Resumo As previsões sazonais de precipitação são essenciais para a gestão dos recursos hídricos, a atividade agrícola e o planejamento operacional de sistemas hidroelétricos. Avanços metodológicos capazes de aprimorar a acurácia das previsões de precipitação geram benefícios significativos para a sociedade. Diante desse contexto, este estudo propõe e avalia duas abordagens para o refinamento das previsões sazonais de precipitação no Brasil, utilizando modelos matemáticos simples e baseados em dados, como a regressão linear múltipla (MLR) e a máquina de vetores de suporte não linear (SVM). Nas abordagens propostas, os modelos MLR e SVM são alimentados com índices climáticos relacionados a diferentes padrões de teleconexão que afetam a precipitação sazonal no Brasil, dados da análise de precipitação diária global do Climate Prediction Center (CPC) e previsões de precipitação do Seasonal Forecast System 5 (SEAS5). Ambos os modelos MLR e SVM foram validados de janeiro de 2017 a dezembro de 2020, usando a precipitação do CPC como referência. Os resultados sugerem que, em comparação com o SEAS5, os modelos MLR e SVM melhoram a precisão e reduzem o viés nas previsões de precipitação para as regiões Sudeste, Centro-Oeste e Norte do Brasil durante o verão austral. No entanto, o desempenho dos modelos em consideração foi equivalente ao do SEAS5 nas regiões Nordeste e Sul, setores do Brasil onde o clima é significativamente influenciado pelo El Niño-Oscilação Sul. hídricos hidroelétricos sociedade contexto (MLR SVM. . (SVM) propostas (CPC SEAS5. SEAS (SEAS5) 201 2020 referência Sudeste CentroOeste Centro Oeste austral entanto Sul NiñoOscilação Niño Oscilação (SVM (SEAS5 20 202 (SEAS 2
Abstract Seasonal precipitation forecasts are essential for water resource management, agricultural activities, and the operational planning of hydropower systems. Any methodological advancement that enhances the accuracy of precipitation predictions will yield considerable societal benefits. In this context, this study proposes and evaluates two approaches for refining seasonal precipitation forecasts in Brazil, using simple data-based models, such as multiple linear regression (MLR) and nonlinear support vector machine (SVM). These models employ climate indices related to different teleconnection patterns that affect seasonal precipitation in Brazil, the unified gauge-based analysis of global daily precipitation from the Climate Prediction Center (CPC), and the precipitation forecasts from the Seasonal Forecast System 5 (SEAS5) as input variables. Both MLR and SVM models were validated from Jan-2017 to Dec-2020 using precipitation from the CPC as ground truth. The results suggest that, compared to SEAS5, MLR and SVM models enhance predictive accuracy and reduce bias in precipitation forecasts for the Southeast, Midwest, and North regions of Brazil during the austral summer. However, the performance of the models was found to be on par with the original predictions of SEAS5 in the Northeast and South regions, sectors of Brazil where the climate is significantly influenced by the El Niño-Southern Oscillation. management activities systems benefits context databased data based (MLR SVM. . (SVM) gaugebased gauge CPC, , (CPC) SEAS (SEAS5 variables Jan2017 Jan 2017 Jan-201 Dec2020 Dec 2020 Dec-202 truth Southeast Midwest summer However NiñoSouthern Niño Southern Oscillation (SVM (CPC (SEAS Jan201 201 Jan-20 Dec202 202 Dec-20 Jan20 20 Jan-2 Dec20 Dec-2 Jan2 2 Jan- Dec2 Dec-