Você sabia que fenômenos climáticos que acontecem a milhares de quilômetros de distância podem influenciar as chuvas no Nordeste brasileiro? O El Niño, por exemplo, é um dos fenômenos que afetam o clima em diferentes partes do planeta, alterando os padrões de precipitação e contribuindo para períodos de seca. Mas como identificar os caminhos que conectam esses eventos distantes e compreender suas relações de causa e efeito? Um novo estudo apresenta uma metodologia inovadora que combina ciência de dados e análise climática para investigar essas conexões, ajudando a desvendar as complexas relações entre fenômenos climáticos globais e seus impactos regionais.
O que é uma cadeia causal multivariada (multivariate causal chain)?
O clima funciona como um sistema interconectado, no qual diferentes fenômenos atmosféricos e oceânicos interagem entre si. Por isso, a influência de um evento climático nem sempre acontece de forma direta: ela pode passar por uma sequência de processos intermediários. Por exemplo, uma anomalia na temperatura do Oceano Pacífico pode alterar a circulação atmosférica, modificar os padrões de movimento do ar e, finalmente, afetar a formação de nuvens e as chuvas no Nordeste brasileiro.
É justamente esse tipo de sequência que chamamos de cadeia causal: um conjunto de relações de causa e efeito que conecta um fenômeno inicial a uma consequência final. O termo multivariada indica que essa investigação considera diversas variáveis climáticas ao mesmo tempo, em vez de analisar apenas a relação entre dois fenômenos isolados.
Identificar essas conexões é um desafio para a ciência do clima, pois envolve grandes volumes de dados, fenômenos que interagem em diferentes escalas e relações que nem sempre são evidentes. É nesse contexto que surge o estudo “A multivariate causal chain detection methodology assessed on the ENSO modulation of the Northeastern Brazil precipitation“, publicado em outubro de 2026 na revista International Journal of Data Science and Analytics. Ele apresenta uma metodologia capaz de identificar e visualizar essas cadeias de influência a partir de dados climáticos, utilizando como exemplo a relação entre o El Niño–Oscilação Sul (ENSO) e as chuvas no Nordeste brasileiro.
Metodologia
O estudo utiliza dados de diferentes fontes que permitem reconstruir o comportamento do clima ao longo do tempo. A principal delas é o ERA5, um conjunto de dados que combina observações históricas, como as de estações meteorológicas, satélites e navios, com modelos meteorológicos para produzir informações climáticas consistentes sobre todo o planeta. A pesquisa abrange o período de 1979 a 2021 e considera 47 variáveis, incluindo temperatura, pressão atmosférica, ventos, nebulosidade e características dos oceanos, em diferentes regiões e altitudes. Para analisar especificamente as chuvas, os pesquisadores utilizaram dados do GPCC, baseados em medições de milhares de estações meteorológicas, com foco no setor norte do Nordeste, abrangendo principalmente áreas do Ceará, Rio Grande do Norte e Paraíba.
Os pesquisadores não desenvolveram um modelo para prever a quantidade de chuva no Nordeste ou antecipar a ocorrência de El Niño. O objetivo foi desenvolver uma maneira de identificar, em meio a uma enorme quantidade de informações climáticas, quais fenômenos estão relacionados entre si e quais caminhos de influência conectam o Oceano Pacífico às chuvas no Nordeste brasileiro. Para isso, o estudo combinou três ferramentas computacionais: uma técnica para identificar relações de causa e efeito entre variáveis climáticas, um algoritmo para agrupar variáveis que apresentam conexões mais próximas e um método para encontrar os caminhos mais relevantes entre o fenômeno de origem e a região afetada.
1. Identificação das relações entre os fenômenos climáticos
Na primeira etapa, os pesquisadores utilizaram o método chamado SLARAC (Subsampled Linear Auto-Regression Absolute Coefficients), que analisa o comportamento das variáveis ao longo do tempo para identificar possíveis relações de causa e efeito. De maneira simplificada, o método verifica se as mudanças observadas em uma variável ajudam a explicar mudanças posteriores em outra. Por exemplo, investiga se alterações na temperatura da superfície do Pacífico são capazes de ajudar a explicar mudanças posteriores na pressão atmosférica em outras regiões. Para isso, são realizadas várias análises com diferentes amostras dos dados, e os resultados são combinados para estimar a intensidade dessas relações. Assim, cada conexão identificada recebe uma pontuação que representa a força da possível influência entre duas variáveis.
2. Agrupamento das regiões com comportamentos semelhantes
Como os dados climáticos abrangem praticamente todo o planeta, seria muito complicado analisar individualmente cada ponto geográfico. Para resolver esse problema, os pesquisadores utilizaram o algoritmo Louvain, uma ferramenta de análise de redes que identifica grupos de elementos mais conectados entre si. Primeiro, são comparados os comportamentos das variáveis em pontos geográficos vizinhos, utilizando duas medidas estatísticas de correlação: Pearson e Kendall. Em seguida, são mantidas apenas as conexões com correlações mais elevadas, considerando três limites de seleção (0,90, 0,95 e 0,98). O algoritmo então agrupa as regiões que apresentam comportamentos semelhantes, reduzindo milhares de informações individuais a conjuntos geográficos mais fáceis de analisar. Para representar cada grupo, são calculados valores médios ou medianos das séries históricas, com e sem normalização dos dados.
3. Reconstrução dos caminhos de influência climática
Na última etapa, os pesquisadores utilizaram as informações dos grupos para construir uma rede de relações causais. Nessa representação, cada grupo de regiões funciona como um ponto da rede, enquanto as conexões entre eles representam as possíveis relações de influência identificadas pelo método SLARAC. Para descobrir os caminhos que ligam o fenômeno inicial às chuvas no Nordeste, foi empregado o algoritmo de Yen, que permite encontrar diferentes trajetórias relevantes entre dois pontos de uma rede. Nesse caso, o ponto de origem corresponde às regiões do Oceano Pacífico associadas ao ENSO, identificadas pelas anomalias na temperatura da superfície do mar, enquanto o ponto de destino corresponde à precipitação no Nordeste brasileiro. O algoritmo utiliza também o método de Dijkstra para calcular os caminhos mais curtos, considerando o peso das conexões. Como relações causais mais fortes precisam ter prioridade na seleção, os pesquisadores converteram as pontuações de causalidade em custos: quanto mais forte a relação, menor o custo atribuído à conexão.
O grande diferencial do trabalho está em conseguir organizar uma quantidade gigantesca de informações climáticas em representações mais simples e compreensíveis. Inicialmente, a rede construída continha aproximadamente 577 mil pontos geográficos e mais de 1,3 bilhão de conexões. Após as etapas de agrupamento e seleção dos caminhos mais relevantes, foi possível reduzir essa estrutura a redes muito menores, com dezenas de pontos e algumas centenas de conexões, tornando viável a análise visual das relações climáticas.
Resultados
Após aplicar a metodologia aos dados climáticos de 1979 a 2021, os pesquisadores conseguiram identificar diferentes caminhos de influência entre o Oceano Pacífico e o Nordeste brasileiro. Os resultados mostraram que a metodologia é capaz de reconhecer boa parte das conexões climáticas já conhecidas pela ciência, embora nem todos os fenômenos esperados tenham sido identificados em todas as configurações testadas.
Um dos resultados mais consistentes foi a identificação da Circulação de Walker, um grande sistema de circulação atmosférica que ocorre na região tropical e conecta diferentes áreas dos oceanos Pacífico e Atlântico. Esse sistema é particularmente importante para compreender a influência do El Niño sobre as chuvas no Nordeste. Durante episódios de El Niño, o aquecimento anormal das águas do Pacífico modifica os movimentos ascendentes e descendentes do ar, alterando a circulação atmosférica e favorecendo condições menos propícias à formação de chuvas no Nordeste brasileiro.
Além disso, a metodologia conseguiu identificar outras conexões atmosféricas de grande escala, como a influência de correntes de jato (faixas de ventos intensos que circulam em grandes altitudes) no Hemisfério Norte e no Hemisfério Sul, além de possíveis relações com os padrões de circulação conhecidos como PSA (Pacific-South American) e NAO (North Atlantic Oscillation). Também foram identificadas relações entre as temperaturas das águas do Pacífico e a precipitação na costa do Peru e do Equador, evidenciando que os efeitos do ENSO não se restringem ao Nordeste brasileiro, mas podem alcançar diferentes regiões do continente.
Um aspecto interessante é que os resultados variaram conforme os parâmetros utilizados na análise. Quando os dados foram processados sem normalização (um procedimento estatístico para ajustar as escalas das variáveis), a metodologia identificou principalmente conexões relacionadas à Circulação de Walker. Já nas análises com dados normalizados, foram identificadas outras relações, incluindo possíveis conexões com o padrão PSA e com correntes de jato. Os pesquisadores também realizaram testes selecionando manualmente alguns agrupamentos geográficos, com base em sua localização e formato, o que permitiu identificar caminhos adicionais, como possíveis influências associadas à Oscilação do Atlântico Norte (NAO). Por outro lado, o padrão PNA (Pacific-North American), embora esperado teoricamente, não foi identificado de maneira consistente.
Conclusões
De modo geral, o estudo demonstrou que é possível utilizar ferramentas computacionais para investigar relações climáticas complexas a partir de grandes conjuntos de dados, identificando não apenas conexões entre dois fenômenos, mas também sequências de processos que ajudam a explicar como uma influência climática pode se propagar entre regiões distantes. A metodologia apresenta a vantagem de exigir menos recursos computacionais do que abordagens baseadas em simulações climáticas e permite explorar diferentes caminhos de influência por meio de representações gráficas interativas.
Vale destacar que, embora o estudo utilize métodos de inferência causal, as relações identificadas são estimativas obtidas a partir de dados observacionais, e não comprovações experimentais de causa e efeito. O próprio método SLARAC apresenta limitações para lidar explicitamente com variáveis que podem influenciar simultaneamente dois fenômenos (os chamados fatores de confusão). Por isso, a metodologia também é avaliada pela sua capacidade de recuperar caminhos de influência climática já conhecidos pela literatura científica. Além disso, a escolha dos parâmetros da análise ainda depende de decisões do pesquisador, e a utilização de dados mensais limita a identificação de fenômenos que acontecem em escalas de tempo menores, como processos diários ou semanais.
Em síntese, o trabalho representa um avanço na maneira de investigar as conexões climáticas globais, oferecendo uma ferramenta que ajuda a visualizar e compreender como fenômenos que ocorrem em diferentes partes do planeta podem estar relacionados às condições de chuva em regiões específicas, como o Nordeste brasileiro.
Referência
Cruz, J.E.C., da Rocha, V.R., de Andrade, F.M. et al. A multivariate causal chain detection methodology assessed on the ENSO modulation of the Northeastern Brazil precipitation. Int J Data Sci Anal 22, 353 (2026). https://doi.org/10.1007/s41060-026-01322-3