Assessing the Evolution of Rainfall Trends in India through Historical Analysis, Forecasting, and Comparison with the CMIP-6 SSP585 Scenario

Resumo Técnico: Avaliando a Evolução das Tendências de Precipitação na Índia através de Análise Histórica, Previsão e Comparação com o Cenário CMIP-6 SSP585

Declaração do Problema
As mudanças climáticas estão impulsionando uma ampla variabilidade nos eventos climáticos extremos, impondo desafios significativos aos recursos hídricos, à agricultura e à estabilidade econômica, particularmente em regiões subtropicais como a Índia. A precipitação, um motor fundamental do ciclo hidrológico, exibe irregularidades crescentes que levam a secas, inundações e falhas nas colheitas. Embora estudos anteriores tenham analisado tendências de precipitação em níveis globais ou nacionais, há uma necessidade de análises abrangentes, espaço-temporalmente extensas, que integrem a detecção de tendências históricas com previsão avançada de aprendizado de máquina e comparação contra cenários climáticos de altas emissões. Além disso, métodos estatísticos tradicionais frequentemente lutam com dados de distribuição não normal, autocorrelação e identificação de quebras estruturais (pontos de mudança) em séries temporais de longo prazo, o que pode levar a conclusções enganosas.

Metodologia
O estudo conduz uma análise rigorosa de dados de precipitação abrangendo 122 anos (1901–2022) em toda a Índia, resolvidos em seis Regiões Homogêneas (RHs) e trinta e quatro Subdivisões Meteorológicas (MSDs). A metodologia integra quatro componentes analíticos distintos:

1. Detecção de Tendências: O estudo emprega técnicas estatísticas não paramétricas, especificamente o Teste de Mann-Kendall (MK) e o estimador de Declive de Sen, para identificar tendências monotônicas na precipitação anual, sazonal e mensal. Para abordar as limitações de autocorrelação e homogeneidade dos dados, os autores integraram testes de homogeneidade (Pettitt, Buishand Range e Standard Normal Homogeneity Test) para detectar pontos de mudança (anos de ruptura) antes da aplicação da análise de tendência.
2. Análise de Tendência Inovadora (ITA): Para validar e refinar os resultados, o estudo utiliza o método ITA (Şen, 2012). Esta técnica gráfica não paramétrica lida com dados autocorrelacionados e valores atípicos sem exigir suposições estritas sobre tamanho de amostra ou linearidade, permitindo a detecção de sub-tendências e combinações de tendências distintas dentro de séries temporais.
3. Análise Mecanística: Para compreender os drivers físicos das variações observadas, o estudo analisa dados de reanálise ERA5 (1940–2022). As variáveis principais incluem precipitação convectiva, cobertura de nuvens baixas e divergência de umidade verticalmente integrada. Um ponto de mudança foi identificado em 1956, e as diferenças nos padrões de circulação entre os períodos 1940–1956 e 1957–2022 foram avaliadas.
4. Previsão e Comparação de Cenários: Um modelo de Rede Neural Artificial-Perceptron Multicamadas (ANN-MLP) foi treinado com dados históricos para prever a precipitação anual até o ano de 2050. O desempenho do modelo foi otimizado usando Erro Quadrático Médio (RMSE) e Erro Absoluto Médio (MAE). Essas previsões de aprendizado de máquina foram então justapostas com projeções do Projeto de Comparação de Modelos Acoplados Fase 6 (CMIP-6) sob o cenário Shared Socioeconomic Pathway 5-8.5 (SSP585), que representa uma trajetória climática de "pior caso/continuidade do negócio". A comparação utilizou um conjunto multi-modelo (MME) de três Modelos de Clima Global do CMIP-6 (CanESM5, BCC-CSM2-MR e IITM-ESM).

Principais Resultados

• Tendências Históricas: O Teste MK e o ITA revelaram uma tendência negativa significativa na precipitação anual para a RH do Nordeste e sete MSDs específicas (incluindo Arunachal Pradesh, Assam Meghalaya e NMMT). Por outro outro lado, nove MSDs, incluindo Coastal Andhra Pradesh e Punjab, exibiram tendências positivas significativas. A análise sazonal indicou tendências negativas na RH do Nordeste durante a estação das monções, enquanto Coastal Andhra Pradesh e Punjab mostraram aumento na precipitação das monções.
• Pontos de Mudança: Testes de homogeneidade identificaram que a maioria das regiões experimentou uma ruptura estrutural nos padrões de precipitação após a década de 1950. A análise pós-ponto de mudança confirmou que a RH do Nordeste e diversas subdivisões do leste têm experimentado declínios significativos na precipitação das monções ao longo dos últimos 70 anos.
• Drivers Físicos: A análise ERA5 atribuiu as variações de precipitação a flutuações na precipitação convectiva, aumento da cobertura de nuvens baixas e insuficiência de divergência de umidade vertical. Especificamente, a intensificação dos ventos de nordeste reduziu a intrusão de ar frio, diminuindo a precipitação de inverno, enquanto o aumento da divergência de umidade nas regiões oeste e central contribuiu para condições mais secas.
• Previsão (2050): O modelo ANN-MLP prevê um declínio geral na precipitação anual em toda a Índia até 2050. Embora a RH do Nordeste deva manter a maior precipitação média (aprox. 1920 mm), a RH do Noroeste deve enfrentar as reduções mais significativas.
• Comparação com CMIP-6 SSP585: Um achado crítico é que as previsões ANN-MLP para todas as seis RHs e 28 das 34 MSDs preveem níveis de precipitação inferiores às projeções do MME do CMIP-6 sob o cenário SSP585. Isso sugere que a precipitação real futura pode cair ainda abaixo das projeções dos modelos climáticos de pior caso, indicando uma trajetória severa para a escassez de água. Apenas sete MSDs, principalmente costeiras e algumas regiões do interior, devem exceder os níveis de precipitação do SSP585.

Significância e Alegações
Os autores afirmam que este estudo fornece uma avaliação crítica e multifacetada da evolução da precipitação na Índia, unindo a análise de tendência histórica com a previsão futura e a validação de modelos climáticos. A integração da detecção de pontos de mudança com os métodos MK e ITA oferece uma compreensão mais robusta de tendências não monotônicas do que as abordagens tradicionais isoladas.

O estudo sustenta que sua comparação das previsões de aprendizado de máquina contra as projeções CMIP-6 SSP585 oferece um framework único para avaliar impactos climáticos regionais, revelando que a Índia pode enfrentar déficits de precipitação que excedem mesmo os cenários de modelos climáticos mais pessimistas. Esses achados são apresentados como vitais para formuladores de políticas, hidrólogos e planejadores agrícolas para elaborar estratégias adaptativas de irrigação, gestão de recursos hídricos e resiliência climática. Os autores reconhecem limitações, observando que a escala espacial ampla do estudo (40 regiões) impede a análise de micro-nível (distrito/bloco/vila) e que a falta de dados diários restringe a granularidade da detecção de tendências atual. Eles sugerem que trabalhos futuros utilizem aprendizado profundo avançado (ex: LSTM) e sensoriamento remoto baseado em grade para refinar esses insights.