Indicadores climáticos baseados em eventos para análises em saúde pública

Introdução

A pesquisa em clima e saúde tradicionalmente representa a exposição ambiental usando variáveis meteorológicas nominais, como temperatura média ou precipitação total, incluídas como covariáveis contínuas em modelos epidemiológicos. Embora esses indicadores sejam amplamente disponíveis e simples de implementar, muitas vezes representam de forma limitada condições persistentes, extremas e acima de limiares pelas quais a variabilidade e a mudança climática afetam a saúde humana. Muitos impactos em saúde são causados por eventos climáticos discretos, como ondas de calor, ondas de frio, chuva prolongada e períodos secos, cujos efeitos dependem de duração, intensidade e agrupamento temporal, não apenas de condições médias.

Proponho aqui um método para calcular, para cada município brasileiro, um conjunto mensal ou semanal de indicadores climáticos baseados em eventos e normais climatológicas.

Tip

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).

Para esta base, foram usadas estatísticas zonais climáticas do ERA5-Land para municípios brasileiros, descritas aqui, para calcular normais climatológicas e indicadores de eventos mensais e semanais.

Para calcular os indicadores baseados em eventos e as normais climatológicas, foi criado um pacote R chamado {climindi}. O pacote fornece funções auxiliares para calcular normais climatológicas e indicadores climáticos baseados em eventos de forma tidy.

Indicadores normais

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

Foram calculadas duas normais climatológicas: 1961-1990 e 1981-2010.

Indicadores baseados em eventos

Considerando cada normal climatológica, um conjunto de indicadores baseados em eventos foi calculado com o pacote {climindi} para temperatura máxima e mínima, precipitação total, umidade relativa média e velocidade média do vento.

Para cada indicador climático, foram calculados indicadores padrão e indicadores específicos.

Indicadores padrão

  • count Contagem de pontos de dados
  • mean Valor médio
  • median Mediana
  • sd Desvio padrão
  • se Erro padrão
  • max Valor máximo
  • min Valor mínimo
  • p10 Percentil 10
  • p25 25th percentile
  • p75 75th percentile
  • p90 Percentil 90

Indicadores específicos

  • Precipitação
    • rs3 Períodos chuvosos: contagem de ocorrências com 3 e 5 ou mais dias consecutivos com chuva acima do valor médio da normal climatológica
    • p_1 Contagem de dias com precipitação acima de 1mm
    • p_5 Contagem de dias com precipitação acima de 5mm
    • p_10 Contagem de dias com precipitação acima de 10mm
    • p_50 Contagem de dias com precipitação acima de 50mm
    • p_100 Contagem de dias com precipitação acima de 100mm
    • d_3 Contagem de sequências de 3 dias ou mais sem precipitação
    • d_5 Contagem de sequências de 5 dias ou mais sem precipitação
    • d_10 Contagem de sequências de 10 dias ou mais sem precipitação
    • d_15 Contagem de sequências de 15 dias ou mais sem precipitação
    • d_20 Contagem de sequências de 20 dias ou mais sem precipitação
    • d_25 Contagem de sequências de 25 dias ou mais sem precipitação
  • Temperatura máxima
    • hw3 Contagem de ocorrências de ondas de calor com 3 ou mais dias consecutivos com temperatura máxima acima da normal climatológica mais 5 graus Celsius
    • hw5 Contagem de ocorrências de ondas de calor com 5 ou mais dias consecutivos com temperatura máxima acima da normal climatológica mais 5 graus Celsius
    • hot_days Contagem de dias quentes, quando a temperatura máxima está acima do percentil 90 da normal
    • t_25 Contagem de dias com temperaturas maiores ou iguais a 25 graus Celsius
    • t_30 Contagem de dias com temperaturas maiores ou iguais a 30 graus Celsius
    • t_35 Contagem de dias com temperaturas maiores ou iguais a 35 graus Celsius
    • t_40 Contagem de dias com temperaturas maiores ou iguais a 40 graus Celsius
  • Temperatura mínima
    • cw3 Contagem de ocorrências de ondas de frio com 3 ou mais dias consecutivos com temperatura mínima abaixo da normal climatológica menos 5 graus Celsius
    • cw5 Contagem de ocorrências de ondas de frio com 5 ou mais dias consecutivos com temperatura mínima abaixo da normal climatológica menos 5 graus Celsius
    • cold_days Contagem de dias frios, quando a temperatura mínima está abaixo do percentil 10 da normal
    • t_0 Contagem de dias com temperaturas menores ou iguais a 0 graus Celsius
    • t_5 Contagem de dias com temperaturas menores ou iguais a 5 graus Celsius
    • t_10 Contagem de dias com temperaturas menores ou iguais a 10 graus Celsius
    • t_15 Contagem de dias com temperaturas menores ou iguais a 15 graus Celsius
    • t_20 Contagem de dias com temperaturas menores ou iguais a 20 graus Celsius
  • Umidade relativa
    • ds3 Contagem de ocorrências de períodos secos com 3 ou mais dias consecutivos com umidade relativa abaixo da normal climatológica menos 10%
    • ds5 Contagem de ocorrências de períodos secos com 5 ou mais dias consecutivos com umidade relativa abaixo da normal climatológica menos 10%
    • ws3 Contagem de ocorrências de períodos úmidos com 3 ou mais dias consecutivos com umidade relativa acima da normal climatológica mais 10%
    • ws5 Contagem de ocorrências de períodos úmidos com 5 ou mais dias consecutivos com umidade relativa acima da normal climatológica mais 10%
    • dry_days Contagem de dias secos, quando a umidade relativa está abaixo do percentil 10 da normal
    • wet_days Contagem de dias úmidos, quando a umidade relativa está acima do percentil 90 da normal
    • h_21_30 Contagem de dias com umidade relativa entre 21% and 30% (nível de atenção)
    • h_12_20 Contagem de dias com umidade relativa entre 12% and 20% (nível de alerta)
    • h_11 Contagem de dias com umidade relativa abaixo de 12% (nível de emergência)
  • Velocidade do vento
    • l_eto_3 Contagem de sequências de 3 ou mais dias consecutivos com velocidade do vento abaixo da normal climatológica média
    • l_eto_5 Contagem de sequências de 5 ou mais dias consecutivos com velocidade do vento abaixo da normal climatológica média
    • h_eto_3 Contagem de sequências de 3 ou mais dias consecutivos com velocidade do vento acima da normal climatológica média
    • h_eto_5 Contagem de sequências de 5 ou mais dias consecutivos com velocidade do vento acima da normal climatológica média
    • b1 Contagem de dias classificados como nível 1 na escala Beaufort
    • b2 Contagem de dias classificados como nível 2 na escala Beaufort
    • b3 Contagem de dias classificados como nível 3 na escala Beaufort
    • b4 Contagem de dias classificados como nível 4 na escala Beaufort
    • b5 Contagem de dias classificados como nível 5 na escala Beaufort
    • b6 Contagem de dias classificados como nível 6 na escala Beaufort
    • b7 Contagem de dias classificados como nível 7 na escala Beaufort
    • b8 Contagem de dias classificados como nível 8 na escala Beaufort
    • b9 Contagem de dias classificados como nível 9 na escala Beaufort
    • b10 Contagem de dias classificados como nível 10 na escala Beaufort
    • b11 Contagem de dias classificados como nível 11 na escala Beaufort
    • b12 Contagem de dias classificados como nível 12 na escala Beaufort
Important

As funções do pacote precisam dos dados em unidades específicas. Certifique-se de que seus dados estejam na unidade exigida antes de executar as funções.

O código usado para calcular esta base está disponível aqui.

Baixar a base de dados

As normais climatológicas e os indicadores baseados em eventos 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}.

Prévia dos resultados

Vamos verificar alguns resultados usando as bases mensais e a normal climatológica 1981-2010.

Code 
library(dplyr)
library(lubridate)
library(arrow)
library(zendown) # https://rfsaldanha.github.io/zendown/

Temperatura máxima, Rio de Janeiro, RJ, 2024

Observado e normal

Code 
# Dados de 2024
tmax_data <- zen_file(15748125, "2m_temperature_max.parquet") |>
  open_dataset() |>
  filter(name == "2m_temperature_max_mean") |>
  filter(code_muni == 3304557) |>
  select(-name) |>
  mutate(value = round(value - 273.15, digits = 2)) |>
  collect()

# Normais climatológicas
tmax_normal <- zen_file(18612340, "tmax_monthly_normal_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 3304557) |>
  collect()
Code 
library(ggplot2)
library(tidyr)

# Preparar dados para o gráfico
tmax_normal_exp <- tmax_normal |>
  mutate(date = as_date(paste0("2024-", 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))

# Gráfico
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 = "Temperaturas máximas e normais climatológicas mensais",
    subtitle = "Rio de Janeiro, RJ",
    color = "Normal (1981-2010)",
    x = "Data",
    y = "graus Celsius"
  ) +
  theme(legend.position = "bottom", legend.direction = "horizontal")

Code 
# Normais climatológicas
tmax_normal <- zen_file(18612340, "tmax_weekly_normal_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 3304557) |>
  collect()

tmax_normal_exp <- tmax_normal |>
  filter_out(week == 53) |>
  mutate(date = as.Date(paste(2024, week, 1, sep = "-"), "%Y-%U-%u")) |>
  group_by(week) %>%
  expand(
    date = seq.Date(
      floor_date(date, unit = "week"),
      ceiling_date(date, unit = "week") - days(1),
      by = "day"
    ),
    normal_mean,
    normal_p10,
    normal_p90
  ) |>
  pivot_longer(cols = starts_with("normal_")) |>
  mutate(name = substr(name, 8, 100))

# Gráfico
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 = "Temperaturas máximas e normais climatológicas semanais, 2024",
    subtitle = "Rio de Janeiro, RJ",
    color = "Normal (1981-2010)",
    x = "Data",
    y = "graus Celsius"
  ) +
  theme(legend.position = "bottom", legend.direction = "horizontal")

Indicadores

Code 
library(gt)

# Carregar indicadores baseados em eventos e filtrar o ano
zen_file(18612340, "tmax_monthly_indi_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 3304557) |>
  filter(year == 2024) |>
  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 hw3 hw5 hot_days t_25 t_30 t_35 t_40
1.00 31 29.74 25.35 33.87 29.84 28.73 3.69 0.66 36.31 24.13 25.73 26.62 32.60 34.64 0 0 7 29 15 3 0
2.00 29 30.30 26.30 33.70 30.46 30.61 2.01 0.37 34.95 26.50 27.84 29.26 31.68 32.67 0 0 2 29 17 0 0
3.00 31 29.00 25.24 32.84 29.31 28.65 3.68 0.66 35.99 23.32 24.23 26.72 32.42 33.84 0 0 7 27 13 1 0
4.00 30 27.48 23.58 31.40 28.50 28.95 2.22 0.41 33.21 23.90 26.29 26.79 29.58 30.79 0 0 3 28 7 0 0
5.00 31 25.39 21.54 29.40 28.68 30.18 4.41 0.79 33.82 18.28 21.87 25.87 32.15 32.96 12 9 16 23 16 0 0
6.00 30 24.60 20.54 28.42 27.47 28.22 2.59 0.47 31.07 21.18 23.74 26.32 29.30 29.78 0 0 14 24 3 0 0
7.00 31 24.21 19.47 28.59 24.68 24.34 2.89 0.52 30.55 18.34 21.29 22.62 26.86 28.20 0 0 2 14 1 0 0
8.00 31 25.24 20.08 30.19 26.43 27.53 4.34 0.78 33.85 17.08 20.87 22.94 29.88 31.34 3 0 7 20 7 0 0
9.00 30 25.62 20.28 31.77 30.09 31.61 4.37 0.80 35.72 20.85 23.49 26.48 33.50 34.61 16 16 15 24 19 1 0
10.00 31 26.73 21.54 32.20 27.53 27.08 4.33 0.78 37.56 21.09 22.19 24.32 30.69 33.32 3 0 5 21 10 1 0
11.00 30 27.66 22.85 32.95 27.72 28.18 3.52 0.64 35.57 22.65 23.55 24.03 29.57 31.72 0 0 3 21 7 1 0
12.00 31 28.50 24.27 32.70 29.04 28.78 3.13 0.56 35.31 23.49 24.94 27.07 31.20 34.07 0 0 4 27 11 1 0

Temperatura mínima, Urupema, SC, 2025

Observado e normal

Code 
# Dados de 2025
tmin_data <- zen_file(18257037, "2m_temperature_min.parquet") |>
  open_dataset() |>
  filter(name == "2m_temperature_min_mean") |>
  filter(code_muni == 4218954) |>
  select(-name) |>
  mutate(value = round(value - 273.15, digits = 2)) |>
  collect()

# Normais climatológicas
tmin_normal <- zen_file(18612340, "tmin_monthly_normal_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 4218954) |>
  collect()
Code 
library(ggplot2)
library(tidyr)

# Preparar dados para o gráfico
tmin_normal_exp <- tmin_normal |>
  mutate(date = as_date(paste0("2025-", 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))

# Gráfico
ggplot() +
  geom_line(data = tmin_data, aes(x = date, y = value)) +
  geom_line(data = tmin_normal_exp, aes(x = date, y = value, color = name)) +
  theme_bw() +
  labs(
    title = "Temperaturas mínimas e normais climatológicas mensais, 2025",
    subtitle = "Urupema, SC",
    color = "Normal (1981-2010)",
    x = "Data",
    y = "graus Celsius"
  ) +
  theme(legend.position = "bottom", legend.direction = "horizontal")

Indicadores

Code 
library(gt)

# Carregar indicadores baseados em eventos e filtrar o ano
zen_file(18612340, "tmin_monthly_indi_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 4218954) |>
  filter(year == 2025) |>
  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 cw3 cw5 cold_days t_0 t_5 t_10 t_15 t_20
1.00 31 15.14 12.28 17.54 15.33 15.66 1.88 0.34 18.32 11.61 12.63 13.97 16.89 17.43 0 0 2 0 0 0 14 31
2.00 28 15.28 12.32 17.60 17.20 17.24 1.06 0.20 19.05 14.64 15.67 16.69 17.83 18.56 0 0 0 0 0 0 1 28
3.00 31 14.41 11.66 16.83 15.02 15.16 1.96 0.35 18.33 10.25 12.52 14.06 16.34 17.16 0 0 2 0 0 0 14 31
4.00 30 12.00 7.94 15.42 11.80 11.94 2.54 0.46 17.04 4.81 8.87 10.38 13.31 14.50 0 0 2 0 1 5 27 30
5.00 31 8.68 3.73 13.00 9.65 10.30 2.85 0.51 13.15 1.84 6.40 8.66 11.44 12.66 0 0 2 0 2 13 31 31
6.00 30 7.21 1.81 11.74 7.06 7.74 3.74 0.68 11.59 −3.16 1.67 5.50 9.87 10.89 0 0 4 2 7 25 30 30
7.00 31 6.56 0.90 11.22 5.17 5.52 3.35 0.60 10.39 −2.30 0.03 2.83 7.95 8.77 3 0 4 3 12 30 31 31
8.00 31 7.69 2.54 12.31 7.52 7.81 3.04 0.55 12.17 0.38 3.04 5.44 9.82 11.12 0 0 2 0 7 24 31 31
9.00 30 8.63 4.13 12.91 8.60 8.45 3.13 0.57 13.89 3.32 5.15 6.06 10.88 12.47 0 0 2 0 3 18 30 30
10.00 31 10.75 6.74 14.51 10.38 10.20 2.65 0.48 14.60 4.17 6.60 8.74 12.73 13.30 0 0 4 0 1 14 31 31
11.00 30 12.30 8.86 15.87 11.80 12.20 2.47 0.45 18.30 7.40 9.00 9.66 13.66 14.09 0 0 3 0 0 10 29 30
12.00 31 13.86 10.52 16.73 15.01 15.00 2.74 0.49 18.92 8.10 11.12 13.36 17.62 18.15 0 0 1 0 0 1 16 31

Umidade relativa, Aquidauana, MS, 2025

Observado e normal

Code 
# Dados de 2025
rh_data <- zen_file(18392587, "rh_mean_mean_2025.parquet") |>
  open_dataset() |>
  filter(name == "rh_mean_mean") |>
  filter(code_muni == 5001102) |>
  select(-name) |>
  collect()

# Normais climatológicas
rh_normal <- zen_file(18612340, "rh_normal_monthly_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 5001102) |>
  collect()
Code 
library(ggplot2)
library(tidyr)

# Preparar dados para o gráfico
rh_normal_exp <- rh_normal |>
  mutate(date = as_date(paste0("2025-", 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))

# Gráfico
ggplot() +
  geom_line(data = rh_data, aes(x = date, y = value)) +
  geom_line(data = rh_normal_exp, aes(x = date, y = value, color = name)) +
  theme_bw() +
  labs(
    title = "Umidade relativa e normais climatológicas mensais, 2025",
    subtitle = "Aquidauana, MS",
    color = "Normal (1981-2010)",
    x = "Data",
    y = "%"
  ) +
  theme(legend.position = "bottom", legend.direction = "horizontal")

Indicadores

Code 
library(gt)

# Carregar indicadores baseados em eventos e filtrar o ano
zen_file(18612340, "rh_indi_monthly_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 5001102) |>
  filter(year == 2025) |>
  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 ds3 ds5 ws3 ws5 dry_days wet_days h_21_30 h_12_20 h_11
1.00 31 94.68 91.25 97.34 91.45 91.21 2.17 0.39 95.33 87.38 88.97 89.84 92.85 94.07 0 0 31 31 16 0 0 0 0
2.00 28 94.67 91.91 96.94 90.79 90.98 2.45 0.46 95.57 86.42 87.98 89.07 92.00 94.48 0 0 28 28 20 0 0 0 0
3.00 31 94.56 91.05 97.15 90.96 91.42 2.82 0.51 96.12 85.12 86.95 89.34 92.72 94.63 0 0 31 31 13 0 0 0 0
4.00 30 92.75 88.18 96.66 94.16 94.48 2.23 0.41 97.20 88.90 91.43 92.64 96.09 96.76 0 0 30 30 0 4 0 0 0
5.00 31 91.80 87.10 96.39 89.74 89.85 2.40 0.43 96.11 85.46 86.56 87.96 91.22 92.33 0 0 31 31 4 0 0 0 0
6.00 30 91.07 86.18 95.61 91.15 91.31 2.67 0.49 94.76 85.37 87.23 89.86 93.40 94.03 0 0 30 30 1 0 0 0 0
7.00 31 88.53 82.60 94.04 85.44 85.26 3.06 0.55 90.98 80.61 81.60 83.28 87.24 90.24 0 0 31 31 6 0 0 0 0
8.00 31 86.03 78.81 93.23 82.89 81.60 5.53 0.99 95.47 74.91 76.23 78.52 86.29 90.47 0 0 31 31 9 2 0 0 0
9.00 30 87.23 79.36 94.28 80.01 79.12 4.54 0.83 87.78 71.26 74.75 76.57 83.64 86.14 5 5 30 30 16 0 0 0 0
10.00 31 90.65 84.38 95.84 85.64 84.62 5.23 0.94 95.15 76.96 79.13 82.03 89.62 92.37 3 0 31 31 13 0 0 0 0
11.00 30 92.34 87.10 96.51 88.29 87.95 3.74 0.68 97.73 80.45 84.79 85.75 90.22 92.39 0 0 30 30 12 1 0 0 0
12.00 31 93.95 90.05 97.09 92.69 92.77 2.12 0.38 97.33 88.03 90.16 91.42 93.66 95.40 0 0 31 31 3 1 0 0 0

Precipitação, Calçoene, AP, 2025

Observado e normal

Code 
# Dados de 2025
prec_data <- zen_file(18257037, "total_precipitation_sum.parquet") |>
  open_dataset() |>
  filter(name == "total_precipitation_sum_mean") |>
  filter(code_muni == 1600204) |>
  mutate(value = round(value * 1000, digits = 2)) |>
  select(-name) |>
  collect()

# Normais climatológicas
prec_normal <- zen_file(18612340, "prec_monthly_normal_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 1600204) |>
  collect()
Code 
library(ggplot2)
library(tidyr)

# Preparar dados para o gráfico
prec_normal_exp <- prec_normal |>
  mutate(date = as_date(paste0("2025-", 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))

# Gráfico
ggplot() +
  geom_line(data = prec_data, aes(x = date, y = value)) +
  geom_line(data = prec_normal_exp, aes(x = date, y = value, color = name)) +
  theme_bw() +
  labs(
    title = "Precipitação e normais climatológicas mensais, 2025",
    subtitle = "Calçoene, AP",
    color = "Normal (1981-2010)",
    x = "Data",
    y = "mm"
  ) +
  theme(legend.position = "bottom", legend.direction = "horizontal")

Indicadores

Code 
library(gt)

# Carregar indicadores baseados em eventos e filtrar o ano
zen_file(18612340, "prec_monthly_indi_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 5001102) |>
  filter(year == 2025) |>
  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 rs3 rs5 p_1 p_5 p_10 p_50 p_100 d_3 d_5 d_10 d_15 d_20 d_25
1.00 30 8.68 0.47 19.71 3.15 1.77 3.63 0.66 14.70 0.13 0.34 0.79 4.00 7.55 0 0 21 7 2 0 0 0 0 0 0 0 0
2.00 27 6.64 0.43 15.06 3.17 2.28 3.97 0.76 19.15 0.07 0.29 0.75 3.85 6.93 3 0 19 5 1 0 0 0 0 0 0 0 0
3.00 30 5.71 0.25 13.44 2.10 1.17 2.58 0.47 11.25 0.02 0.07 0.37 3.06 4.48 0 0 17 2 1 0 0 0 0 0 0 0 0
4.00 29 3.19 0.00 10.02 5.30 2.90 5.95 1.10 18.28 0.06 0.22 0.60 8.44 15.37 5 5 19 11 7 0 0 0 0 0 0 0 0
5.00 30 2.85 0.00 9.89 1.55 0.00 5.93 1.08 29.97 0.00 0.00 0.00 0.15 0.53 0 0 2 2 2 0 0 3 1 0 0 0 0
6.00 29 1.53 0.00 3.84 1.04 0.04 3.12 0.58 13.98 0.00 0.00 0.00 0.56 0.96 0 0 3 2 2 0 0 2 0 0 0 0 0
7.00 30 1.02 0.00 1.98 0.10 0.00 0.51 0.09 2.80 0.00 0.00 0.00 0.00 0.00 0 0 1 0 0 0 0 1 1 1 1 1 1
8.00 30 1.19 0.00 2.20 0.92 0.00 4.56 0.83 25.04 0.00 0.00 0.00 0.01 0.47 0 0 2 1 1 0 0 2 1 1 0 0 0
9.00 29 2.81 0.00 9.09 0.27 0.00 0.75 0.14 3.29 0.00 0.00 0.00 0.03 0.76 0 0 3 0 0 0 0 4 1 0 0 0 0
10.00 30 4.73 0.00 14.63 2.15 0.31 3.98 0.73 18.32 0.00 0.01 0.03 2.08 7.41 0 0 10 5 1 0 0 0 0 0 0 0 0
11.00 29 6.01 0.02 16.21 4.04 0.14 9.36 1.74 39.31 0.00 0.00 0.01 2.06 14.92 0 0 10 4 4 0 0 1 0 0 0 0 0
12.00 30 7.76 0.23 17.82 7.08 2.46 11.00 2.01 41.39 0.16 0.41 0.93 5.87 29.58 4 0 22 11 5 0 0 0 0 0 0 0 0

Velocidade do vento, Caetité, BA, 2025

Observado e normal

Code 
# Dados de 2025
ws_data <- zen_file(18390794, "wind_speed_mean_mean_2025.parquet") |>
  open_dataset() |>
  filter(name == "wind_speed_mean_mean") |>
  filter(code_muni == 1600204) |>
  select(-name) |>
  collect()

# Normais climatológicas
ws_normal <- zen_file(18612340, "ws_monthly_normal_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 1600204) |>
  collect()
Code 
library(ggplot2)
library(tidyr)

# Preparar dados para o gráfico
ws_normal_exp <- ws_normal |>
  mutate(date = as_date(paste0("2025-", 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))

# Gráfico
ggplot() +
  geom_line(data = ws_data, aes(x = date, y = value)) +
  geom_line(data = ws_normal_exp, aes(x = date, y = value, color = name)) +
  theme_bw() +
  labs(
    title = "Velocidade do vento e normais climatológicas mensais, 2025",
    subtitle = "Caetité, BA",
    color = "Normal (1981-2010)",
    x = "Data",
    y = "m/s"
  ) +
  theme(legend.position = "bottom", legend.direction = "horizontal")

Indicadores

Code 
library(gt)

# Carregar indicadores baseados em eventos e filtrar o ano
zen_file(18612340, "ws_monthly_indi_n1981_2010.parquet") |>
  open_dataset() |>
  filter(code_muni == 5001102) |>
  filter(year == 2025) |>
  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 l_u2_3 l_u2_5 h_u2_3 h_u2_5 b0 b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11 b12
1.00 31 5.15 2.29 8.50 4.59 4.11 2.08 0.37 9.96 1.26 2.36 2.87 6.12 6.65 16 5 8 5 0.00 1.00 10.00 7.00 11.00 2.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
2.00 28 4.64 1.91 7.87 5.65 5.76 2.34 0.44 10.43 1.35 1.69 4.49 7.14 8.42 7 7 20 20 0.00 3.00 1.00 5.00 12.00 5.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
3.00 31 4.11 1.67 6.86 4.10 4.33 1.50 0.27 6.23 0.95 1.81 3.41 5.12 6.09 3 0 13 13 0.00 2.00 5.00 16.00 6.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
4.00 30 5.14 2.29 8.07 4.24 4.20 2.12 0.39 10.54 0.82 1.85 2.76 5.12 6.84 22 21 5 5 0.00 3.00 7.00 13.00 5.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
5.00 31 6.02 2.86 9.12 6.67 6.35 1.93 0.35 11.60 4.28 4.57 5.02 7.98 9.07 10 6 15 12 0.00 0.00 0.00 11.00 11.00 7.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00
6.00 30 6.53 3.30 9.75 6.13 6.37 2.94 0.54 12.50 1.29 2.64 3.48 8.31 9.40 10 0 7 0 0.00 2.00 5.00 3.00 11.00 7.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00
7.00 31 7.32 3.62 10.92 6.84 6.49 1.88 0.34 11.19 4.22 4.91 5.38 8.18 9.30 18 18 8 0 0.00 0.00 0.00 8.00 12.00 7.00 2.00 0.00 0.00 0.00 0.00 0.00 0.00
8.00 31 6.86 3.03 10.67 7.84 7.18 2.96 0.53 13.25 2.86 3.59 6.06 10.09 11.41 7 0 14 7 0.00 0.00 2.00 3.00 11.00 7.00 6.00 0.00 0.00 0.00 0.00 0.00 0.00
9.00 30 6.96 3.23 10.65 7.06 6.89 3.36 0.61 17.21 2.30 3.39 4.58 9.03 10.46 10 10 11 11 0.00 0.00 3.00 9.00 7.00 8.00 2.00 0.00 1.00 0.00 0.00 0.00 0.00
10.00 31 5.77 2.19 9.64 7.90 8.30 3.30 0.59 13.65 1.29 3.01 6.04 10.07 11.99 3 0 22 16 0.00 1.00 4.00 1.00 7.00 10.00 6.00 0.00 0.00 0.00 0.00 0.00 0.00
11.00 30 5.38 1.95 9.27 5.15 5.34 2.19 0.40 11.79 1.20 2.66 3.38 6.38 7.27 9 5 6 6 0.00 1.00 7.00 8.00 11.00 1.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00
12.00 31 5.32 2.10 8.82 6.17 6.48 2.77 0.50 11.82 0.98 2.86 3.91 7.75 9.74 13 5 17 17 0.00 1.00 3.00 7.00 11.00 5.00 2.00 0.00 0.00 0.00 0.00 0.00 0.00

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)
 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)
 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)
 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)
 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.

──────────────────────────────────────────────────────────────────────────────
Back to top

References

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, and 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, and Aline I. Alves. 2022. “New Improved Brazilian Daily Weather Gridded Data (1961).” International Journal of Climatology, December. https://doi.org/10.1002/joc.7731.