Traitement pharmacologique

A figura 4.36 mostra os resultados da verificação orientada a objeto para a análise temporal a cada 3h do caso 2, entre as horas 21 e 48 de simulação. Assim como no caso 1 (Figura 4.28), a evolução temporal da área (Figura 4.36a) e intensidade (Figura 4.36c) do objeto do campo OBS, indicado pelo asterisco, não apresenta uma variabilidade acentuada, porém mostra uma maior intensidade em valores absolutos do que no caso 1. O formato do objeto OBS (Figura 4.36b), diferente do caso 1, apresenta uma excentricidade em torno de 0,7 e 0,5 ao longo de todo o período, as simulações G04 apresentaram maior concordância, mesmo que discreta, com a variabilidade do objeto OBS, como no formato mais oval nas horas entre 39 e 42.

Figura 4.36 – Igual à figura 4.28, mas para o caso 2 entre as 09Z de 18/01/2010 (hora 21 de integração) e 12Z de 19/01/2010 (hora 48).

As simulações G12, assim como as simulações G04, apresentaram as áreas de seus objetos menores do que o campo OBS, em grande parte dos horários, com exceção das horas 33, 45 e 48 nos objetos G12 e nas horas 21, 33, 39, 45 e 48 para G04. Já o campo ENS, apresenta falhas nas horas 24, 30 e 36 em função de não ter atingido o limiar Q90 do campo OBS, mas de maneira geral, teve comportamento similar às demais simulações G12. Quanto à intensidade (Figura 4.36c), as simulações G04 apresentaram valores mais próximos a OBS do que as simulações G12, até a hora 36 onde, a partir de então, começa a superestimar os valores em ordem crescente comparado com OBS. Vale ressaltar que este comportamento também foi identificado para o caso 1.

Nas simulações G12 e ENS, a intensidade dos objetos acompanha a tendência do objeto OBS, este resultado ratifica as análises do campo temporal das anomalias dos agrupamento 2, 5 e 6 (Figuras 4.32, 4.33 e 4.34), em que as simulações G04 tendem a apresentar valores mais intensos de anomalias nos últimos horários da análise. Isso reforça a possibilidade de que as simulações G04 experimentam um crescimento escala- acima ("upscale growth") similar ao que ocorre no caso 1.

Na comparação dos objetos do campo ENS e das simulações G04 com relação ao objeto OBS é possível identificar que, de maneira geral, o objeto ENS tem áreas mais próximas às obtidas para OBS nas horas 33, 39 e 45. Para as intensidades, principalmente a partir da hora 39 (momento de decaimento na intensidade do objeto OBS), o objeto ENS teve um desempenho superior ao das simulações G04, sendo mais próximo de OBS que a totalidade das simulações determinísticas G04 entre os horários 39 e 48.

Na distância entre os centróides (Figura 4.36d), a magnitude das distâncias é maior do que a obtida para o caso 1, isto é consistente com uma condição sinótica fraca, uma vez que mecanismos dinâmicos de grade escala não "norteiam" a posição de maiores instabi- lidades. Nas primeiras horas, há uma grande variabilidade entre as simulações de ambas as grades mas a partir da hora 36, as simulações G04 apresentam menores distâncias en- tre os objetos das simulações e o objeto OBS. O objeto ENS tem distância muito próxima a mediana das simulações G12.

Como para o caso 1, os resultados da verificação orientada a objetos mostram uma sensível vantagem da média ENS sobre as simulações determinísticas G04 na descrição dos objetos de precipitação em aspectos específicos, tais como intensidade e área. Já no formato dos objetos e localização dos centróides, as simulações G04 mostram-se, quase que na sua totalidade, melhores do que ENS.

Os objetos finais, resultantes do total acumulado nas últimas 36h e mostrados na figura 4.37, indicam que os objetos finais G04 ficaram próximos ao OBS para mais de 75% das simulações (Figura 4.37a). Na intensidade (Figura 4.37c), assim como na análise a cada 3h (Figura 4.36c), as simulações G04 foram mais intensas do que o objeto OBS muito em decorrência da maior intensidade apresentada a partir da hora 39. Para as distâncias dos centróides (Figura 4.37c), as simulações G04 também tiveram um bom desempenho.

110

A média dos campos G12 (ENS), no acumulado em 36h, não obteve desempenho tão satis- fatório como na análise a cada 3h, mostrando a importância de verificações diversificadas, em metodologia, escalas espaciais e temporais.

Figura 4.37 – Igual à figura 4.29 mas para o caso 2 (Q90_OBS = 3,57 mm.h−1) referente ao acumulado no período de 36h compreendido entre as 00Z de 18/01/2010 e 12Z de 19/01/2010.

Este trabalho teve por objetivo avaliar o desempenho entre uma abordagem multi- física em meso-escala e determinística em alta resolução na simulação de eventos de SCMs ocorridos sobre a Bacia do Prata, utilizando o modelo ARW-WRF com grades ani- nhadas de 12 (G12) e 4km (G04) em modo "one-way ". Foram escolhidos dois eventos de SCMs ocorridos entre os dias 20 e 22 de outubro de 2008 (caso 1) e entre 17 e 19 de janeiro de 2010 (caso 2).

Na descrição sinótica foram identificados os mecanismos precursores das forma- ções dos SCMs. Os resultados mostram a clara distinção entre os casos, em que o caso 1 esteve sob intensa forçante sinótica com a passagem de um ciclone a sudeste da América do Sul e a presença de uma área de colo sobre a região da Bacia do Prata. No caso 2, a migração da BNOA sobre a Bacia do Prata, o fraco gradiente de pressão e a ausência de valores significativos da função frontogenética, caracterizaram este como um evento de fraca forcante sinótica. Em ambas condições foi identificado intenso fluxo de umidade em baixos níveis, condição esta primordial para o desenvolvimento dos SCMs sobre a região. Para as variáveis em superfície, foi utilizado o diagrama de Taylor, por reunir em um gráfico 2D três informações importantes para a avaliação de séries. Com os dados METAR, com frequência de 3 horas, foram avaliadas ao longo das 48 horas de integra- ção numérica as variáveis: PNMM, θ, temperatura do ponto de orvalho a 2m e velocidade do vento a 10m. A PNMM apresentou bom desempenho ao longo das integrações, com aumento da dispersão entre as simulações ao longo das horas, mas com esta dispersão sendo menor (maior) no caso 1 (caso 2). Comparando com o dados observados foi identifi- cado que variações bruscas, ocorridas durante e após a ocorrência do SCM, não são bem representadas nas simulações, principalmente da grade G12. Para θ o desempenho foi similar ao observado para PNMM, com destaque para o caso 2 em que baixas correlações foram encontradas em algumas das estações METAR. A temperatura do ponto de orvalho a 2m não foi representada de maneira satisfatória, principalmente para o caso 2, assim como o vento a 10m, em que tiveram uma considerável influência do ECL. Estas duas últimas variáveis também apresentam grande influência de outros mecanismos físicos tais como o descrito pelos modelo de solo e na resolução da topografia, podendo assim terem tido este como o fator preponderante para os baixos desempenhos durante as integrações realizados neste estudo.

Os campos de ENS não mostraram modificações significativas no desempenho da descrição das variáveis de superfície analisadas, como pode ser observado através do diagrama de Taylor. Em situações em que há um maior espalhamento entre os membros G12, ocorrido principalmente no caso 2, houve um incremento no desempenho em compa- ração as simulações determinísticas G12, em especial quanto ao seu desvio padrão para

112

a PNMM, θ e td.

Para a análise de similaridade da distribuição espacial e temporal da precipitação, os resultados apontam que, como o esperado, os principais mecanismos responsáveis pela distribuição da chuva são EPCs e EMNs. Os ECLs não apresentaram uma clara par- ticipação no comportamento espacial das chuvas. No caso 1, com uma forçante sinótica forte, o EPC-BMJ teve maior similaridade com OBS e para o caso 2, com forçante sinótica fraca, as simulações com EMN-Th obtiveram maior similaridade com OBS. Os resultados apontam para uma diferença entre os mecanismos físicos preponderantes na distribuição de precipitação, resultados concordantes com os de Jankov et al. (2005) e Keil, Heinlein e Craig (2014), em que na forçante sinótica forte (caso 1), a distribuição das chuvas pareceu ter tido melhor desempenho quando no uso dos esquemas de parametrização cumulus enquando que sob uma condição sinótica fraca (caso 2) a microfísica de nuvens apresen- tou melhor similaridade com OBS. Em ambos os casos os ECLs não apresentaram forte influência sobre o comportamento das chuvas.

Na verificação orientada a objetos, foi possível identificar a maior dificuldade das simulações, ao longo das horas, em representar um objeto com atributos próximos aos do OBS, a abordagem do ensemble multi-físico teve melhor desempenho que a maioria, por vezes, até a totalidade da simulações determinísticas G04, na determinação das áreas e intensidades dos objetos de chuva para os dois casos. Mas que no total acumulado (em 36h) os resultados tiveram como destaque para as simulações G04 que descreveram, na maioria das simulações, melhor os atributos de área, intensidade e distância dos centrói- des, sendo estes mais próximos ao campo OBS nos dois casos estudados. Foi notável que o ENS teve um bom desempenho quando comparado também às simulações deter- minísticas da grade G12. Os resultados mostram que G04 apresenta, em ambos casos e principalmente na análise a cada 3 horas, maiores intensidades de precipitação.

Na determinação da área de ocorrência dos maiores acumulados de precipitação, houve uma clara distinção no desempenho de todas as simulações em função da intensi- dade da forçante sinótica presente. Em uma condição sinótica mais forte, todas as simula- ções e a média ENS tiveram um bom desempenho em determinar a região de ocorrência dos maiores acumulados de chuva e para uma condição sinótica mais fraca há uma grande dispersão nas soluções numéricas até mesmo de mesma resolução horizontal, apresen- tando uma concordância moderada e, no caso estudado (caso 2), as simulações de mais alta resolução (G04) tiveram melhor desempenho.

Em resumo, com a escolha de eventos de SCMs em condições sinóticas diferentes, pode-se observar distintas características na simulação dos sistemas. Por tratar-se de um estudo com um número limitado de eventos, os resultados não são conclusivos na determi- nação de esquemas físicos de parametrização nem no uso de uma abordagem multi-física em mesoescala ou determinística em alta resolução, porém a consonância com estudos prévios fazem com que alguns pontos possam ser considerados: (1) como mostrado em

Santos e Nascimento (2016), em condições de forte transporte vertical, característico de condições de desenvolvimento convectivo, o ECL de fechamento não-local YSU obteve me- lhores resultados em comparação ao esquema local; (2) o uso de ensemble apresentou resultados satisfatórios na identificação de áreas de ocorrência significativa de precipita- ção quando tratado hora-a-hora; (3) os EMN em alta resolução tendem a apresentar maior intensidade nas chuvas simuladas, com destaque para o desempenho do EMN Th; (4) sob uma condição sinótica fraca, as simulações G04 tiveram um desempenho sensivelmente melhor do que as de grade menos refinada, principalmente na maior similaridade com o campo OBS.

As simulações da grade G04, com EMN-Th, obtiveram maior similaridade ao com- portamento espacial e temporal da precipitação para ambos os casos, mostrando que a diferenciação entre graupel e granizo, característico do EMN MY, não produziu resultados melhores, além de apresentar um tempo menor de processamento das integrações do que o esquema mais complexo (EMN MY).

Por fim, conclui-se que o desenvolvimento de sistemas de PNT em que há a com- binação de uma abordagem de ensemble multi-física em mesoescala e determinística em alta resolução, pode ser um terceiro caminho a ser explorado. Contudo para as simulações de alta resolução se faz necessário explorar, de maneira mais profunda, o desempenho dos esquemas de microfísica de nuvens levando-se em conta também o tempo de pro- cessamento das integrações numéricas, fator importante em ambientes operacionais de previsão do tempo.

REFERÊNCIAS BIBLIOGRÁFICAS

ADAMS-SELIN, R. D.; HEEVER, S. C. van den; JOHNSON, R. H. Sensitivity of bow-echo simulation to microphysical parameterizations. Weather and Forecasting, v. 28, n. 5, p. 1188–1209, 2013.

ARAKAWA, A. The cumulus parameterization problem: Past, present, and future.Journal of Climate, v. 17, n. 13, p. 2493–2525, 2004.

ARAKAWA, A.; JUNG, J.-H.; WU, C.-M. Toward unification of the multiscale modeling of the

atmosphere.Atmospheric Chemistry and Physics, v. 11, n. 8, p. 3731–3742, 2011.

BANKS, R. F. et al. Sensitivity of boundary-layer variables to pbl schemes in the wrf model based on surface meteorological observations, lidar, and radiosondes during the hygra-cd campaign.Atmospheric Research, Elsevier, v. 176, p. 185–201, 2016.

BARTHLOTT, C. et al. Initiation of deep convection at marginal instability in an ensemble of

mesoscale models: a case-study from cops.Quarterly Journal of the Royal Meteorolo-

gical Society, Wiley Online Library, v. 137, n. S1, p. 118–136, 2011.

BERBERY, E.; BARROS, V. The hydrologic cycle of the La Plata basin in South America. Journal of Hydrometeorology, v. 3, p. 630–645, 2002.

BERBERY, E. H.; COLLINI, E. A. Springtime precipitation and water vapor flux over southe- astern South America.Monthly Weather Review, v. 128, p. 1328–1346, 2000.

BROWNING, K. A. Conceptual models of precipitation systems.Weather and Forecasting, v. 1, p. 23–41, 1986.

BRYAN, G. H.; MORRISON, H. Sensitivity of a simulated squall line to horizontal resolution and parameterization of microphysics.Monthly Weather Review, v. 140, n. 1, p. 202–225, 2012.

BRYAN, G. H.; WYNGAARD, J. C.; FRITSCH, J. M. Resolution requirements for the simu- lation of deep moist convection.Monthly Weather Review, n. 10, p. 2394–2416, 2003. BUIZZA, R.; LEUTBECHER, M.; ISAKSEN, L. Potential use of an ensemble of analyses in

the ECMWF Ensemble Prediction System.Quarterly Journal of the Royal Meteorologi-

cal Society, Wiley Online Library, v. 134, n. 637, p. 2051–2066, 2008.

CARVALHO, D. et al. A sensitivity study of the WRF model in wind simulation for an area of high wind energy.Environmental Modelling & Software, Elsevier, v. 33, p. 23–34, 2012. CASATI, B. et al. Forecast verification: current status and future directions.Meteorological Applications, v. 15, n. 1, p. 3–18, 2008.

CECIL, D. J.; BLANKENSHIP, C. B. Toward a global climatology of severe hailstorms as estimated by satellite passive microwave imagers.Journal of Climate, v. 25, n. 2, p. 687– 703, 2012.

CLARK, A. J. et al. An overview of the 2010 hazardous weather testbed experimental fo-

recast program spring experiment. Bull. Amer. Meteor. Soc., American Meteorological

COHEN, A. E. et al. A review of planetary boundary layer parameterization schemes and their sensitivity in simulating southeastern US cold season severe weather environments. Weather and Forecasting, v. 30, n. 3, p. 591–612, 2015.

COLLOW, T. W.; ROBOCK, A.; WU, W. Influences of soil moisture and vegetation on con- vective precipitation forecasts over the United States Great Plains.Journal of Geophysical Research: Atmospheres, Wiley Online Library, v. 119, n. 15, p. 9338–9358, 2014.

CONIGLIO, M. C. et al. Verification of convection-allowing WRF model forecasts of the planetary boundary layer using sounding observations.Weather and Forecasting, v. 28, n. 3, p. 842–862, 2013.

. Evaluation of WRF model output for severe weather forecasting from the 2008 NOAA Hazardous Weather Testbed Spring Experiment.Weather and Forecasting, v. 25, n. 2, p. 408–427, 2010.

COSSU, F.; HOCKE, K. Influence of microphysical schemes on atmospheric water in the weather research and forecasting model.Geoscientific Model Development, v. 7, n. 1, p. 147–160, 2014.

DAVIS, C.; BROWN, B.; BULLOCK, R. Object-based verification of precipitation forecasts. Part I: Methodology and application to mesoscale rain areas.Monthly Weather Review, v. 134, n. 7, p. 1772–1784, 2006.

. Object-based verification of precipitation forecasts. Part II: Application to convective rain systems.Monthly Weather Review, v. 134, n. 7, p. 1785–1795, 2006.

DAVIS, C. A. et al. The method for object-based diagnostic evaluation (mode) applied to

numerical forecasts from the 2005 nssl/spc spring program. Weather and Forecasting,

v. 24, n. 5, p. 1252–1267, 2009.

DAVIS, R.; ROGERS, R. A synoptic climatology of severe storms in Virginia.The Professi- onal Geographer, v. 44, n. 3, p. 319–332, 1992.

DURKEE, J. D.; MOTE, T. L. A climatology of warm-season mesoscale convective com- plexes in subtropical South America.International Journal of Climatology, v. 30, n. 3, p. 418–431, 2010.

DURKEE, J. D.; MOTE, T. L.; SHEPHERD, J. M. The contribution of mesoscale convective complexes to rainfall across subtropical South America.Journal of Climate, v. 22, n. 17, p. 4590–4605, 2009.

EBERT, E. Fuzzy verification of high-resolution gridded forecasts: A review and proposed framework.Meteorological applications, v. 15, n. 1, p. 51–64, 2008.

ECKEL, F. A.; MASS, C. F. Aspects of effective mesoscale, short-range ensemble forecas- ting.Weather and Forecasting, v. 20, n. 3, p. 328–350, 2005.

ELMORE, K. L.; STENSRUD, D. J.; CRAWFORD, K. C. Explicit cloud-scale models for operational forecasts: A note of caution.Weather and forecasting, v. 17, n. 4, p. 873–884, 2002.

FERRARO, R. R.; GRODY, N. C.; MARKS, G. F. Effects of surface conditions on rain iden- tification using the dmsp-ssm/i.Remote Sensing Reviews, Taylor & Francis, v. 11, n. 1-4, p. 195–209, 1994.

116

FERRO, C. A. et al. Model complexity versus ensemble size: allocating resources for cli- mate prediction.Phil. Trans. R. Soc. A, The Royal Society, v. 370, n. 1962, p. 1087–1099, 2012.

FROGNER, I.-L. et al. Ensemble prediction with different spatial resolutions for the 2014 So- chi Winter Olympic Games: The effects of calibration and multimodel approaches.Weather and Forecasting, v. 31, n. 6, p. 1833–1851, 2016.

GILLELAND, E. et al. Intercomparison of spatial forecast verification methods. Weather and Forecasting, v. 24, n. 5, p. 1416–1430, 2009.

GOLDING, B. Nimrod: A system for generating automated very short range forecasts.Me- teorological Applications, Wiley Online Library, v. 5, n. 1, p. 1–16, 1998.

GÓMEZ, I.; PASTOR, F.; ESTRELA, M. Sensitivity of a mesoscale model to different con- vective parameterization schemes in a heavy rain event.Natural Hazards and Earth Sys- tem Sciences, v. 11, n. 2, p. 343–357, 2011.

GRELL, G. A. Prognostic evaluation of assumptions used by cumulus parameterizations. Monthly Weather Review, v. 121, n. 3, p. 764–787, 1993.

GRELL, G. A.; DÉVÉNYI, D. A generalized approach to parameterizing convection combi- ning ensemble and data assimilation techniques.Geophysical Research Letters, v. 29, n. 14, p. 1693, 2002.

GRELL, G. A.; FREITAS, S. R. A scale and aerosol aware stochastic convective para- meterization for weather and air quality modeling. Atmos. Chem. Phys., v. 14, n. 10, p. 5233–5250, 2014.

HEIDEMAN, K.; FRITSCH, J. Forcing mechanisms and other characteristics of significant summertime precipitation.Weather and Forecasting, v. 3, p. 115–130, 1988.

HOHENEGGER, C.; SCHÄR, C. Atmospheric predictability at synoptic versus cloud- resolving scales.Bull. Amer. Meteor. Soc., v. 88, n. 11, p. 1783–1793, 2007.

HONG, S.-Y.; NOH, Y.; DUDHIA, J. A new vertical diffusion package with an explicit tre- atment of entrainment processes.Monthly Weather Review, v. 134, n. 9, p. 2318–2341, 2006.

HOUZE, R. A. Mesoscale convective systems. Reviews of Geophysics, v. 42, p. 1–43,

2004.

. Cloud dynamics. In: . [S.l.]: Academic press, 2014. cap. Cloud Microphysics, p. 47–76.

HU, X.-M.; NIELSEN-GAMMON, J. W.; ZHANG, F. Evaluation of three planetary boundary layer schemes in the wrf model.Journal of Applied Meteorology and Climatology, v. 49, n. 9, p. 1831–1844, 2010.

JANJIC, Z. I. The step-mountain eta coordinate model: Further developments of the con-

vection, viscous sublayer, and turbulence closure schemes. Monthly Weather Review,

v. 122, n. 5, p. 927–945, 1994.

. Comments on “development and evaluation of a convection scheme for use in climate models”.Journal of the Atmospheric Sciences, v. 57, n. 21, p. 3686–3686, 2000.

JANKOV, I. et al. The impact of different WRF model physical parameterizations and their interactions on warm season MCS rainfall.Weather and Forecasting, v. 20, n. 6, p. 1048– 1060, 2005.

JIRAK, I.; WEISS, S.; MELICK, C. The spc stormscale ensemble of opportunity: Overview and results from the 2012 hazardous weather testbed spring forecasting experiment. In: 26th Conference on Severe Local Storms. [S.l.: s.n.], 2012.

JOLIFFE, T.; STEPHENSON, D.In Forecast Verification. A practitioner’s guide in At-

mospheric Science. [S.l.]: Wiley, 2003.

KAIN, J. S. The kain-fritsch convective parameterization: an update. Journal of Applied Meteorology, v. 43, n. 1, p. 170–181, 2004.

KAIN, J. S. et al. Examination of convection-allowing configurations of the WRF model for the prediction of severe convective weather: The SPC/NSSL Spring Program 2004. Weather and forecasting, v. 21, n. 2, p. 167–181, 2006.

KALNAY, E. Atmospheric modeling, data assimilation and predictability. [S.l.]: Cam-

bridge university press, 2003.

KEIL, C.; HEINLEIN, F.; CRAIG, G. C. The convective adjustment time-scale as indicator of predictability of convective precipitation.Quarterly Journal of the Royal Meteorological Society, Wiley Online Library, v. 140, n. 679, p. 480–490, 2014.

KLECZEK, M. A.; STEENEVELD, G.-J.; HOLTSLAG, A. A. M. Evaluation of the weather research and forecasting mesoscale model for gabls3: impact of boundary-layer schemes, boundary conditions and spin-up.Boundary-Layer Meteorology, Springer, v. 152, n. 2, p. 213–243, 2014.

KONRAD, C. E. Synoptic-scale features associated with warm season heavy rainfall over the interior southeastern United States.Weather and Forecasting, v. 12, n. 3, p. 557–571, 1997.

KUMMEROW, C. et al. The evolution of the goddard profiling algorithm (gprof) for rainfall estimation from passive microwave sensors.Journal of Applied Meteorology, v. 40, n. 11, p. 1801–1820, 2001.

LEI, L.; WHITAKER, J. S. Evaluating the trade-offs between ensemble size and ensemble resolution in an ensemble-variational data assimilation system. Journal of Advances in Modeling Earth Systems, Wiley Online Library, 2017.

LIEBMANN, B. et al. Subseasonal variations of rainfall in South America in the vicinity of the low-level jet east of the Andes and comparison to those in the South Atlantic Convergence Zone.Journal of Climate, v. 17, p. 3829–3842, 2004.

LIN, C. et al. Precipitation forecast skill of numerical weather prediction models and radar nowcasts.Geophysical research letters, Wiley Online Library, v. 32, n. 14, 2005.

LIN, Y.-L.; FARLEY, R. D.; ORVILLE, H. D. Bulk parameterization of the snow field in a cloud model.Journal of Climate and Applied Meteorology, v. 22, n. 6, p. 1065–1092, 1983.

LORENZ, E. N. Deterministic nonperiodic flow. Journal of the Atmospheric Sciences,

v. 20, n. 2, p. 130–141, 1963.

MACEDO, S. R.; VILA, D.; MACHADO, L. A. FORTRACC – Previsão a curto prazo e

118

MACHADO, L. A. T.; LAURENT, H. The convective system area expansion over amazonia and its relationships with convective system life duration and high-level wind divergence. Monthly Weather Review, v. 132, n. 3, p. 714–725, 2004.

MADDOX, R.; DOSWELL, C. An examination of jet stream configurations, 500 mb vorti- city advection and low-level thermal advection patterns during extended periods of intense convection.Monthly Weather Review, v. 110, p. 184–197, 1982.

MADDOX, R. A. Mesoscale convective complexes. Bull. Amer. Meteor. Soc., v. 61, p.

1374–1387, 1980.

MAPES, B. E. Equilibrium vs. activation control of large-scale variations of tropical deep

convection. In: The Physics and Parameterization of Moist Atmospheric Convection.

[S.l.]: Springer, 1997. p. 321–358.

MARENGO, J. A. et al. Climatology of the low-level jet east of the Andes as derived from the NCEP-NCAR Reanalyses: Characteristics and temporal variability.Journal of Climate, v. 17, n. 12, p. 2261–2280, 2004.

MARSIGLI, C.; MONTANI, A.; PACCANGNELLA, T. A spatial verification method applied to