Normais climatológicas e indicadores dos municípios brasileiros

Introdução

Normais climatológicas são médias de variáveis climáticas observadas para um determinado período, geralmente meses, em um intervalo de 30 anos. As normais costumam ser usadas como referência de comparação com condições recentes ou atuais, sendo úteis para reconhecer anomalias e caracterizar impactos do aquecimento global.

As normais geralmente são calculadas com dados de estações meteorológicas de superfície, mantidas por instituições meteorológicas governamentais, e sua distribuição no território pode ser escassa ou irregular, como no Brasil. Assim, a disponibilidade de normais climatológicas para diferentes regiões e divisões administrativas, como municípios, é difícil de obter.

Proponho aqui um método para calcular normais climatológicas mensais e indicadores climáticos agregados mensalmente usando bases de reanálise climática.

Dica

Com pressa? Vá direto para a seção de baixar ;-)

Métodos

Uma normal climatológica pode ser calculada com dados de diferentes fontes, incluindo sensores de sensoriamento remoto e “médias de área ou pontos em bases em grade” (WMO 2017). Algumas bases climatológicas em grade estão disponíveis para o território brasileiro, incluindo o ERA5-Land do Copernicus (Muñoz-Sabater et al. 2021) e a base BR-DWGD (Xavier et al. 2022), oferecendo vários indicadores climatológicos em séries longas e com atualizações contínuas.

Alguns métodos de pesquisa exigem que dados climáticos sejam agregados nas mesmas unidades espaciais e temporais de outros dados usados em modelos estatísticos, procedimento comum em estudos de epidemiologia e economia. Para lidar com essa necessidade, dados espaciais em grade podem ser agregados usando estatísticas zonais (Saldanha et al. 2024).

As bases atualizadas de estatísticas zonais climáticas do ERA5-Land para municípios brasileiros foram usadas para calcular normais climatológicas e indicadores mensais.

Para isso, foi criado um pacote R chamado {climindi}. O pacote fornece funções auxiliares para calcular normais climatológicas e outros indicadores agregados de forma tidy.

Indicadores normais

O pacote {climindi} calcula média, percentil 10 e percentil 90 como normais climatológicas.

Indicadores agregados

O pacote {climindi} apresenta funções para calcular as seguintes estatísticas para dados agregados no tempo: contagem de pontos, média, mediana, desvio padrão, erro padrão, valores máximo e mínimo, percentis 10, 25, 75 e 90, além de indicadores específicos por variável, listados abaixo.

  • Precipitação
    • Períodos chuvosos: contagem de ocorrências com 3 e 5 ou mais dias consecutivos com chuva acima do valor médio da normal climatológica
    • Contagem de dias com precipitação acima de 1mm, 5mm, 10mm, 50mm e 100mm
    • Contagem de sequências de 3, 5, 10, 15, 20 e 25 dias ou mais sem precipitação
  • Temperatura máxima
    • Ondas de calor: contagem de ocorrências com 3 e 5 ou mais dias consecutivos com temperatura máxima acima da normal climatológica mais 5 graus Celsius
    • Dias quentes: contagem de dias em que a temperatura máxima está acima do percentil 90 da normal
    • Contagem de dias com temperaturas maiores ou iguais a 25, 30, 35 e 40 graus Celsius
  • Temperatura mínima
    • Ondas de frio: contagem de ocorrências com 3 e 5 ou mais dias consecutivos com temperatura mínima abaixo da normal climatológica menos 5 graus Celsius
    • Dias frios: contagem de dias em que a temperatura mínima está abaixo do percentil 10 da normal
    • Contagem de dias com temperaturas menores ou iguais a 0, 5, 10, 15 e 20 graus Celsius
  • Umidade relativa
    • Contagem de ocorrências de períodos secos com 3 e 5 ou mais dias consecutivos com umidade relativa abaixo da normal climatológica menos 10%
    • Contagem de ocorrências de períodos úmidos com 3 e 5 ou mais dias consecutivos com umidade relativa acima da normal climatológica mais 10%
    • Contagem de dias secos, quando a umidade relativa está abaixo do percentil 10 da normal
    • Contagem de dias úmidos, quando a umidade relativa está acima do percentil 90 da normal
    • Contagem de dias com umidade relativa entre 21% e 30% (nível de atenção)
    • Contagem de dias com umidade relativa entre 12% e 20% (nível de alerta)
    • Contagem de dias com umidade relativa abaixo de 12% (nível de emergência)
  • Velocidade do vento
    • Contagem de sequências de 3 e 5 dias ou mais com velocidade do vento abaixo da normal climatológica média
    • Contagem de sequências de 3 e 5 dias ou mais com velocidade do vento acima da normal climatológica média
  • Evapotranspiração
    • Contagem de sequências de 3 e 5 dias ou mais com evapotranspiração abaixo da normal climatológica média
    • Contagem de sequências de 3 e 5 dias ou mais com evapotranspiração acima da normal climatológica média
  • Radiação solar
    • Contagem de sequências de 3 e 5 dias ou mais com radiação solar abaixo da normal climatológica
    • Contagem de sequências de 3 e 5 dias ou mais com radiação solar acima da normal climatológica
Importante

As funções do pacote precisam dos dados nas unidades corretas. Certifique-se de que seus dados estejam na unidade correta antes de executar as funções.

Fonte dos dados

As estatísticas zonais para municípios brasileiros calculadas com o ERA5-Land do Copernicus estão descritas aqui. Podemos usar o pacote {zendown} para baixar os arquivos diretamente do Zenodo.

Usaremos os dados de 1961 a 1990 para calcular as normais climatológicas e os dados de 1991 a 2024 para calcular indicadores climatológicos mensais.

Pacotes

library(dplyr)
library(lubridate)
library(arrow)
library(readr)
library(climindi) # http://rfsaldanha.github.io/climindi/
library(zendown) # https://rfsaldanha.github.io/zendown/
Aviso

Para realizar esses cálculos, precisei aumentar a variável de ambiente R_MAX_VSIZE para 100 GB, conforme explicado aqui.

Precipitação (mm)

Dados

prec_1950_2022 <- zen_file(10036212, "total_precipitation_sum.parquet")
prec_2023 <- zen_file(10947952, "total_precipitation_sum.parquet")
prec_2024 <- zen_file(15748125, "total_precipitation_sum.parquet")

prec_data <- open_dataset(sources = c(prec_1950_2022, prec_2023, prec_2024)) |>
  # Average precipitation
  filter(name == "total_precipitation_sum_mean") |>
  # Time filter
  filter(date >= as.Date("1961-01-01")) |>
  filter(date <= as.Date("2024-12-31")) |>
  # Unit conversion from m to mm
  mutate(value = round(value * 1000, digits = 2)) |>
  select(-name) |>
  arrange(code_muni, date) |>
  collect()

Normal climatológica

prec_normal <- prec_data |>
  # Identify month
  mutate(month = month(date)) |>
  # Group by id variable and month
  group_by(code_muni, month) |>
  # Compute normal
  summarise_normal(
    date_var = date,
    value_var = value,
    year_start = 1961,
    year_end = 1990
  ) |>
  # Ungroup
  ungroup()

Indicadores climatológicos

prec_indi <- prec_data |>
  # Identify year
  mutate(year = year(date)) |>
  # Identify month
  mutate(month = month(date)) |>
  # Filter year
  filter(year >= 1991) |>
  # Group by id variable, year and month
  group_by(code_muni, year, month) |>
  # Compute precipitation indicators
  summarise_precipitation(
    value_var = value,
    normals_df = prec_normal
  ) |>
  # Ungroup
  ungroup()

Exportação

write_parquet(x = prec_normal, sink = "prec_normal.parquet")
write_csv2(x = prec_normal, file = "prec_normal.csv")
write_parquet(x = prec_indi, sink = "prec_indi.parquet")
write_csv2(x = prec_indi, file = "prec_indi.csv")

Temperatura máxima (°C)

Dados

tmax_1950_2022 <- zen_file(10036212, "2m_temperature_max.parquet")
tmax_2023 <- zen_file(10947952, "2m_temperature_max.parquet")
tmax_2024 <- zen_file(15748125, "2m_temperature_max.parquet")

tmax_data <- open_dataset(sources = c(tmax_1950_2022, tmax_2023, tmax_2024)) |>
  # Average maximum temperature
  filter(name == "2m_temperature_max_mean") |>
  # Time filter
  filter(date >= as.Date("1961-01-01")) |>
  filter(date <= as.Date("2024-12-31")) |>
  # Unit conversion form Kelvin to graus Celsius
  mutate(value = round(value - 273.15, digits = 2)) |>
  select(-name) |>
  arrange(code_muni, date) |>
  collect()

Normal climatológica

tmax_normal <- tmax_data |>
  # Identify month
  mutate(month = month(date)) |>
  # Group by id variable and month
  group_by(code_muni, month) |>
  # Compute normal
  summarise_normal(
    date_var = date,
    value_var = value,
    year_start = 1961,
    year_end = 1990
  ) |>
  # Ungroup
  ungroup()

Indicadores climatológicos

tmax_indi <- tmax_data |>
  # Identify year
  mutate(year = year(date)) |>
  # Identify month
  mutate(month = month(date)) |>
  # Filter year
  filter(year >= 1991) |>
  # Group by id variable, year and month
  group_by(code_muni, year, month) |>
  # Compute precipitation indicators
  summarise_temp_max(
    value_var = value,
    normals_df = tmax_normal
  ) |>
  # Ungroup
  ungroup()

Exportação

write_parquet(x = tmax_normal, sink = "tmax_normal.parquet")
write_csv2(x = tmax_normal, file = "tmax_normal.csv")
write_parquet(x = tmax_indi, sink = "tmax_indi.parquet")
write_csv2(x = tmax_indi, file = "tmax_indi.csv")

Temperatura mínima (°C)

Dados

tmin_1950_2022 <- zen_file(10036212, "2m_temperature_min.parquet")
tmin_2023 <- zen_file(10947952, "2m_temperature_min.parquet")
tmin_2024 <- zen_file(15748125, "2m_temperature_min.parquet")

tmin_data <- open_dataset(sources = c(tmin_1950_2022, tmin_2023, tmin_2024)) |>
  # Average minimum temperature
  filter(name == "2m_temperature_min_mean") |>
  # Filter period
  filter(date >= as.Date("1961-01-01")) |>
  filter(date <= as.Date("2024-12-31")) |>
  # Unit conversion
  mutate(value = round(value - 273.15, digits = 2)) |>
  select(-name) |>
  arrange(code_muni, date) |>
  collect()

Normal climatológica

tmin_normal <- tmin_data |>
  # Identify month
  mutate(month = month(date)) |>
  # Group by id variable and month
  group_by(code_muni, month) |>
  # Compute normal
  summarise_normal(
    date_var = date,
    value_var = value,
    year_start = 1961,
    year_end = 1990
  ) |>
  # Ungroup
  ungroup()

Indicadores climatológicos

tmin_indi <- tmin_data |>
  # Identify year
  mutate(year = year(date)) |>
  # Identify month
  mutate(month = month(date)) |>
  # Filter year
  filter(year >= 1991) |>
  # Group by id variable, year and month
  group_by(code_muni, year, month) |>
  # Compute precipitation indicators
  summarise_temp_min(
    value_var = value,
    normals_df = tmin_normal
  ) |>
  # Ungroup
  ungroup()

Exportação

write_parquet(x = tmin_normal, sink = "tmin_normal.parquet")
write_csv2(x = tmin_normal, file = "tmin_normal.csv")
write_parquet(x = tmin_indi, sink = "tmin_indi.parquet")
write_csv2(x = tmin_indi, file = "tmin_indi.csv")

Velocidade do vento a 2 m de altura (m/s)

Dados

wu_1950_2022 <- zen_file(10036212, "10m_u_component_of_wind_mean.parquet")
wu_2023 <- zen_file(10947952, "10m_u_component_of_wind_mean.parquet")
wu_2024 <- zen_file(15748125, "10m_u_component_of_wind_mean.parquet")

wv_1950_2022 <- zen_file(10036212, "10m_v_component_of_wind_mean.parquet")
wv_2023 <- zen_file(10947952, "10m_v_component_of_wind_mean.parquet")
wv_2024 <- zen_file(15748125, "10m_v_component_of_wind_mean.parquet")

wu_data <- open_dataset(sources = c(wu_1950_2022, wu_2023, wu_2024)) |>
  # Average minimum temperature
  filter(name == "10m_u_component_of_wind_mean_mean") |>
  # Filter period
  filter(date >= as.Date("1961-01-01")) |>
  filter(date <= as.Date("2024-12-31")) |>
  select(-name) |>
  arrange(code_muni, date) |>
  collect()

wv_data <- open_dataset(sources = c(wv_1950_2022, wv_2023, wv_2024)) |>
  # Average minimum temperature
  filter(name == "10m_u_component_of_wind_mean_mean") |>
  # Filter period
  filter(date >= as.Date("1961-01-01")) |>
  filter(date <= as.Date("2024-12-31")) |>
  select(-name) |>
  arrange(code_muni, date) |>
  collect()


u2_data <- zen_file(13906834, "u2_3.2.3.parquet") |>
  open_dataset() |>
  filter(name == "u2_3.2.3_mean") |>
  filter(date >= as.Date("1961-01-01")) |>
  filter(date <= as.Date("2024-12-31")) |>
  select(-name) |>
  collect()

Normal climatológica

u2_normal <- u2_data |>
  # Identify month
  mutate(month = month(date)) |>
  # Group by id variable and month
  group_by(code_muni, month) |>
  # Compute normal
  summarise_normal(
    date_var = date,
    value_var = value,
    year_start = 1961,
    year_end = 1990
  ) |>
  # Ungroup
  ungroup()

Indicadores climatológicos

u2_indi <- u2_data |>
  # Identify year
  mutate(year = year(date)) |>
  # Identify month
  mutate(month = month(date)) |>
  # Filter year
  filter(year >= 1991) |>
  # Group by id variable, year and month
  group_by(code_muni, year, month) |>
  # Compute precipitation indicators
  summarise_windspeed(
    value_var = value,
    normals_df = u2_normal
  ) |>
  # Ungroup
  ungroup()

Exportação

write_parquet(x = u2_normal, sink = "u2_normal.parquet")
write_csv2(x = u2_normal, file = "u2_normal.csv")
write_parquet(x = u2_indi, sink = "u2_indi.parquet")
write_csv2(x = u2_indi, file = "u2_indi.csv")

Umidade relativa (%)

Dados

rh_data <- zen_file(13906834, "RH_3.2.3.parquet") |>
  open_dataset() |>
  filter(name == "RH_3.2.3_mean") |>
  filter(date >= as.Date("1961-01-01")) |>
  filter(date <= as.Date("2024-12-31")) |>
  select(-name) |>
  collect()

Normal

rh_normal <- rh_data |>
  # Identify month
  mutate(month = month(date)) |>
  # Group by id variable and month
  group_by(code_muni, month) |>
  # Compute normal
  summarise_normal(
    date_var = date,
    value_var = value,
    year_start = 1961,
    year_end = 1990
  ) |>
  # Ungroup
  ungroup()

Indicadores

rh_indi <- rh_data |>
  # Identify year
  mutate(year = year(date)) |>
  # Identify month
  mutate(month = month(date)) |>
  # Filter year
  filter(year >= 1991) |>
  # Group by id variable, year and month
  group_by(code_muni, year, month) |>
  # Compute precipitation indicators
  summarise_rel_humidity(
    value_var = value,
    normals_df = rh_normal
  ) |>
  # Ungroup
  ungroup()

Exportação

write_parquet(x = rh_normal, sink = "rh_normal.parquet")
write_csv2(x = rh_normal, file = "rh_normal.csv")
write_parquet(x = rh_indi, sink = "rh_indi.parquet")
write_csv2(x = rh_indi, file = "rh_indi.csv")

Resultados e base de dados

As normais climatológicas e os indicadores agregados dos municípios brasileiros podem ser baixados do Zenodo nos formatos CSV e parquet. Clique no link abaixo para acessar e baixar os dados.

Também é possível baixar a base diretamente pelo R usando o pacote {zendown}.

Vamos verificar alguns resultados.

Temperatura máxima, Rio de Janeiro, RJ, 2023

Observado e normal

tmax_data <- zen_file(13906834, "Tmax_3.2.3.parquet") |>
  open_dataset() |>
  filter(name == "Tmax_3.2.3_mean") |>
  filter(code_muni == 3304557) |>
  filter(date >= as.Date("2023-01-01")) |>
  filter(date <= as.Date("2023-12-31")) |>
  select(-name) |>
  collect()

tmax_normal <- zen_file(15519719, "tmax_normal.parquet") |>
  open_dataset() |>
  filter(code_muni == 3304557) |>
  collect()
library(ggplot2)
library(tidyr)

tmax_normal_exp <- tmax_normal |>
  mutate(date = as_date(paste0("2023-", month, "-01"))) |>
  group_by(month) %>%
  expand(
    date = seq.Date(
      floor_date(date, unit = "month"),
      ceiling_date(date, unit = "month") - days(1),
      by = "day"
    ),
    normal_mean,
    normal_p10,
    normal_p90
  ) |>
  pivot_longer(cols = starts_with("normal_")) |>
  mutate(name = substr(name, 8, 100))

ggplot() +
  geom_line(data = tmax_data, aes(x = date, y = value)) +
  geom_line(data = tmax_normal_exp, aes(x = date, y = value, color = name)) +
  theme_bw() +
  labs(
    title = "Temperatura máxima e normal climatológica",
    subtitle = "Rio de Janeiro, RJ",
    color = "Normal (1961-1990)",
    x = "Data",
    y = "graus Celsius"
  ) +
  theme(legend.position = "bottom", legend.direction = "horizontal")

Indicadores

library(gt)

zen_file(15519719, "tmax_indi.parquet") |>
  open_dataset() |>
  filter(code_muni == 3304557) |>
  filter(year == 2023) |>
  select(-code_muni, -year) |>
  collect() |>
  gt() |>
  fmt_number(
    columns = where(is.double),
    decimals = 2,
    use_seps = FALSE
  )
month count normal_mean normal_p10 normal_p90 mean median sd se max min p10 p25 p75 p90 heat_waves_3d heat_waves_5d hot_days t_25 t_30 t_35 t_40
1.00 31 31.73 26.93 36.51 30.56 31.44 3.92 0.70 35.32 21.36 23.99 29.28 32.96 34.65 0 0 0 26 20 3 0
2.00 28 32.23 27.80 36.05 32.67 32.22 2.47 0.47 37.20 28.26 30.04 30.92 34.91 35.86 0 0 3 28 25 7 0
3.00 31 31.15 26.95 34.75 31.63 31.01 2.21 0.40 36.72 27.88 29.21 30.32 33.14 35.03 0 0 4 31 25 4 0
4.00 30 28.83 25.03 32.98 27.86 27.79 2.33 0.42 32.16 23.10 24.92 26.17 29.54 30.68 0 0 0 26 5 0 0
5.00 31 27.19 23.23 31.03 26.33 27.45 2.55 0.46 30.42 20.67 23.26 24.11 28.06 29.22 0 0 0 21 1 0 0
6.00 30 26.14 21.77 30.30 26.55 26.39 2.56 0.47 31.11 21.69 23.39 25.09 28.06 30.46 0 0 4 23 5 0 0
7.00 31 25.85 21.44 30.29 25.99 25.40 3.40 0.61 35.50 20.93 22.13 23.04 28.41 29.46 0 0 3 17 3 1 0
8.00 31 26.79 21.34 31.84 27.29 26.51 4.91 0.88 37.73 17.49 22.32 24.37 30.79 33.19 1 0 6 19 10 2 0
9.00 30 26.82 21.49 32.93 30.39 30.81 4.17 0.76 36.94 21.40 23.91 27.73 33.35 35.00 3 0 9 26 18 3 0
10.00 31 27.59 22.33 33.40 28.49 29.49 4.54 0.82 37.85 20.91 23.06 24.81 32.65 33.71 1 0 5 21 14 1 0
11.00 30 29.02 23.87 34.44 31.21 30.75 4.79 0.88 40.94 24.80 25.35 26.20 34.72 37.07 1 1 9 27 18 7 1
12.00 31 30.41 25.32 35.41 31.30 31.32 3.27 0.59 38.47 25.13 26.78 29.20 33.47 34.47 0 0 2 31 21 3 0

Informações da sessão

sessioninfo::session_info()
─ Session info ───────────────────────────────────────────────────────────────
 setting  value
 version  R version 4.3.3 (2024-02-29)
 os       Ubuntu 24.04.4 LTS
 system   x86_64, linux-gnu
 ui       X11
 language (EN)
 collate  C.UTF-8
 ctype    C.UTF-8
 tz       America/Sao_Paulo
 date     2026-05-21
 pandoc   3.1.3 @ /usr/bin/ (via rmarkdown)
 quarto   1.8.26 @ /usr/local/bin/quarto

─ Packages ───────────────────────────────────────────────────────────────────
 package      * version date (UTC) lib source
 arrow        * 24.0.0  2026-04-29 [1] CRAN (R 4.3.3)
 assertthat     0.2.1   2019-03-21 [1] CRAN (R 4.3.3)
 backports      1.5.1   2026-04-03 [1] CRAN (R 4.3.3)
 bit            4.6.0   2025-03-06 [1] CRAN (R 4.3.3)
 bit64          4.8.0   2026-04-21 [1] CRAN (R 4.3.3)
 checkmate      2.3.4   2026-02-03 [1] CRAN (R 4.3.3)
 cli            3.6.6   2026-04-09 [1] CRAN (R 4.3.3)
 climindi     * 0.2.0   2026-02-23 [1] Github (rfsaldanha/climindi@55350b4)
 dichromat      2.0-0.1 2022-05-02 [1] CRAN (R 4.3.3)
 digest         0.6.39  2025-11-19 [1] CRAN (R 4.3.3)
 dplyr        * 1.2.1   2026-04-03 [1] CRAN (R 4.3.3)
 evaluate       1.0.5   2025-08-27 [1] CRAN (R 4.3.3)
 farver         2.1.2   2024-05-13 [1] CRAN (R 4.3.3)
 fastmap        1.2.0   2024-05-15 [1] CRAN (R 4.3.3)
 fs             2.1.0   2026-04-18 [1] CRAN (R 4.3.3)
 generics       0.1.4   2025-05-09 [1] CRAN (R 4.3.3)
 ggplot2      * 4.0.3   2026-04-22 [1] CRAN (R 4.3.3)
 glue           1.8.1   2026-04-17 [1] CRAN (R 4.3.3)
 gt           * 1.3.0   2026-01-22 [1] CRAN (R 4.3.3)
 gtable         0.3.6   2024-10-25 [1] CRAN (R 4.3.3)
 hms            1.1.4   2025-10-17 [1] CRAN (R 4.3.3)
 htmltools      0.5.9   2025-12-04 [1] CRAN (R 4.3.3)
 htmlwidgets    1.6.4   2023-12-06 [1] CRAN (R 4.3.3)
 jsonlite       2.0.0   2025-03-27 [1] CRAN (R 4.3.3)
 knitr          1.51    2025-12-20 [1] CRAN (R 4.3.3)
 labeling       0.4.3   2023-08-29 [1] CRAN (R 4.3.3)
 lifecycle      1.0.5   2026-01-08 [1] CRAN (R 4.3.3)
 lubridate    * 1.9.5   2026-02-04 [1] CRAN (R 4.3.3)
 magrittr       2.0.5   2026-04-04 [1] CRAN (R 4.3.3)
 otel           0.2.0   2025-08-29 [1] CRAN (R 4.3.3)
 pillar         1.11.1  2025-09-17 [1] CRAN (R 4.3.3)
 pkgconfig      2.0.3   2019-09-22 [1] CRAN (R 4.3.3)
 purrr          1.2.2   2026-04-10 [1] CRAN (R 4.3.3)
 R6             2.6.1   2025-02-15 [1] CRAN (R 4.3.3)
 RColorBrewer   1.1-3   2022-04-03 [1] CRAN (R 4.3.3)
 readr        * 2.2.0   2026-02-19 [1] CRAN (R 4.3.3)
 rlang          1.2.0   2026-04-06 [1] CRAN (R 4.3.3)
 rmarkdown      2.31    2026-03-26 [1] CRAN (R 4.3.3)
 S7             0.2.2   2026-04-22 [1] CRAN (R 4.3.3)
 sass           0.4.10  2025-04-11 [1] CRAN (R 4.3.3)
 scales         1.4.0   2025-04-24 [1] CRAN (R 4.3.3)
 sessioninfo    1.2.3   2025-02-05 [1] CRAN (R 4.3.3)
 tibble         3.3.1   2026-01-11 [1] CRAN (R 4.3.3)
 tidyr        * 1.3.2   2025-12-19 [1] CRAN (R 4.3.3)
 tidyselect     1.2.1   2024-03-11 [1] CRAN (R 4.3.3)
 timechange     0.4.0   2026-01-29 [1] CRAN (R 4.3.3)
 tzdb           0.5.0   2025-03-15 [1] CRAN (R 4.3.3)
 vctrs          0.7.3   2026-04-11 [1] CRAN (R 4.3.3)
 withr          3.0.2   2024-10-28 [1] CRAN (R 4.3.3)
 xfun           0.57    2026-03-20 [1] CRAN (R 4.3.3)
 xml2           1.5.2   2026-01-17 [1] CRAN (R 4.3.3)
 yaml           2.3.12  2025-12-10 [1] CRAN (R 4.3.3)
 zendown      * 0.1.0   2024-05-21 [1] CRAN (R 4.3.3)

 [1] /home/raphaelsaldanha/R/x86_64-pc-linux-gnu-library/4.3
 [2] /usr/local/lib/R/site-library
 [3] /usr/lib/R/site-library
 [4] /usr/lib/R/library
 * ── Packages attached to the search path.

──────────────────────────────────────────────────────────────────────────────
De volta ao topo

Referências

Muñoz-Sabater, Joaquín, Emanuel Dutra, Anna Agustí-Panareda, Clément Albergel, Gabriele Arduini, Gianpaolo Balsamo, Souhail Boussetta, et al. 2021. “ERA5-Land: A state-of-the-art global reanalysis dataset for land applications”. Earth System Science Data 13 (9): 4349–83. https://doi.org/10.5194/essd-13-4349-2021.
Saldanha, Raphael, Reza Akbarinia, Marcel Pedroso, Victor Ribeiro, Carlos Cardoso, Eduardo H. M. Pena, Patrick Valduriez, e Fabio Porto. 2024. “Zonal Statistics Datasets of Climate Indicators for Brazilian Municipalities”. Environmental Data Science 3: e2. https://doi.org/10.1017/eds.2024.3.
WMO. 2017. WMO Guidelines on the Calculation of Climate Normals. Geneva: WMO.
Xavier, Alexandre C., Bridget R. Scanlon, Carey W. King, e Aline I. Alves. 2022. “New Improved Brazilian Daily Weather Gridded Data (1961)”. International Journal of Climatology, dezembro. https://doi.org/10.1002/joc.7731.