION ON THE EAST COAST OF THE BRAZILIAN
NORTHEAST .................................................................................................................. 44
CAPÍTULO III (3º ARTIGO) – UV EXTREME EVENTS IN NORTHEAST OF BRAZIL 62
CAPÍTULO IV (4º ARTIGO) – UV INDEX MODELING BY AUTOREGRESSIVE
DISTRIBUTED LAG (ADL MODEL) ............................................................................ 79
CONCLUSÕES ...................................................................................................................... 100
REFERÊNCIAS ..................................................................................................................... 103
APÊNDICE. SCRIP PARA MODELO ADL EM LINGUAGEM R .................................... 106
ANEXO. CLIMATOLOGIA E ALTERAÇÕES DE UV-ERITÊMICA E VARIABILIDADE
SAZONAL DE UV-NMC .............................................................................................. 110
11
LISTA DE ILUSTRAÇÕES
CAPÍTULO I
Figura 1. Clima do RN e de parte do Nordeste. Legenda mostra Clima Tropical
Nordeste Oriental para a cidade de Natal......................................................................
26
Figura 2. (A) Média da irradiância espectral da UV e (B) variabilidade mensal da UV
em UVB (305 nm) e UVA (320 nm, 340 nm e 380 nm) na cidade de NatalRN....................................................................................................................................
30
Figura 3. Irradiância espectral anual de UV, através de filtragem de médias móveis,
em UVB (305 nm) e UVA (320 nm, 340 nm e 380 nm) na cidade de NatalRN....................................................................................................................................
30
Figura 4. Boxplot do ciclo diário do índice UV no horário local (fuso horário UTC-3)
para a cidade de Natal-RN (ano base 2008).....................................................................
31
Figura 5. Boxplot da variabilidade do: índice UV (A); ozônio total (B); RSG (C);
Nebulosidade às 12h (D); aerossóis (AOD) (E); e Vento (F) na cidade de Natal-RN....
33
Figura 6. (A) Boxplot da variabilidade mensal e (B) filtragem de médias móveis
referentes ao índice UV na cidade de Natal-RN (2010-2012).........................................
34
Figura 7. Gráfico (simultâneo e com filtragem de médias móveis e) da variabilidade
anual do índice UV e ozônio total na cidade de Natal-RN..............................................
35
Figura 8. Gráfico Biplot da 1º e 2º componentes da ACP (Análise de Componentes
Principais)........................................................................................................................
37
CAPÍTULO II
Figura 1. Location of Natal in Rio Grande do Norte and capitals of the states of
Northeast Brazil. .............................................................................................................
−2
49
−1
Figura 2. Irradiance for wavelength of UV (μWcm nm ), UV Index and Total ozone
(Dobson Units) annual variability for Natal. ..................................................................
53
Figura 3. Simultaneous graph of variability annual UV Index and filtering (moving
average) and Total Ozone………………………………………………………………
54
Figura 4. Variability annual Global Solar Radiation (GSR) (Wm−2) from 11-12:00 pm
and filtering (moving average)………………………………………………………….
55
Figura 5. Barplot of wind and AOD in Natal…………………………………………..
56
Figura 6. Dendrogram of clusters based on total ozone, AOD and intensity and wind
12
direction………………………………………………………………………………...
56
Figura 7. Total Ozone, intensity and wind direction and AOD for Group
1........................................................................................................................................
57
CAPÍTULO III
Figura 1. Location of Brazil (colorful) in South America. Northeastern states are
indicated in gray. …………………………………..…………...………………………
66
Figura 2. Boxplot showing the variability of the monthly UV Index, total ozone and
cloud cover to Natal-RN for period 2001-2012…………………………………..……
71
Figura 2. Time series of UV Index X total ozone for period 2001-2012 in City of
Natal-RN………………………………………………………......................................
72
Figura 3. Images the UV index, total ozone and cloud cover for February 16,
2005……………………………………………………………………………………..
73
Figura 4. Images the UV index, total ozone and cloud cover for February 10,
2007……………………………………………………………………………………..
73
Figura 5. Images the UV index, total ozone and cloud cover for January 16,
2008……………………………………………………………………………………..
74
Figura 6. Images the UV index, total ozone and cloud cover for February 21,
2011……………………………………………………………………………………..
74
CAPÍTULO IV
Figura 1. Boxplot by variability of the monthly UV Index and Total Ozone to NatalRN for period 2001-2012. ...............................................................................................
89
Figura 2. Time series of UV Index X Ozone total for period 2001-2012 in City of
Natal-RN..........................................................................................................................
90
Figura 3. Graphs for Diagnostic of Residuals of model ADL (4, 1)……………………
91
Figure 4 - (a) UV Index data observed and prediction or interpolation for the ADL
model for the city of Natal for period 2001‒2011. (b) Observations of UV Index,
interpolation
data
by
model,
forecast
values
for
2012
and
confidence
interval………………………….………………………………………………………
92
Figura 5. The time series plot with lowess smooth for UV Index and Total Ozone for
the period observed……………………………………………………………………..
92
13
LISTA DE TABELAS
CAPÍTULO I
Tabela 1. Relação entre a faixa do índice UV e a categoria de risco para as pessoas.....
27
Tabela 2. Irradiância da UV por canal espectral na cidade de Natal-RN (2001-2009)...
29
Tabela 3. Médias mensais das variáveis climáticas em Natal-RN, 2005.........................
32
Tabela 4. Matriz de Correlação entre as variáveis pesquisadas na cidade de Natal-RN.
36
Tabela 5. Correlações das variáveis e variação captada em cada componente
resultante da ACP.............................................................................................................
37
CAPÍTULO II
Tabela 1. Relationship between UV index and category of risk to humans……………
50
Tabela 2. Irradiance for wavelength of UV and variables analyzed in Natal…………
52
CAPÍTULO III
Tabela 1. Relationship between UV index and category of risk to humans……………
69
Tabela 2. Monthly average of UV index, total ozone and cloud cover (Natal-RN,
2001-12)...........................................................................................................................
70
Tabela 3. Annual average of UV index and total ozone and cloud cover (Natal-RN,
2001-12)...........................................................................................................................
70
Tabela 4. A Extreme events of UV index and total ozone in Natal city (2001‒2012)....
72
CAPÍTULO IV
Tabela 1. UV index and Total Ozone in the city of Natal (monthly and annual average
for 2001‒2012).................................................................................................................
89
Tabela 2. Coefficient regression (Coeff), Standard Error (SE) and p-value for ADL
Model...............................................................................................................................
90
14
LISTA DE ABREVIATURAS E SIGLAS
ACP–Análise de componentes principais.
ADL–Autoregressive distributed lag model (Modelo autoregressivo com defasagens
distribuídas).
AES-UV–Annual Spring Event from UV.
AOD–Aerosol optical depth (espessura óptica de aerossóis).
CIE–Comission Internacional d'Eclairage (Comissão Internacional de Iluminação).
CFC– Chlorofluorocarbon.
CCET–Centro de Ciências Exatas e da Terra-UFRN.
CMIP5 - Coupled Model Intercomparison Project Phase 5 of IPCC
CPM–Câncer de Pele Melanoma.
CPNM– Câncer de pele não melanoma
CPTEC – Centro de Previsão de Tempo e Estudos Climáticos do INPE.
DU–Dobson Units
EAP-UV– Evento anual de primavera da UV
FUV– Fluxo de Radiação Ultravioleta.
GOME–Global Ozone Monitoring Experiment.
GUV–Ground-based Ultraviolet Radiometer (Radiômetro Ultravioleta baseado no Solo).
HIRDLS –High Resolution Dynamics Limb Sounder.
GSR– Global solar radiation
IBGE–Instituto Brasileiro de Geografia e Estatística.
INCA–Instituto Nacional de Câncer José Alencar Gomes da Silva-Brasil.
INMET–Instituto Nacional de Meteorologia-Brasil.
INPE/CRN/LAVAT–Instituto Nacional de Pesquisas Espaciais-Brasil/Centro Regional do
Nordeste/ Laboratório de Variáveis Ambientais Tropicais.
IPCC–Intergovernmental Panel on Climate Change (Painel Intergovernamental sobre
Mudanças Climáticas).
IUV ou Índice UV– Índice Ultravioleta ou Índice de Radiação Ultravioleta.
LMHES–Laboratório
de
Máquinas
Hidráulicas
e
Energia
Solar
do
Centro
de
Tecnologia/UFRN.
MICE–Multiple Imputation by Chained Equations (Imputação Múltipla com cadeias de
equações).
MIROC-ESM-CHEM – Model for Interdisciplinary Research On Climate – Japan Agency for
Marine-Earth Science and Technology.
15
MLS–Microwave Limb Sounder instrument
MODIS–Moderate Resolution Imaging Spectroradiometer.
MSC–Melanoma skin cancer or malignant.
MSE–mean squared error ou erro quadrático médio.
NASA–National Aeronautics and Space Administration (Administração Nacional de
Aeronáutica e Espaço dos EUA).
NCEP/NOAA–National Centers for Environmental Prediction/ National Oceanic and
Atmospheric Administration-USA (Centro Nacional de Proteção Ambiental/ Administração
do Oceano e Atmosfera- EUA).
NCAR–National Center for Atmospheric Research-USA (Centro Nacional de Pesquisa
Atmosférica-EUA).
NEB–Região Nordeste do Brasil.
NMC–Non-melanoma skin cancer or not malignant.
OMI–Ozone Monitoring Instrument (Instrumento de Monitoramento de Ozônio).
PMM–Predictive Mean Matching (Método de média preditiva).
PPGCC–Programa de Pós-Graduação em Ciências Climáticas da UFRN.
RN–Rio Grande do Norte
RSG Radiação solar global.
SISAM
Sistema de Informações Ambientais da Divisão de Satélites Ambientais do
CPTEC/INPE.
TOMS–Total Ozone Mapping Spectometer (Espectrômetro de Mapeamento Total de Ozônio)
TUV- Trospheric Ultraviolet-Visible transfer model
UV–Radiação Ultravioleta.
UVery–Radiação Ultravioleta Eritêmica.
UVA–Radiação Ultravioleta A (315 – 400 nm).
UVB–Radiação Ultravioleta A (280 – 315 nm).
UVC–Radiação Ultravioleta A (100 -280 nm)
UVSIM–UltraViolet SImplified Model (Modelo simplificado de Ultravioleta).
WOUDC–World Ozone and Ultraviolet Data Center (Organização Mundial de dados de
Ozônio e Radiação Ultravioleta).
WHO–World Health Organization (Organização Mundial de Saúde).
WMO–World Meteorological Organization (Organização Mundial de Meteorologia).
SZA ou Z ou – ângulo solar zenital
ZCIT–Zona de Convergência Intertropical.
16
INTRODUÇÃO
A elevação da intensidade da radiação ultravioleta (UV), inclusive da radiação
ultravioleta biologicamente ativa (UV eritêmica), na superfície da Terra em função da redução
dos níveis de ozônio estratosférico [1, 2] e as taxas elevadas de câncer de pele não melanoma
(CPNM) na região Nordeste do Brasil (NEB) [3] representaram a motivação inicial desta
investigação.
O Fluxo de Radiação Ultravioleta (FUV) na superfície do Planeta teve aumento em
seus valores médios, principalmente na componente UV–tipo B (UVB), considerando o
período de 30 anos (1979-2008) conforme dados do TOMS (Espectrômetro de Mapeamento
Total de Ozônio) [4]. Os maiores aumentos de FUV ocorreram no Hemisfério Sul (HS) [1, 4],
incluindo a NEB, latitudes -20º a 0º e longitude entre -49º e -33º [1], sendo causados pela
diminuição da coluna total de ozônio (ozônio total) no período citado e pelas alterações na
cobertura de nuvens e refletividade dos aerossóis [1, 5].
Neste cenário, a climatologia [6] da UVery e da UV ponderada para faixa de Nonmelanoma skin cancer (NMC) (250-400nm) na superfície do globo terrestre, excluindo os
pólos, para UV–tipo A (UVA) (315-400 nm), UVB (280-315 nm) e UV eritêmica (UVery)
indicaram alterações positivas na média anual das doses diárias de UV eritêmica na costa leste
do NEB e em outras regiões do Brasil. Fato que conduz a uma atenção especial a essa região,
área de estudo desta tese.
O anexo desta Tese traz a Climatologia de UVery, UV ponderada para faixa de NMC e
as alterações dos valores de ozônio total, cobertura de nuvens e dosagem da UV eritêmica
determinadas pelo modelo de transferência radiativa Trospheric Ultraviolet-Visible transfer
model (TUV) da National Center for Atmospheric Research (NCAR) que utiliza em sua
entrada valores de coluna total de ozônio e refletividade das nuvens (a 380 nm) medidos pelo
instrumento TOMS.
A UV é absorvida em parte na atmosfera terrestre pelo ozônio, impedindo que a UV
atinja plenamente à superfície da Terra. A queda em sua quantidade ou coluna total de ozônio
(ozônio total) trata-se da principal causa para o aumento da UV e seus impactos na natureza e
saúde do ser humano [7, 8], sendo que nas latitudes entre 65°N e 65°S (latitude de interesse
desta pesquisa) houve queda da coluna total de ozônio representando 8% por década [9].
Estima-se a partir de cálculos de transferência radiativa que uma redução de 4% a 5% no
ozônio atmosférico total implicaria em um aumento de aproximadamente 20% na UV. E
considerando-se a sensibilidade biológica, uma redução de 1% no ozônio total poderia causar
um aumento de 1,2% na UV biologicamente ativa [10].
17
As mudanças nos níveis de ozônio total podem proporcionar impactos sobre a
exposição humana à UVB e de forma geral à UV com consequentes efeitos benéficos e
nocivos para a saúde [7, 11, 12]. Pequenas quantidades de UV são benéficas para as pessoas e
essenciais para a produção de vitamina D [7, 11]. Há numerosos estudos que apontam os
benefícios da exposição adequada ao sol, especialmente em relação à produção e síntese da
Vitamina D3. As pesquisas apontam a relação entre a produção D e a prevenção de vários
tipos de câncer, como próstata [13] e doenças como a diabete e do coração entre outras [14,
15]. Apesar dos efeitos benéficos é inequívoco que a exposição humana prolongada e sem
critérios à UV pode resultar em efeitos nocivos, agudos e crônicos, como o câncer de pele
melanoma (CPM) [7].
Essas questões são preocupantes para a NEB, em função da maior vulnerabilidade de
sua população à exposição, e podem afetar a saúde pública na região que apresenta taxas
elevadas de CPNM, sendo entre os homens o segundo tipo mais frequente (39/100 mil
habitantes) e nas mulheres o mais frequente (42/100 mil) na NEB [3].
O conhecimento da intensidade da UV na NEB torna-se fundamental para a prevenção
do CPNM, inclusive do tipo mais grave, o câncer de pele melanoma (CPM). Diante disso, o
presente estudo teve a abrangência inicial na cidade de Natal/Rio Grande do Norte (5°48’S e
35°12’W) e em seguida nas demais capitais dos estados da costa leste da NEB,
compreendendo as cidades de Recife/Pernambuco (8°5’S e 34°54’W), Salvador/Bahia
(12°58’S e 38°28’W), Maceió/Alagoas (9°39’S e 35°44’W), Aracaju/Sergipe (10°54’S e
37°3’W), João Pessoa/Paraíba (7°7’S e 34°52’W) e na costa norte a cidade de Fortaleza/Ceará
(3°45’S e 38°35’W).
Nestas cidades procurou-se identificar a variabilidade da UV e Índice de Radiação
Ultravioleta (índice UV) e entender o efeito da atual diminuição do ozônio total na UV em
cenários futuros ajustando-se um modelo estocástico à série temporal do índice UV para a
cidade de Natal/RN (cidade de referência deste estudo) a fim de realizar previsões/projeções e
análise de tendência.
O modelo estocástico descreve as propriedades estatísticas e a variabilidade das
observações que estão sujeitas a incontáveis influências, inclusive as influências físicas que
não podem ser controladas. Na prática, uma série temporal pode ser analisada como uma
realização parcial de um processo estocástico, cuja característica principal se fundamenta no
fato das variáveis apresentarem uma estrutura de dependência [16] e em modelos clássicos
consideram-se as séries temporais compostas de quatro elementos básicos: tendência,
variações cíclicas, variações sazonais, erros aleatórios ou sistemáticos [16, 17].
18
A partir desta problemática, esta Tese visa identificar e compreender a variabilidade da
UV e Índice de Radiação Ultravioleta (índice UV) nas capitais da NEB, especialmente da
costa leste, e ajustar modelos estocásticos às séries temporais do índice UV visando realizar
predições (interpolações) e previsões/projeções (extrapolações) seguido de análise de
tendência. Os objetivos específicos do estudo consistiram de: analisar a variabilidade da UV e
de covariaveis como o ozônio total, aerossóis, radiação solar global (RSG) e nebulosidade;
analisar eventos extremos de UV na costa leste da NEB por meio de estatística multivariada;
aplicar o método de imputação múltipla Preditive Mean Matching (PMM) no preenchimento
de falhas em observações do índice UV; ajustar o modelo autoregressivo com defasagens
distribuídas ou modelo ADL na sigla em inglês para Autoregressive Distributed Lag visando
realizar predição (interpolação) e previsão (extrapolação) e analisar a tendência das séries
temporais de índice UV e ozônio total através do teste Mann-Kendal (sazonal).
Em função do direcionamento para a modelagem de séries temporais da variabilidade
do índice UV nas capitais da costa leste do NEB, o presente estudo está inserido na linha de
pesquisa Modelagem em Clima e Oceano, vinculado ao Programa de Pós-Graduação em
Ciências Climáticas da UFRN (PPGCC) conforme o 1º Regimento do PPGCC (2010) no 1º
capítulo e artigo 3°.
Esta tese foi dividida em quatro capítulos, constituídos dos artigos científicos
produzidos, com o objetivo de aperfeiçoar a análise e exposição dos resultados derivados da
pesquisa.
O 1º capítulo ou artigo trata da variabilidade temporal do ozônio total, aerossóis,
radiação solar global, cobertura de nuvens e ventos (velocidade e direção) na cidade de NatalRN e sua influência na variabilidade da UV e índice UV. Nesse artigo aplicou-se a técnica da
Análise de Componentes Principais para definir a associação e correlação entre as variáveis.
O 2º capítulo (texto em inglês) amplia o estudo da variabilidade da UV para as demais
capitais da costa leste do NEB. Este trabalho identificou a similaridade da variabilidade do
UV nessas cidades através da Análise de Cluster utilizando as variáveis ozônio total, aerossóis
e ventos (velocidade e direção).
A análise de episódios extremos de UV na NEB é discutida no 3º capítulo (texto em
inglês). Esses eventos são geralmente associados a níveis de ozônio total abaixo da média
anual e ausência de cobertura de nuvens. A metodologia consistiu no cálculo do percentil 95
para definir o valor extremo de UV nas estações do ano na cidade de Natal (cidade de
referência) e análise de imagens do índice de UV, ozônio total e cobertura de nuvens para a
19
NEB, obtidas do Instrumento de Monitoramento de Ozônio (OMI) da plataforma
AURA/NASA, em datas de eventos extremos.
O último capítulo (texto em inglês) consiste do ajuste e aplicação de um modelo
estocástico para a predição (interpolação) e previsão/projeção (extrapolação) da variabilidade
da UV na cidade de Natal seguido do teste de tendência Mann-Kendall. Neste capítulo
realizou-se a modelagem da UV representada pelo Índice UV no tempo t utilizando o ozônio
total como variável explicativa por meio do modelo autoregressivo com defasagens
distribuídas (modelo ADL). Este modelo pertence à classe dos modelos multivariados, nos
quais as séries de interesse (endógenas) são explicadas pelo comportamento da própria série e
de outras séries (exógenas) consideradas variáveis explicativas ou, simplesmente, regressoras
[18, 19].
Considerando-se a presença de dados ausentes (missing data) na série temporal
(mensal) de índice UV (2001-2012) e o imperativo de uma série completa para a construção
do modelo ADL realizou-se a reconstrução da série de dados através do método de imputação
múltipla denominado método da média preditiva ou Preditive Mean Matching (PMM) [20,
21] aplicando a cada um dos doze grupos de meses.
As considerações finais apresentam as principais conclusões deste estudo, com
destaque para a identificação do evento anual de primavera da UV (EAP-UV) nas cidades de
Natal, João Pessoa e Recife localizadas na costa leste do NEB, a identificação de eventos
extremos de UV na NEB por meio da análise das imagens do OMI e os resultados da análise
de tendência e extrapolaçao (projeção) do índice UV via modelo ADL.
20
CAPÍTULO I
(1ºARTIGO)
RADIAÇÃO ULTRAVIOLETA, OZÔNIO TOTAL E AEROSSÓIS NA CIDADE DE
NATAL-RN (a)
Alexandre Boleira Lopo1,
Maria Helena Constantino Spyrides1,2,
Paulo Sérgio Lucio1,2
e Javier Sigró2.
1
2
Programa de Pós-Graduação em Ciências Climáticas—PPGCC/UFRN, Natal, Brasil.
Departamento de Estatística, Universidade Federal do Rio Grande do Norte, Natal, Brasil.
3
Department of Geography, Centre for Climate Change (C3), University Rovira i Virgili,
Tarragona, Spain.
(a)
HOLOS-ISSN 1807-1600, v. 6, p. 3-21, 2013.
21
RESUMO
A cidade de Natal é denominada pelos seus habitantes de “Cidade do Sol” em razão de sua
elevada luminosidade, contudo a capital do Rio Grande do Norte possui taxas de câncer de
pele não melanoma acima da média das capitais do Nordeste do Brasil. Neste cenário, o
presente artigo apresenta um estudo da radiação ultravioleta (UV) e índice UV em Natal e
suas relações com variáveis relevantes como ozônio total, aerossóis, radiação solar global
(RSG) e nebulosidade. A metodologia consistiu de um estudo descritivo e estatístico com
aplicação da Análise de Componentes Principais (ACP) e Gráfico Biplot. Os dados foram
obtidos no Instituto Nacional de Pesquisas Espaciais/Centro Regional do Nordeste
(INPE/CRN), nos instrumentos TOMS-OMI/AURA e MODIS/TERRA e no Instituto
Nacional de Meteorologia do Brasil. Os resultados indicaram que o índice UV apresenta
média anual igual a 11, classificado como extremo pela Organização Mundial de Saúde e a
intensidade da UVB e índice UV no primeiro semestre do ano são mais intensos que no
segundo. A variabilidade anual da UV possui uma característica nos meses de setembro e
outubro que consiste em uma estabilização/redução do índice UV numa fase de crescimento
da RSG em razão da maior concentração anual de ozônio total, sendo que a maior quantidade
de aerossóis contribui em menor escala para este evento. A ACP e gráfico Biplot contribuíram
para identificar o evento, pois indicaram que o ozônio total e aerossóis possuem uma forte
correlação negativa com o índice UV nos referidos meses. Os autores chamaram esta
característica de Evento Anual de Primavera da UV (EAP-UV), uma vez que ocorre no início
e durante esta estação.
PALAVRAS-CHAVE: análise de componentes principais, espessura óptica de aerossóis,
evento anual de primavera da UV, gráfico biplot, índice UV.
22
ABSTRACT
The city of Natal is called by its inhabitants "Sun City" because of its high luminosity,
however the capital of Rio Grande do Norte has rates of no melanoma skin cancer above the
average of the capitals northeast of Brazil. In this scenario, article presents a study of the
variability of Ultraviolet radiation (UV) and UV index for the city of Natal and its association
with relevant variables as total ozone, aerosols, cloudiness and global solar radiation (RSG).
The methodology conducted a descriptive study with statistical application of Principal
Component Analysis (PCA) and Biplot graphic. The data were obtained from the National
Institute of Spatial Research/Northeast Regional Center (INPE/CRN), instruments TOMSOMI/AURA and MODIS/TERRA and National Institute of Meteorology of Brazil. The
results indicated that the UV index has an annual mean of 11, rated as extreme by the World
Health Organization and that intensity of UVB and UV index in the first half of the year are
more intense than in the second. The annual variability of UV has a feature in the months of
september and october that consisting of a stabilization/reduction of the UV index in a growth
phase of RSG due to higher annual concentration of total ozone. The highest intensity of
aerosols during this period contributes to this event. PCA and Biplot graphic contributed to
identify the event, because indicated that total ozone and aerosols have a strong negative
correlation with the UV index in those months. The authors called event with the abbreviation
AES-UV (Annual Spring Event from UV) since it occurs at the beginning and during this
season.
KEY-WORDS: principal components, aerosol optical depth, annual spring event, biplot
graphic, UV index.
23
1. INTRODUÇÃO
A radiação ultravioleta (UV) é uma das radiações não ionizantes do espectro
eletromagnético, sendo uma pequena parte do espectro solar, na ordem de 7% a 9% da
radiação solar total incidente no topo da atmosfera terrestre ou aproximadamente 8% da
constante solar. A UV é de grande importância na estruturação da atmosfera terrestre e tem
grande ação na biosfera [1, 2].
A UV possui uma faixa espectral de comprimentos de onda (λ) entre 100 e 400 nm e
pode ser classificada de acordo com os efeitos à saúde humana e ao meio ambiente em: UVA,
315 nm a 400 nm; UVB, 280 nm a 315 nm e UVC, 100 a 280 nm [3, 4]. A radiação na faixa
UVC corresponde a cerca de 1% da emissão solar e não atinge a superfície terrestre devido à
forte absorção na atmosfera pelo ozônio e oxigênio molecular, sendo importante na química
da estratosfera e formação da camada de ozônio [1-4]. A radiação na faixa UVB é mais
energética, correspondendo a 1,5% da energia total do Sol, sendo 90% absorvida pelo ozônio,
vapor de água, oxigênio e dióxido de carbono e apresenta o maior efeito biológico na
superfície terrestre [1, 5, 6]. A radiação na faixa UVA compreende aproximadamente 6,3% da
emissão da energia total do Sol [1, 6, 7], sendo menos afetada pela atmosfera e, em
consequência, a maior parte atinge o solo. O retroespalhamento por nuvens é a principal fonte
de opacidade atmosférica nesta faixa [3, 8].
A faixa da UV (280 ‒ 400 nm) que atinge a superfície da Terra é afetada
principalmente na atmosfera pela absorção de ozônio, nebulosidade, aerossóis e poluentes na
troposfera e no solo pela refletividade, sendo composta por 90% da UVA e 10% da UVB [4,
6, 8, 9]. A altura da superfície também influencia, medidas mostram um aumento da UV entre
6 a 8% ou ainda maiores por quilômetro de elevação. Em lugares mais altos, a UV atravessa
parcela menor da atmosfera e menor quantidade de elementos absorventes e dispersantes [10,
11].
Os aerossóis são uma suspensão de partículas líquidas ou sólidas em um gás cujo
efeito direto na atmosfera é o espalhamento e absorção da radiação solar, inclusive a UV, e
indiretamente alteram as propriedades das nuvens atuando nos núcleos de condensação [12,
13]. A quantidade de aerossóis na atmosfera pode ser observada por meio da espessura óptica
de aerossóis, em inglês, aerosol optical depth (AOD). Este parâmetro é uma medida
adimensional de extinção da radiação solar devido à interação com partículas de aerossóis na
atmosfera [12 - 14].
24
O ozônio (O3) é o maior responsável pelas oscilações da UV e seus impactos na
natureza e saúde do ser humano [1, 3, 15, 16], sendo sua quantidade mensurada na atmosfera
de forma vertical através da coluna total de ozônio ou ozônio total, sendo que as maiores
concentrações estão na estratosfera, entre 20 e 25 km acima da superfície terrestre,
diminuindo à medida que aumenta a altura [4, 9, 17, 18].
A formação do O3 na atmosfera é uma reação natural que acontece nas médias
latitudes, quando uma molécula de O2 combina-se a um átomo livre de oxigênio [17], contudo
sua distribuição na atmosfera não é homogênea devido à circulação dos trópicos para os polos
gerando uma concentração maior de O3 nas altas latitudes com diminuição em direção ao
equador [19]. Esta circulação acontece na estratosfera sendo denominada de Brewer-Dobson e
se refere à movimentação de massas de ar que ascendem nos trópicos e descem nos polos,
sendo controlada por processos de circulação complexos associados ao balanço de radiação na
Terra, ondas planetárias e processos de subsidência no vórtice polar. Cada hemisfério
apresenta uma circulação própria com diminutas transferências de ar entre eles [9, 19].
Na Região Nordeste do Brasil (NEB), onde está localizado o Rio Grande do Norte
(RN), e sua capital (local desta pesquisa), pesquisas indicaram queda do ozônio total [20, 21],
que no momento encontra-se em recuperação como resultado do Protocolo de Montreal, em
vigor desde 1989 [4, 17], no entanto existem projeções de aumento da UV [21, 22] e elevação
do valor médio do Fluxo de Radiação Ultravioleta (FUV) no Hemisfério Sul, inclusive no
NEB (latitudes de -20° a 0°) [21-23]. Esta região apresenta uma climatologia da UVery (UV
eritêmica ou biologicamente ativa) com valores considerados elevados [24].
Natal, capital do RN, é uma cidade turística de belas praias com elevada luminosidade
solar (insolação e radiação solar) [25], sendo chamada pelos seus habitantes de “Cidade do
Sol” [26]. Estas características associadas a climatologia da UVery e elevação da UV apontada
por [23] podem representar um aumento no número de casos de câncer de pele não melanoma
(CPNM) nesta cidade, que inclusive apresenta taxas de CPNM acima da média regional em
relação às demais capitais do NEB, sendo 54% superiores para as mulheres e 87% para os
homens. Nas capitais do NEB, o CPNM entre os homens é o segundo tipo de câncer mais
frequente (34,69/100 mil) e nas mulheres é o mais frequente (31,17/100 mil). No Brasil, o
CPMN é o de maior incidência e corresponde a aproximadamente 25% de todos os tumores
[27].
A UV também exerce efeitos benéficos nas pessoas como a síntese e produção da
vitamina D3, fundamental para as funções osteoblástica e paratireóide [28] e vários efeitos
sobre ecossistemas terrestres e aquáticos e materiais inorgânicos [3]. Apesar dos efeitos
25
benéficos, é inequívoco que a exposição humana prolongada e sem critérios à UV pode
resultar em efeitos nocivos, agudos e crônicos que se manifestam em doenças nos olhos e
sistema imunológico [29, 30] e predominantemente sobre a pele através do envelhecimento
precoce [31] e por meio de neoplasias, queimaduras e eritemas [3, 32], sendo as neoplasias de
pele caracterizadas por aspectos diferentes de exposição ao sol: CPNM associada à exposição
excessiva e acumulativa e o câncer de pele melanoma ou maligno (CPM), mais perigoso,
relacionado aos episódios intensos e excessivos de exposição que resultam em queimaduras
[32-34].
Para prevenção dos efeitos negativos à exposição inadequada e excessiva ao Sol e
sensibilizar o público para este risco foi proposto pela Organização Mundial de Saúde (WHO,
sigla em inglês) e Organização Mundial de Meteorologia (WMO, sigla em inglês) o Índice de
Radiação Ultravioleta ou Índice Ultravioleta (índice UV ou IUV). O índice UV descreve a
intensidade da UV na superfície do planeta, especialmente para uma condição de céu claro
com ausência de nuvens. Este índice independe dos fatores fenotípicos, de modo que é
universalmente usado por qualquer indivíduo da população, sem necessidade de considerar a
cor da pele [3, 11, 35].
Diante do apresentado, o presente artigo realizou um estudo na cidade de Natal da
variabilidade da UV e índice UV em relação ao ozônio total, aerossóis, radiação solar global e
nebulosidade.
2. MATERIAIS E MÉTODOS
2.1 LOCAL DA PESQUISA
Natal (5°48'Sul e 35°12'Oeste) é uma cidade litorânea do Atlântico Sul, localizada na
costa leste do NEB, que possui 2.968,4 horas anuais de brilho solar (insolação total) [25], com
uma trajetória do Sol que varia com inclinação de 65° a 90° [36] e radiação solar global
horizontal de média anual próxima de 5,0 kWhm-2[37]. A cidade possui clima tropical
nordeste oriental (Figura 1), com temperatura do ar quente (média ≥ 18°C em todos os meses
do ano) e semiúmida (4 a 5 meses secos) [38].
Em Natal, as médias anuais de temperatura e umidade relativa do ar são,
respectivamente, 26°C e 77,3% [25]. A precipitação acumulada anual é de aproximadamente
1465,4 mm [25] influenciada pela proximidade do RN com a Zona de Convergência
Intertropical (ZCIT) que recebe os ventos alísios. A estação chuvosa ocorre entre abril e julho,
com predominância em abril (≈ 265 mm) [25, 39], em função das Ondas de Leste [40] e
sistema de brisas do mar, resultante de diferenças de temperatura entre as superfícies terrestre
26
e do mar. A precipitação aumenta durante a noite [41] e perturbações ondulatórias dos alísios,
composta por massas de ar instáveis, profundas e úmidas causam chuvas rápidas e moderadas
na região costeira da NEB com duração de até 48 horas e intervalos de 18‒24 horas [40, 42,
43]. Os ventos mais fortes são característicos em setembro e os mais fracos ocorrem em abril
[25]. Nesta cidade residem cerca de 850 mil habitantes em uma área de 17 298 km² [44].
Figura 1. Clima do RN e de parte do Nordeste. Legenda mostra Clima Tropical Nordeste
Oriental para a cidade de Natal.
Fonte: Adaptado de Mapa de Clima do Brasil [38].
2.2 IRRADIÂNCIA ERITÊMICA E ÍNDICE UV
A irradiância eritêmica é dada pela convolução entre a irradiância solar espectral da
UV que atinge a pele e o espectro de referência de ação eritêmica (espectro biológico de ação)
[35, 45].
O índice UV consiste de um fator de conversão da irradiância eritêmica e uma
padronização numa escala numérica dividida em categorias associadas a cores (Tabela 1), que
visa possibilitar uma rápida compreensão sobre a radiação ultravioleta biologicamente ativa.
O índice UV foi formulado (Equação 1) pela Comissão Internacional de Iluminação (CIEISO 17166:1999 / CIE S007/E-1998) [3, 35]:
∫
( )
( )
(1)
Em que: λ representa o comprimento de onda em nm; E (λ) a irradiância solar
espectral em Wm-2nm-1; Ser (λ) a referência do espectro de ação eritêmica; dλ o intervalo de
27
comprimento de onda utilizado na integral e; ker uma constante igual a 40 m2W-1. O índice
UV igual a 1 representa 0,025Wm-2, indicando que cada ponto na escala é equivalente a 25
mW por metro quadrado de radiação UV [22, 35].
Tabela 1- Relação entre a faixa do índice UV e a categoria de risco para as pessoas.
Categoria de risco Faixa do índice UV
Cor
Baixa
0‒2
Verde
Moderado
3‒5
Amarelo
Alto
6‒7
Laranja
Muito alto
8 ‒ 10
Vermelho
Extremo
≥ 11
Violeta
Fonte: [3].
O índice UV diário é um número inteiro e adimensional que representa o máximo
valor diário numa superfície horizontal [3, 35].
2.3 DADOS
2.3.1 Irradiância espectral da UV e índice UV: Dados horários e diários (2001 a
2009) da Irradiância espectral da UV, em µWcm-2nm-1, foram mensurados na superfície pelo
radiômetro multiespectral GUV (Ground-based Ultraviolet Radiometer), modelo 511-C,
projetado para medir a radiação solar corrigida pelo cosseno do ângulo solar zenital, nos
comprimentos de onda de 305  1 nm, 320  2 nm, 340  2 nm, 380  2 nm. Estas medidas
foram integradas para converter em índice UV, de medida adimensional (ad), tal como
definida pela CIE [46]. Os valores máximos diários foram coletados no intervalo entre 11 e
13h, independente das condições de céu.
O radiômetro GUV estava instalado (altitude de 58 m) no Laboratório de Variáveis
Ambientais Tropicais do Centro Regional do Nordeste do Instituto Nacional de Pesquisas
Espaciais (INPE/CRN/LAVAT) localizado em Natal, sendo transferido para o interior do RN,
limitando o estudo ao ano de 2009. As medições do índice UV continuaram com instrumento
de banda larga (dados não utilizados nesse estudo). Os dados do índice UV do período de
2010 a 2012 foram obtidos na Estação Meteorológica (Modelo Davis com Sensor UV-6490)
do Laboratório de Máquinas Hidráulicas e Energia Solar do Centro de Tecnologia da
Universidade Federal do Rio Grande do Norte (UFRN/LMHES). Os dados foram coletados
no intervalo de 11 ‒ 13h na altitude de 60 m e estão entre 0 a 16 com 5% de incerteza.
Há agentes na atmosfera que influenciam a variabilidade da UV, assim foram
selecionadas as variáveis a seguir e os dados foram obtidos em diversos instrumentos/fontes.
2.3.2. Ozônio total ou coluna total de Ozônio: Dados diários (2001 a 2009) dos
instrumentos TOMS (Total Mapping Spectrometer Ozone) e OMI (Ozone Monitoring
28
Instrument) instalados em satélites da NASA/EUA (National Aeronautics and Space
Administration) e disponibilizados pelo Goddard Earth Sciences Data and Information
Services Center (GSFC) [47, 48]. Dados em Unidades Dobson (UD), em que 1 UD equivale a
2,69.1016 moléculas/cm2. Em condições padrões de temperatura (0°C) e pressão (101,35 kPa),
1 UD equivale a 0,01 mm de espessura ou 100 UD ≈ 1 mm [49].
2.3.3 Radiação solar global (RSG): Dados diários (2007 a 2009) mensurados pelo
sensor/radiômetro de fabricante Kipp&Zonen, modelo CM11-058912, instalado na Estação
Solarimétrica do INPE/CRN/LAVAT [50]. Os dados em Wm-2 representam o valor máximo
no intervalo de 11 ‒ 12h.
2.3.4. Nebulosidade e vento (intensidade e direção predominante): Dados diários
(2001 a 2009) de nebulosidade às 12h (escala de 0 a 10) e intensidade ou velocidade do vento
(ms-1) e as Normais Climatológicas da direção predominante do vento em graus (°) obtidas no
Banco de Dados Meteorológicos para Ensino e Pesquisa do Instituto Nacional de
Meteorologia do Brasil (INMET/BDMEP )[25, 51].
2.3.5. Espessura óptica de aerossol (AOD): Dados diários (2004 ‒ 2009) e
adimensionais no comprimento de onda 550 nm coletadas pelo instrumento MODIS
(Moderate Resolution Imaging Spectroradiometer) a bordo do satélite AQUA/NASA obtidas
do Sistema de Informações Ambientais da Divisão de Satélites Ambientais do Centro de
Previsão de Tempo e Estudos Climáticos (INPE/CPTEC/SISAM) [52].
2.4. ANÁLISE ESTATÍSTICA
A análise estatística consistiu do cálculo das medidas de posição e dispersão das
variáveis (médias horárias, mensais, semestrais e anuais), elaboração de gráficos de linha e
boxplot, filtragem de médias móveis, análise de componentes principais (ACP) com a
construção do gráfico Biplot.
A ACP é uma técnica multivariada de redução de dados na qual o objetivo principal é
a construção de uma combinação linear das variáveis originais gerando novas componentes
ortogonais que representam e captam a variabilidade do conjunto original de variáveis. Este
método foi utilizado com o objetivo de reduzir o número de variáveis gerando novas
componentes captando as dependências entre as variáveis [53, 54], buscando assim uma
relação natural, com análise de independência ou dependência, entre o índice UV e as
variáveis: ozônio total, aerossóis (AOD), vento (intensidade), radiação solar global e
nebulosidade.
29
A ACP consiste no cálculo dos autovalores e respectivos autovetores de uma matriz de
variâncias e covariâncias ou de uma matriz de coeficientes de correlação entre variáveis.
Sendo esta última matriz mais adequada ao presente estudo em função das unidades de
medidas desiguais e da variância apresentar grande diferença entre as variáveis [53-55]. Sua
aplicação ocorre por meio de uma transformação linear de “m” variáveis originais em “n”
novas variáveis, de modo que a primeira nova variável (1ª componente) seja responsável pela
maior variação existente no conjunto de dados, e assim por diante, até que toda a variação do
conjunto tenha sido captada [54, 55]. A ACP está disponível em diversos softwares
estatísticos, sendo utilizado para os cálculos o software estatístico R de acesso livre [56].
O gráfico Biplot ilustra a composição das duas primeiras componentes
compreendendo as variáveis originais. Este gráfico representa as projeções das variáveis
originais sobre os novos eixos, de modo que o cosseno do ângulo entre os vetores que
representam as variáveis originais se aproximam do valor da correlação entre essas variáveis.
A qualidade da representação obtida depende da proporção da variância explicada pelas
componentes principais utilizadas [57].
3. RESULTADOS E DISCUSSÕES
3.1. IRRADIÂNCIA ESPECTRAL DA UV
A Irradiância está relacionada à variação da potência recebida e consiste do fluxo
radiante incidente por unidade de área a partir de uma superfície [2, 35]. As médias mensais,
semestrais (1ºS e 2ºS) e anuais da Irradiância espectral da UV nos comprimentos de onda 305
nm (UVB), 320 nm, 340 nm e 380 nm (UVA) mensuradas em µWcm-2nm-1 pelo radiômetro
GUV estão indicadas na Tabela 2.
Tabela 2. Irradiância da UV por canal espectral na cidade de Natal-RN (2001-2009).
λ (nm)
Jan Fev Mar Abr Mai Jun
Jul Ago
Set Out Nov Dez 1ºS 2ºS Ano
305
8,3
6,0
7,3
9,2
9,0
8,1
6,9
6,0
6,8
8,3
8,3
8,0
7,9
7,4
7,7
320
36,2 38,3 38,0 34,9 31,1 27,9 28,9 32,4 34,5 37,4 37,9 36,1 34,4 34,5 34,4
340
63,4 66,3 65,5 60,3 53,7 50,9 52,0 57,1 59,7 66,0 65,7 63,8 60,0 60,7 60,4
380
85,2 88,9 87,9 81,0 73,9 70,2 71,4 77,9 82,3 88,3 87,9 85,6 81,2 82,2 81,7
Legenda: 1ºS: 1º semestre. 2ºS: 2º semestre. Unidade: µWcm-2nm-1. Fonte: [50].
A Irradiância espectral da UV (Tabela 2 e Figura 2) se intensifica com o aumento do
comprimento de onda, fato em concordância com a distribuição espectral da irradiância UV e
30
Lei de Planck [2, 35, 58]. A variabilidade mensal desta variável pode ser observada na Figura
2B.
Figura 2. (a) Média da irradiância espectral da UV e (b) variabilidade mensal da UV em UVB
(305 nm) e UVA (320 nm, 340 nm e 380 nm) na cidade de Natal.
Fonte: INPE/CRN/LAVAT
Figura 3. Irradiância espectral anual de UV (eixo y), através de filtragem de médias móveis,
em UVB (305 nm) e UVA (320 nm, 340 nm e 380 nm) X período anual (dia Juliano) na
cidade de Natal.
Fonte: INPE/CRN/LAVAT
Conforme a Tabela 2, a UVB (305 nm) apresenta redução de 6,3% na irradiância
média do 2º semestre em relação ao 1º, diferentemente da UVA, em que ocorreu aumento de
até 1,2 %. O ozônio absorve fortemente a UVB e no 2º semestre acontece uma elevação do
ozônio total (Figura 5B) e por consequência há um menor nível de UVB neste período. A
31
filtragem de médias móveis da irradiância da UV por comprimento de onda (Figura 3) mostra
esta redução e assim inferiu-se que a UVB é maior no 1º semestre do ano na cidade de Natal,
incluindo-se o índice UV, conforme as médias semestrais (Tabela 3).
A Figura 3 mostra, além da redução da UVB no 2º semestre, que acontece nos meses
de setembro e outubro (dias 244 a 304) uma estabilização/redução da irradiância espectral da
UV em todos os comprimentos de onda, em função dos máximos de ozônio total neste
período (Tabela 3). Este evento será mais detalhado na análise do índice UV.
3.2. VARIABILIDADE DO ÍNDICE UV
O ciclo diário do índice UV (Figura 4), considerando o período de um ano, atingiu às 8
h (horário local), índices categorizados pela WMO de risco "moderado" e "alto". No horário
das 9 h alcança risco “alto” e “muito alto”. O índice atinge valores de risco "muito alto" e
"extremo" entre 10 e 12 h, com predominância de risco “extremo” no intervalo 11 - 12 h. A
partir das 13 h os índices diminuem para risco "muito alto" e "alto", às 14 h para "alto" e
"moderado" e às 15 h para "baixo" até o fim da tarde. Os valores são similares ao encontrado
por [59].
Figura 4. Boxplot do ciclo diário do índice UV no horário local (fuso horário UTC-3) para a
cidade de Natal-RN (ano base 2008).
Horário local
Fonte: INPE/CRN/LAVAT
O índice UV apresenta média anual igual a 11, valor considerado “extremo” pela
WMO e muito próximo do encontrado por [59], alcançando esta classificação (cor violeta) em
sete meses do ano (Figura 5A), predominantemente entre a primavera e verão. Nos meses de
junho e julho ocorreram os menores índices, próximos a 9, ainda considerados como “muito
altos” (cor vermelha).
32
Em termos sazonais, a média do índice UV é igual a 12 no verão, 10,6 no outono, 9,6
no inverno e 11,4 na primavera, sendo classificado como “extremo” em 80% dos valores
diários do verão, 73% da primavera, 46% de outono, 17% do inverno e 54% considerando o
período de um ano. No inverno 72% dos valores diários estão entre 8 e 10, considerado de
risco "muito alto".
3.3. INFLUÊNCIA NA UV DAS VARIÁVEIS ESTUDADAS.
As médias mensais, semestrais e anuais do índice UV e das variáveis consideradas
relevantes para análise da variabilidade da UV estão indicadas na Tabela 3.
A variabilidade da RSG apresenta uma associação direta com a variabilidade da UV, em razão
desta última ser fração da radiação solar [1, 35]. A RSG consiste na energia do Sol na
superfície da Terra, estando diretamente influenciada pelo ângulo solar zenital ou ângulo
zenital (Z), ou seja, o ângulo formado entre o Zênite local e os raios solares [60]. A RSG é
formada pela radiação solar difusa e direta. A radiação solar direta atinge a Terra sem
qualquer mudança de direção e a radiação solar difusa é resultante do espalhamento da
atmosfera e atinge o local considerado após ter sofrido um ou mais desvios [35, 60].
Tabela 3. Médias mensais das variáveis climáticas em Natal-RN.
Período
Unidades
Janeiro
Fevereiro
Março
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
1ºsemestre
2ºsemestre
Anual
Índice Ozônio
UV
total
ad
11,7
12,6
12,5
11,3
10,9
8,7
8,7
10,0
10,4
11,8
11,9
11,3
11,3
10,7
11,0
UD
260,9
260,7
263,6
260,7
257,2
259,4
265,7
270,8
278,5
276,0
268,9
262,2
260,4
270,4
265,4
Aerossóis
(AOD)
(550 nm)
ad
0,19
0,20
0,21
0,16
0,18
0,15
0,18
0,20
0,22
0,18
0,15
0,17
0,20
0,20
0,18
Vento
(intensidade e
direção)
-1
ms
(°)
4,3
117
4,1
121
3,6
122
3,5
135
3,6
146
3,6
149
4,2
152
4,6
145
5,1
136
5,0
124
4,7
118
4,6
115
3,8
132
4,7
132
4,3
132
Fontes: INPE/CRN, TOMS/OMI, INMET e MODIS (SISAM).
RSGNebulosidade
Radiação
solar
(12h)
global
Wm-2
(0 a 10)
931,1
8,2
960,1
8,2
928,7
8,1
748,4
8,3
652,1
7,8
542,3
8,0
568,7
7,6
650,5
7,7
785,5
7,5
976,9
7,4
994,1
7,4
972,1
7,8
793,8
8,1
824,6
7,6
809,2
7,8
33
Figura 5. Boxplot da variabilidade do: índice UV (a); ozônio total (b); RSG (c);
Nebulosidade às 12h (d); aerossóis (AOD) (e); e Vento (f) na cidade de Natal-RN.
A variabilidade da RSG na cidade de Natal apresenta valores próximos de 0,8 kWm -2
no inverno e outono, atingindo no verão e primavera 1,0 kWm-2 (Tabela 3 e Figura 5C). A
amplitude sazonal é pequena devido a proximidade com o equador (baixa latitude). Entre o
equador e o trópico de capricórnio, em razão do Sol atingir duas vezes por ano o máximo
ângulo zenital, ou seja, aproximadamente 0° (Z ≈ 0°), as estações de observações registram
dois máximos anuais de radiação solar, no verão, em fevereiro, na primavera, em outubro
34
[61]. Esta característica foi observada em Natal, significando índice UV com máximos anuais
em fevereiro (≈ 13) e outubro (≈ 12) (Tabela 3).
Os menores níveis anuais do índice UV são observados nos meses de junho e julho e
correspondem aos valores mais baixos da RSG e próximos de 0,55 kWm-2 (Tabela 3).
A nebulosidade foi analisada em função de atenuar por espalhamento e absorção a
RSG e UV, especialmente UVA, causando grande variabilidade intradiária associada com as
condições de cobertura de nuvens [8, 22]. Uma alta variância do índice UV (Figura 5A) e da
RSG (Figura 5C) ocorreu em abril proporcionada pela maior presença de nuvens (Figura 5D)
e maior precipitação (265 mm) que acontece no primeiro mês da estação chuvosa (abril ‒
julho) na cidade de Natal [25, 39].
O índice UV (Figura 5A) atinge em fevereiro o máximo valor do 1º semestre com
redução gradativa até junho. Em agosto, no início do 2º semestre, ocorre aumento do índice
UV acompanhando o crescimento da RSG (Figura 5C), no entanto nos meses de setembro e
outubro acontece uma estabilização/redução do índice, com destaque para setembro, no qual o
índice UV permanece muito próximo do registrado em agosto. Esta característica está
associada ao máximo de ozônio total nos referidos meses (valores em destaque na Tabela 3 e
Figura 5B) e também foi observada por meio dos dados do UFRN/LMHES (Figura 6A e 6B).
Figura 6. Boxplot da variabilidade mensal (A) e filtragem de médias móveis (B) referentes ao
índice UV na cidade de Natal-RN (2010-2012).
Fonte: LMHES/UFRN.
A variabilidade do índice UV e ozônio total analisada simultaneamente e através de
uma filtragem de médias móveis (destaque na Figura 7) mostra uma estabilização/redução do
índice UV que acontece no momento do máximo valor anual de ozônio total. Não se
encontrou a descrição desta característica na literatura científica e assim os autores
35
denominaram de evento anual de primavera da UV (EAP-UV), visto que ocorre no ínicio e
durante esta estação.
O EAP-UV é melhor analisado em equinócios de outono (março) e primavera
(setembro) no Hemisfério Sul, quando ocorre uma idêntica elevação do Sol e valores muito
similares de RSG [62]. Isso permite comparar as oscilações do UV em relação ao ozônio total,
que apresentou entre os equinócios uma diferença próxima de 15 UD (março = 263,6 UD e
setembro = 278,5 UD), representando na superfície duas unidades do Índice UV (março =
12,5 e setembro = 10,4) e uma alteração na classificação de "extremo" para "muito alto" e
redução no risco às pessoas da exposição aos raios solares.
Figura 7- Gráfico (simultâneo e com filtragem de médias móveis e) da variabilidade anual do
índice UV e ozônio total (vermelho e escala no lado direito) na cidade de Natal-RN.
Fonte: INPE/CRN/LAVAT e TOMS e OMI/AURA.
As fases de crescimento e decaimento do ozônio total (Figura 5B) estão associadas ao
aumento de temperatura na atmosfera provocada pela absorção de radiação solar que gera
instabilidades no equilíbrio fotoquímico da estratosfera, cuja região é responsável por cerca de
90% do ozônio, proporcionando uma queda da sua produção. Deste modo o teor máximo de
ozônio é observado na primavera, no verão diminui e novamente aumenta no outono [9, 63,
64]. Ressalta-se que a média anual de ozônio total de 265,4 UD obtida neste estudo está
abaixo de pesquisas anteriores que indicaram uma média anual de 275 UD [64] e 268 UD
[65].
Em novembro, mês seguinte ao EAP-UV, houve aumento do índice UV em razão da
elevação da RSG e queda do ozônio total. Para dezembro, apesar da redução do ozônio total,
acontece uma diminuição do índice UV em correspondência à queda da RSG (Tabela 3 e
Figura 5), fato observado através de medições em outros locais no Hemisfério Sul [5, 20, 64].
36
Além do ozônio total, os aerossóis exercem uma influência no EAP-UV, em razão da sua
maior presença em setembro, indicada pela AOD (Tabela 3 e Figura 5E). Pesquisas [14, 35,
66, 67] indicam que os aerossóis atmosféricos proporcionam diminuição do índice UV nos
horários de máxima intensidade e que o aumento na concentração de aerossol devido à
poluição e queimadas pode reduzir a UV.
Em Natal, o aumento de aerossóis em setembro está relacionado com a maior
velocidade do vento e direção predominante de Sudeste (Tabela 3 e Figura 5F). A direção
predominante, entre 120° e 140°, indica vento do mar para o continente e explica a maior
presença de aerossóis do tipo marítimo ou marinho, proveniente do Oceano Atlântico. O
aerossol do tipo marítimo tropical possui baixa densidade de substâncias solúveis e
componentes salinas e assume-se com ventos fracos (≈ 5,0 ms-1) [35, 68]. A análise sobre o
tipo de aerossol é baseada em estudos anteriores que mostram atenuação típica exercida por
partículas de tipo marítimo tropical [35]. Para este estudo não houve avaliação físico-química
de material coletado.
Ressalta-se que as variações exercidas pelos aerossóis sobre a UV são menores do que
aquelas relativas às variações do ozônio total, visto que os aerossóis marítimos apresentam
transmitância média em torno de 95% para a UV [35, 68].
3.3. ANÁLISE DE COMPONENTES PRINCIPAIS (ACP) E GRÁFICO BIPLOT.
A ACP foi utilizada visando encontrar entre as variáveis atmosféricas abordadas as
que mais se correlacionavam com o índice UV durante o EAP-UV, ou seja, exclusivamente
durante os meses de setembro e outubro. A primeira etapa da ACP ocorreu com a
padronização das variáveis, devido às diferenças entre as unidades de medidas, e o cálculo da
matriz de correlação (Tabela 4) e dos autovalores e autovetores.
Tabela 4. Matriz de Correlação entre as variáveis pesquisadas na cidade de Natal-RN.
Variáveis
Índice UV
Ozônio total
Aerossóis (AOD)
Vento
Nebulosidade
RSG
Índice UV
1,00
-0,49
-0,48
-0,29
0,03
0,39
Ozônio
AOD
total (λ=550nm)
1,00
0,43
0,22
-0,08
-0,21
1,00
0,23
-0,06
-0,25
Vento Nebulosidade RSG
1,00
0,20
-0,24
1,00
-0,04
1,00
37
O método da ACP gerou novas variáveis chamadas componentes principais,
ortogonais ou não correlacionadas, seguida das correlações das variáveis e variação captada
em cada componente resultante (Tabela 5). A primeira componente principal (CP1) representa
as variáveis: índice UV contribuindo de forma positiva (0,815) e de forma negativa o ozônio
total (-0,738) e aerossóis (-0,731). A maior correlação na segunda componente (CP2)
representa a nebulosidade (-0,866), na CP3 a radiação solar global (0,765) e na CP4 a
intensidade do vento (-0,639). Estas quatro componentes acumulam 83,1% da variação total
das variáveis. Os valores estão destacados na Tabela 5.
Os gráficos Biplot (Figura 8) mostraram que há concordância do índice UV em
relação à RSG e oposição ao ozônio total, aerossóis (AOD) e vento.
Tabela 5. Correlações das variáveis e variação captada em cada componente resultante da
ACP.
Variável
Índice UV
Ozônio total
Aerossóis (AOD)
Vento (intensidade)
Nebulosidade
Radiação solar global
Variância acumulada
CP1
CP2
CP3
CP4
CP5
CP6
-0,087
-0,072 -0,067
-0,061 -0,054
0,815
0,252
0,324
0,095
-0,473
0,289
-0,718
0,190
0,206
0,185
0,572
0,161
-0,731
-0,528
-0,531
0,171 -0,639
0,045
0,014
-0,007
0,190
0,460
-0,041
0,014
-0,866
0,581
0,180
0,041 -0,199
0,765 -0,056
0,389
0,584
0,717
0,831
0,925
1,00
Figura 8- Gráfico Biplot da 1º e 2º componentes da ACP.
A contribuição das variáveis na CP1 e CP2 (58,4% da variabilidade) foi representada
no gráfico Biplot (Figuras 8A), onde cada ponto (número) representa os escores, ou seja, as
observações projetadas nas componentes. O segundo gráfico Biplot (Figura 8B) não traz os
escores e permite uma melhor visualização das setas indicadoras ao longo do eixo
longitudinal. Estas setas indicam o sentido da máxima variação e devem ter comprimento
proporcional à importância da variação, destacando-se nesse caso o Índice UV.
38
A ACP e gráfico Biplot mostraram a oposição entre o índice UV e variáveis ozônio
total e aerossóis durante os meses de setembro e outubro, colaborando com as inferências
construídas no estudo realizado sobre o EAP-UV.
4. CONSIDERAÇÕES FINAIS
As medidas espectrais realizadas através do Radiômetro GUV indicaram que a
intensidade de UVB e índice UV na cidade de Natal são maiores no 1º semestre do ano em
comparação ao 2º semestre, fato este associado aos maiores níveis de ozônio total no 2º
período do ano. Não houve redução nos níveis da UVA no 2º semestre.
O índice UV apresenta média anual igual a 11, classificado como “extremo” pela
WMO, sendo que sete meses do ano e aproximadamente 80% dos dias nos meses de verão
atingem este índice.
A análise da variabilidade anual da UV e índice UV em relação às variáveis ozônio
total, aerossóis, nebulosidade e radiação solar global indicou a existência em setembro e
outubro do EAP-UV, que consiste de uma estabilização/redução na UV na superfície
associada aos episódios de máximos valores anuais de ozônio total e maior presença de
aerossóis, fato confirmado através da ACP e gráfico Biplot. O EAP-UV independe das
condições do céu e consiste de uma característica da variabilidade anual da UV na cidade de
Natal.
A investigação ampliou e aprofundou os conhecimentos da UV e sua relação com o
ozônio total, aerossóis, radiação solar global e nebulosidade na cidade de Natal, inclusive
divulgando o índice UV como um instrumento de prevenção e alerta sobre os perigos da
radiação solar.
Os resultados são particularmente relevantes para a capital do RN, pois destacam os
altos níveis da UV no verão e em praticamente todas as épocas do ano e sinalizam uma das
causas que fazem desta cidade a capital no Nordeste do Brasil com o maior número de
neoplasias de pele.
5. AGRADECIMENTOS
O presente trabalho foi realizado com apoio do Conselho Nacional de
Desenvolvimento Científico e Tecnológico (CNPq), através do Doutorado Sanduíche –
SWE/CsF
(246611/2012-0)
e
projetos
“ATMANTAR”-MCTI/PROANTAR/CNPq
(520182/2006-5) e “A Atmosfera Antártica, Conexões e Impactos Ambientais na América do
Sul”, INCT-APA, MCTI/PROANTAR/CNPq (574018/2008-5).
39
Os autores agradecem a Profª Neusa Paes Leme, Engº Francisco Raimundo da Silva
(INPE/CRN) e ao Prof. Luiz Guilherme M. de Souza (UFRN/LMHES) pelas orientações e
gentileza ao fornecer os dados.
6. REFERÊNCIAS
[1] MADRONICH, S. UV radiation in the natural and perturbed atmosphere. In: Tevini, M
(Ed). UV-B Radiation and Ozone Depletion. London: Lewis Publishers. p. 17-69, 1993.
[2] LIOU, K. N. An Introduction to Atmospheric Radiation. Second Edition. Academic Press,
USA, 2002.
[3] WHO. Global Solar Indice UV: A Practical Guide. World Health Organization, World
Meteorological Organization (WMO), United Nations Environment Program (UNEP), and
International Commission on Non-Ionising Radiation Protection (ICNRP), 18 p. Geneva,
2002.
[4] WMO. Scientific assessment of ozone depletion, 2010. World Meteorological
Organization, Report No. 47. Geneva, 2011.
[5] FIOLETOV, V. E., KERR, J. B., WARDLE, D. I. The relationship between total ozone
and spectral UV irradiance from Brewer observations and its use for derivation of total ozone
from UV measurements. Geophysical Research Letters, v.24, n. 23, p. 2997-3000, Canada,
1997.
[6] FREDERICK, J. E., LUBIN, D. Solar Ultraviolet Irradiance at Palmer Station, Antarctica.
Ultraviolet Radiation in Antarctica: Measurements and Biological Effects.
Antarctic
Research Series, v. 62, p. 43-52, 1994.
[7] KIRCHHOFF, V. W. J. H. Ozônio e Radiação UV–B. Transtec Editorial, São José dos
Campos, São Paulo, 1995.
[8] SABBURG, J., WONG, J. The effect of clouds on enhancing UVB irradiance at the
earth’s surface: a one year study. Geophysical Research Letters, 27, p. 3337-3340, 2000.
[9] HORVÁTH, M., BILITZKY, L., HUTTNER, J. Ozone. New York: Elsevier. 350 p, 1985.
[10] MCKENZIE, R.L. et al. Altitude effects on UV spectral irradiance deduced from
measurements at Lauder, New Zealand, and at Mauna Loa Observatory, Hawaii. Journal of
Geophysical Research, 106, p.22845-22860, 2001.
[11] VANICEK, K. et al. UV Indice for the Public. COST-713 Action. Luxemburgo: Office
for official publications of the European Communities, 50, 2000.
40
[12] JACOBSON, Mark Z. Fundamentals of atmospheric modeling. Cambridge University
Press, 2005.
[13] SEINFELD, J. H. Atmospheric chemistry and physics of air pollution. New York: John
Wiley and Sons, 760p, 1985.
[14] YAMASOE, M. A., Artaxo, P., Schafer, J., Eck, T. e Holben, B. Measurements and
calculations of the influence of smoke particles on photosynthetically active radiation fluxes
reaching the surface in the Amazon. Eos Trans. AGU, 81 (48), Fall Meet. Suppl., Abstract
B61E-07, 2000.
[15] HERMAN, J.R et al. Changes in cloud and aerosol cover (1980–2006) from reflectivity
time series using SeaWiFS, N7-TWHO, EP-TWHO, SBUV-2, and OMI radiance data.
Journal of Geophysical Research, vol. 114, p. 01-21, 2009.
[16] CASICCIA, C., ZAMORANO, F. Erythemal irradiance at the Magellan’s region and
Antarctic ozone hole 1999-2005. Atmósfera, 21(1), 1-12, 2008.
[17] FAHEY, D.W., HEGGLIN M.I. (Coordinating Lead Authors). Twenty Questions and
Answers about the Ozone Layer: 2010 Update, Scientific Assessment of Ozone Depletion:
2010, 72 pp., World Meteorological Organization, Geneva, Switzerland, 2011.
[18] HEGGLIN, M. I. SHEPHERD T. G. Large climate-induced changes in ultraviolet index
and stratosphere-to-troposphere ozone flux. Nature Geoscience 2, p. 687-691, set, 2009.
[19] CORDERO, E. et al. Stratospheric Dynamics and the Transport of Ozone and Other
Trace Gases. In: Chapter 6-Stratospheric Ozone: An Electronic Textbook, 2012 [Internet].
Disponível em: http://www.ccpo.odu.edu/~lizsmith/SEES/ozone/oz_class.htm
[20] SAHAI, Y., KIRCHHOFF, V., LEME, N. M. Total ozone trends in the tropics. Journal
of Geophysical Research, v.105, n.D15, p. 19823-19823. EUA, 2000.
[21] MCKENZIE et al. Ozone depletion and climate change: impacts on UV radiation.
Photochem. Photobiol. Sci., 10, 182-198, 2011.
[22] MCKENZIE, R.L. et al. Changes in biologically active ultraviolet radiation reaching the
Earth’s surface. Photochem Photobiol. Sci., v. 2, p. 1-4, 2003.
[23] HERMAN J.R. Global increase in UV irradiance during the past 30 years (1979–2008)
estimated from satellite data. Journal of Geophysical Research, vol. 115, p. 01-15, 2010.
[24] LEE-TAYLOR, J., MADRONICH, S. Climatology of UV-A, UV-B, and Erythemal
Radiation at the Earth's Surface, 1979-2000, National Center for Atmospheric Research
Boulder, Colorado, 2007.
[25] INMET. Normais Climatológicas do Brasil 1961-1990. Brasília, DF, 2009.
41
[26] FURTADO, Edna Maria. A onda do turismo na cidade do sol: a reconfiguração urbana
de Natal, 2005.
[27] INCA-Instituto Nacional de Câncer José Alencar Gomes da Silva, 2011. Estimativa
2012-Incidência de Câncer no Brasil. Ministério da Saúde do Brasil.
[28] WEBB A.R., Holick, M. F. The role of sunlight in the cutaneous production of vitamin
D3. Annu. Rev. Nutr., 8, p. 375-99, 1988.
[29] PARISI, A.F., GREEN, A., KIMLIN, M.G. Diffuse solar ultraviolet irradiation and
implications for preventing human eye damage. Photochem. Photobiol., v. 73, n. 2, p. 135139, 2001.
[30] DE GRUIJL, F. R. UV-induced immunosuppression in the balance. Photochem.
Photobiol. 84, p. 2–9, 2008.
[31] MADRONICH, S., GRUJIL, F.R. Skin cancer and UV radiation. Nature, 366, p. 23-28,
1993.
[32] DIFFEY, B.L. The consistency of studies of ultraviolet erythema in normal human skin.
Physics in Medicine and Biology, 27, p. 715-720, 1982.
[33] DIFFEY, B.L. Solar ultraviolet radiation effects on biological systems. Physics in
Medicine and Biology, 36(3), p. 299-328, 1991.
[34] LONGSTRETH, J. et al. Health risks. J.Photoch. Photobio. B,v. 46, p. 20-39, 1998.
[35] CORRÊA, M. P. Índice ultravioleta: avaliações e aplicações. Tese (Doutorado Ciênciasmeteorologia) Instituto de Astronomia, Geofísica e Ciências Atmosféricas, USP, São Paulo,
2003.
[36] ARAÚJO, V. M. D., 1996. Parâmetros de conforto térmico para usuários de edificações
escolares no litoral nordestino brasileiro. Tese de doutorado. FAUSP. São Paulo.
[37] PEREIRA, E. B. et al. Atlas brasileiro de energia solar, INPE, São José dos Campos,
Brasil. ISBN 978-85-17-00030-0, 2006.
[38]
IBGE.
Mapa
de
Clima
do
Brasil.
[Internet], 2013.
Disponível
em
ftp://geoftp.ibge.gov.br/mapas_tematicos/mapas_murais/. Acesso: Novembro-2013
[39] NEVES, J.A. Um índice de susceptibilidade ao fenômeno da seca para o semiárido
nordestino. Tese de Doutorado, Universidade Federal de Pernambuco, UFPE, Recife, 2010.
[40] NOBRE, P., MELO, A. B. C. Variabilidade climática intrasazonal sobre o Nordeste do
Brasil em 1998-2000. Revista Climanálise, ano 2, n.1, 2004.
[41] LOPO, A. B., MATA, M. V. M., ANDRADE, R. L., SILVA, C. M. S. Ciclo diário de
precipitação sobre a cidade de Natal-RN. Congresso Brasileiro de Meteorologia, SBMET,
Belém, Brasil, 2010.
42
[42] MOTTA, Adauto Gouveia. O clima de Natal. Natal: Foco,[s/d], 2004.
[43] NOBRE, C. A., MOLION, L. C. B. The climatology of drought and drought prediction.
In: PARRY, T. R.; CARTER, R.; KONJIN, N. T. The impact of variations on agriculture.
Volume 2: Assessments in Semi-arid Regions. Dordrech: Kluwer, p. 305-323, 1988.
[44]
IBGE.
Estimativa
Populacional
2013,
[Internet], 2013.
Disponível
em:
ftp://ftp.ibge.gov.br/Estimativas_de_Populacao/Estimativas_2013/estimativa_2013_dou.pdf
[45] MCKINLAY, A., F. DIFFEY, B. L. A reference action spectrum for ultraviolet-induced
erythema in human skin. In: Passchler and Bosnajokovic ed. Human exposure to ultraviolet
radiation: Risks and regulations. Amsterdã, Elsevier, 1987.
[46] Biospherical Instruments. Application note: GUV “Diffey Dose” calculations.
URL<http://www.biospherical.com>.
[47] GES DISC-Database of NASA-Goddard Earth Sciences Data and Information Services
Center [Internet]. EUA, 2013. Disponível em: http://avdc.gsfc.nasa.gov/
[48] LEPTOUKH, G. et al. NASA GES DISC on-line visualization and analysis system for
gridded remote sensing data. In: Leptoukh, S. Berrick, H. Rui, Z. Liu, T. Zhu, S. Shen//Proc.
of the 31th International Symposium of Remote Sensing of the Environment, 2005.
[49] SMITH, Jacqueline (Ed.). The Facts on File dictionary of weather and climate. Infobase
Publishing, 2009.
[50] INPE/CRN/LAVAT-Instituto Nacional de Pesquisas Espaciais/Centro Regional do
Nordeste. Laboratório de Variáveis Ambientais Tropicais. [Internet]. BRASIL, 2013.
Disponível em: http:// http://www.crn2.inpe.br/lavat/
[51]
INMET/BDMEP.
[Internet].
BRASIL,
2013.
Disponível
em:
http://www.inmet.gov.br/projetos/rede/pesquisa/.
[52]
INPE/CPTEC/SISAM,
2013.
[Internet].
BRASIL,
2013.
Disponível
em:
http://sisam.cptec.inpe.br.
[53] JOHNSON, R. A., WICHERN, D., W. Applied Multivariate Statistical Analysis, Fifth
Edition, cp. 1 – Aspects of Multivariate Analysis, cp. 2 – Matrix Algebra and Random
Vectors, cp. 8 – Principal Components, 2002.
[54] MINGOTI, S. A. Análise de dados através de Métodos de Estatística Multivariados.
UFMG, 2005.
[55] WILKS, S. D. Statistical Methods in the Atmospheric Sciences. Academic Press,
San Diego, 2ª ed, 2006.
43
[56] R Development Core Team. R: A language and environment for statistical computing. R
Foundation for Statistical Computing, 2002. Vienna, Austria. ISBN 3-900051-07-0.
[Internet]. Austria, 2013. Disponível em: http://www.r-project.org/
[57] GABRIEL, K. R. The biplot graphic display of matrices with application to principal
component analysis. Biometrika, Oxford, v.58, nº 3, p. 453-467, 1971.
[58] MARÍN FERNÁNDEZ, María José et al. Estudio de la irradiancia solar ultravioleta B y
eritemática en la Comunidad Valenciana. 2007.
[59] SILVA, F. R. Estudo da Radiação Ultravioleta na cidade de Natal-RN. Dissertação
(Mestrado Engenharia Mecânica) - UFRN, Natal-RN, 2008.
[60] VAREJÃO, M. A. Meteorologia e Climatologia. Versão digital nº 02, Recife, 2006.
[61] ROY, C. R., GIES, H. P., TOOMEY, S. Monitoring UV-B at the earth’s surface.
Australian Meteorological Magazine, v. 46, nº 3, p. 203-210, 1997.
[62] CORRÊA, M.P., DUBUISSON, P., PLANA-FATTORI, A. An Overview of the
Ultraviolet Index and the Skin Cancer Cases in Brazil. Photochemistry and Photobiology,
78(1): p. 49–54, 2003.
[63] IALONGO, I. Comparison of total ozone and erythemal UV data from OMI with
ground-based measurements at Rome station. Atmos. Chem. Phys., 8, p. 3283–3289, 2008.
[64] KIRCHHOFF, V. W. J. H et al. Equatorial ozone characteristics as measured at Natal
(5.9°S, 35.2°W). Journal of Geophysical Research. Volume 88, Issue C11, p. 6812–6818,
1983.
[65] OLIVEIRA, H. S. M., SILVA, F. R., MARÍTIMO, G., LEME, N. M. P. Análise da
coluna de ozônio em Natal-RN. II Simpósio Brasileiro de Geofísica Espacial e Astronomia,
UFCG, Brasil, 2008.
[66] CORRÊA, M.P., CEBALLOS, J. C., PLANA-FATTORI, A. Uma análise das variações
do Índice Ultravioleta em relação às observações de conteúdo de ozônio e da espessura óptica
dos aerossóis sobre a cidade de São Paulo. Revista Brasileira de Meteorologia, v.21, nº 1, p.
24-32, São Paulo, 2006.
[67] CORRÊA, M.P., CEBALLOS, J. C. Solar Ultraviolet Radiation Measurements in One of
the Most Populous Cities of the World: Aspects Related to Skin Cancer Cases and Vitamin D
Availability. Photochemistry and Photobiology, V. 86, p. 438–444, 2010.
44
CAPÍTULO II
(2º ARTIGO)
OZONE AND AEROSOL INFLUENCE ON ULTRAVIOLET RADIATION ON THE
EAST COAST OF THE BRAZILIAN NORTHEAST (a)
Alexandre Boleira Lopo1,
Maria Helena Constantino Spyrides1,2,
Paulo Sérgio Lucio1,2,
e Javier Sigró3.
1
2
Programa de Pós-Graduação em Ciências Climáticas—PPGCC/UFRN, Natal, Brasil
Departamento de Estatística, Universidade Federal do Rio Grande do Norte, Natal, Brasil
3
Department of Geography, Centre for Climate Change (C3), University Rovira i Virgili,
Tarragona, Spain
(a)
Atmospheric and Climate Sciences, v. 4, p. 92, 2013.
45
RESUMO
O objetivo desta pesquisa é determinar a influência de ozônio total e aerossóis sobre a
variabilidade da radiação ultravioleta (UV) na costa leste da região Nordeste do Brasil,
através de medidas do sensor multiespectral GUV (Ground-based Ultraviolet Radiometer). A
metodologia consistiu em um estudo descritivo e análise de agrupamento
ou Cluster,
utilizando dados de UV em canais UVB (305 nm) e UVA (320 mm, 340 nm e 380 mm) e os
dados do índice de UV, ozônio total, aerossóis, radiação solar global, nebulosidade e vento.
Os resultados para cidade de Natal indicaram que um evento anual ocorre em
setembro/outubro, que estabiliza o UV ou Índice UV quando os níveis de ozônio total
atingem o seu máximo anual. Este evento é influenciado pela maior concentração de aerossol
marinho no continente em setembro, devido à maior intensidade do vento e sua direção
sudeste (do mar para terra). A análise de agrupamento usando as variáveis acima permitiu
detectar três grupos distintos: o primeiro grupo é formado por Natal, Recife e João Pessoa e
por isso determinou-se que este evento ocorre nestas três cidades, o segundo grupo é formado
por Maceió, Aracaju e Salvador e o terceiro grupo inclui apenas Fortaleza com resultados
diferentes.
PALAVRAS-CHAVE:
análise de cluster; radiômetro; radiação solar global; nebulosidade; evento anual de primavera
de UV
46
ABSTRACT
The purpose of this research is to determine the influence of total ozone and aerosols about
variability of Ultraviolet Radiation (UV) in the east coast of the Northeastern region of Brazil
through measures from multispectral sensor GUV (Ground-based Ultraviolet Radiometer).
The methodology consisted of descriptive study and cluster analyses using data of UV in
channels UVB (305 nm) and UVA (320 nm, 340 nm and 380 nm) and data of UV index, total
ozone, aerosol, global solar radiation, cloudiness and wind. The results for city of Natal
indicated that an annual event occurs in September/October which stabilizes the UV or UV
Index when total ozone levels reach their annual maximum. This event is influenced by
marine Aerosol that is found on mainland at a higher concentration in September due to
greater wind intensity and their southeasterly direction (sea for land). The cluster analysis
using the variables above allowed us to detect three different groups: the first group is formed
by Natal, Recife and João Pessoa and so determined that this event occurs in these three cities;
the second group is formed by Maceió, Aracaju and Salvador and the third group includes
only Fortaleza and had different results.
KEYWORDS:
cluster analyses; radiometer; global solar radiation; cloudiness; annual event of spring from
UV
47
1. INTRODUCTION
The Ultraviolet Radiation (UV) has wavelengths (λ) between 100 and 400 nm and can
be classified according to the effects on human health and the environment in spectral ranges:
UVA, 315 nm to 400 nm, UVB, at 280 nm to 315 nm and UVC, 100 to 280 nm [1]. The
radiation in the UVC range corresponds to approximately 1% of solar emissions and does not
reach the earth’s surface due to the strong absorption in the atmosphere by ozone and
molecular oxygen [2, 3].
The spectral band of UV radiation (280 - 400 nm) that reaches the Earth’s surface is
affected mainly by the atmosphere (absorption of ozone, cloudiness, aerosols and pollutants
in the troposphere) and the reflectivity of the ground, which is composed in large part of
UVA (90%) and to a lesser degree of UVB (10%) [2, 4, 5]. The UV causes various effects
on terrestrial and aqua- tic ecosystems and inorganic materials [1, 6]. Despite some beneficial
effects [7], an inequivocal and prolonged human exposure to UV can result in adverse
effects, which may be both acute and chronic [6]. The negative effects are manifested
predominantly on the skin by means of cancer, burns and erythema [8] and premature aging,
however, they may affect the eyes [9] and immune system [10].
Skin cancer is characterized by different aspects of exposure: non-melanoma skin
cancer or not malignant (NMSC) and melanoma skin cancer or malignant (MSC). There are
estimates that NMSC (134,000 new cases) is the most frequent in the Brazilian population
and corresponds to 25.7% of all tumors [11]. In comparison, MSC causes a high fatality rate
but occurs less frequently.
In the capitals of the Northeastern Region of Brazil (NEB), for men, NMSC is the
second most frequent type of cancer (34.69/100 thousand) and the most frequent for women
(31.17/100 thousand) [11]. The Ultraviolet Radiation index (UV index) is an important
resource that increases public awareness of the risks of overexposure to the sun. Its function is
to describe the level or intensity of UV on the surface of the planet, and is used as a warning
to people to protect themselves from UV. This index is an open-ended scale, universally
applicable to any individual of the population, without regard to their skin color [1, 12].
UV in the atmosphere is attenuated by processes such as absorption or scattering by
total ozone column (total ozone) and aerosol particles. The amount of Ozone in the
atmosphere is recovering as a result of the Montreal Protocol in force since 1989 [2]. Despite
the recovery of total ozone, UV in high latitudes is predicted to increase in the near future
[12-14]. In the more populated regions, the highest increase of UV has been found in the
48
Southern Hemisphere, such as in NEB, in latitudes from −20 to 0 [14]. The presence of
Aerosols in atmosphere can be observed through a parameter called Aerosol Optical Depth
(AOD). This variable is an extinction measurement (no dimension) of radiation and its
interaction with aerosol particles in atmosphere, mainly due to the processes of spreading and
absorption [15-17]. This article seeks to collaborate and understand these issues and aims to
conduct a descriptive study and analytical (cluster analyses) of variability of UV and UV
index in relation to total ozone and relevant variables for the state capitals of the east coast of
Northeastern Brazil.
2. MATERIAL AND METHODS
2.1. STUDY AREA
The study area covers the coastal region on the eastern and northern coasts of
Northeastern Brazil (NEB) and in capital of states of Ceará (Fortaleza), Rio Grande do Norte
(Natal), Paraíba (João Pessoa), Pernambuco (Recife), Alagoas (Maceió), Sergipe (Aracaju)
and Bahia (Salvador) (Figure 1). The measurement of Ultraviolet Radiation (UV) was based
on a Radiometer located in Natal (5˚48'S, 35˚12'W), which is thus regarded as the city of
reference for this study from UV. The city of Natal, capital of Rio Grande do Norte (RN), is
located in the NEB on the eastern coast of South America, between the sea and the right bank
of River Potengi, where they reside 853,928 inhabitants in an area of 17.298 km2 [18]. Its
proximity to the equator determines great luminosity and high levels of solar radiation. The
trajectory of the Sun varies with solar Zenith angle (SZA) between 65˚ - 90˚ [19]. The average
annual temperature is 26˚C and relative humidity and 77.3% [20]. The RN is near the
intertropical convergence zone that receives the trade winds, so the climate in its capital is hot
and dry, except during the rainy season, when it is hot and humid. The rainy season is result
of so-called easterly waves and occurs between the months of April to July, with
predominance in Abril with approximately 265 mm [20, 21]. In Natal city also operate the sea
breezes system, resulting from temperature differences between the land and sea surfaces,
causing increased precipitation at night [22, 23] and wavy perturbations of the trade winds,
consisting of unstable air masses, deep and moist causing rapid and moderate rains in NEB
coastal lasting up to 48 hours and 18 - 24 hours intervals. The strongest winds are
characteristic of September, and in April the winds are weakest [20, 24].
49
2.2 DATA FOR UV INDEX, TOTAL OZONE COLUMN AND CLOUD COVER
The measurement of UV in soil was based on a Radiometer located in Natal (5°48'S,
35°12'W), which is thus regarded as the city of reference for this study from UV.
The daily data (2001‒2012) of UV Index were measured in the surface by: (a)
Radiometer GUV (Ground-based Ultraviolet).
Figure 1. Location of Natal in Rio Grande do Norte and capitals of the states of Northeast
Brazil.
2.2. DATA
The hourly and daily data (2001-2009) of UV in channel UVB (305 nm), channels
UVA (320 nm, 340 nm and 380 nm) and UV index were measured on the surface by the
Ground-based Ultraviolet Radiometer (GUV), Model 511-C. The irradiance is given in units
of μWcm−2nm−1 and was measured at four channels and integrated to convert the
measurements on UV index. The equipment was installed in Laboratory of Tropical
Environmental Variables of National Institute of Spatial Research (INPE/ CRN/LAVAT) in
Natal city. The daily maximums of the UV and UV index were obtained from 11:00 am to
1:00 pm, independent of sky conditions.
A set of daily data (2001-2009) of total ozone in Dobson Units (DU) was obtained at
the National Centers for Environmental Prediction/National Oceanic and Atmospheric
Administration (NCEP/NOAA/USA), with grid resolution 2.5˚ × 2.5˚ [25], available at
www.esrl.noaa.gov. The daily data (2007-2009) of Global Solar Radiation (GSR) (Wm−2) was
obtained from Radiometer in Solarimetric Station of INPE/CRN/LAVAT. The data represents
the average value of GSR from 11:00 am - 12:00 pm.
50
The monthly data of Cloudiness (2001-2009) in range 0 - 10 were obtained from
database of meteorological data for Teaching and Research (BDMEP/INMET) [20] and data
of intensity (ms−1) and wind direction (degrees) were obtained from the Climate Standard of
the National Institute of Meteorology of Brazil [20], available at www.inmet.gov.br.
The Aerosol Optical Depth (AOD), measured in the wavelength of 0.55 μm by
Moderate Resolution Imaging Spectroradiometer (MODIS/AQUA) (2004-2009) was obtained
in the division of environmental satellites of Center for Weather Forecasting and Climate
Studies (CPTEC/ INPE/BRAZIL) through the Environmental Information System (SISAM),
available in http://sisam.cptec.inpe.br.
2.3. UV INDEX-FORMULATION
The UV index was formulated by the International Commission on Illumination (CIE)
based on the reference spectrum of action erythema (ISO 17166:1999/CIE S 007/E-1998) and
describes the intensity of UV in relation to its photo biological effect [26]. The UV index is
de-fined by Equation (1):
400nm

UV index =K er
E λ Ser  λ  dλ
(1)
250nm
in which Eλ is the spectral irradiance expressed in Wm-2nm-1 to the wavelength λ and
dλ it is the wavelength range used in the integral calculus. Ser (λ) is the reference action
spectrum erythema and Ker is a constant equal to 40 m2/ W.
The UV index is the standardization of erythema irradiance (Ser) by means of a
numerical scale, such that 1 UV index = 2.5 mW/m2 [1]. The UV index is divided into
categories associated with the colors (Table 1).
The UV index being proposed by the World Health Organization (WHO) and World
Meteorological Organization (WMO) to facilitate the understanding of the population about
the effects of UV on human beings.
Table 1. Relationship between UV index and category of risk to humans.
Category of Risk Range of UV index
0‒2
Low
3‒5
Moderate
6‒7
High
8 ‒ 10
Very High
≥ 11
Extreme
Source: [1]
Color
Green
Yellow
Orange
Red
Violet
51
The precautions to be taken by the individual, in accordance with this classification,
are suggested by the WHO and refer to the use of hats, clothes, sunglasses, sunscreen, and
umbrellas or even to stay inside the house. The UV index is an integer and dimensionless
representing the maximum daily value in a horizontal surface
2.4. HIERARCHICAL CLUSTER ANALYSIS
Considering the limitations of UV data acquisition on the surface (these measurements
were restricted to the city of Natal) and aiming to expand the analysis to the total area to be
investigated, a cluster analysis of available variables was used to study the variability of the
UV surface, highlighting the total ozone, AOD, intensity and wind direction. A Cluster
Analysis is a multivariate form of analysis in which a technique for building clusters groups
together similar measurements (metric) of distance and determines a connection between the
clusters [27]. The Central idea of the clustering of data points is the idea of distance. Clusters
should be composed of points separated by small distances, relative to the distances between
clusters. The most intuitive and commonly used distance measure in cluster analysis is the
Euclidean dis-tance in the K-dimensional space of the data vectors [27]. A more general
alternative is the weighted Euclidean distance between two vectors xi and xj,
1/2
2
 K
d i,j =   w k  x i,k -x j,k  
 k=1

.(2)
For wk = 1 for each k = 1,∙∙∙, K, Equation (2) reduces to the ordinary Euclidean
distance. A yet more general form of Equation (2) is the Minkowski metric,
1/λ
λ
K
di,j =  w k  x i,k -x j,k  
 k=1

, λ  1.  3
The weights wk can equalize the influence of variables with incommensurate units. For
λ = 2, Equation (3) reduced to the weighted Euclidean distance in Equation (2). For λ = 1,
Equation (3) is known as the city-block distance [27]. In this study was used the Minkowski
metric. They were used as linkage criterion in Ward’s hierarchical method study. Ward’s
method suggested a general agglomerative hierarchical clustering procedure, in which the
criterion for choosing the pair of clusters to merge at each step is based on the optimal value
of an objective function [28].
52
3. RESULTS AND DISCUSSIONS
3.1 UV VARIABILITY IN NATAL-RN
The average irradiance of UV radiation for each wave-length and variables analyzed in
Natal are shown in Table 2 and Figure 2.
After calculating the channel 305 nm (UVB) in Table 2, a 5.1% reduction was
identified in the average irradiance for the second semester compared to the first (in UV index
a reduction of 5.3%). During the second semester, there was a greater absorption of UVB due
to a 3.8% increase in the average level of total ozone. Table 2 shows the values per semester.
In Table 2 it can be observed that UV index in Natal reached a level “extreme” (>11) for
seven months of the year, predominantly between spring and summer. February and March
presented the highest average monthly indices (between 12 and 13). June and July showed the
lower indices around 9.0, a level which is still considered as “very high” (8 - 10). The first
annual maximum of 12.6 occurred in February. In second semester occurred in November,
with 11.9.
This characteristic can be explained because the sun’s stations near to Tropic of
Capricorn reach the angle solar zenith near 0˚ (SZA ≈ 0˚) twice a year and the stations of
observations register two annual ceilings, one in the summer, in February, and the other in the
spring, in October [29], in Natal occurred in November. The UV index annual average is 11
(Table 2), similar to that found by [19].
Table 2. Irradiance for wavelength of UV and variables analyzed in Natal. Monthly data.
Period
Wavelength (nm)
305 320 340 380
Jan
8.3 36.2 63.4 85.2
Feb
9.2 38.3 66.3 88.9
Mar
9.0 38 65.5 87.9
Apr
8.1 34.9 60.3 81.0
May
6.9 31.1 53.7 73.9
Jun
6.0 27.9 50.9 70.2
st
1 Sem 7.9 34.4 60 81.2
Jul
6.0 28.6 52 71.4
Aug
6.8 32.4 57.1 77.9
Set
7.3 34.5 59.7 82.3
Out
8.3 37.4 66 88.3
Nov
8.3 37.9 65.7 87.9
Dec
8.0 36.1 63.8 85.6
2st Sem 7.5 34.5 60.7 82.2
Annual 7.7 34.4 60.4 81.7
UV
Index
Nd
11.7
12.6
12.5
11.3
10.9
8.7
11.3
8.7
10.0
10.4
11.8
11.9
11.3
10.7
11
Total
ozone
AOD
DU 0.55µm
260.8
0.19
260.8
0.20
263.5
0.21
260.7
0.16
257.1
0.18
259.4
0.15
260.4
0.18
265.5
0.18
270.6
0.20
0.22
278.4
0.18
276.2
268.8
0.15
262.2
0.17
270.3
0.18
265.3
0.18
-2
ms
4.4
4.2
3.6
3.2
3.9
4.2
3,9
4.4
5.2
5.3
5.2
4.9
4.7
5
4.4
Cloud
Wind cover
Degrees (0 - 10)
117
7.2
121
7.2
122
7.2
135
7.3
146
7.0
149
7.4
132
7.2
152
6.7
145
6.7
136
6.6
124
6.5
118
6.6
115
7.0
132
6.7
132
7.0
GSR
Wm-2
931.1
960.1
928.7
748.4
652.1
542.3
793,8
568.7
650.5
785.5
976.9
994.1
972.1
824.6
809.2
53
In Figure 2, a stabilization of the UV index levels and wavelengths 305 nm (UVB)
was identified in September, however, this attenuation is slightly lower for 320, 340 and 380
nm (nearest visible radiation) due to lower absorption by ozone in these UVA channels. In
addition to the proposed objectives, this study sought to analyze the causes of this behavior
identified in September, referred to as the Annual Event of Spring from UV (AES-UV), so
called due occur at the beginning and during the spring in the southern hemisphere.
Besides the total ozone, UV is attenuated by other processes, such as the absorption of
aerosol particles [36- 38]. The AOD in Natal reaches its highest value during the month of
September (0.22 in Table 2). This may contribute to the reduction in the UV index during the
AES-UV.
Figure 2. Irradiance for wavelength of UV (μWcm−2nm−1), UV Index and total ozone
(Dobson Units) annual variability for Natal.
Source: INPE/CRN/LAVAT.
The high AOD is related to the intensity of winds (trade winds) that have the highest
average magnitude in September at 5.3 ms−1 (Table 2) and their predominant southeasterly
direction [20]. The wind direction may explain the higher concentration of marine aerosol,
since the city is located on the east coast of NEB. A physical-chemical study was not
54
conducted and thus the type of aerosols cannot be confirmed. It is worth mentioning that the
variations exercised by the aerosols are lower than those related to the variations of the total
ozone and GSR [12, 39]. Figure 5 shows the wind and AOD in annual variability in Natal.
The similarity in relation to total ozone, wind and AOD characteristics (Figure 3)
shows that the AES-UV occurs identically in these cities.
Figure 3. Simultaneous graph of variability annual UV Index (left scale) and filtering (moving
average) and total ozone (red points and right scale).
Source: INPE/CRN/ LAVAT and NCEP/NOAA.
The AES-UV takes place between September and October, since the Pearson
correlation coefficient for this period indicated an inverse relationship between total ozone
and UV index corresponding to −0.5 or −50%. Figure 3 shows (simultaneously) the annual
variability of UV Index and total ozone. In this figure, one can observe the AES-UV in
September and October days 244- 304 when the total ozone reaches a maximum annual.
To explain AES-UV, the variability of GSR was first taken into consideration. The GSR
(directly associated with the sun elevation or SZA) determines the greatest influence on the
UV index [1, 4]. Figure 4 shows the annual variability of the GSR to the city of Natal. It was
identified that no occurs attenuation of GSR during AES-UV, thus is not associated with the
event. It was verified that the stabilization of UV index observed in AES-UV couldn’t be
associated with cloudiness, because at this time there are fewer clouds (Table 2). Excluding
the GSR and cloudiness, AES-UV can be explained by the highest total ozone in
September/October (highlighted values in Table 2).
The annual variability of total ozone in the atmosphere varies periodically and
conversely (approximately) to the increase in available solar radiation [30]. The temperature
increase caused by absorption of solar radiation generates instabilities in the photochemical
equilibrium in the stratosphere, which accounts for about 90% of the integrated Ozone. These
55
high levels lead to the reduction of its production, so that the maximum content of Ozone is
observed in spring with a decrease in summer and an increase again in the autumn [30-32].
Despite the strong signal of GSR in areas near to equator, it has a lesser range to
influence on the variability of UV index [30]. The city of Natal is located at low latitude, so
the influence of total ozone in variability of UV appears more clearly. During the spring and
autumn equinoxes (September and March respectively) in the Southern Hemisphere, when the
elevation of the sun is almost the same, one can compare the oscillations of the UV index in
relation to Ozone content in periods of very similar radiation solar intensity [30, 31]. The
average difference of 14.9 DU (278.4 - 263.5 in Table 2) was observed between the two
equinoxes. This resulted in UV index values of 12.5 and 10.4 respectively. This difference
represents a change in the scale of “extreme” to “very high”.
Figure 4. Variability annual Global Solar Radiation (GSR) (Wm−2) from 11:00-12:00 pm and
filtering (moving average).
Source: INPE/CRN/LAVAT.
After the AES-UV, in December, if one only considered the reduction of total ozone,
logically it would result in an increase of UV index, however the opposite occurred. This fact
is associated with the reduction of GSR (Table 2). This behavior can be observed by
measurements at various locations in the Southern Hemisphere [33-35].
Besides the total ozone, UV is attenuated by other processes, such as the absorption of
aerosol particles [36- 38]. The AOD in Natal reaches its highest value during the month of
September (0.22 in Table 2). This may contribute to the reduction in the UV index during the
AES-UV.
The high AOD is related to the intensity of winds (trade winds) that have the highest
average magnitude in September at 5.3 ms−1 (Table 2) and their predominant southeasterly
direction [20]. The wind direction may explain the higher concentration of marine aerosol,
since the city is located on the east coast of NEB. A physical-chemical study was not
56
conducted and thus the type of aerosols cannot be confirmed. It is worth mentioning that the
variations exercised by the aerosols are lower than those related to the variations of the total
ozone and GSR [12, 39]. Figure 5 shows the wind and AOD in annual variability in Natal.
Figure 5 ‒ Barplot of wind (graphical bars) and AOD (points and right scale) in Natal.
Source: INMET and MODIS/AQUA
The Cluster Analysis indicated three groups (Figure 6). The first group was defined by
Natal, João Pessoa and Recife.
The similarity in relation to total ozone, wind and AOD characteristics (Figure 7)
shows that the AES-UV occurs identically in these cities.
The second group, formed by Maceió, Aracaju and Salvador, indicates that AOD and
wind characteristics and variability of total ozone are distinct to the first group, therefore, the
stabilization of UV levels should not occur during this period and without proper
measurement it is not possible to say if it occurs. The last group was formed by a single city,
Fortaleza, located in a distinct point on the northern coast of NEB. The data shows no
similarity to that of the other cities and does not allow for a generalized conclusion about UV
variability.
Figure 6. Dendrogram of clusters based on total ozone, AOD and intensity and wind
direction.
57
Figure 7. Total ozone, intensity and wind direction (blue color) and AOD for Group 1
Source: NCEP/NOAA, INMET and MODIS/AQUA.
58
4. FINAL CONSIDERATIONS
The results indicated that the AES-UV takes place between September and October,
since the Pearson correlation coefficient indicated an inverse relationship between total
ozone and UV index corresponding to - 0.5. Independent of sky conditions, the AES-UV
happens when the total ozone reaches its absolute annual maximum. The event was not
described in scientific literature and was identified by multispectral sensor of UV. The AESUV has a small influence of aerosols (marine type) due to a higher concentration in
September, whose origin is the greatest strength of the wind and its direction (southeast).
The cluster analysis allowed us to confirm that this event occurs in a similar way in cities
of Recife and João Pessoa in terms of total ozone, AOD and intensity and wind direction.
Finally, the results are particularly relevant to the cities on the east coast of northeast Brazil,
because they high-light the high levels of UV in practically all the seasons of the year. This
may explain in part the higher number of cases of NMSC in city of Natal and alerts us to
need for preventive actions by the local population and the need to warn tourists of the
imminent risk of MSC if they do not use proper protection, especially during the summer
months.
5. ACKNOWLEDGEMENTS
This work was supported by the CNPq, National Council for Scientific and
Technological
Development,
Brazil:
“ATMANTAR”-MCTI/PROANTAR/CNPq
(520182/2006-5) and “A Atmosfera Antártica, Conexões e Impactos Ambientais na América
do Sul”, INCT-APA, MCTI/PROANTAR/CNPq (574018/2008-5). The authors thank the
researcher Neusa Paes Leme and Engineer Francisco Raimundo Silva of the INPE/ CRN for
their guidelines and kindness in providing the data.
6. REFERENCES
[1] WHO, “Global Solar UV index: A Practical Guide,” World Health Organization, World
Meteorological organization (WMO), United Nations Environment Pro-gram (UNEP), and
International Commission on Non-Ionising Radiation Protection (ICNRP), Geneva, 2002, 18
p.
[2] WMO, “Scientific Assessment of Ozone Depletion: 2010,” World Meteorological
Organization, Geneva, 2011.
59
[3] S. Madronich, “UV radiation in the natural and perturbed atmosphere,” In: M. Tevini, Ed.,
UV-B Radiation and Ozone Depletion, Lewis Publishers, London, 1993, pp. 17-69.
[4] K. N. Liou, “An Introduction to Atmospheric Radiation,” 2nd Edition, Academic Press,
2002.
[5] J. Sabburg and J. Wong, “The Effect of Clouds on En- hancing UVB Irradiance at the
Earth’s Surface: A One Year Study,” Geophysical Research Letters, Vol. 27, No. 20, 2000,
pp. 3337-3340. http://dx.doi.org/10.1029/2000GL011683
[6] S. Madronich and F. R. de Grujil, “Skin Cancer and UV Radiation,” Nature, Vol. 366,
1993, pp. 23-28. http://dx.doi.org/10.1038/366023a0
[7] A. R. Webb and M. F. Holick, “The Role of Sunlight in the Cutaneous Production of
Vitamin
D3,”
Annual
Review
of
Nutrition,
Vol.
8,
1998,
pp.
375-399.
http://dx.doi.org/10.1146/annurev.nu.08.070188.002111
[8] B. L. Diffey, “The Consistency of Studies of Ultraviolet Erythema in Normal Human
Skin,”
Physics
in
Medicine
and
Biology,
Vol.
27,
1982,
pp.
715-720.
http://dx.doi.org/10.1088/0031-9155/27/5/006
[9] A. F. Parisi, A. Green and M. G. Kimlin, “Diffuse Solar Ultraviolet Irradiation and
Implications for Preventing Human Eye Damage,” Journal of Photochemistry and
Photobiology, Vol. 73, No. 2, 2001, pp. 135-139. http://dx.doi.org/10.1562/00318655(2001)073<0135:DSURAI>2.0.CO;2
[10] F. R. De Gruijl, “UV-Induced Immunosuppression in the Balance,” Journal of
Photochemistry and Photobiology, Vol. 84, No. 1, 2008, pp. 2-9.
[11] BRASIL, Instituto Nacional de Câncer José Alencar Gomes da Silva (INCA),
“Estimativa 2012-Incidência de Câncer no Brasil,” Ministério da Saúde do Brasil, Brasília,
2011.
[12] R. L. McKenzie, P. J. Aucamp, A. F. Bais, L. O. Björn, M. de Ilyasf and S. Madronichg,
“Ozone Depletion and Climate Change: Impacts on UV Radiation,” Journal of
Photochemistry
and
Photobiology,
Vol.
10,
No.
2,
2011,
pp.
182-198.
http://dx.doi.org/10.1039/c0pp90034f
[13] J. Lee-Taylor and S. Madronich, “Climatology of UV-A, UV-B, and Erythemal
Radiation at the Earth Surface, 1979-2000,” National Center for Atmospheric Research
Boulder, Colorado, 2007.
[14] J. R. Herman, “Global Increase in UV Irradiance during the Past 30 Years (1979-2008)
Estimated from Satellite Data,” Journal of Geometry and Physics, Vol. 115, No. D4, 2010,
pp. 01-15.
60
[15] J. R. Herman, G. Labow, N. C. HSU and D. Larko, “Changes in Cloud and Aerosol
Cover (1980-2006) from EP-TOMS, SBUV-2, and OMI Radiance Data,” Journal of
Geometry and Physics, Vol. 114, No. D1, 2009, pp. 01-21.
[16] J. H. Seinfeld and S. N. Pandis, “Atmospheric Chemistry and Physics—From Air
Pollution to Climate Change,” 2nd Edition, John Wiley & Sons Ltd., New York, 2006.
[17] A. A. Silva, “A Espessura óptica de Aerossóis na Banda do UV-B,” Ph.D. Thesis, INPE,
São José dos Campos, 2002.
[18] BRASIL, IBGE, “Estimativa Populacional 2013,” Instituto Brasileiro de Geografia e
Estatística, 2013.
[19] F. R. Silva, “Estudo da radiação ultravioleta na cidade de Natal-RN,” M.S.Thesis,
Federal University of Rio Grande of Norte, Natal, 2008.
[20] BRASIL, Instituto Nacional de Meteorologia—INMET “Normais Climatológicas do
Brasil 1961-1990,” Brasília, 2009.
[21] J. A. Neves, “Um índice de Susceptibilidade ao Fenômeno da seca para o Semiárido
Nordestino,” Ph.D. thesis, Federal University of Pernambuco-UFPE, Recife, 2010.
[22] P. Nobre and A. B. C. Melo, “Variabilidade Climática intrasazonal sobre o Nordeste do
Brasil em 1998-2000,” Revista Climanálise, CPTEC/INPE, 2001.
[23] A. B. Lopo, M. V. M. Mata, R. L. Andrade, C. M. S. Silva, “Ciclo Diário de Precipitação
Sobre a Cidade de Natal,” Proceedings of The 16th Brazilian Congress of Meteorology,
Belém, 13-17 September 2010.
[24] C. A. Nobre and L. C. B Molion, “The Climatology of Drought and Drought Prediction,”
In: T. R. Parry, R. Carter and N. T. Konjin, Eds., The Impact of Variations on Agriculture.
v.2: Assessments in Semi-arid Regions, Kluwer, Dordrech, 1988, pp. 305-323.
[25] E. Kalnay, M. Kanamitsu, R. Kistler, W. Collins, D. Deaven, L.Gandin, M. Iredell, S.
Saha, G. White, J. Wol- len, Y. Zhu, A. Letman, R. Reynolds, M. Chelliah, W. Ebisuzaki, W.
Higgins, J. Janowiak, K. C. Moo, C. Rope- lewski, J. Wang, R. Jenne and D. Josepf, “The
NCEP/ NCAR 40-Year Reanalysis Project,” Bulletin of the Ame- rican Meteorological
Society, Vol. 77, No. 3, 1996, pp. 437-471.
[26] A. F. MCkinlay and B. L. Diffey, “A Reference Action Spectrum for Ultraviolet-Induced
Erythema in Human Skin,” In: Passchler and Bosnajokovic, Eds., Human Ex-posure to
Ultraviolet Radiation: Risks and Regulations, Elsevier, Amsterdã, 1987, pp. 17-22.
[27] S. D. Wilks, “Statistical Methods in the Atmospheric Sciences,” 2nd Edition, Academic
Press, San Diego, 2006.
61
[28] J. H. Ward, “Hierarchical Grouping to Optimize an Objective Function,” Journal of the
American Statistical Association, Vol. 58, No. 301, 1963, pp. 236-244.
http://dx.doi.org/10.1080/01621459.1963.10500845
[29] C. R. Roy, H. P. Gies and S. Toomey, “Monitoring UV-B at the Earth’s Surface,”
Australian Meteorological Maga- zine, Vol. 46, No. 3, 1997, pp. 203-210.
[30] M. P. Corrêa and A. Plana-Fattori, “A Theoretical Analy-sis of the UV Index Variations
in Relationship to the Ozone Content and Aerosol Optical Depth Observations in São Paulo
City,” Brazilian Journal of Meteorology, Vol. 21, No. 1, 2006, pp. 24-32.
[31] M. Horváth, L. Bilitzky and J. Huttner, “Ozone,” Elsevier, New York, 1985.
[32] M. P. Corrêa, P. Dubuisson and A. Plana-Fattori, “An Overview of the Ultraviolet Index
and the Skin Cancer Cases in Brazil,” Journal of Photochemistry and Photo- biology A, Vol.
78,
No.
1,
2003,
pp.
49-54.
http://dx.doi.org/10.1562/0031-
8655(2003)078<0049:AOOTUI>2.0.CO;2
[33] Y. Sahai, V. Kirchhoff and N. P. Leme, “Total Ozone Column Trends in the Tropics”,
Journal of Geometry and Physics, Vol. 105, No. D15, 2000, pp. 19823-19823.
[34] V. E. Fioletov, J. B. Kerr and D. I. Wardle, “The Relationship between Total Ozone
Column and Spectral UV Irradiance from Brewer Observations and Its Use for Derivation of
Total Ozone Column from UV Measurements,” Geophysical Research Letters, Vol. 24, No.
23, 1997, pp. 2997-3000. http://dx.doi.org/10.1029/97GL53153
[35] J. Van Geffen, R. Van der A, M. van Weele, M. Allaart and H. Eskes, “Surface UV
Radiation Monitoring Based on GOME and SCIAMACHY,” Proceedings of the ENVISAT &
ERS Symposium, Salzburg, 6-10 September 2004.
[36] J. H. Seinfeld and S. N. Pandis, “Atmospheric Chemistry and Physics—From Air
Pollution to Climate Change,” 2nd Edition, John Wiley & Sons Ltd., New York, 2006.
[37] M. Z. Jacobson, “Fundamentals of Atmospheric Modeling,” Cambridge University Press,
New York, 2005. http://dx.doi.org/10.1017/CBO9781139165389
[38] M. A. Yamasoe, P. Artaxo, A. H. Miguel and A. G. Allen, “Chemical Composition of
Aerosol Particles from Direct Emissions of Vegetation Fires in the Amazon Basin: WaterSoluble Species and Trace Elements,” Atmospheric Environment, Vol. 34, No. 10, 2000, pp.
1641-1653. http://dx.doi.org/10.1016/S1352-2310(99)00329-5
[39] S. Watanabe, T. Takemura, K. Sudo, T. Yokohata and H. Kawase, “Anthropogenic
Changes in the Surface All-Sky UV-B Radiation through 1850-2005 Simulated by an Earth
System Model,”Atmospheric Chemistry and Phys- ics, Vol. 12, No. 11, 2012, pp. 5249-5257.
http://dx.doi.org/10.5194/acp-12-5249-2012
62
CAPÍTULO III
(3º ARTIGO)
UV EXTREME EVENTS IN NORTHEAST OF BRAZIL(a)
Alexandre B. Lopo¹,
Maria Helena C. Spyrides1,2,
Paulo. S. Lucio1,2
e Sebastião Milton Pinheiro da Silva1,3.
¹Programa de Pós-Graduação em Ciências Climáticas, PPGCC/UFRN
2
Departamento de Estatística, DEST/CCET/UFRN
3
(a)
Departamento de Geografia, PPGe/UFRN
CIÊNCIA E NATURA ISSN da publicação eletrônica: 2179-460X. Artigo submetido em
31 de janeiro de 2014 e aceito para publicação em 30 de março de 2014.
63
RESUMO
O principal objetivo deste trabalho é analisar episódios extremos de UV na região Nordeste
do Brasil (NEB), geralmente relacionados à nebulosidade e aos níveis da coluna total de
ozônio (ozônio total). A metodologia consistiu no cálculo do percentil 95 para definir o valor
extremo de UV nas estações do ano na cidade de Natal (cidade de referência) e análise de
imagens do NEB obtidas do Instrumento de Monitoramento de Ozônio (OMI) do índice de
UV, ozônio total e cobertura de nuvens em datas de eventos extremos. Os resultados na
cidade de Natal indicaram 14,4 como evento extremo para o índice UV no verão e as imagens
selecionadas do OMI mostraram que os episódios diários selecionados foram associados
principalmente com ausência de nebulosidade e níveis abaixo da média anual de ozônio.
Análise de episódios extremos de índice UV na NEB indicou que o evento extremo ocorrido
na cidade de referência não acontece em toda a região, devido à grande variabilidade espacial
da cobertura de nuvens e ozônio total.
PALAVRAS-CHAVE: UV index, ozônio total, cobertura de nuvens, instrumento de
monitoramento de ozônio, percentil 95.
64
ABSTRACT
The main objective of this paper is to analyze extremes UV episodes in Northeast of Brazil
(NEB), generally associated to cloud cover and levels of total ozone column (total ozone).
The methodology consisted the calculation of the 95th percentile to define the extreme value
in the seasons of UV in city of Natal-RN (reference city) and analyze of images to NEB
obtained from Ozone Monitoring Instrument (OMI) to UV index, total ozone and cloud cover
in dates of extreme events in reference city. The results of UV index for Natal city indicated
14.4 for the extreme event in summer and images selected of OMI showed that extreme event
were associated mainly with absence of cloudiness and levels below average annual of total
ozone. Analysis of extreme episodes of UV index in NEB indicated that the extreme event
occurred in reference city does not happen in the entire region, because of the large spatial
variability of cloud cover and total ozone.
KEYWORDS: UV Index, ozone total column, cloud cover, Ozone Monitoring Instrument,
95th percentile
65
1. INTRODUCTION
The Ultraviolet Radiation (UV) ranges from 100 nm and 400 nm wavelengths (λ) and
are classified according to the effects on human health and the environment in spectral ranges,
as UVA, 315 nm to 400 nm, UVB, at 280 nm to 315 nm and UVC, 100 to 280 nm [1]. The
radiation in the UVC range corresponds to approximately 1% of solar emissions and does not
reach the earth's surface due to the strong absorption in the atmosphere by ozone and
molecular oxygen [2, 3].
The amount of solar UV radiation (280-400 nm), that reaches the Earth's surface, is
affected mainly by the atmosphere (absorption of ozone, cloudiness, aerosols and pollutants in
the troposphere) and the reflectivity of the ground, which is composed in large part for UVA
(90%) and to a lesser degree of UVB (10%) [4, 5].
The UV causes various effects on terrestrial and aquatic ecosystems and inorganic
materials [1, 6]. Despite some beneficial effects [7], an inadequate and prolonged human
exposure to UV can result in adverse effects, which may be both acute and chronic [6]. The
negative effects are manifested predominantly on the skin by means of cancer, burns and
erythema [8] and premature aging, as well as they may affect the eyes [9] and immune system
[10].
Different aspects of exposure characterize skin cancer: non-melanoma skin cancer or
not malignant (NMSC) and melanoma skin cancer or malignant (MSC). There are estimates
that NMSC (134.000 new cases) is the most frequent in the Brazilian population and
corresponds to 25% of all tumors [11]. In comparison, MSC causes a high fatality rate but
occurs less frequently. In the capitals of the Northeastern Region of Brazil (NEB), NMSC is
the second most frequent type of cancer (34.69/100 thousand) for men and the most frequent
for women (31.17/100 thousand) [11].
The Ultraviolet Radiation index (UV index) is an important resource that increases
public awareness to the risks of overexposure to the sun. Its function is to describe the level or
intensity of UV on the surface of the planet and it is used as a warning to people to protect
themselves from UV. This index is independent of genotypic factors, thus it is universally
applicable to any individual of the population, without regard to their skin color [1]
UV in the atmosphere is attenuated by processes such as absorption or scattering by
ozone total column (total ozone), aerosol particles and cloud cover [1, 5]. The amount of
ozone in the atmosphere is recovering as a result of the Montreal Protocol [3]. Despite the
recovery of the total ozone in high latitudes, there was an increase in the surface UV [12 -14].
66
In the more populated regions, the highest increase of UV has been found in the Southern
Hemisphere, including the NEB, in latitudes from -20 to 0 [14].
An analysis of such defined extreme events reveals a significant decline in the number
of low events, whereas the high events increased by about the same amount. However no
significant trend is observed in the magnitude of extreme events. These measurements were
used to investigate vertically trends in total ozone in the period 1994–2011 and for
establishing an climatology [18].
Research on extreme events of UV index in Spain indicated that cloud cover usually
attenuates the ultraviolet (UV) solar radiation but, under certain sky conditions, the clouds
may produce an enhancement effect increasing the UV levels at surface. This phenomenon
was characterized by a quick and intense increase of UV radiation in surface under broken
cloud fields (5–7 oktas) in which the Sun was surrounded by cumulus clouds [19].
The main objective of this paper is to analyze extremes events UV episodes in
Northeastern Brazil, generally associated with levels of total ozone and cloud cover.
2. MATERIALS AND METHODS
2.1 STUDY AREA
The study area covers the region of Northeastern Brazil (NEB).
Figure 1- Location of Brazil (colorful) in South America. Northeastern states are indicated in
gray.
Source: http://www.mapsofworld.com/ (adapted)
67
The measurement of UV in ground was based on radiometers located in capital do Rio
Grande do Norte (Natal, latitude 5°48'S and longitude 35°12'W), is thus regarded as the city
of reference for this study from UV.
2.2 SELECTION OF DAYS WITH EXTREME EVENTS AND DATA
The selection of days with extreme events was based on measurement in soil and in
defining the 95th percentile [20].
The daily data (2001‒2012) of UV Index were measured in the surface by: (a)
Radiometer GUV (Ground-based Ultraviolet Radiometer) installed in Laboratory of Tropical
Environmental Variables of National Institute for Space Research/Center Regional of
Northeast (INPE/CRN/LAVAT) and (b) Sensor Model UV-6490 of Meteorological Station
Davis installed at the Laboratory of Hydraulic Machines and Solar Energy in Technology
Center of Federal University of Rio Grande of Norte (UFRN/LMHES). The daily maximum
of UV index was collected on interval of 11h - 13h, independent of sky conditions. The data
have missing values due to lack of operation of the measuring instruments.
The data of Cloudiness (range 0‒10), were obtained from the database of
meteorological data for Teaching and Research (BDMEP) of the National Institute of
Meteorology of Brazil [21].
A set of daily data (2001‒2012) of ozone total column (DU units) was collected at
TOMS (Total ozone Mapping Spectrometer) e OMI (Ozone Monitoring Instrument) [22].
The pictures or images of UV index, total ozone and cloud cover measurement were
made in the NEB by instruments TOMS and OMI [22, 23].
2.3 TOMS AND SATELLITE DATA-AURA/OMI
The Total ozone Mapping Spectrometer – TOMS is an atmospheric sensor that has
been flying on different missions within NASA's Earth Probes Program. The objective of the
mission is to extend the global ozone data set that began in 1978, with the flight of TOMS on
NIMBUS-7. The end of the operation occurred in 2005, when it was on board of the Terra
Probe platform [24]. The Ozone Monitoring Instrument – OMI is an instrument launched in
July 2004 on board of EOS-Aura platform.
68
Aura is the atmospheric chemistry mission of NASA’s platform Earth Observing
System (EOS) launched on 15 July 2004. Ozone Monitoring Instrument (OMI) is a nadir
viewing spectrometer designed to monitor ozone and other atmospheric species. OMI covers
the wavelength range from 264 to 504 nm [25]. The OMI surface UV algorithm first estimates
the clear-sky surface irradiance using the total column ozone measured by OMI,
climatological surface albedo, altitude, solar zenith angle, and latitude-dependent
climatological ozone and temperature profiles [26, 27]. Next, the clear-sky irradiance is
multiplied by a factor that accounts for the attenuation of UV radiation by clouds and no
absorbing aerosols. The current algorithm [29] does not account for absorbing aerosols or
organic carbon, smoke, and dust and trace gases (NO2, SO2), which are known to lead to
systematic overestimation of the surface UV irradiance and neglects the cirrus effect on UV
radiation [28]. The OMI derived surface UV irradiances are expected to show overestimation
for regions that are affected by absorbing aerosols [27, 28].
Greatest overestimations are anticipated for regions affected by urban pollution and
for major natural aerosol episodes. The UV irradiances are calculated once a day for local
solar noon. Corrections are not made for possible changes in cloudiness or total column ozone
between the local noon and satellite overpass time. The OMUVBd (version 3) data product
selected are TOMS-like daily L3 gridded (lat-lon 1º×1º) data product [28]. The UVI are
provided at the time of overpass and at solar noon for overpass conditions (labelled OMI) and
for clear sky conditions (OMI-CS) [27, 28].
To validate the OMI data, comparisons were done with the UV radiation measured in
18 ground-based stations [29]. For flat, snow-free regions with modest loadings of absorbing
aerosols or trace gases, the OMI derived daily erythemal doses have a median overestimation
of 0 to 10 %, and some 60 to 80% of the doses are within ± 20% from the ground reference.
For sites significantly affected by absorbing aerosols or trace gases one expects, and observes,
bigger positive bias up to 50% is observed. For high-latitude sites the satellite-derived doses
are occasionally underestimated by up to 50% because of unrealistically small climatological
surface albedo [27, 28, 30].
OMI monitors the recovery of the ozone layer in response to the phase out of
chemicals, such as chlorofluorocarbon (CFCs). Together with its companion instruments
Microwave Limb Sounder (MLS) and High Resolution Dynamics Limb Sounder (HIRDLS)
it will measure criteria pollutants such as O3, NO2, SO2 and aerosols [28, 30].
69
2.4 UV INDEX-FORMULATION
The UV index was formulated by the International Commission on Illumination (CIE)
based on the reference spectrum of action erythema and describes the intensity of UV in
relation to its photo biological effect [31]. The UV index is defined by Equation 1.0:
400nm

IUV =K er
E λ Ser  λ  dλ , 1.0 
250nm
in which Eλ is the spectral irradiance expressed in W.m-2nm-1 to the wavelength λ and
dλ is the wavelength range used in the integral calculus. Ser (λ) is the reference action
spectrum erythema and Ker is a constant equal to 40 m2/ W.
The UV index is the standardization of erythema irradiance (S er) by means of a
numerical scale, such that 1 UV index = 2.5 mW/m2 [1]. The index is an integer and
dimensionless that representing the maximum daily value in a horizontal surface. The UV
index is divided into categories associated with the colors (Table 1).
Table 1. Relationship between UV index and category of risk to humans.
Category of Risk Range of UV Index Color
Low
0 to 2
Green
Moderate
3 to 5
Yellow
High
6 to 7
Orange
Very High
8 to 10
Red
Extreme
>11
Violet
Source: [1]
The UV index was proposed by the World Health Organization (WHO) and World
Meteorological Organization (WMO) to facilitate the understanding of the population about
the effects of UV on human beings. The precautions to be taken by the individual, in
accordance with the Table 1, refer to the use of hats, clothes, sunglasses, sunscreen, and
umbrellas or even to stay inside the house [1].
5. RESULTS
a. DESCRIPTIVE STUDY
The averages in study period (2001-2012) to UV index and total ozone were
respectively 11 ± 0.2 and 264.8 ± 1.8 DU.
The variability and monthly and annual average of UV index, total ozone and cloud
cover are presented in Table 2, Table 3 in Figure 2. The colors in the graph of UV Index are
70
associated with the categorization of risk of the WHO. The UV index reaches the value
classified as ‘extreme’ (color violet) in seven months of the year, between spring and summer.
Table 2. Monthly average of UV index, total ozone and cloud cover (Natal-RN, 2001-12).
Month UV index Total ozone
Cloud cover
Jan
Feb
11.8
12.7
259.9
259.3
7.3
7.2
Mar
12.6
262.5
7.1
Apr
11.5
259.0
7.3
May
10.2
256.1
7.0
Jun
8.8
257.7
7.3
Jul
8.8
264.3
6.8
Aug
10.3
270.7
6.6
Sep
10.6
278.6
6.6
Oct
11.6
275.9
6.6
Nov
11.8
269.7
6.6
Dec
11.1
263.6
7.0
Source: INPE/CRN-LMHES/UFRN,TOMS-OMI/AURA and INMET.
Table 3. Annual average of UV index, total ozone and cloud cover (Natal-RN, 2001-12).
Cloud Cover cover
Year
UV index Total ozone
2001
2002
10.9
10.9
268.1
275.2
7.0
7.0
2003
11.1
269.1
6.9
2004
10.7
274.2
7.1
2005
11.0
257.0
6.8
2006
10.9
264.4
6.8
2007
11.4
257.9
7.0
2008
10.6
266.9
7.1
2009
10.2
257.8
6.9
2010
11.3
263.4
6.7
2011
11.0
262.9
7.3
2012
10.9
260.5
6.9
2001-12 11.1
264,5
7.0
Source: INPE/CRN-LMHES/UFRN,TOMS-OMI/AURA and INMET.
71
Figure 2– Boxplot of monthly variability to UV Index (A), total ozone (B) and cloud cover
(C) to Natal-RN for period 2001-2012.
Source: INPE/CRN-LMHES/UFRN, TOMS-OMI/AURA and INMET.
The annual variability of UV Index in city of Natal has a stabilization/reduction in
September and October associated with a higher ozone concentration. The cloud cover does
not change during these months [31, 32]. This feature was observed in this data series, as
shown in Figure 2.
3.2 EXTREME EVENTS OF UV INDEX IN NATAL CITY AND NORTHEAST OF
BRAZIL
The extreme values to the UV index were calculated using the 95th percentile,
encountering for each season values: summer, 14.4, autumn, 13.8, winter, 11.7, spring, 13.1
The extreme episodes of UV index were selected of summer in the data series using
analysis of Figure 3 and 95th percentile. The reason for the choice of episodes in summer was
due the higher extreme values of series occurred during this period of year. The Table 4
presented the extreme values found considering the criteria cited.
72
Figure 3 – Time series of UV Index X Ozone total (scale on the right side) for period 20012012 in Natal-RN. Source: INPE/CRN-LMHES/UFRN and TOMS-OMI/AURA
Table 4- Extreme events of UV index and total ozone in Natal-RN (2001‒2012).
Year Month Day UV Index Ozone
2005 2
16
15.2
251.0
2006 2
25
15.1
262.3
2007 2
10
15.4
246.4
2008 1
16
14.9
258.8
2009 1
30
14.4
248.3
2010 3
28
15.3
245.8
2011 2
21
14.4
267.3
2012 2
17
14.7
248.9
Source: INPE/CRN-LMHES/UFRN and TOMS-OMI/AURA
The extreme episodes for UV index are completely linked to values below or near the
annual average of total ozone (≈ 265 DU) and partially associated with the extreme values of
total ozone as the 5th percentile (245.6 DU) and 10th percentile (249.6 DU) or 20th percentile
(252.9 DU).
The following Figures (4–7) obtained at OMI show four of events of Table 4 randomly
selected. The images show the variables UV index, total ozone and cloud cover about the
Northeast of Brazil.
The Figure 4 shows that the extreme value of the UV index (13-14) in Natal (city
reference) is associated with low levels (10th percentile) of total ozone (248-250 DU) that
occurring during the summer and absence of clouds. The presence of clouds on the coast and
interior in state of Bahia (BA) greatly reduce the UV index.
73
Figure 4- Images the UV index, total ozone
and cloud cover for February 16, 2005.
Figure 5- Images the UV index, total ozone
and cloud cover for February 10, 2007.
(a) UV index
(a) UV index
(b) Total Ozone
(b) Total Ozone
(c) Cloud Cover
(c) Cloud Cover
74
Figure 6- Images the UV index, total ozone
and cloud cover for January 16, 2008.
(a) UV index
(b) Total Ozone
(c) Cloud Cover
Figure 7- Images the UV index, total ozone
and cloud cover for February 21, 2011
(a) UV index
(b) Total Ozone
(c) Cloud Cover
75
The Figure 5 show that the extreme value of the UV index (15-16) in reference city is
associated with low levels (5th percentile) of total ozone (243-246 DU) and lack of clouds.
The extreme event of UV index also occurs in western of states of Rio Grande do Norte (RN),
Paraiba (PB), Pernambuco (PE), inner of BA and coast of Ceará (CE) associated with low
levels (20th percentile) of total ozone (249-252) DU.
In Figure 6 is not confirming an extreme value of the UV index (11-12) in the city of
reference. The total ozone (255-258 DU) is in the 25th percentile (255 DU) and there is a
slight cloudiness. There are episodes of extreme UV index in coast of BA, center of CE and in
northern of states of Piauí (PI) and Maranhão (MA) due to lower levels of total ozone (252255 DU).
The Figure 7 shows high values for UV index (13-14) very near the extreme value
(14.4) for the city of reference. The total ozone (262-264 DU) presents below and close to the
annual average. There is not cloudy in Natal-RN. Extreme values of UV were confirmands in
coast and inner of BA and in coast to states of Sergipe (SE) and Alagoas (AL). At the center
of PI, northeast of BA and west PE the UV index is attenuated by the increase of total ozone.
Generally, the images show that the extreme values of the UV index are associated
with absence of clouds and levels below the annual average of total ozone.
The extreme event in the reference city did not happen in the whole region of the
study, in function of the spatial variability of total ozone and cloud cover in the region.
6. FINAL CONSIDERATIONS
In the summer happens the greatest extremes of annual series, so the extreme episodes
of UV index in Natal-RN (reference city) were analyzed considering the by 95th percentile
(14.4).
The analysis of images of the OMI indicated that the extreme events selected of
measurements made at the surface by radiometer GUV were associated mainly with absence
of cloudiness and levels below average annual of total ozone. The analysis indicated that the
extreme event occurred in reference city does not happen in the entire region of study,
because of the large spatial variability of cloud cover and total ozone.
5. ACKNOWLEDGEMENTS
This work was supported by the CNPq, National Council for Scientific and
Technological Development, Brazil: Doctor Sandwich - SWE/CsF (246611/2012-0).
76
The author thanks the Universidade Estadual da Bahia by financial support during the
PhD of PPGCC/UFRN and to Instituto Federal de Educação, Ciência e Tecnologia da Bahia
by study leave.
6. REFERENCES
[1] WORLD HEALTH ORGANIZATION et al. Global solar UV index: A practical guide.
2002.
[2] MADRONICH, Sasha.UV radiation in the natural and perturbed atmosphere. Lewis
Publisher, Boca Raton, 1993.
[3] Scientific assessment of ozone depletion: 2010. WMO, 2011.
[4] LIOU, Kuo-Nan. An introduction to atmospheric radiation. Academic press, 2002.
[5] SABBURG, J.; WONG, J. The effect of clouds on enhancing UVB irradiance at the
earth's surface: a one year study. Geophysical Research Letters, v. 27, n. 20, p. 3337-3340,
2000.
[6] MADRONICH, Sasha; DE GRUIJL, Frank R. Skin cancer and UV radiation. 1993.
[7] WEBB, Ann R.; HOLICK, Michael F. The role of sunlight in the cutaneous production of
vitamin D3. Annual review of nutrition, v. 8, n. 1, p. 375-399, 1988.
[8] DIFFEY, B. L. The consistency of studies of ultraviolet erythema in normal human skin.
Physics in medicine and biology, v. 27, n. 5, p. 715, 1982.
[9] PARISI, Alfio V.; GREEN, Adele; KIMLIN, Michael G. Diffuse Solar UV Radiation and
Implications for Preventing Human Eye Damage. Photochemistry and photobiology, v. 73,
n. 2, p. 135-139, 2001.
[10] DE GRUIJL, Frank R. UV‐induced Immunosuppression in the Balance. Photochemistry
and photobiology, v. 84, n. 1, p. 2-9, 2008.
[11] SILVA, APR de et al. Estimativa 2012: Incidência de câncer no Brasil. Ministério da
Saúde. Instituto Nacional do Câncer– INCA. Disponível em:< http://www. inca.
gov.br/estimativa/2012/index.asp, 2011.
[12] MCKENZIE, Richard L. et al. Ozone depletion and climate change: impacts on UV
radiation. Photochemical & Photobiological Sciences, v. 10, n. 2, p. 182-198, 2011.
[13] WATANABE, S. et al. Anthropogenic changes in the surface all-sky UV-B radiation
through 1850–2005 simulated by an Earth system model. Atmospheric Chemistry and
Physics, v. 12, n. 11, p. 5249-5257, 2012.
77
[14] HERMAN, Jay R. Global increase in UV irradiance during the past 30 years (1979–
2008) estimated from satellite data. Journal of Geophysical Research: Atmospheres (1984–
2012), v. 115, n. D4, 2010.
[15] HERMAN, J. R. et al. Changes in cloud and aerosol cover (1980–2006) from reflectivity
time series using SeaWiFS, N7‐TOMS, EP‐TOMS, SBUV‐2, and OMI radiance data.
Journal of Geophysical Research: Atmospheres (1984–2012), v. 114, n. D1, 2009.
[16] SEINFELD, John H.; PANDIS, Spyros N. Atmospheric chemistry and physics: from
air pollution to climate change. John Wiley & Sons, 2012.
[17] DA SILVA, Abel Antônio. A espessura óptica de aerossóis na banda do UV-B. SILVA,
v. 551, p. 17, 2001.
[18] FITZKA, M.; HADZIMUSTAFIC, J.; SIMIC, S. Total ozone and Umkehr observations
at Hoher Sonnblick 1994–2011: Climatology and extreme events. Journal of Geophysical
Research: Atmospheres, 2014.
[19] ANTÓN, M. et al. Extreme ultraviolet index due to broken clouds at a midlatitude site,
Granada (southeastern Spain). Atmospheric Research, v. 118, p. 10-14, 2012.
[20] KATZ, Richard W.; BROWN, Barbara G. Extreme events in a changing climate:
variability is more important than averages. Climatic change, v. 21, n. 3, p. 289-302, 1992.
[21] RAMOS, Andreas Malheiros; DOS SANTOS, Luiz André Rodriques. Normais
climatológicas do Brasil 1961-1990: edição revista e ampliada. INMET, 2009.
[22] GES DISC-Data base of NASA-Goddard Earth Sciences Data and Information Services
Center. Disponível em:<http://avdc.gsfc.nasa.gov/, 2013.
[23] LEPTOUKH, G. et al. NASA GES DISC on-line visualization and analysis system for
gridded remote sensing data. In: 31st Int. Symp. Remote Sensing Environment, St.
Petersburg, Russia. 2005.
[24] BRAMSTEDT, K. et al. Comparison of total ozone from the satellite instruments GOME
and TOMS with measurements from the Dobson network 1996–2000. Atmospheric
Chemistry and Physics, v. 3, n. 5, p. 1409-1419, 2003.
[25] JÉGOU, Fabrice et al. Validity of satellite measurements used for the monitoring of UV
radiation risk on health. Atmospheric Chemistry and Physics Discussions, v. 11, n. 6, p.
17375-17421, 2011.
[27] KROTKOV, N. A. et al. OMI surface UV irradiance algorithm. Algorithm Theoretical
Baseline Document: Clouds, Aerosols, and Surface UV Irradiance, v. 3, 2002.
78
[28] TORRES, Omar et al. Aerosols and surface UV products from Ozone Monitoring
Instrument observations: An overview. Journal of Geophysical Research: Atmospheres
(1984–2012), v. 112, n. D24, 2007.
[29] TANSKANEN, Aapo et al. Validation of daily erythemal doses from Ozone Monitoring
Instrument with ground‐based UV measurement data. Journal of Geophysical Research:
Atmospheres (1984–2012), v. 112, n. D24, 2007.
[30] IALONGO, I.; CASALE, G. R.; SIANI, A. M. Comparison of total ozone and erythemal
UV data from OMI with ground-based measurements at Rome station. Atmospheric
Chemistry and Physics, v. 8, n. 12, p. 3283-3289, 2008.
[31] MCKINLAY, A. F.; DIFFEY, B. L. A reference action spectrum for ultraviolet induced
erythema in human skin. CIE j, v. 6, n. 1, p. 17-22, 1987.
[31] LOPO, Alexandre Boleira et al. Ozone and Aerosol Influence on Ultraviolet Radiation on
the East Coast of the Brazilian Northeast. Atmospheric and Climate Sciences, v. 4, p. 92,
2013.
[32] LOPO, Alexandre Boleira et al. Radiação ultravioleta, ozônio total e aerossóis na cidade
de Natal-RN. HOLOS-ISSN 1807-1600, v. 6, p. 3-21, 2013.
79
CAPÍTULO IV
(4º ARTIGO)
UV INDEX MODELING BY AUTOREGRESSIVE DISTRIBUTED LAG (ADL MODEL)(a)
Alexandre Boleira Lopo1,
Maria Helena Constantino Spyrides1,2
, Paulo Sérgio Lucio1,2
e Javier Sigró3.
1
2
Programa de Pós-Graduação em Ciências Climáticas—PPGCC/UFRN, Natal, Brasil.
Departamento de Estatística, Universidade Federal do Rio Grande do Norte, Natal, Brasil.
3
Department of Geography, Centre for Climate Change (C3), University Rovira i Virgili,
Tarragona, Spain.
(a)
Atmospheric and Climate Sciences, v. 4, n. 02, p. 323, 2014.
80
RESUMO
O objetivo deste trabalho é modelar estatisticamente o índice de radiação ultravioleta (índice
UV) para fazer previsões (extrapolação) e analisar tendências. A tarefa é relevante devido o
aumento do fluxo UV e a alta taxa de casos de câncer de pele não melanoma no Nordeste do
Brasil (NEB). A metodologia consistiu da aplicação do modelo autoregressivo de defasagens
distribuídas (ADL) ou modelo dinâmico de regressão linear e teste Sazonal Mann-Kendall. Os
dados mensais (2001-2012) do índice de UV foram medidos na costa leste do NEB (Cidade
de Natal-Rio Grande do Norte). O ozônio total foi a variável explicativa utilizada para
modelar sendo obtida a partir dos instrumentos TOMS e OMI/AURA. O método Predictive
Mean Matching (PMM) foi usado para completar os dados em falta de Índice UV. Os
resultados do erro médio quadrado (MSE) entre os dados observados do índice de UV e dados
do modelo foram de 0,36 (dados interpolados) e 0,30 (dados extrapolados) com coeficientes
de correlação de 0,90 e 0,91, respectivamente. A previsão/extrapolação realizada pelo modelo
para um período climatológico (2012-2042) indicou uma tendência de aumento de UV (teste
Sazonal Mann-Kendall com valor τ = 0,955 e p <0,001) caso o ozônio total mantenha a
tendência de redução do período do estudo. Nessas circunstâncias, o modelo ADL indicou
uma elevação de quase uma unidade do índice de UV para ano de 2042.
PALAVRAS-CHAVE:
Fluxo UV, modelo de regressão linear dinâmico, teste Sazonal Man- Kendall, erro quadrático médio ,
resíduos.
81
ABSTRACT
The objective of this work is to model statistically the ultraviolet radiation index (UV Index)
to make forecast (extrapolate) and analyze trends. The task is relevant, due to increased UV
flux and high rate of cases non-melanoma skin cancer in northeast of Brazil. The
methodology utilized an Autoregressive Distributed Lag model (ADL) or Dynamic Linear
Regression model. The monthly data of UV index were measured in east coast of the
Brazilian Northeast (City of Natal-Rio Grande do Norte). The total ozone is single
explanatory variable to model and was obtained from the TOMS and OMI/AURA
instruments. The Predictive Mean Matching (PMM) method was used to complete the missing
data of UV Index. The results mean squared error (MSE) between the observed UV index and
interpolated data by model was of 0.36 and for extrapolation was of 0.30 with correlations of
0.90 and 0.91 respectively. The forecast/extrapolation performed by model for a
climatological period (2012-2042) indicated a trend of increased UV (Seasonal Man-Kendall
test scored τ = 0.955 and p-value < 0.001) if the Total Ozone remain on this tendency to
reduce. In those circumstances, the model indicated an increase of almost one unit of UV
index to year 2042.
KEYWORDS
UV flux, Dynamic Linear Regression model, Seasonal Man-Kendall test, mean squared error,
residuals.
82
1. INTRODUCTION
The modeling of Ultraviolet Radiation (UV) and its index (UV Index or UVI) is
important, among other reasons; due to lack of information on these variables and small
number of stations [1] -[3] . This fact leads researchers to invest in development of
computational, physical, statistical and stochastic models to estimate or forecast/projections
of UV/UVI [4] [5].
In Brazil, some statistical models for UV-UV Index were validated and performed by
researchers [6] built statistical models and artificial neural networks to estimate UV and
obtained a mean square error of less than 5%. Researchers of Center for Weather
Forecasting and Climate Studies, National Institute for Space Research (INPE/CPTEC) [7]
conducted a study on the estimates of the radiative transfer model UVSIM (Ultra-Violet
SImplified Model) to analyze the effect of cloud in UV Index. The results showed a high
correlation model (0.8) with observed values. In this model the input parameters are the
coordinates of UVSIM time (hour, day), geographic (latitude, longitude), cloud cover and
Ozone concentration estimated by instrument OMI (Ozone Monitoring Instrument) of
satellite AURA/NASA. Finally, the model UVGAME (UV Global Atmospheric Model) was
used in research on the variations UV Index and regional and seasonal distribution of the
number of cases of skin cancer and the skin color of the population in Brazil [8].
Internationally, the historical anthropogenic changes in the surface all-sky UV-B
radiation through 1850-2005 are evaluated by analyzing the CMIP5 transient historical
simulations performed with MI-ROC-ESM-CHEM were the researchers studied [5] . The
results of the study have indicated that changes in ozone transport in the lower stratosphere,
which is induced by increasing greenhouse gas concentrations, increase ozone concentration
in the extra tropical upper troposphere and lower stratosphere. These transient changes work
to decrease the amount of UV-B reaching the Earth’s surface, counteracting the well-known
effect increasing UV-B due to stratospheric ozone depletion, which developed rapidly after
1980.
The research [9] conducted an analysis by 13 models used in prediction schemes for
UV Index, including simple regression. The models had parameters like location data, Total
Ozone column and solar zenith angle. The authors considered that the differences between
the models were derived from treatment of unknown input parameters, especially aerosols.
In other research [4] used data from the period 1976-2006 and a regression model to
establish a statistical relationship between UV and content ozone, global solar radiation and
83
cloud cover at different scales of time and explanatory variables in order to reduce the
standard error. Others Researchers [10] established a statistical relationship between Total
Ozone, solar zenith angle and UV irradiance. Modeling of UV and problems on the radiative
transfer in clear and turbid environments were described by [11]. The researchers of
European Communities [12] emphasizes that prediction methods vary in simple statistical
methods used to certain times and local until robust methods to forecast some hours to
several days, either for all sky or clear conditions sky. The accuracy of forecasts of UVI is
mainly limited by the quantity and quality of input data. Finally, [12] explains that in future
the data assimilation of large-scale ground-based observations of Total Ozone, aerosol and
cloud cover through satellite should considerably improve accuracy for models.
This study presents the proposal to apply an autoregressive distributed lag model
(ADL) or Dynamic Linear Regression model. This is a linear regression model involving
time series that includes current and past values of the variable under study and explanatory
variables with or without time lags [13] [14] . It is used when there is a dependency structure
between these variables. These models have been used in the past in the environmental field
[15] and dynamic regression models are widely used because they express and model the
behaviour of a system over time [16]. Since the variables of the model are indexed by time
and since there are lags in both exogenous and dependent variables, then the ADL model
should be used [15].
The ADL model can be well utilized to make forecasts/projections (extrapolation). In
this study, UV Index is response variable and Total Ozone is explanatory variable. It is
worth noting that the more current information is of greater importance to improve forecasts
[17] .
The modeling of UV/UV Index and its use for forecasts/projections is important due
to increase in Flow of Ultraviolet Radiation (FUV) on the surface of the Earth. Researchers
like [18]-[20] have warned of an increase in biologically active ultraviolet radiation
(erythemal dose) due to decreasing levels of stratospheric ozone.
Ozone is the component responsible in absorb the UV in earth’s atmosphere,
preventing it to come fully to the surface of the Earth. The reduction in the quantity (Total
Ozone column or Total Ozone) it is the main cause for the increase of UV and brings
impacts on nature and human health [8] [20] [21] . The Global Total Ozone average from
2005 to 2009 is around 3.5% below that recorded in the period 1964-1980. The changes in
this variable occurred since 1970 (base year) to 2010, in which there is a reduction of 3%
[20] [21].
84
The researchers [22] analyzed the effects of climate change on the ozone layer using
climate models. The models indicated an accelerated circulation in the stratosphere with
changes in the spatial distribution of tropospheric and stratospheric ozone. The authors
showed that, in future scenarios of the IPCC (until 2095), the UV Index would change with
clear skies, with a 9% reduction in high northern latitudes and increases of 4% in the tropics
and up to 20% at high latitudes of the south, during late spring and early summer. The
results suggest that climate change will alter the balance of tropospheric ozone and UV
Index, which would have consequences for radiative forcing in the troposphere, air quality
and human health and ecosystems, however the amount of ozone in the atmosphere is
recuperating as the result of the Montreal Protocol, in force since 1989 [21] -[23] .
In Northeast Brazil (NEB) there is an increase of Flow Ultraviolet Radiation (FUV)
[16]. This fact has motivated this study, whose goal is to build a forecasting model of UV
Index in city of Natal, capital of state Rio Grande do Norte, located in the NEB.
This article aims to conduct modeling, using ADL model, for variability of UV Index
in city of Natal, east coast of the Brazilian Northeast, a function of Total Ozone and perform
predictions (interpolation), forecasts/ projections (extrapolation) and trend analysis,
collaborating to understand the issues presented.
2. MATERIAL AND METHODS
2.1 STUDY AREA
Natal is a tourist town with beautiful beaches and 853,928 inhabitants [24] located in
east coast of NEB between the sea (South Atlantic) and the right bank of the River Potengi
near the equator (5˚45'54''S and 35˚12'05''W). The city is called by its inhabitants of “Sun
City” [25] due to the great sunlight related to the intensity of solar radiation and total annual
insolation of 2968.4 hours [26]. The “Sun City” has problems of non-melanoma skin cancer
rates above the regional average for women (54%) and men (87%) [27].
In this city the UV Index is classified as “extreme” from October to April and “very
high” from May to August. The annual variability has a characteristic in September and
October that consists of stabilization and reduction in UV Index because of highest
concentration of Total Ozone and increased presence of marine aerosols [28]. The annual
UV Index average observed for the period was 11 (±1.0). In the daily cycle, the maximum
UV Index occurs around 11:20 am, classified as “high” starting from 9:00 am local time
(time zone GMT-03) to 10:00 am achieves intensity considered “too high” [29].
85
2.2 UV INDEX-FORMULATION
The UV index describes the intensity of UV in relation to its photo-biological effect
[1] being defined by equation 1.0:
400nm
UV index =K er

E λ Ser  λ  dλ,
(1)
250nm
in which Eλ is the spectral irradiance expressed in Wm-2nm-1 to the wavelength λ and dλ it is
the wavelength range used in the integral calculus. Ser is the reference action spectrum
erythema and Ker is a constant equal to 40 m2W-1.
The UV index was proposed by the World Health Organization (WHO) [1] based on
the reference spectrum of action erythema of [30].
2.3 DATA FOR UV INDEX AND TOTAL OZONE COLUMN
The daily data (2001-2012) of UV Index were measured in the surface by: 1)
Radiometer GUV (Ground-based Ultraviolet Radiometer) [31] installed in Laboratory of
Tropical Environmental Variables of National Institute for Space Research/Center Regional
of Northeast (INPE/CRN/LAVAT) and 2) Sensor Model UV-6490 of Meteorological
Station Davis installed at the Laboratory of Hydraulic Machines and Solar Energy in
Technology Center of University Federal of Rio Grande of Norte (UFRN/LMHES). The
daily maximum of UV Index was collected on interval of 11h - 13h, independent of sky
conditions.
A set of daily data (2001-2012) of total ozone (DU units) was collected at TOMS
(Total Ozone Mapping Spectrometer) e OMI (Ozone Monitoring Instrument), available in
http://avdc.gsfc.nasa.gov/. The spectrometer TOMS is atmospheric sensor has been flying
on different missions within NASA’s Earth Probes Program. The objective is to extend the
global ozone data set that began in 1978 with the flight of TOMS on NIMBUS-7. The end of
the operation occurred in 2005 when he worked on the platform Terra Probe [32]. The
instrument OMI was launched in July 2004 on board EOS-Aura. OMI monitors the recovery
of the ozone layer in response to the phase out of chemicals, such as CFCs. Together with its
companion instruments MLS and HIRDLS it will measure criteria pollutants such as O3,
NO2, SO2 and aerosols [33].
86
2.4 COMPLETING THE MISSING DATA
The presence of missing data on UV Index series and the need to complete time series
for stochastic models was applied multiple imputation technique for each group of same
month, using Predictive Mean Matching method (PMM) [34] [35] placed in MICE package
(Multivariate imputation by Chained Equations) in the R software free, available at
http://www.r-project.org/ [36] . The software MICE used allowed program their own
imputation function, while at the same time it supports a variety of imputation methods [37].
The PMM method is an imputation method that combines parametric and
nonparametric techniques. It imputes missing values by means of the Nearest Neighbour
Donor where the distance is computed on the expected values of the missing variables
conditional on the observed covariates, instead of directly on the values of the covariates [38].
The PMM is a variant of linear regression that determines an imputed value calculated by the
regression model closest to the observed value [39] [40]. The PMM consider the following
formulation (equation 2) for each i missing in Y
ˆ obs = {Y
ˆ obs = X β* ; i  obs (Y) }, (2)
Y
i
i
Consider X a variable without missing data,Ŷi obs the group of observed values; and
Ŷi*=X´i .β*, one obtains Ŷobs found as the nearest observation Yi*.
There are a number of imputation methods: simple imputation methods, regression
imputation, hot deck imputation methods, distance function matching. PPM method is
considered to be the most accurate, since it combines elements of regression, nearest-neighbor
and hot deck imputation [41] and is characterized as a general purpose method [42].
PPM can overcome the difficulties of both parametric and nonparametric imputation
techniques, given the fact that parametric techniques may fail when the model is not suitable
for the available data and nonparametric techniques require high amount of observations [38].
The PMM application results were promising for monthly scale when compared with
the original data [43] [44], although performance of the predictive mean method varies
considerably with the predictive power of the imputation regression model and the percentage
of cases with missing data on income [45].
The procedures for filling the missing values using the method of PMM must follow
the criteria: data are monthly and the regression model was applied to each group of same
months (same name) of full data series [39] [40], because the use of locally adjusted PMM
method provides reduced bias [46].
87
2.5 AUTOREGRESSIVE DISTRIBUTED LAG MODEL (ADL)
The ADL is a parametric model that combines the dynamics of time series and the
effect of explanatory variables. It consists of stochastic regression involving time series that
includes current and past values of the variable under study and explanatory variables,
including lags [13] [14] [47] . This model uses the notation ADL (pj, p), wherein pj and p
indicate the lag order of the variables or variable, respectively, dependent and independent
[14]. General representation of the model is defined by equation (3):
yt = β0 + j=1 i=1j β ji x jt - i +i=1i yt - i +  t , (3)
k
q
p
in which: yt: dependent variable in time t; β0: a constant; yt‒i the dependent variable in
t ‒ i; xjt‒I is the jth independent variable in t ‒ i, by i = {1, …, pj} e j = {1,… p}; βji: coefficient
of the jth independent variable in t ‒ i; fi: coefficient of the dependent variable in t ‒ i;
εt random residual [13] [14] [48].
The method of Ordinary Least Squares was used to estimate the parameters in the
model: β0representing the intercept and β1, β2, …, βn are the angular coefficients [49] [50] . In
the model proposed in this study, yt refers to UV Index at time t and xt was considered the
Total Ozone at time t.
In applications of ADL model, the residual error must meet the following
assumptions: the errors εtare random and independent variables following a normal
distribution: εt ~ N (0, σ2) with zero mean, and constant variance (σ2) (homoscedasticity) [51].
The Kolmogorov-Smirnov and Shapiro-Wilk tests were used to verify the normality
assumption [52]. The homoscedasticity assumption was measured using the Breusch-Pagan
test [53] [54].
The F test was used to test the significance of the regression equation and t-test to
measure contribution of explanatory variable [55] [56]. In this study was applied 5%
significance for the tests.
There are a number of distributed lag models and the selection of the appropriate one
consists in specifying the lag length correctly [16]. The ADL model includes lagged values of
both independent and dependent variables and was chosen due to the fact that: 1) it is not so
strict, as geometric lag models or finite distributed lag models and 2) it is a general form that
can capture the current and lagged effects of an independent variable over the dependent [16].
In this study the Cross-Correlation Function (CCF) was used to determine the number
of lags between UV Index and Total Ozone for considered on the ADL model [57] [58] . The
88
autocorrelation function (ACF) was applied to the original series of variability of UV Index in
order to verify the seasonality and non-stationarity this series [58].
Box-Pierce test [59] and Durbin-Watson test [60] [61] were applied to assess the
independence of errors.
The calculations and results were obtained through the procedures performed by the R
software free [62] [63] and package dynlm (Dynamic Linear Models and Time Series
Regression) authored by [64].
2.6 TREND ANALYSIS
The Mann-Kendall test nonparametric [65] was applied with 95% statistical
significance to analyze the trend of the number and intensity of UV Index. This test compares
each value of the temporal series with the remaining values in sequential order, counting the
number of times that the remaining terms are greater than the analyzed value [66]. This test is
the most appropriate method to analyze weather tendencies in climatological series and has
been used to calculate climatic tendencies [67] - [69]. In applying the Mann-Kendall test, we
used the package SeasonalMannKendall (Mann-Kendall trend test for monthly environmental
time series) in library of software R [70] [71].
3. RESULTS AND DISCUSSIONS
a. DESCRIPTIVE STUDY
The variability and monthly and annual average of UV Index and Total Ozone are
presented in Figure 1 and Table 1. The average annual of UV Index is 11 and for Total Ozone
are 264.8 UD. The colors in the graph of UV Index are associated with the categorization of
risk of the WHO. The UV index reaches the value classified as “extreme” (color violet) in
seven months of the year, between spring and summer.
The annual variability of the UV Index in city of Natal has a stabilization/reduction in
September e October as associated with a higher ozone concentration [28]. This feature was
observed in this data series, as shown in Figure 1.
89
Figure 1– Boxplot by variability of the monthly UV Index (a) and total ozone (b) to Natal-RN
for period 2001-2012.
Source: INPE/CRN-LMHES/UFRN and TOMS-OMI/AURA
The annual variability of the UV Index in city of Natal has a stabilization/reduction in
September e October as associated with a higher ozone concentration [28]. This feature was
observed in this data series, as shown in Figure 1.
Table 1 - UV index and Total Ozone in the city of Natal (monthly and annual average for
2001‒2012).
Month
UV
index
Total
ozone
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec
11.8
12.7
12.6
11.5
10.2
8.8
8.8
10.3
10.6
11.6
11.8
11.1
259.9 259.3 262.5 259.0 256.1 257.7 264.3 270.7 278.6 275.9 269.7 263.6
Source: INPE/CRN/LAVAT-LMHES/UFRN and TOMS-OMI/AURA
b. COMPLETING THE DATA DAILY OF UV INDEX.
There missing data in 13 months of total of 144, corresponding to 9.03% of the total
number of observations. The process of multiple imputations through PMM was used to
completing the missing data. The Figure 2 shows the time series of UV Index with data filled
by method PMM and Total Ozone (simultaneously).
In the series very high UV Index values were observed in three periods, February 2005
and 2007 with 13.7 (252.6 DU) and 13.5 (250.5 DU) respectively and March 2010 with 13.6
90
(248.4 DU). The high values were coincident with low levels of Total Ozone. This study did
not assess the causes of the extreme values of UV Index, however in Figure 2 identified that
the low values of Total Ozone was associated with these measures.
Figure 2 – Time series of UV Index X Ozone total (vertical lines in green) for period 20012012 in City of Natal-RN.
3.2. MODELING IN UV INDEX
The ADL model final was adjusted with historical values (period 2001-2011) of UV
Index considering a lag 1, 4, 7 and 12 to capture seasonality. The signal of Total Ozone
(explanatory variable) was used without and with lag 2. This ADL (4, 1) is represented by
coefficients in Table 2.
The significance of regression equation was confirmed through of F test (F = 80.61
and p-value < 0.001).
Table 2 - Coefficient regression (Coeff), Standard Error (SE) and p-value for ADL Model.
Variable
Intercept
Total ozone
Total ozone (lag 2)
UV index (lag 1)
UV index (lag 4)
UV index (lag 7)
UV index (lag 12)
Coeff
SE
p-value
10.106
2.413
<0.001
0.028
0.009
0.001
-0.040
0.008
<0.001
0.377
0.059
<0.001
-0.265
0.057
<0.001
-0.241
0.063
<0.001
0.496
0.070
<0.001
A regression model is accepted if the residuals are standardized and homoscedastic.
The Figure 3 shows graph of residuals (on top) and graphs for analysis of variance and
91
normality. The normality of residuals was confirmed by Kolmogorov-Smirnov test (KS) (pvalue = 0.76) and by Shapiro-Wilk test (SW) (p-value = 0.40).
The
Breusch-Pagan
test
(p-value
=
0.86)
confirmed
the
hypothesis
of
homoscedasticity of residuals. The Box-Pierce test indicated independence of residuals (pvalue = 0.07) together with Durbin-Watson test (p-value < 0.001).
Figure 3 ‒ Graphs for Diagnostic of Residuals of model ADL (4, 1).
3.3. VALIDATION OF MODEL ADL
The Figure 4(a) shows the UV Index observations and predicted values (interpolated)
for the years 2002‒2011 by the model ADL.
The ADL model presented good results for the interpolation with a mean squared error
(MSE) of 0.36 and correlation of 0.90 between the interpolated data and observed of UV
Index and MSE of 0.30 and correlation of 0.91 for extrapolation (forecast to 2012) in Figure
4(b). These results were considered appropriate and validated the model to make forecasts.
3.4 TREND ANALYSIS OF UV INDEX AND TOTAL OZONE.
The trend study for UV Index and total ozone in observed period occurred through the
Seasonal Man-Kendall test. Was identified stability in UV levels (τ = −0.009 and p-value =
0.896) and a downward trend in the levels of total ozone (τ = −0.302 and p-value < 0.001).
The Figure 5 shows the time series with lowess smooth.
92
The projection performed by model for a period climatological (2012-2042) indicated
a trend of increased of UV (τ = 0.955 and p-value < 0.001) whereas total ozone remain on this
trend. The current average annual of UV Index is 11.0, however the model predicts a rise in
2042 for average of 11.8, an increase of almost one unit of the UV Index. At present the
amount of ozone in the atmosphere is recuperating [2] [5] and must change this trend.
Figure 4 - (a) UV Index data observed (black) and prediction or interpolation (blue) for the
ADL model for the city of Natal for period 2001‒2011. (b) Observations of UV Index (red),
interpolation data by model (black), forecast values for 2012 (blue) and confidence interval
(orange).
(a)
(b)
Figure 5 – The time series plot with lowess smooth for UV Index (a) and Total Ozone (b) for
the period observed.
(a)
(b)
93
7. FINAL CONSIDERATIONS
In constructing the model ADL (4, 1) it was observed the MSE and correlation for
interpolated and extrapolated data and UV index observed were considered appropriate for
validated the model. In model was observed the hypothesis of normality and homoscedasticity
of residues, fact that can provide errors in estimates of regression coefficients and the general
applicability of the model if not confirmed. Furthermore, the residues were random variables
with zero mean and independents.
These results are related to the characteristic of the ADL model to combine the signal
autoregressive with explanatory variables and the possibility of introducing lags. In the study,
the UV Index model was built with a single explanatory variable, the Total Ozone along with
the auto-regressive signal of UV Index. In future study can introduce relevant variables such
as aerosols.
Finishing, it is noteworthy that there is a scenario of increasing the flow of Ultraviolet
Radiation on Earth's surface and introducing of models to forecasting and projection for UV
Index can collaborate on preventive actions.
5. ACKNOWLEDGEMENTS
This work was supported by the CNPq, National Council for Scientific and
Technological Development, Brazil: via the Doctor Sandwich—SWE/CsF (246611/2012-0)
and projects “ATMANTAR”-MCTI/PROANTAR/CNPq (520182/2006-5) and “A Atmosfera
Antártica, Conexões e Impactos Ambientais na América do Sul”, INCT-APA,
MCTI/PROANTAR/CNPq (574018/2008-5).
The author thanks the State University of Bahia by financial support during the PhD of
PPGCC/UFRN and to Federal Institute of Education, Science and Technology of Bahia by
study leave.
6. REFERENCES
[1] World Health Organization and International Commission on Non-Ionizing Radiation
Protection (2002) Global Solar UV Index: A Practical Guide.
[2] WMO, World Meteorological Organization (1998) Report of the WMO-WHO Meeting of
Experts on Standardization of UV Indices and Their Dissemination to the Public.
[3] Lee-Taylor, J. and Madronich, S. (2007) Climatology of UV-A, UV-B, and Erythemal
Radiation at the Earth’s Surface, 1979-2000. National Center for Atmospheric Research,
Boulder.
94
[4] Borkowski, J.L. (2008) Modelling of UV Radiation Variations at Different Time Scales.
Annales Geophysicae, 26,441-446. http://dx.doi.org/10.5194/angeo-26-441-2008
[5] Watanabe, S., Takemura, T., Sudo, K., Yokohata, T. and Kawase, H. (2012)
Anthropogenic Changes in the Surface All-Sky UV-B Radiation through 1850-2005
Simulated by an Earth System Model. Atmospheric Chemistry and Physics, 12, 5249-5257.
http://dx.doi.org/10.5194/acp-12-5249-2012
[6] Leal, S.S., Tíba, C. and Piacentini, R. (2011) Daily UV Radiation Modeling with the
Usage of Statistical Correlations and Artificial Neural Networks. Renewable Energy, 36,
3337-3344. http://dx.doi.org/10.1016/j.renene.2011.05.007
[7] Costa, S.S., Rodrigues, M., Ceballos, J. and Corrêa, M.P. (2010) Índices de Radiação
Ultravioleta: Estudo Comparativo entre Modelo de Transferência Radiativa e Observações à
Superfície. Proceedings of the 16th Brazilian Congress of Meteorology, Belém, 13-17
September 2010.
[8] Corrêa, M.P. and Plana-Fattori, A. (2006) Uma análise das variações do índice ultravioleta
em relação às observações de conteúdo de ozônio e da espessura óptica dos aerossóis sobre a
cidade de São Paulo. Revista Brasileira de Meteorologia, 21, 24-32.
[9] De Backer, H., Koepke, P., Bais, A., de Cabo, X., Frei, T., Gillotay, D. and Vanicek, K.
(2001) Comparison of Measured and Modelled UV Indices for the Assessment of Health
Risks.
Meteorological
Applications,
8,
267-277.
http://dx.doi.org/10.1017/S1350482701003024
[10] Fioletov, V.E., Kerr, J. and Wardle, D.I. (1997) The Relationship between Total Ozone
Column and Spectral UV Irradiance from Brewer Observations and Its Use for Derivation of
Total Ozone Column from UV Measurements. Geophysical Research Letters, 24, 2997-3000.
http://dx.doi.org/10.1029/97GL53153
[11] Zerefos, C. (1997) Factors Influencing the Transmission of Solar Ultraviolet Irradiance
through the Earth’s Atmosphere. In: Solar Ultraviolet Radiation, Springer, Berlin, 133-141.
http://dx.doi.org/10.1007/978-3-662-03375-3_9
[12] Vanicek, K., Frei, T., Litynska, Z. and Schmalwieser, A. (2000) UV-Index for the Public.
Publication of the European Communities, Brussels.
[13] Pankratz, A. (2012) Forecasting with Dynamic Regression Models. Vol. 935, John Wiley
& Sons, Hoboken.
[14] Kiviet, J.F. and Dufour, J.M. (1997) Exact Tests in Single Equation Autoregressive
Distributed
Lag
Models.
Journal
of
http://dx.doi.org/10.1016/S0304-4076 (97)00048-1
Econometrics,
80,
325-353.
95
[15] Ravines, R.R., Schmidt, A.M. and Migon, H.S. (2006) Revisiting Distributed Lag
Models through a Bayesian Perspective. Applied Stochastic Models in Business and Industry,
22, 193-210. http://dx.doi.org/10.1002/asmb.628
[16] Diniz, C.A.R., Rodrigues, C.P., Leite, J.G. and Pires, R.M. (2014) A Bayesian
Estimation of Lag Lengths in Distributed Lag Models. Journal of Statistical Computation and
Simulation, 84, 415-427. http://dx.doi.org/10.1080/00949655.2012.712972
[17] Buss, G. (2009) Economic Forecasts with Bayesian Autoregressive Distributed Lag
Model:
Choosing
Optimal
Prior
in
Economic
Downturn.
http://epp.eurostat.ec.europa.eu/cache/ITY_PUBLIC/EWP-2011-006/EN/EWP-2011-006EN.PDF
[18] Madronich, S., McKenzie, R.L., Björn, L.O. and Caldwell, M.M. (1998) Changes in
Biologically Active Ultraviolet Radiation Reaching the Earth’s Surface. Journal of
Photochemistry and Photobiology B: Biology, 46, 5-19.
[19] Herman, J.R. (2010) Global Increase in UV Irradiance during the Past 30 Years (19792008) Estimated from Satellite Data. Journal of Geophysical Research: Atmospheres (19842012), 115, Article ID: D04203. http://dx.doi.org/10.1029/2009JD012219
[20] Herman, J.R., Labow, G., Hsu, N.C. and Larko, D. (2009) Changes in Cloud and Aerosol
Cover (1980-2006) from Reflectivity Time Series Using SeaWiFS, N7-TOMS, EP-TOMS,
SBUV-2, and OMI Radiance Data. Journal of Geophysical Research: Atmospheres (19842012), 114. http://dx.doi.org/10.1029/2007JD009508
[21] Fahey, D.W. and Hegglin, M.I. (2011) Twenty Questions and Answers about the Ozone
Layer: 2010 Update. Scientific Assessment of Ozone Depletion, World Meteorological
Organization, Geneva, 72 p.
[22] Hegglin, M.I. and Shepherd, T.G. (2009) Large Climate-Induced Changes in Ultraviolet
Index and Stratosphere-to-Troposphere Ozone Flux. Nature Geoscience, 2, 687-691.
http://dx.doi.org/10.1038/ngeo604
[23] World Meteorological Organization (2011) Scientific Assessment of Ozone Depletion:
2010. Global Ozone Research and Monitoring Project-Report No. 52, 516 p, World
Meteorological Organization, Geneva.
[24] Instituto Brasileiro de Geografia e Estatística (2013) BRASIL, IBGE, Estimativa
Populacional
2013,
Instituto
Brasileiro
de
Geografia
e
Estatística,
2013.
http://www.ibge.gov.br/
[25] Furtado, E.M. (2005) A onda do turismo na cidade do sol: A reconfiguração urbana de
Natal. Dissertação, UFRN, Natal, Brasil.
96
[26] Instituto Nacional de Meteorologia-INMET (2009) Normais Climatológicas do Brasil
1961-1990. Brasília.
[27] Instituto Nacional de Câncer-INCA (2011) Estimativa 2012-Incidência de Câncer no
Brasil, Ministério da Saúde do Brasil.
[28] Lopo, A.B., Spyrides, M.H.C., Lucio, P.S. and Sigró, J. (2013) Ozone and Aerosol
Influence on Ultraviolet Radiation on the East Coast of the Brazilian Northeast. Atmospheric
and Climate Sciences, 4, 92-99. http://dx.doi.org/10.4236/acs.2014.41012
[29] Da Silva, F.R. (2008) Estudo da radiacão ultravioleta na cidade de Natal-RN. Doctoral
Dissertation, Universidade Federal do Rio Grande do Norte.
[30] McKinlay, A.F. and Diffey, B.L. (1987) A Reference Action Spectrum for Ultraviolet
Induced Erythema in Human Skin. CIE Journal, 6, 17-22.
[31] Biospherical Instruments (2013) Application Note: GUV Diffey Dose Calculations.
http://www.biospherical.com/
[32] Bramstedt, K., Gleason, J., Loyola, D., Thomas, W., Bracher, A., Weber, M. and
Burrows, J.P. (2003) Comparison of Total Ozone from the Satellite Instruments GOME and
TOMS with Measurements from the Dobson network 1996-2000. Atmospheric Chemistry and
Physics, 3, 1409-1419. http://dx.doi.org/10.5194/acp-3-1409-2003
[33] Team O.M.I. (2013) Ozone Monitoring Instrument (OMI) Data User’s Guide.
http://avdc.gsfc.nasa.gov/
[34] Rubin, D.B. (2009) Multiple Imputation for Nonresponse in Surveys. Vol. 307, John
Wiley & Sons, Hoboken.
[35] Rubin, D.B. and Little, R.J. (2002) Statistical Analysis with Missing Data. John Wiley &
Sons, Hoboken.
[36] van Buuren, S. and Groothuis-Oudshoorn, K. (2011) Mice: Multivariate Imputation by
Chained Equations in R. Journal of Statistical Software, 45.
[37] Horton, N.J. and Kleinman, K.P. (2007) Much Ado about Nothing. The American
Statistician, 61, 79-90. http://dx.doi.org/10.1198/000313007X172556
[38] Di Zio, M. and Guarnera, U. (2009) Semiparametric Predictive Mean Matching. AStA
Advances in Statistical Analysis, 93, 175-186. http://dx.doi.org/10.1007/s10182-008-0081-2
[39] Li, K.H., Raghunathan, T.E. and Rubin, D.B. (1991) Large-Sample Significance Levels
from Multiply Imputed Data Using Moment-Based Statistics and an F Reference Distribution.
Journal
of
the
American
Statistical
Association,
86,
1065-1073.
http://dx.doi.org/10.1080/01621459.1991.10475152
[40] Schafer, J.L. (1997) Analysis of Incomplete Multivariate Data. CRC Press, Boca Raton.
97
http://dx.doi.org/10.1201/9781439821862
[41] Durrant, G.B. (2005) Imputation Methods for Handling Item-Nonresponse in the Social
Sciences: A Methodological Review. ESRC National Centre for Research Methods and
Southampton Statistical Sciences Research Institute. NCRM Methods Review Papers
NCRM/002.
[42] Vink, G., Frank, L.E., Pannekoek, J. and Buuren, S. (2014) Predictive Mean Matching
Imputation
of
Semicontinuous
Variables.
Statistica
Neerlandica,
68,
61-90.
http://dx.doi.org/10.1111/stan.12023
[43] Horton, N.J. and Lipsitz, S.R. (2001) Multiple Imputation in Practice: Comparison of
Software Packages for Regression Models with Missing Variables. The American Statistician,
55, 244-254. http://dx.doi.org/10.1198/000313001317098266
[44] Kenward, M.G. and Carpenter, J. (2007) Multiple Imputation: Current Perspectives.
Statistical
Methods
in
Medical
Research,
16,
199-218.
http://dx.doi.org/10.1177/0962280206075304
[45] Landerman, L.R., Land, K.C. and Pieper, C.F. (1997) An Empirical Evaluation of the
Predictive Mean Matching Method for Imputing Missing Values. Sociological Methods &
Research, 26, 3-33. http://dx.doi.org/10.1177/0049124197026001001
[46] Okamoto, M. (2006) Bias-Reduced Multivariate Computation: Use of the Locally
Adjusted
Predictive
Mean
Matching
Method.
http://www.amstat.org/sections/srms/proceedings/y2006/Files/JSM2006-000044.pdf
[47] Makridakis, S., Wheelwright, S.C. and Hyndman, R.J. (1998) Forecasting: Methods and
Applications. 3rd Edition, Wiley, New York.
[48] Song, H., Witt, S.F. and Jensen, T.C. (2003) Tourism Forecasting: Accuracy of
Alternative Econometric Models. International Journal of Forecasting, 19, 123-141.
http://dx.doi.org/10.1016/S0169-2070(01)00134-0
[49] Faraway, J.J. (2004) Linear Models with R. CRC Press, Boca Raton.
[50] Seber, G.A. and Lee, A.J. (2012) Linear Regression Analysis. Vol. 936, John Wiley &
Sons, Hoboken.
[51] Cook, R.D. and Weisberg, S. (1982) Residuals and Influence in Regression. Chapman
and Hall.
[52] Verzani, J. (2004) Using R for Introductory Statistics. CRC Press, Boca Raton.
[53] Breusch, T.S. and Pagan, A.R. (1979) A Simple Test for Heteroscedasticity and Random
Coefficient Variation. Econometrica: Journal of the Econometric Society, 47, 1287-1294.
http://dx.doi.org/10.2307/1911963
98
[54] Conover, W.J., Johnson, M.E. and Johnson, M.M. (1981) A Comparative Study of Tests
for Homogeneity of Variances, with Applications to the Outer Continental Shelf Bidding
Data. Technometrics, 23, 351-361.http://dx.doi.org/10.1080/00401706.1981.10487680
[55] Neter, J., Kutner, M., Nachtssheim, C.J. and Wasserman, W. (1996) Applied Linear
Statistical Models. 4th Edition,WCB/McGraw-Hill, Boston, 791 p.
[56] Kutner, M.H. (1996) Applied Linear Statistical Models. Vol. 4, Irwin, Chicago.
[57] Helleseth, T. (1976) Some Results about the Cross-Correlation Function between Two
Maximal
Linear
Sequences.
Discrete
Mathematics,
16,
209-232.
http://dx.doi.org/10.1016/0012-365X(76)90100-X
[58] Shumway, R.H., Stoffer, D.S. and Stoffer, D.S. (2000) Time Series Analysis and Its
Applications. Vol. 3, Springer, New York. http://dx.doi.org/10.1007/978-1-4757-3261-0
[59] Box, G.E. and Pierce, D.A. (1970) Distribution of Residual Autocorrelations in
Autoregressive-Integrated Moving Average Time Series Models. Journal of the American
Statistical Association, 65, 1509-1526. http://dx.doi.org/10.1080/01621459.1970.10481180
[60] Durbin, J. and Watson, G.S. (1950) Testing for Serial Correlation in Least Squares
Regression. I. Biometrika, 37, 409- 428. http://dx.doi.org/10.1093/biomet/37.3-4.409
[61] Durbin, J. and Watson, G.S. (1951) Testing for Serial Correlation in Least Squares
Regression. II. Biometrika, 38,159-177.
[62] R Development Core Team. R (2005) A Language and Environment for Statistical
Computing. R Foundation for Statistical Computing, Vienna, Austria. http://www.Rproject.org
[63] Crawley, M.J. (2005) Statistics: An Introduction Using R. Wiley, New York, 342 p.
[64] Zeileis, A. (2009) Dynlm: Dynamic Linear Regression. R Package Version 0.2-3.
http://CRAN.R-project.org/package= dynlm
[65] Mann, H.B. (1945) Non-Parametric Test against Trend. Econometrica, 13, 245-259.
http://dx.doi.org/10.2307/1907187
[66] Kendall, M.G. (1975) Rank Correlation Methods. Charles Griffin, London, 120 p.
[67] Oliveira, P.T., Lima, K.C. and Silva, S. (2013) Synoptic Environment Associated with
Heavy Rainfall Events on the Coastland of Northeast Brazil. Advances in Geosciences, 35,
73-78. http://dx.doi.org/10.5194/adgeo-35-73-2013
[68] dos Santos, D.N., de PR da Silva, V., de AS Sousa, F. and Silva, R.A. (2010) Estudo de
alguns cenários climáticos para o Nordeste do Brasil. Revista Brasileira de Engenharia
Agricola e Ambiental-Agriambi, 14.http://dx.doi.org/10.1590/S1415-43662010000500006
99
[69] Hirsch, R.M., Slack, J.R. and Smith, R.A. (1982) Techniques of Trend Analysis for
Monthly
Water
Quality
Data.
Water
Resources
Research,
18,
107-121.
http://dx.doi.org/10.1029/WR018i001p00107
[70] McLeod, A.I. (2005) Kendall Rank Correlation and Mann-Kendall Trend Test. R
Package “Kendall”. http://www.stats.uwo.ca/faculty/aim
[71] Belle, G. and Hughes, J.P. (1984) Nonparametric Tests for Trend in Water Quality.
Water Resources Research, 20, 127-136. http://dx.doi.org/10.1029/WR020i001p00127
100
CONCLUSÕES
Esta tese, elaborada em quatro capítulos, apresenta nos três primeiros um estudo sobre
a variabilidade interanual e eventos extremos da UV nas capitais da costa leste do NEB,
analisando a influência das covariáveis ozônio total, aerossóis (AOD), radiação solar global,
cobertura de nuvens e ventos (velocidade e direção) sobre a UV.
A variabilidade interanual na cidade de Natal é apresentada no primeiro capítulo e traz
resultados referentes às medidas espectrais que indicaram níveis de intensidade de UVB e
índice UV maiores no 1º semestre do ano em comparação ao 2º semestre, em razão da maior
absorção de UVB pelo ozônio e dos maiores níveis de ozônio total no 2º período do ano.
Entre esses períodos ocorre a manutenção dos níveis da UVA. Esta conclusão foi possível
devido ao radiômetro multiespectral GUV que realiza medições em canais UVB e UVA.
Nesta cidade, durante sete meses do ano, o índice UV é considerado de risco “extremo” pela
WMO, ou seja, ≥ 11, nos horários entre 11 e 13h e em aproximadamente 80% dos dias nos
meses de verão atingem este índice. A média anual na cidade é igual a 11.
A análise descritiva e as técnicas de estatística multivariada Análise de Componentes
Principais e Agrupamento (Cluster), usadas nos dois primeiros capítulos, possibilitaram
inferir que nas cidades de Natal, João Pessoa e Recife ocorrem uma estabilização/redução do
índice UV nos meses de setembro e outubro em razão dos maiores valores anuais de ozônio
total e maior presença de aerossóis marinhos nesse período. Não se encontrou a descrição
desta característica na literatura científica e assim os autores denominaram de evento anual de
primavera da UV (EAP-UV), visto que ocorre no ínicio e durante esta estação. Nas demais
capitais da costa leste do NEB não foi configurado tal evento nesse período.
A limitação deste estudo ocorreu em relação às medidas na superfície da UV nas
capitais da costa leste da NEB, exceto a cidade de Natal, pois as demais cidades apresentaram
indisponibilidade e inexistência dos dados em canais espectrais. A existência de uma rede de
medidores de superfície da UV poderia confirmar e caracterizar o EAP-UV nas cidades de
João Pessoa e Recife e permitir uma ampliação da análise da variabilidade da UV nas demais
capitais da NEB.
A análise de episódios extremos de UV no NEB foi discutida no terceiro capitulo. A
metodologia consistiu no cálculo do percentil 95 para definir o valor extremo de UV nas
estações do ano na cidade de Natal (cidade de referência) e da análise de imagens obtidas no
OMI/AURA das variáveis: índice de UV, ozônio total e cobertura de nuvens em datas de
eventos extremos na cidade de referência.
101
Em Natal, considerando o período estudado e somente o verão, entre 11h e 13h, o
índice UV variou predominantemente entre 10 e 13 e valores extremos ocorreram a partir de
14,4 (percentil 95). Os valores extremos encontrados foram associados a ausência de nuvens e
níveis de ozônio total abaixo da média anual. As imagens de episódios extremos de índice UV
no Nordeste do Brasil mostraram que o evento extremo ocorrido na cidade de referência não
acontece em toda a região, devido à grande variabilidade espacial da cobertura de nuvens e
ozônio total.
Os resultados dos três primeiros capítulos são particularmente relevantes para as
cidades pesquisadas, pois destacam os altos níveis da UV no verão e em praticamente todas as
épocas do ano, além de eventos extremos na NEB, sinalizando uma das potenciais causas que
tornam as capitais da costa leste desta região, cidades com um número elevado de pessoas
com neoplasias de pele do tipo CPNM.
O último capítulo apresenta um diferencial em estudos de Modelagem em Clima e
Oceano (linha de pesquisa do PPGCC) e consiste da modelagem da variável UV, representada
pelo Índice UV no tempo t e o ozônio total na condição de variável explicativa, por meio do
modelo estocástico ADL (autoregressivo com defasagens distribuídas). Este modelo pode
realizar a predição (interpolação) e previsão/projeção (extrapolação) de uma variável
atmosférica, sendo sua aplicação e adequação ao campo ambiental justificada por
pesquisadores [22].
A determinação dos coeficientes (ajuste) do modelo ADL requer uma série completa
de dados, entretanto identificou-se a presença de falhas ou dados faltantes (missing data) em
aproximadamente 9% da série temporal do índice UV, incentivando o estudo de técnicas de
reconstrução de séries de dados e aplicação de um método de imputação múltipla denominado
método da média preditiva ou Preditive Mean Matching (PMM) que realizou o preenchimento
das falhas. A qualidade da imputação foi verificada através do teste Fligner-Killeen [23, 24]
que não rejeitou a hipótese nula (p >5%) de que a variância é homogênea entre os grupos de
dados imputados e não imputados.
Na construção ou ajuste do modelo ADL optou-se em um modelo simplificado com
uma única variável explicativa para o índice UV, no caso o ozônio total. O menor erro
quadrático médio entre as observações e os valores interpolados (2001 a 2011) e extrapolados
(2012) foi determinado por um modelo ADL (4, 1), com o índice UV defasado para um,
quatro, sete e doze meses e o ozônio total no tempo t e defasado somente para dois meses.
Para esse modelo foi observada a hipótese de normalidade e homocedasticidade dos resíduos,
fato que pode apontar erros nas estimativas de coeficientes de regressão e da aplicabilidade
102
geral do modelo se não confirmado. Além disso, os resíduos eram variáveis aleatórias
independentes com média zero.
No 4º artigo, além da modelagem foi realizado o estudo de tendência da série de índice
UV via teste de tendência Mann-Kendall Sazonal que mostrou uma estabilidade dos níveis de
UV e uma tendência de queda na quantidade de ozônio total no período de 2001 a 2012. A
verificação da tendência para uma projeção climatológica de 30 anos (2013 a 2042) feita via
modelo ADL (4, 1) indicou elevação de cerca de uma unidade do índice UV ao final deste
período, caso o nível de ozônio total mantenha essa tendência. O Protocolo de Montreal, em
vigor desde 1989, sinaliza uma recuperação na quantidade de ozônio na atmosfera e, caso isso
aconteça, esta projeção não deve ser confirmada, além disso, o aumento da UV pode ser
parcialmente compensado pelo aumento da cobertura de nuvens na troposfera e aerossóis no
Hemisfério Sul [1].
Em estudos futuros a inclusão de mais variáveis explicativas no modelo ADL, como a
cobertura de nuvens e aerossóis, deve proporcionar melhores resultados na previsão.
Finalizando, a modelagem estocástica via ADL realizou a interpolação e extrapolação
do índice UV de forma adequada, captando o nível e sazonalidade da variável e permitindo a
projeção e a análise de cenários futuros no quais se podem aplicar estudos de tendência, como
a realizada nesta tese.
Ressalta-se que a seleção do modelo ADL em relação a outros modelos de defasagem
autoregressivos dinâmicos ocorreu em função deste modelo não ser tão restrito e de forma
geral capturar os efeitos atuais e defasados da própria variável independente e da variável
explicativa, sendo fundamental a seleção correta e apropriada da defasagem (lag) para o
adequado ajuste dos coeficientes e/ou parâmetros do modelo [25]. Consequentemente, este
modelo mostrou-se apropriado para realizar previsões quando existe defasagem entre as
variáveis. Estas características permitem uma maior aplicação do modelo ADL na modelagem
de variáveis meteorológicas [26].
Concluindo, destaca-se que esta tese ampliou e aprofundou os conhecimentos da UV e
sua relação com o ozônio total, aerossóis, radiação solar global, nebulosidade e ventos na
cidade de Natal e capitais da costa leste da NEB, identificando o EAP-UV e sinalizando,
através da modelagem estocástica (modelo ADL), que caso seja mantida a tendência de queda
no ozônio total, haverá uma elevação dos níveis de UV na superfície da NEB.
103
REFERÊNCIAS
[1] HERMAN J.R. Global increase in UV irradiance during the past 30 years (1979–2008)
estimated from satellite data. Journal of Geophysical Research, vol. 115, p. 01-15, 2010.
[2] MADRONICH, Sasha et al. Changes in biologically active ultraviolet radiation reaching
the Earth's surface. Journal of Photochemistry and Photobiology B: Biology, v. 46, n. 1, p.
5-19, 1998.
[3] SILVA, APR de et al. Estimativa 2012: Incidência de câncer no Brasil. Ministério da
Saúde. Instituto Nacional do Câncer– INCA. Disponível em:< http://www. inca.
gov.br/estimativa/2012/index.asp, 2011.
[4] FAHEY, D. W., & HEGGLIN, M. I. (2010). Twenty Questions and Answers about the
Ozone Layer: 2010 Update. Scientific assessment of ozone depletion, 4-1.
[5] HERMAN, J. R. et al. Changes in cloud and aerosol cover (1980–2006) from reflectivity
time series using SeaWiFS, N7‐TOMS, EP‐TOMS, SBUV‐2, and OMI radiance
data. Journal of Geophysical Research: Atmospheres (1984–2012), v. 114, n. D1, 2009.
[6] LEE-TAYLOR, J.; MADRONICH, S. Climatology of UV-A, UV-B, and erythemal
radiation at the earth’s surface, 1979–2000. National Center for Atmospheric Research,
2007.
[7] MADRONICH, Sasha; DE GRUIJL, Frank R. Skin cancer and UV radiation. 1993.
[8] NORVAL, M. et al. The human health effects of ozone depletion and interactions with
climate change. Photochemical & Photobiological Sciences, v. 10, n. 2, p. 199-225, 2011.
[9] SAHAI, Y., KIRCHHOFF, V., LEME, N. M. Total ozone trends in the tropics. Journal of
Geophysical Research, v.105, n.D15, p. 19823-19823. EUA, 2000.
[10] KRZÝSCIN, J. UV controlling factors and trends derived from the ground-based
measurements taken at Belsk, Poland, 1976-1994. Journal of Geophysical Research, v. 101,
nº D11, p. 16797-16805, Jul. 1996.
[11] WORLD HEALTH ORGANIZATION et al. Global solar UV index: A practical guide.
2002.
[12] VANICEK, Karel et al. UV-Index for the Public. Publication of the European
Communities, Brussels, Belgium, 2000.
[13] GRANT, William B. A multicountry ecologic study of risk and risk reduction factors for
prostate cancer mortality. European urology, v. 45, n. 3, p. 271-279, 2004.
104
[14] HOLICK, Michael F. Vitamin D: importance in the prevention of cancers, type 1
diabetes, heart disease, and osteoporosis. The American journal of clinical nutrition, v. 79,
n. 3, p. 362-371, 2004.
[15] HOLICK, Michael F. The vitamin D epidemic and its health consequences. The Journal
of nutrition, v. 135, n. 11, p. 2739S-2748S, 2005.
[16] LÚCIO, PAULO SÉRGIO et al. Um modelo estocástico combinado de previsão sazonal
para a precipitação no Brasil. Revista Brasileira de Meteorologia, v. 25, n. 1, p. 70-87,
2010.
[17] SHUMWAY, Robert H.; STOFFER, David S.; STOFFER, David S. Time series
analysis and its applications. New York: Springer, 2000.
[18] PANKRATZ, A. Forecasting with dynamic regression models (Vol. 935). John Wiley
& Sons, 2012.
[19] KIVIET, J. F.; DUFOUR, J. M. Exact tests in single equation autoregressive distributed
lag models. Journal of Econometrics, 80(2), 325-353, 1997.
[20] RUBIN, D. B. Multiple imputation for nonresponse in surveys (Vol. 307). John Wiley
& Sons, 2009.
[21] RUBIN, D. B.; LITTLE, R. J. Statistical analysis with missing data. Hoboken, NJ: J
Wiley & Sons, 2002.
[22] R RAVINES, Romy; M SCHMIDT, Alexandra; S MIGON, Helio. Revisiting distributed
lag models through a Bayesian perspective. Applied Stochastic Models in Business and
Industry, v. 22, n. 2, p. 193-210, 2006.
[23] CONOVER, W.J; JOHNSON M.E; JOHNSON, M. M. A comparative study of tests for
homogeneity of variances, with applications to the outer continental shelf bidding data.
Technometrics 23, 351–361, 1981.
[24] TUSELL, F. Kalman Filtering in R. University of the Basque Country. Journal of
Statistical Software, Vol. 39, Issue 2.March 2011.
[25] DINIZ, Carlos Alberto Ribeiro et al. A Bayesian estimation of lag lengths in distributed
lag models. Journal of Statistical Computation and Simulation, v. 84, n. 2, p. 415-427,
2014.
[26] LOPO, Alexandre B. et al. Modelagem e tendência da temperatura média do ar da cidade
de Salvador-Bahia. Ciência e Natura, p. 28-30, 2013.
106
APÊNDICE
SCRIP PARA MODELO ADL EM
LINGUAGEM R
####Pacotes#######
require(dynlm)
require(tseries)
require(car)
require(verification)
require(MASS)
require(forecast)
require(TSA)# prewhiten
require(Kendall)
rm(list=ls(all=TRUE))
#####dados#############################
(dados=read.table(file="UV-IM-OZONE(0111).txt",header=T, dec=".",sep=""))
attach(dados)
names(dados)
ls(dados)
par(mfrow = c(1, 1))
boxplot(iuv~mês, xlab="Month",ylab="UV
index",cex.axis=1.5,xaxt="n",
col=(c("violet","violet","violet","violet","tomato",
"tomato","tomato","tomato","tomato","violet","violet","violet
")))
axis(at=1:12,labels=c("Jan","Feb","Mar","Apr","May","Jun","J
ul","Agu","Sep","Oct","Nov","Dec"),cex.axis=1.5,side=1,line=1,
cex=0.8)
boxplot(dados$tco3~mês,col="lightgreen",main="",xlab="M
onth",ylab="DU",cex.axis=1.5,xaxt="n")
axis(at=1:12,labels=c("Jan","Feb","Mar","Apr","May","Jun","J
ul","Agu","Sep","Oct","Nov","Dec"),cex.axis=1.5,side=1,line=1,
cex=0.8)
##########ESTUDO DESCRITIVO DAS VARIAVEIS
(dados1<-ts(dados,frequency=12, start=c(2001,1)))
#Renomeando variaveis
iuv1=dados1[, "iuv"]
tco31=dados1[, "tco3"]
#Plotanto IUV
par(mfrow = c(3, 1))
plot(iuv1, type="o",main=" IUV anual IUV (2001-11)")
boxplot(iuv~mês,col=8, main="IUV(2001-11)",
xlab="month",ylab="IUV",cex.axis=.7,xaxt="n")
axis(at=1:12,labels=c("Jan","Fev","Mar","Abr","Mai","Jun","Jul
","Ago","Set","Out","Nov","Dez"),side=1,line=0,cex=0.5)
boxplot(iuv~ano,col=8,main=" IUV anual IUV(2001-11)",
xlab="ano",ylab="IUV",cex.axis=.7)
summary(iuv)
sd(iuv)
##Dados de entrada
#Teste Normalidade IUV
par(mfrow = c(1, 2))
##Deve ser maior que 5% para ser normalizado
n=iuv
shapiro.test(n)
ls(shapiro.test(n))
(shapiro.test(n)$p.value)*100
#Teste Kolmogorov-Smirnoff
##Deve ser maior que 5% para ser normalizado
ks.test(n, "pnorm", mean(n), sd(n))
#Teste Q-Q normal
qqnorm(n, main="IUV")
qqline(n, col=2, main="IUV")
z=n
hist(z,freq=F)
d = seq(range(z)[1]-3*sd(z),range(z)[2]+3*sd(z),0.001)
lines(d,dnorm(d,0,sd(z)))
## Variável TCO3
par(mfrow = c(1, 2))
#Teste Normalidade OZONIO
##Deve ser maior que 5% para ser normalizado
n=tco3
shapiro.test(n)
ls(shapiro.test(n))
(shapiro.test(n)$p.value)*100
#Teste Kolmogorov-Smirnoff
##Deve ser maior que 5% para ser normalizado
ks.test(n, "pnorm", mean(n), sd(n))
#Teste Q-Q normal
qqnorm(n, main="Ozonio")
qqline(n, col=2)
z=n
hist(z,freq=F)
d = seq(range(z)[1]-3*sd(z),range(z)[2]+3*sd(z),0.001)
lines(d,dnorm(d,0,sd(z)))
###############Grafico das variaveis
par(mfrow = c(1, 2))
plot(iuv1, type="o",col="1", ylim=c(6,14),
main="IUV",xlab="ano", ylab="IUV")
plot(tco31, type="o",col="6", main="Coluna Total de
Ozônio",xlab="ano", ylab="UD")
##GRAFICO PARA ANALISAR IUV E OZONIO JUNTOS
par(mfrow = c(1, 1))
# Gráfico IUV e Ozonio
plot(iuv1,cex.axis=1.9, ylim = c(7, 14),ylab="UV
index",xlab="year", type ="o")
par(new=TRUE)
plot(tco31,cex.axis=1.7, ylim = c(230,300),xaxt = "n", axes=F,
lwd = 0.5, ylab="", xlab="year", type ="h",
col="chartreuse4",main="")
axis(4,ylim = c(230,300), col.axis = 1, col = 1)
box() #- to make it look "as usual
legend("bottom", legend = c("UV index",
"Ozone Total (UD)-right scale"), bty = 'n', pch
= c(1, 1), lty = 1,
col = c("1", "2"))
par(mfrow = c(1, 1))
# Gráfico IUV e Ozonio
plot(iuv1,cex.axis=1.9, ylim = c(7, 14),ylab="UV
index",xlab="year", type ="o")
par(new=TRUE)
plot(tco31,cex.axis=1.7, ylim = c(230,300),xaxt = "n", axes=F,
lwd = 0.3, ylab="UV index", xlab="year", type ="o",
col="2",main="")
axis(4,ylim = c(230,300), col.axis = 1, col = 1)
box() #- to make it look "as usual"
legend("bottom", legend = c("UV index",
"Ozone Total (UD)-right scale"), bty = 'n', pch
= c(1, 1), lty = 1,
col = c("1", "2"))
##########MODELOS CONTRUÇÃO##########
#Graficos de Dispersão
#####correlação simples e teste t
par(mfrow=c(1,1))
plot(tco3,iuv,ylab="CCF",xlab="lag",main="IUV x Ozonio")
cor(iuv, tco3)
cor.test(iuv, tco3)
var1=iuv
var2=tco3
plot(var2, var1, pch=16, col="4",xlab="Ozônio Total
(UD)",ylab="Índice UV", cex.axis=1.5)
abline(lm(var1 ~ var2),col=2,lty = 5,side=3,line=1,cex=1)
##########################################
#####correlação cruzada
par(mfrow=c(1,1))
#colocar IUV primeiro
par(mfrow = c(1,1))
ccf(iuv,iuv,ylab="CCF",xlab="Lag",main="UV Index x Uv
Index")
ccf(tco3, iuv,ylab="CCF",xlab="Lag",main="")
#Branqueamento
107
prewhiten(iuv,iuv,ylab="CCF",xlab="Lag",main="IUV x IUV")
prewhiten(iuv, tco3, ylab="CCF",xlab="Lag",main="UV Index
x Ozone total")
## ACF e PACF da série UV index####
par(mfrow=c(2,1))
min=acf(iuv,lag.max=12,plot=F,na.action=na.pass)
min$lag=min$lag*12
plot(min,main="",ylim=c(-0.5,1))
man=pacf(iuv,lag.max=12,plot=F,na.action=na.pass)
man$lag=man$lag*12
plot(man,main="",ylim=c(-0.5,1))
## Dynamic Linear Models-Regressão dinâmica ou
## autoregressive distributed lag (ADL) model
#obs: Para introduzir lag = 1, pode-se colocar
#apenas o L ou L(variavel, 1)
#Modelo- Todas as preditoras exceto tcdc e dswrf + vetor
autoregressivo de IUV(iuv)com lag 12
#Testes de modelos (somente modelo final)
(dfm14<- dynlm(iuv1 ~
tco3+L(tco31,2)+L(iuv1,1)+L(iuv1,4)+ L(iuv1,7)+L(iuv1,12),
data = dados1))
summary(dfm14)
################################
###Analise Residuos
#Modelo escolhido
dfm=dfm14
par(mfrow = c(1,1))
plot(dfm$residuals, ylab="Error",main="")
abline(h=0,v=0, col=2)
ls(dfm$residuals)
par(mfrow = c(2,2))
plot(dfm)
ls(dfm)
#Teste Kolmogorov-Smirnoff
##Deve ser maior que 5% para ser normalizado
ks.test(n, "pnorm", mean(n), sd(n))
#Teste Shapiro
##Deve ser maior que 5% para ser normalizado
n=dfm$residuals
shapiro.test(n)
#decompose(n)
#plot(decompose(n))
#Teste da independencia dos residuos
#The Box–Pierce (and Ljung–Box)
Box.test(dfm$residuals)
#Teste de Independencia dos erros(não existe
autocorrelação)
#Testamos a presença de autocorrelação por meio das
hipóteses
#Ho=não existe autocorrelação. Existe independência
#(O coeficiente de auto-correlação de primeira ordem dos
resíduos)é zero (p=0))
#H1 : (p=/= 0). H1=existe autocorrelação. Existe
dependência
#Teste de Durbin-Watson
durbinWatsonTest(dfm)
#########ANÁLISE DOS RESIDUOSHOMOCEDASTICIDADE
bptest(dfm, varformula = NULL, studentize = FALSE, data =
list(dados1))
##########################################
#
#Gráfico único
par(mfrow = c(1, 1))
plot(iuv1, type="l",pch=c(2), main="", ylab="UV Index",
xlab="year")
lines(fitted(dfm), col = 4, type="o")
legend("bottomleft",legend = c("Observations",
"Model"),
bty = 'n', pch = c(4, 1), lty = 1,
col = c("1", "4" ))
#Gráfico separados
par(mfrow = c(1, 1))
plot(iuv1, type="o", main="IUV observados X IUV Modelo
1",xlab="anos",ylab="IUV máx (média mensal)" )
lines(fitted(dfm), col = 4)#verde Modelo 2 com sazonalidade
autoregresiva
# diagnóstico do modelo ajustado
tsdisplay(fitted(dfm), main="IUV Modelo 1-análise ACF e
PACF", col="4")# analise da função de autocorrelação
##ANALISE DO MSE DOS valores preditos
fitted(dfm)# Modelo
#########
#Matriz com dados preditos do modelo
#Escrevendo a tabela
#write.table(fitted(dfm),file="PreditosIUV-modelo-2511.txt")
###Analise do Modelo X preditos
dadosPred=read.table("TabelaIUV+PreditivosModelo2511.txt",header=T,sep="")# entrada de dados
dadosPred
names(dadosPred)
attach(dadosPred)
#analise gráfica
par(mfrow = c(2, 1))
boxplot(iuv~ano,main="IUV variabilidade anualobservações",cex.axis=1.4,
xlab="month",ylab="IUV",xaxt="n")
axis(at=1:10,labels=c("2002","2003","2004","2005","2006","
2007","2008","2009","2010","2011"),side=1,line=0,cex=0.5,c
ex.axis=1.4)
boxplot(mod~ano,main=" IUV variabilidade anual-modelo",
xlab="ano",ylab="IUV",cex.axis=1.4)
#Analise do erro quadratico médio Modelo valor predito
forecast.ver <-verify(iuv, mod, frcst.type = "cont", obs.type =
"cont")
# ME: Mean error (CC)
# MSE: Mean-squared error (CC)
# MAE: Mean absolute error (CC)
forecast.ver$MAE
forecast.ver$MSE
forecast.ver$ME
cor(iuv, mod)
############# pacote forecast
#Grafico valores previstos (futuros)-12 month MODELO 1OU SEJA MODELO 6.0
par(mfrow = c(1,1))
(dfm.0=fitted(dfm))#valores ajustados pelo modelo para o
periodo
(y <- (dfm.0))
fit <- tslm(y~trend + season)
(forecast(fit, h=12, level=c(80,95)))
plot(forecast(y, h= 15, level=c(80,95)),main="",
ylim=c(5,15), xlim=c(2010,2013),cex.axis=1.3)# estimativa 1
ano
par(new=TRUE)
plot(iuv1, type="o",col="2", xlim=c(2010,2013),
ylim=c(5,15),xlab="", ylab="")
box() #- to make it look "as usual"
legend("bottomleft", legend = c("Observations
2011","interpolation", "Forecasts 2012",
"95% probability limit"), bty = 'n', pch = c(1,
1), lty = 1,
col = c("2","1", "4", "yellow")
#Plot
par(mfrow=c(1,1))
plot(s1,main="Previsão IUV-ARIMA",
xlim=c(2011,2013),ylim=c(6,14))
#Plot2
pred1<-forecast(fit, h=12, level=c(80,95))
###Analise elementos ls
plot(pred1$fitted,col="6",type="o",ylab="UV Index", xlab="",
xlim=c(2011,2013),ylim=c(7,14))
par(new=TRUE)
plot(pred1$mean,col="blue",type="o", ylab="UV
Index",xlab="",lty=3,xlim=c(2011,2013),ylim=c(7,14))
par(new=TRUE)
108
plot(pred1$lower[,1],col="2",type="o",ylab="UV
Index",xlab="",lty=3,xlim=c(2011,2013),ylim=c(7,14))
par(new=TRUE)
plot(pred1$upper[,1],col="2",type="o",ylab="UV
Index",xlab="",lty=3,xlim=c(2011,2013),ylim=c(7,14))
par(new=TRUE)
plot(iuv1, type="o",col="1", xlim=c(2011,2013),
xlab="",ylim=c(7,14), ylab="UV index")
box() #- to make it look "as usual"
legend("bottomleft", legend = c("Observations
2011","interpolation of Model", "Forecasts for 2012",
"95% probability limit"), bty = 'n', pch = c(1,
1), lty = 1,
col = c("1","6", "blue", "2")
##########################################
#
#Matriz com dados futuros (MA)
(MA=forecast(fit, h=15, level=c(80,95)))
#Escrevendo a tabela
#write.table(MA,file="Simulação2012-modelo25-11.txt")
#write.table(MA,file="Simulação2012-modelo.csv")
#Lendo dados de simulação modelo
(dados2=read.table(file="TabelaSimulação2012modeloADL-25-11.txt",header=T, dec=".",sep=""))
attach(dados2)
names(dados2)
Forecast # valores previstos gerados pelo modelo
####Gráfico com Forecast##########
par(mfrow = c(1,1))
plot(Forecast,cex.axis=1.3,type="o",col="4", ylim=c(6,14),
main=" Valores Previstos pelo Modelo para
2010",xlab="month", ylab="IUV",xaxt="n")
par(new=TRUE)
plot(Lo.95, type="l",
ylim=c(6,14),col=2,ylab="IUV",xlab="month",xaxt="n")
par(new=TRUE)
plot(Hi.95, type="l",
ylim=c(6,14),col=2,ylab="IUV",xlab="month",xaxt="n")
axis(at=1:12,labels=c("Jan","Feb","Mar","Apr","May","Jun","J
ul","Agu","Sep","Oct","Nov","Dec"),side=1,line=0,cex=0.5)
legend("bottom", legend = c("Forecasted level",
"95% probability limit"), bty = 'n', pch = c(1,
1), lty = 1,
col = c("4", "2"))
#####COMPARAÇÃO MODELO X OBS
2012#############
(dados3=read.table(file="IUV(2012)+mod-2511.txt",header=T, dec=".",sep=""))
attach(dados3)
names(dados3)
ls(dados3)
obs2012
####Gráfico Obs X Forecast##########
par(mfrow = c(1,1))
plot(Forecast, type="o",cex.axis=1.3,col="4", ylim=c(5,15),
main="", ylab="",xlab="",xaxt="n")
par(new=TRUE)
plot(Lo.95, type="l",cex.axis=1.3,
ylim=c(5,15),col=2,ylab="",xlab="",xaxt="n")
par(new=TRUE)
plot(Hi.95, type="l",cex.axis=1.3,
ylim=c(5,15),col=2,ylab="",xlab="",xaxt="n")
axis(at=1:12,labels=c("Jan","Feb","Mar","Apr","May","Jun","J
ul","Agu","Sep","Oct","Nov","Dec"),side=1,line=0,cex=0.5)
par(new=TRUE)
plot(obs2012, type="o",cex.axis=1.3,ylim=c(5,15),col=1,
main="", ylab="", xlab="",xaxt="n")
axis(at=1:12,labels=c("Jan","Feb","Mar","Apr","May","Jun","J
ul","Agu","Sep","Oct","Nov","Dec"),side=1,line=0,cex=0.5)
par(new=TRUE)
plot(media, type="o",cex.axis=1.3,ylim=c(5,15),col=3,
main="", ylab="", xlab="",xaxt="n")
axis(at=1:12,labels=c("Jan","Feb","Mar","Apr","May","Jun","J
ul","Agu","Sep","Oct","Nov","Dec"),side=1,line=0,cex=0.5)
legend("bottomleft", legend = c("Observations 2012",
"Average (2001-2011)","Forecasts 2012",
"95% probability limit"), bty = 'n', pch = c(1,
1), lty = 1,
col = c("1","3", "4", "2"))
###Gráfico###############
par(mfrow = c(1, 1))
plot(obs2012, type="o", ylim=c(5,16), main="IUV observado
e modelado-2012", ylab="IUV", xlab="month",xaxt="n")
axis(at=1:12,labels=c("Jan","Fev","Mar","Abr","Mai","Jun","Jul
","Ago","Set","Out","Nov","Dez"),side=1,line=0,cex=0.5)
lines(Forecast, col = 2, type="o")
legend("bottomleft",legend = c("Observações",
"Modelo"),
bty = 'n', pch = c(1, 1, 3), lty = 1,
col = c("1", "2"))
forecast.ver <-verify(obs2012, Forecast, frcst.type = "cont",
obs.type = "cont")
# ME: Mean error (CC)
# MSE: Mean-squared error (CC)
# MAE: Mean absolute error (CC)
forecast.ver$MAE
forecast.ver$MSE
forecast.ver$ME
cor(obs2012, Forecast)
################
#Grafico JUNTOS
par(mfrow = c(1,2))
(dfm.0=fitted(dfm))#valores ajustados pelo modelo para o
periodo
(y<- (dfm.0))
fit <- tslm(y~trend + season)
(forecast(fit, h=27, level=c(80,95)))
plot(forecast(y, h= 15, level=c(80,95)),main="",
ylim=c(5,15), xlim=c(2010,2013),cex.axis=1.3)# estimativa 1
ano
par(new=TRUE)
plot(iuv1, cex.axis=1.3, type="o",col="2", xlim=c(2010,2013),
ylim=c(5,15),xlab="year", ylab="UV index")
box() #- to make it look "as usual"
legend("bottomleft", legend = c("Observations
2011","interpolation", "Forecasts 2012",
"95% probability limit"), bty = 'n', pch = c(1,
1), lty = 1,
col = c("1","2", "4", "yellow"))
####2 gráfico
plot(Forecast, type="o",col="4", ylim=c(5,15), main="",
ylab="UV index",xlab="month",xaxt="n")
par(new=TRUE)
plot(Lo.95, type="c", ylim=c(5,15),col=2,ylab="UV
index",xlab="month",xaxt="n")
par(new=TRUE)
plot(Hi.95, type="c", ylim=c(5,15),col=2,ylab="UV
index",xlab="month",xaxt="n")
axis(at=1:12,labels=c("Jan","Feb","Mar","Apr","May","Jun","J
ul","Agu","Sep","Oct","Nov","Dec"),side=1,line=0,cex=0.5)
par(new=TRUE)
plot(obs2012, type="o",ylim=c(5,15),col=1, main="",
ylab="UV index", xlab="month",xaxt="n")
axis(at=1:12,labels=c("Jan","Feb","Mar","Apr","May","Jun","J
ul","Agu","Sep","Oct","Nov","Dec"),side=1,line=0,cex=0.5)
par(new=TRUE)
plot(media, type="o",ylim=c(5,15),col=3, main="", ylab="UV
index", xlab="month",xaxt="n")
axis(at=1:12,labels=c("Jan","Feb","Mar","Apr","May","Jun","J
ul","Agu","Sep","Oct","Nov","Dec"),side=1,line=0,cex=0.5)
legend("bottomleft", legend = c("Observations 2012",
"Average (2001-2011)","Forecasts 2012",
"95% probability limit"), bty = 'n', pch = c(1,
1), lty = 1,
col = c("1","3", "4", "2"))
#Grafico projeção para 2013
par(mfrow = c(1,1))
109
(dfm.0=fitted(dfm))#valores ajustados pelo modelo para o
periodo
(y <- (dfm.0))
fit6 <- tslm(y~trend + season)
(forecast(fit, h=27, level=c(80,95)))
plot(forecast(y, h= 27, level=c(80,95)),main="",
ylim=c(5,15), xlim=c(2010,2014),cex.axis=1.3)# estimativa 1
ano
par(new=TRUE)
plot(iuv1, cex.axis=1.3, type="o",col="2", xlim=c(2010,2014),
ylim=c(5,15),xlab="year", ylab="UV index")
box() #- to make it look "as usual"
legend("bottomleft", legend = c("Observations
2011","interpolation", "Forecasts 2013",
"95% probability limit"), bty = 'n', pch = c(1,
1), lty = 1,
col = c("1","2", "4", "yellow"))
#Análise da Tendência para o Uv Index no período de 10
anos (2001-11)
par(mfrow = c(1,1))
uv10=ts(iuv, start=2001, freq=12)
SeasonalMannKendall(uv10)
plot(uv10,main="", cex.axis=1.7, ylab="UV Index")
lines(lowess(time(uv10),uv10),lwd=3, col=2)
acf(uv10)
MannKendall(uv10)
SeasonalMannKendall(uv10)
##########################################
#
#Análise da Tendência para Total Ozone para o período de
10 anos (2001-11)
tco3
oz10=ts(tco3, start=2001, freq=12)
SeasonalMannKendall(oz10)
plot(oz10,main="", cex.axis=1.7, ylab="Total Ozone (DU)")
lines(lowess(time(oz10),oz10),lwd=3, col=2)
acf(oz10)
MannKendall(oz10)
SeasonalMannKendall(oz10)
##Graficos Juntos
par(mfrow = c(1,2))
plot(uv10,main="", cex.axis=1.7, ylab="UV Index",
xlab="year")
lines(lowess(time(uv10),uv10),lwd=3, col=2)
plot(oz10,main="", cex.axis=1.7, ylab="DU", xlab="year")
lines(lowess(time(oz10),oz10),lwd=3, col=2)
####Análise da Tendência para a previsao 30 anos (20122042)
##########################################
#
#Grafico valores previstos (futuros)-360 month MODELO
par(mfrow = c(1,1))
(dfm.0=fitted(dfm))#valores ajustados pelo modelo para o
periodo
(y <- (dfm.0))
fit<- tslm(y~trend + season)
(forecast(fit, h=373, level=c(80,95)))
plot(forecast(y, h= 373, level=c(80,95)),main="",
ylim=c(5,15), xlim=c(2010,2042),cex.axis=1.3)# estimativa 1
ano
par(new=TRUE)
plot(iuv1, type="o",col="2", xlim=c(2010,2042),
ylim=c(5,15),xlab="year", ylab="UV index")
box() #- to make it look "as usual"
legend("bottomleft", legend = c("Observations
2011","interpolation", "Forecasts 2025",
"95% probability limit"), bty = 'n', pch = c(1,
1), lty = 1,
col = c("1","2", "4", "yellow"))
#Matriz com dados futuros (MA)
(MA=forecast(fit6, h=373, level=c(80,95)))
#Escrevendo a tabela
#write.table(MA,file="Simulação2042-modelo25-11.txt")
#write.table(MA,file="Simulação2032-modelo.csv")
######################Trend
##Análise de Tendencia para 10 anos (2012-2042)
require(Kendall)
library(boot)
(dados4=read.table(file="TabelaSimulação2042-2511.txt",header=T, dec=".",sep=""))
attach(dados4)
names(dados4)
ls(dados4)
#
par(mfrow = c(1, 1))
plot(Forecast, type="o", ylim=c(5,15))
## Variável IUV
par(mfrow = c(1, 1))
boxplot(Forecast~mês,col=8, main="",
xlab="month",ylab="UV",cex.axis=1.7,xaxt="n")
axis(at=1:12,labels=c("Jan","Fev","Mar","Abr","Mai","Jun","Jul
","Ago","Set","Out","Nov","Dez"),side=1,line=1,cex=0.5,
cex.axis=1.7)
acf(Forecast)
MannKendall(Forecast)
#série com sazonalidade-usar objeto ts
uvf=ts(Forecast, start=2012, freq=12)
SeasonalMannKendall(uvf)
plot(uvf,main="UV Index-tendencia")
lines(lowess(time(uvf),uvf),lwd=3, col=2)
acf(uvf)
MannKendall(uvf)
#TESTE M-KANDALL PARA DADOS ANUAIS
#UV ANUAL
UVAno=c(by(Forecast,ano,mean))
UVAno
plot(UVAno, ylim=c(6,12),cex.axis=1.7,xaxt="n")
axis(at=1:32,labels=c(2012,2013,2014,2015,2016,2017,201
8,2019,2020,
2021,2022,2023,2024,2025,2026,2027,2028,2029,2030,
2031,2032,2033,2034,2035,2036,2037,2038,2038,2039,
2040,2041,2042),side=1,line=0,cex=0.5)
lines(lowess(time(UVAno),UVAno),lwd=3, col=2)
acf(UVAno)
MannKendall(UVAno)
#série com sazonalidade-usar objeto ts
library(boot)
UVAnot=ts(UVAno)
SeasonalMannKendall(UVAnot)
############## FIM #################
110
ANEXO
CLIMATOLOGIA E
ALTERAÇÕES
DE UV-ERITÊMICA E VARIABILIDADE
SAZONAL DE UV-NMC
Figura A.1. Climatologia de UV-eritêmica (média anual das doses diárias) na superfície da Terra, considerando
as observações da coluna de ozônio atmosférico e refletividade de nuvens em 380 nm (a) e somente a coluna de
ozônio (b) Período de 01 de novembro de 1978 - 30 de junho de 2000. Fonte: [6]
111
Figura A.2. Alterações na média anual das doses diárias de UV eritêmica entre os períodos 1979-1989 e 19902000. a) Alterações somente dos valores de ozônio total calculados a partir dos dados TOMS, b) Alterações no
fator de redução da cobertura de nuvens, c) Alterações na dosagem líquida média anual diária da UV eritêmica.
Fonte: [6]
112
Figura A.3. Variabilidade sazonal de UV ponderada para faixa de NMC (250-400nm) de dezembro-março (verão
no HS). Cada painel apresenta a respectiva média mensal das doses diárias médias potenciais durante o período
de 01 de novembro de 1978 - 30 de junho de 2000. Faixa de comprimento de onda: UV-NMC. 250-400nm CIE,
2006. Fonte: adaptado de [6]