Projeto RiskPorts

Realizar um estudo sobre a frequência (atual e futura) de ocorrência das principais ameaças climáticas que afetam os portos costeiros em estudo.

---

Realizar um estudo sobre a frequência (atual e futura) de ocorrência das principais ameaças climáticas que afetam os portos costeiros em estudo: a partir dos resultados da meta/produto 2, deverão ser determinadas e avaliadas as principais ameaças climáticas (p.ex., aumento do nível do mar, ondas de tempestade, vendavais, profundidade do vão libre abaixo da quilha, etc.) que afetam os portos em estudo. Estes resultados serão complementados com uma revisão bibliográfica sobre ameaças climáticas de forma geral no sul e sudeste do Brasil, utilizando a plataforma Bibliometrix (ARIA; CUCCURULLO, 2017), a qual utilizará as bases de dados Scopus e Web of Science para buscar os trabalhos e autores que dominam o assunto, além de Currículo Lattes de autores selecionados, SciELO, Portal de Periódicos CAPES, Research Gate e Google Acadêmico. A partir da definição das variáveis, se buscará dados observacionais e/ou de reanálise (ex.: VOUSDOUKAS et al., 2018) e serão realizadas análises estatísticas exploratórias, afim de maximizar a obtenção de informações dos dados (incluindo análises de máximas), análises de tendência e frequência na escala anual e sazonal (análises de extremos). A partir das análises dos cenários presente e futuros deve-se fazer uma análise de concordância entre as projeções dos modelos afim de identificar áreas onde as mudanças são mais prováveis (maior concordância) e onde as incertezas são demasiadamente grandes (baixa concordância).

Por ser uma etapa importantíssima da metodologia proposta, apresenta-se a seguir de forma detalhada os refinamentos dinâmicos e híbridos, estudos de cenários passados e futuros, condições de contorno e validações:

x

Refinamento Dinâmico de Ondas

A modelagem de ondas incluirá uma reanálise de ondas para uma região englobando os litorais de Santa Catarina e Rio Grande do Sul. Esta reanálise ou refinamento dinâmico, já está sendo obtida por execuções do modelo de ondas SWAN em malha curvilínea no Laboratório Integrado de Computação Científica do Instituto de Matemática e Estatística da UFRGS e constituirá um dos produtos do Projeto ROAD-BESM. Após a sua conclusão, será obtido um banco de dados de alta resolução para a região Sul do Brasil que poderá servir de benchmark para futuras pesquisas e para prover condições de contorno para refinamentos híbridos em pontos estratégicos para este projeto, tais como os portos de São Francisco do Sul e de Itapoá na Baía da Babitonga.

A reanálise de ondas ROAD-BESM está sendo obtida com ventos do banco de dados ERA5 e espectros de ondas construídos a partir das condições de fronteiras do CAWCR Wave Hindcast 1979-2010 corrigidas direcionalmente usando dados de ondas obtidos de altímetros de satélites. As execuções do modelo SWAN incluem os seguintes parâmetros de onda:

• 10 partições de altura significativa de onda;
• 10 partições de período de pico de onda;
• 10 partições de direção de pico de onda;
• 10 partições de espalhamento direcional de onda;
• Altura significativa de onda;
• Período de pico de onda;
• Período médio de onda;
• Direção média de onda;
• Direção de pico de onda;
• Batimetria;
• Componentes zonal e meridional de vento;
• Latitude e longitude da grade curvilínea.

Ao final de cada rodada, estas variáveis são fornecidas pelo SWAN em .matfiles. O pós-processamento destes dados consiste na criação de arquivos netCDF mensais com resolução espacial de 0,01° e resolução temporal horária, com todas variáveis. Para atingir esta resolução, os dados são interpolados da grade curvilínea do SWAN para grade regular 0,01° com o intuito de facilitar o manuseio dos dados pelos futuros usuários da reanálise.

x

Refinamento Híbrido de Ondas

Refinamentos híbridos de ondas poderão fornecer dados do clima de ondas em pontos costeiros específicos de interesse deste projeto. Esta metodologia será aplicada em nossa reanálise após esta estar concluída. O algoritmo MDA (Maximum Dissimilarity Algorithm) será aplicado sobre as variáveis tais como direção e períodos de pico de onda para selecionar um subconjunto de condições representativas de estados do oceano. Experimentos preliminares com outros algoritmos de cluster estão sendo feitos na UFRGS: K-means e Birch. A Figura abaixo apresenta os pontos selecionados pelos algoritmos sobrepostos aos pontos originais.

Ao final, estimativas de densidade Kernel dos dados, demonstrando a distribuição dos valores do dataset original e dos casos selecionados para que estas distribuições sejam comparadas serão confeccionadas. Idealmente, a distribuição dos valores dos casos selecionados seria o mais próximo possível da distribuição dos valores do dataset original.

Após seleção dos casos, estes serão propagados com o modelo SWAN até os pontos de interesse na costa, que serão subsequentemente interpolados temporalmente empregando RBF’s (Radial Basis Functions).

x

Análise e projeção de vazões máximas

As vazões máximas das bacias que contribuem para a Baía da Babitonga serão analisadas através de estatística e modelagem hidrológica.

Serão obtidos os valores de máximas anuais de vazão das séries de dados disponíveis no Hidroweb da ANA para o período histórico. Deve ser feita, ainda, uma análise exploratória, uma análise de consistência e uma análise de estacionariedade das séries históricas. Cálculo da distribuição de probabilidade conjunta de eventos extremos de vazão e nível do mar utilizando cópulas e análise de dependência bivariada. Devem ser calculados os tempos de retorno de eventos históricos que geram falha na operação portuária e/ou danos estruturais e por conseguinte será feito o cálculo da distribuição de probabilidade conjunta de eventos de vazão e de nível do mar para o clima futuro. Essa análise deve ser feita considerando a mudança na probabilidade de falha desses eventos compostos em função do aumento do nível do mar e dados pelas possíveis mudanças nos padrões atmosféricos.

Para a simulação de eventos de chuva-vazão que servirão de entrada do modelo hidrodinâmico, será utilizado o modelo SUPERFLEX (FENICIA; KAVETSKI; SAVENIJE, 2011; KAVETSKI; FENICIA, 2011). Essa estrutura de modelagem flexível chamada SUPERFLEX é baseada em blocos genéricos, como reservatórios, juntas e funções de propagação que podem ser montadas de diferentes maneiras (Figura). Esse modelo já foi aplicado com sucesso em bacias de diversas escalas no Brasil (DAVID et al., 2019a, b).

x

Hidrodinâmica e Morfodinâmica da Baía da Babitonga

Para a modelagem hidrodinâmica e morfológica será utilizado o modelo numérico Delft3D, desenvolvido pela Deltares®, em Delft, Holanda, que se constitui em um avançado sistema de modelos numéricos 2D/3D (duas e três dimensões) para ambientes aquáticos, que inclui vários módulos que possibilitam a simulação de processos costeiros complexos. Dentre os módulos, estão o FLOW para cálculo da circulação hidrodinâmica, WAVE para geração e propagação de ondas, MOR para mudanças morfológicas, SED para transporte de sedimentos, e WAQ para qualidade de água.

Para este estudo de modelagem morfológica serão utilizados os módulos DELFT3D-Flow para o cálculo da circulação hidrodinâmica e DELFT3D-Mor para análise das alterações morfológicas.

Módulo FLOW

DELFT3D-FLOW consiste em um módulo para resolver as equações hidrodinâmicas do escoamento e do transporte de substâncias para os casos bidimensionais e tridimensionais em águas rasas. Dentre as várias aplicações deste modelo estão: a intrusão salina em estuários, escoamentos fluviais e descargas de água doce em baias, estratificação térmica em lagos e mares, transporte de material dissolvido e poluentes e ação das marés de sizígia, quadratura e meteorológica. Em sua robusta formulação destacam-se algumas características como: inclusão da força aparente de Coriolis, resolução de gradientes de densidade, considerar a viscosidade e difusividade vertical turbulenta, processos de interação onda-corrente, tensão de cisalhamento, fricção do vento, cálculo de células inundadas e secas e simulações de descargas térmicas, inundações de planícies e transporte de partículas passivas.

Módulo MOR

O módulo MOR apresenta-se acoplado ao modelo hidrodinâmico e seu propósito é simular o comportamento morfodinâmico de ambientes costeiros, estuarinos e fluviais. Sua formulação permite resolver a complexa relação entre batimetria, onda, corrente e o transporte sedimentar, sendo que os processos de alterações morfológicas são calculadas e atualizadas através deste módulo (Figura).

O modelo numérico será forçado com dados de ondas de água de reanálise de ondas do Projeto ROAD-BESM, dados de marés astronômica e meteorológica, dados de ventos locais, dados de vazão dos rios localizados no interior da Baia da Babitonga.

x

Projeções futuras baseadas em cenários

A partir dos resultados (preditores) gerados nos Refinamentos Dinâmico e Híbridos de Ondas, serão propostas projeções de ameaças futuras.

As projeções futuras baseadas em cenários têm sido amplamente aplicadas em estudos de climatologia. Reboita et al. (2018) caracterizaram a frequência de ocorrência histórica de ciclones extratropicais para o Atlântico Sul e suas projeções futuras a partir de modelos globais e regionais (HadGEM2-ES e RegCM4). Os autores identificaram uma tendência negativa na frequência de ciclones para curto (2020-2050) e longo prazo (2070-2098) para o cenário RCP8.5. A redução na frequência de ocorrência dos ciclones extratropicais também implica na redução da precipitação anual, já que 80% da precipitação na região é causada por esses eventos.

O refinamento estatístico (statistical downscaling – SD) é uma técnica para desenvolvimento de relações estatísticas entre variáveis atmosféricas de escala global (preditor) e uma variável de escala local (preditando). Das possíveis abordagens de SD, são mais conhecidas: os padrões climáticos, os modelos de regressão e os geradores de clima (WILBY et al., 2004). No presente projeto, é utilizado o método de tipos de padrões atmosféricos ou weather types (WT).

A classificação por tipos de padrões atmosféricos é um método de agrupamento de dados por similaridade. Para tal, são aplicados a análise de componentes principais (PCA) e algoritmos de clusterização (k-médias, MDA, SOM, etc). Algoritmos k-médias são conhecidos pela sua boa capacidade em representar climatologias médias, enquanto os algoritmos baseados na máxima dissimilaridade (MDA) são bem aplicados em casos de eventos extremos. Já os mapas auto organizáveis (SOM) são reconhecidos pela sua capacidade gráfica para suporte visual (CAMUS et al., 2011).

A abordagem de SD utilizando WT apresenta grandes vantagens na determinação de padrões climáticos responsáveis por eventos extremos nas regiões costeiras. Além disso, seu baixo custo computacional, em relação às técnicas de refinamento dinâmico, também tem sido valorizado (PEREZ et al., 2014; RUEDA et al., 2016; CAMUS et al., 2017).

Em aplicações da metodologia de SD para projeções futuras são pressupostos a estacionaridade do processo e que todas as variabilidades dentro do mesmo estejam contempladas pela variabilidade natural. Ou seja, dentro dessa metodologia só será possível avaliar a magnitude na mudança das frequências relativas de ocorrência dos padrões sinóticos já conhecidos. Novos padrões de circulação atmosférica podem não ser detectados ou assumidos como erros durante o processo de agrupamento (cluster) (CAMUS et al., 2014).

Para validação do método de SD em projeções futuras, Vrac et al. (2007) propõem um processo de duas etapas. O método consiste em avaliar a capacidade do SD em reproduzir dados históricos e analisar a consistência das projeções futuras dos GCMs, tendo como comparativo modelos climáticos regionais. Em seguida, será visto como tal metodologia também pode ser estendida para avaliação dos próprios Global Climate Models /9GCMs).

A metodologia a ser desenvolvida no presente projeto é representada pelo fluxograma da Figura abaixo. São propostas duas etapas: a caracterização dos padrões sinóticos do Atlântico Sul e, a avaliação dos modelos climáticos globais em função das simulações históricas e das projeções futuras de cada modelo.

Os modelos a serem avaliados no presente projeto serão selecionados a partir de análise da literatura. Serão escolhidos modelos que apresentaram performance satisfatória em trabalhos anteriores, com maior enfoque, em simulações para o Atlântico Sul. A seleção foi restrita para modelos provenientes das fases cinco e seis do Projeto de Intercomparação de Modelos Acoplados (CMIP5 e CMIP6). As projeções futuras do CMIP5 são baseadas nos cenários RCP (VAN VUUREN et al., 2011a, b) e as do CMIP6 nos novos cenários do ScenarioMIP, o SSP (O’NEILL et al., 2016).

A avaliação dos GCMs será realizada em função das frequências relativas de ocorrência de cada padrão atmosférico. Serão avaliadas a similaridade entre as simulações históricas dos GCMs e os dados de reanálise, a capacidade do modelo em reproduzir variabilidades interanuais e, a consistência entre as projeções futuras dos modelos (PEREZ et al., 2014).

Para avaliar a similaridade das simulações históricas dos modelos com os dados de reanálise serão utilizados os dados de SLP da segunda fase do CFSR-NCAR para cerca de 30 anos (1979-2006 para CMIP5 e 1979-2014 para CMIP6). As frequências relativas do conjunto de dados históricos, bem como das simulações dos modelos, serão calculadas para cada WT. Nessa análise, os dados do CFSR serão utilizados como padrão de referência para mensurar a performance dos GCMs.

A projeções futuras dos GCMs serão avaliadas a partir da sua consistência, ou seja, da similaridade entre projeções de diferentes modelos. Nesse caso, será mensurada a magnitude de mudança das frequências relativas de ocorrência de cada WT. Para definição de projeções inconsistentes será aplicado o valor de 3 vezes o desvio padrão da média dos SIs de todas as projeções. Projeções que apresentarem magnitude de mudança acima ou abaixo de três desvios padrões serão consideradas inconsistentes.

x

Condições de contorno e validações dos modelos – Topo-Batimetria

Para melhorar as condições de contorno da modelagem numérica atual e de cenários futuros das ameaças dos casos escolhidos, no presente projeto será desenvolvido um novo módulos da ferramenta CASSIE (Coastal Analysis System via Satellite Imagery Engine), utilizando tecnologia do Google Earth Engine (GORELICK et al., 2017), para o apoio à gestão do impacto de mudanças climáticas em zonas costeiras e portuárias. O CASSIE (CONCATTO et al., 2018a, b) é uma ferramenta de código aberto que funciona através de uma interface gráfica amigável (www.cassiengine.com), portátil (pode ser utilizado em qualquer lugar sendo necessário apenas acesso à internet), construído com a tecnologia do Google Earth Engine (GEE).

Até este momento o CASSIE possui um módulo para mapeamento e análise de linha de costa, construído no âmbito do Projeto BaySqueeze, contudo no presente projeto será adicionado um novo módulo como ferramentas operacional para gerir o impacto de mudanças climáticas em zonas costeiras e portuárias. A seguir está identificado o novo módulo que será desenvolvido neste projeto, assim como o módulo já desenvolvido na ferramenta CASSIE:

1. ShoreAnalyst: mapeamento e análise da linha de costa (já desenvolvido);
2. CoasTymetry: mapeamento da topografia e batimetria costeira (novo).

O CoastTymetry, é dividido em dois módulos, sendo um de mapeamento da topografia intermaré e outro da batimetria costeira.

Topografia da zona intermarés

O conhecimento da topografia da zona intermarés é determinante para a previsão de componentes de águas rasas das marés. Litorais muito inclinados são tipicamente mais energéticos e por consequência é esperado uma menor influência nas componentes de águas rasas da maré. Em costas de baixa declividade, como planícies de maré e faixas de mangue, sujeitas a níveis de energia mais baixos e por tal uma menor influência nas componentes de águas rasas da maré.

A topografia da zona intermarés pode ser estimada através da combinação entre a informação simultânea do nível de maré astronômica e a posição da linha de costa, obtida por sensores ópticos orbitais (SAGAR et al., 2018; BISHOP-TAYLOR et al., 2019; VOS et al., 2020). A metodologia proposta por Bishop-Taylor et al. (2019) consiste num conjunto de 4 etapas (Figura):

1. Agrupamento de todas as imagens (apenas bandas GREEN e NIR) coletadas em datas com o mesmo nível de maré astronômica (num intervalo de amplitude de 10%);
2. Criação de um novo mosaico com o cálculo da mediana por pixel, por banda, para os diferentes conjuntos de imagens (níveis de maré);
3. Cálculo do índice NDWI e determinação da posição da linha de costa para as diferentes imagens medianas e associar a cada linha o respetivo nível de maré astronômico;
4. Construção de um modelo digital do terreno utilizando um conjunto de linhas de costa com diferentes elevações.

A abordagem metodológica de Bishop-Taylor et al. (2019) será implementada no módulo CoastTymetry do CASSIE, utilizando para isso toda a série temporal (36 anos de observações) das diferentes missões de satélite Landsat (NASA-USGS) disponível no GEE. Salienta-se que os algoritmos para recorte de área de interesse, correção geométrica (registro), composição de imagens (quando a área de interesse cobre mais do que uma imagem), filtro de nuvens, filtro temporal, e mapeamento automático de linha de costa já foram desenvolvidos no âmbito do módulo ShoreAnalyst do CASSIE (CONCATTO et al., 2018a).

A elevação da maré astronômica para todo o litoral da Baía da Babitonga será prevista através do software Oregon State University Tidal Prediction Software (OTPS) TPX08 model (EGBERT; EROFEEVA, 2002, 2010). Este modelo permite a obtenção da elevação da maré para qualquer região do planeta com uma resolução espacial de de 1/6° (∼18×18 km). Esta informação será adicionada ao GEE, através da criação de um novo asset.

O conjunto de linhas de costa com elevação topográfica associada (Figura) serão utilizadas para a produção de um modelo topográfico da zona intermarés através de um método de interpolação linear, a Triangulação de Delaunay utilizando o algoritmo Quickhull (BARBER et al., 1996). Com este modelo será possível analisar a declividade da praia e extensão da zona intermarés que são elementos cruciais para o mapeamento de impactos das mudanças climáticas em áreas expostas e abrigadas, como da Baia da Babitonga e seus portos.

Batimetria da Baía da Babitonga (canal e áreas rasas)

O conhecimento da batimetria é crucial na determinação de cenários associados a mudanças climáticas em zonas costeiras, ou seja, servem de condições de contorno na modelagem computacional, que necessita de batimetria atualizada para prever por exemplo cotas de inundação face á hidrodinâmica local (ALVES; KOKINOU; ZODIATIS, 2014).

Batimetria Derivada de Satélite (BDS) é uma técnica útil para mapear a batimetria de águas rasas, caracterizar a área costeira e monitorar as mudanças do fundo marinho que podem ter ocorrido desde o último levantamento batimétrico realizado (LYZENGA, 1978). A BDS explora o princípio físico de que os diferentes comprimentos de onda do espectro de luz são atenuados pela água em graus variados, e com isso, é possível fazer estimativas no campo da profundidade devido à inversão óptica da refletância do fundo (PHILPOT, 1989). Esse procedimento tem se mostrado eficaz, principalmente na utilização das imagens de satélites multiespectrais e apresenta vantagens como a cobertura de extensa área e a repetitividade (NORDMAN et al., 1990).

A batimetria sublitoral pode ser obtida através do algoritmo desenvolvido por Stumpf et al. (2003), que estima a profundidade através da razão do logaritmo natural entre a reflectância de duas bandas, assumindo que ambas as bandas são afetadas igualmente pela atmosfera, coluna d’água e contribuição da refletância do fundo marinho.

Ainda, o algoritmo desenvolvido por Filippi (2020), no contexto do Projeto BaySqueeze será adicionado ao novo módulo CoasTymetry do CASSIE e com isso possibilitará que a batimetria na Baia da Babitonga seja estimada por observações históricas ou novas imagens coletadas pelo sensor MSI do satélite Sentinel 2. Para validar os algoritmos propostos serão utilizados levantamento topo-batimétricos realizados no âmbito do mesmo projeto e da base de dados da ACQUADINAMICA LTDA, parceira neste projeto.

x

Dados de ondas, correntes e vazão

A fim de validar os cenários propostos, além de alcançar precisão no modelo matemático de previsão hidrodinâmica e morfodinâmica é recomendado que o sistema seja continuamente calibrado e validado através de dados coletados em tempo real por um sistema de coleta de dados, sendo importante destacar que quanto maior o número de dados coletados em campo, em tempo real, maior será a acurácia e precisão do modelo de previsão. Para isso serão coletados dados de ondas, correntes e nível de água através do fundeio de um ADCP (250 Nortek – UFSC) e um ondógrafo direcional (Datawell Waverider Mark III – FURG) com apoio do Projeto Monitoramento de Ondas no Litoral Sul do Brasil. Estes irão compor um sistema de monitoramento, armazenamento, gerenciamento, de condições oceanográficas, composto por um conjunto de componentes de softwares que gerencia o fluxo de dados operacionais obtidos a partir de diferentes fontes de medição em campo e de previsão utilizando modelos numéricos.

Ambos serão instalados nas adjacências do canal de acesso aos portos da Baía da Babitonga. Todas as informações coletadas serão processadas pela ACQUADINAMICA e posteriormente disponibilizadas para um website específico do Projeto (e Rede Ondas).

x

x

Referências

ALVES, T.M.; KOKINOU, E.; ZODIATIS, G. A three-step model to assess shoreline and offshore susceptibility to oilspills: The South Aegean (Crete) as an analogue for confined marine basins. Marine Pollution Bulletin, v. 86, p. 443-457, 2014.
ARIA, M.; CUCCUULLO, C. Bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of informetrics, v. 11, n. 4, p. 959-975. 2017.
BISHOP-TAYLOR, R.; SAGAR, S.; LYMBURNER, L.; BEAMAN, R.J. Between the tides: Modelling the elevation of Australia’s exposed intertidal zone at continental scale. Estuarine, Coastal and Shelf Science, v. 223, p. 115-128, 2019.
CAMUS, P.; MENDEZ, F.J.; MEDINA, R.; COFIÑO, A.S. Analysis of clustering and selection algorithms for the study of multivariate wave climate. Coastal Engineering, v. 58, n. 6, p. 453–462, 2011.
CAMUS, P.; MENENDEZ, M.; MENDEZ, F.J.; IZAGUIRRE, C.; ESPEJO, A.; CANOVAS, V.; PEREZ, J.; RUEDA, A.; LOSADA, I.J.; MEDINA, R. A weather-type statistical downscaling framework for ocean wave climate. Journal of Geophysical Research: Oceans, v. 119, n. 11, p. 7389–7405, 2014.
CAMUS, P.; LOSADA, I.J.; IZAGUIRRE, C.; ESPEJO, A.; MENENDEZ, M.; PEREZ, J. Statistical wave climate projections for coastal impact assessments: STATISTICAL WAVE CLIMATE PROJECTIONS. Earth’s Future, v. 5, n. 9, p. 918–933, 2017.
CONCATTO, F.; ALMEIDA, L.P.M.; LYRA, R.; DAZZI, R.L.S.; KLEIN, A.H.F. e-C.A.S.S.I.E.: Uma ferramenta para análise e mapeamento de regiões costeiras utilizando a plataforma Google Earth Engine. In:  XI ENCONTRO NACIONAL DE GERENCIAMNETO COSTEIRO, 11. (XI Encogerco) & SIMPÓSIO BRASILEIRO DE PRAIAS ARENOSAS, 2. (II SBPA), 2018, Florianópolis, Anais… Florianópolis, 2018a.
CONCATTO, F.; ALMEIDA, L.P.M.; LYRA, R.; DAZZI, R.L.S.; KLEIN, A.H.F., MACHADO, A.A. Desenvolvimento de uma ferramenta integrada ao Google Earth Engine para a análise de ambientes costeiros. In: COMPUTER ON THE BEACH, 2018, Florianópolis. Anais… Florianópolis, 2018b.
DAVID, P.C.; OLIVEIRA, D.Y.; CHAGAS, V.B.; CHAFFE, P.L.B. Investigação da relação entre estruturas de modelos conceituais e características hidrológicas.  In: SIMPÓSIO BRASILEIRO DE RECURSOS HÍDRICOS, 23., 2019, Foz do Iguaçu, Anais… Foz do Iguaçu, 2019.
DAVID, P.C.; OLIVEIRA, D. Y.; GRISON, F.; KOBIYAMA, M.; CHAFFE, P.L.B. Systematic increase in model complexity helps to identify dominant streamflow mechanisms in two small forested basins. Hydrological Sciences Journal, v. 64, p. 455-472, 2019.
FENICIA, F.; KAVETSKI, D.; SAVENIJE, H. H. G. Elements of a flexible approach for conceptual hydrological modeling: 1. Motivation and theoretical development. Water Resources Research, v. 47, n. 11, p. 1–13, 2011.
FILIPPI, B. Obtenção de batimetria em estuários através de imagens de satélite: Estudo de caso na Baía da Babitonga, SC. 2020. Trabalho de Conclusão de Curso (Graduação em Oceanografia) – Universidade Federal de Santa Catarina, Florianópolis.
GORELICK, N.; HANCHER, M.; DIXON, M.; ILYUSHCHENKO. S.; THAU, D.; MOORE, R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, v. 202, p. 18-27, 2017.
KAVETSKI, D.; FENICIA, F. Elements of a flexible approach for conceptual hydrological modeling: 2. Application and experimental insights. Water Resources Research, v. 47, n. 11, p. 1–19, 2011.
LYZENGA, D.R. Passive Remote Sensing Techniques for Mapping Water Depth and Bottom Features. Applied Optics, v. 17, n. 3, p. 379-383, 1978.
NORDMAN, M.E.; WOOD, L.; MICHALEK, J.L.; CHRISTY, J.J. Water depth extraction from Landsat- 5 imagery. In: INTERNATIONAL SYMPOSIUM ON REMOTE SENSING OF ENVIRONMENT, 23., 1990. Proceedings… 1990.
O’NEILL, B.C.; TEBALDI, C.; VAN VUUREN, D.P.; EYRING, V.; FRIEDLINGSTEIN, P.; HURTT, G.; KNUTTI, R.; KRIEGLER, E.; LAMARQUE, J.-F.; LOWE, J.; MEEHL, G.A.; MOSS, R.; RIAHI, K.; SANDERSON, B. The Scenario Model Intercomparison Project (ScenarioMIP) for CMIP6. Geoscientific Model Development, v. 9, n. 9, p. 3461–3482, 2016.
PEREZ, J.; MENENDEZ, M.; MENDEZ, F.J.; LOSADA, I.J. Evaluating the performance of CMIP3 and CMIP5 global climate models over the north-east Atlantic region. Climate Dynamics, v. 43, n. 9–10, p. 2663–2680, 2014.
PHILPOT, W.D. Bathymetric mapping with passive multispectral imagery. Applied Optics, v. 28, n. 8, p. 1569-1578, 1989.
REBOITA, M.S.; ROCHA, R.P.; SOUZA, M.R.; LLOPART, M. Extratropical cyclones over the southwestern South Atlantic Ocean: HadGEM2-ES and RegCM4 projections. International Journal of Climatology, v. 38, n. 6, p. 2866-2879, 2018.
RUEDA, A.; CAMUS, P.; TOMÁS, A.; VITOUSEK, S.; MÉNDEZ, F.J. A multivariate extreme wave and storm surge climate emulator base don weather patherns. Ocean Modelling, v. 104, p. 242-251, 2016.
SAGAR, S.; PHILLIPS, C.; BALA, B.; ROBERTS, D.; LYMBURNER, L.. Generating continental scale pixel-based surface reflectance composites in coastal regions with the use of a multi-resolution tidal model. Remote Sensing, v. 10, n. 3, p. 480, 2018.
VAN VUUREN, D.P.; EDMONDS, J.A.; KAINUMA, M.; RIAHI, K.; THOMSON, A.; HIBBARD, K.; HURTT, G.C.; KRAM, T.; KREY, V.; LAMARQUE, J.-F.; MASUI, T.; MEINSHAUSEN, M.; NAKICENOVIC, N.; SMITH, S.; ROSE, S.K. The representative concentration pathways: an overview. Climatic Change, v. 109, n. 1–2, p. 5–31, 2011a.
VAN VUUREN, D.P.; EDMONDS, J.A.; KAINUMA, M.; RIAHI, K.; WEYANT, J. A. A special issue on the RCPs. Climatic Change, v. 109, n. 1–2, p. 1, 2011b.
VOS, K.; HARLEY, M.D.; SPLINTER, K.D.; WALKER, A.; TURNER, I.L. Beach slopes from satellite‐derived shorelines. Gephysical Research Letters, v. 47 , n. 14, 2020.
VOUSDOUKAS, M.I.; MENTASCHI, L.; VOUKOUVALAS, E.; VERLAAN, M.; JEVREJEVA, S.; JACKSON, L.P.; FEYEN, L. Global probabilistic projections of extreme sea levels show intensification of coastal flood hazard. Nature Communications, v. 9, n. 2360, 2018.
VRAC, M.; STEIN, M.L.; HAYHOE, K.; LIANG, X.-Z. A general method for validating statistical downscaling methods under future climate change. Geophysical Research Letters, v. 34, n. 18, p. L18701, 2007.
WILBY, R.L.; CHARLES, S.P.; ZORITA, E.; TIMBAL, B.; WHETTON, P.; MEARNS L. O. Guidelines for use of climate scenarios developed from statistical downscaling methods. Intergovernmental Panel on Climate Change, 2004, 27 p.