Tutorial 8: Dados Climáticos e Ambientais em Grade

Objetivo

Ao final deste tutorial você será capaz de integrar dados climáticos e ambientais em grade (sensoriamento remoto e reanálise) à sua série de saúde: importar o ERA5-Land (~10 km) com sus_grid_era5() e agregá-lo a polígonos municipais; conhecer a família completa sus_grid_* (precipitação CHIRPS, focos de queimada, secas PDSI/SMVI, desmatamento PRODES e poluição CAMS/GHAP/MERRA-2); e derivar indicadores climáticos para epidemiologia: anomalias (sus_climate_anomaly()), índices bioclimáticos (sus_climate_compute_indicators()), ondas de calor (sus_climate_compute_heatwaves() + sus_climate_plot_heatwaves()) e os índices de seca SPI (sus_climate_compute_spi()) e SPEI (sus_climate_compute_spei()).

Esta é a oitava etapa do pipeline: enquanto o Tutorial 7 construiu a exposição climática a partir de estações INMET (medições pontuais), aqui construímos uma exposição alternativa e complementar em grade — cobertura espacial contínua, sem lacunas de observação — que alimentará o modelo DLNM do Tutorial 9.

Contexto científico

Estação vs. pixel: duas formas de medir a exposição

Uma estação meteorológica mede o clima em um ponto; um produto em grade representa o valor médio de um pixel (uma célula de área fixa). O ERA5-Land (Muñoz-Sabater et al., 2021) é uma reanálise: um modelo físico de superfície terrestre alimentado por observações, que produz campos horários contínuos desde 1950 em resolução de ~0,1° (~10 km no equador). Para o Brasil, o projeto ERA5-Land Daily Aggregates for Latin America (Saldanha, Zenodo, CC-BY 4.0) disponibiliza agregados diários prontos, sem chave de API — é essa a fonte usada por sus_grid_era5().

Três cuidados de quem trabalha com sensoriamento remoto/reanálise:

Resolução e representatividade. Um pixel de ~10 km é uma média areal: suaviza extremos locais (ilhas de calor urbanas, microclimas de vale) que uma estação pontual captura. Em contrapartida, cobre municípios sem estação e não tem dados faltantes. Para um município extenso como São Paulo (~1.500 km²), dezenas de pixels são agregados ao polígono — o climasus4r faz isso com média ponderada pela área de interseção (via exactextractr), o que evita viés de borda.
Unidades físicas. Os arquivos NetCDF originais vêm em unidades do sistema internacional: temperatura em Kelvin (conversão K → °C: subtrair 273,15), precipitação em metros (m → mm: multiplicar por 1.000) e pressão em Pa (Pa → hPa: dividir por 100). sus_grid_era5() aplica essas conversões automaticamente e entrega colunas canônicas (tair_dry_bulb_c, rainfall_mm, …).
Validação cruzada. Reanálise não substitui observação: o recomendado é comparar a série de grade com a estação INMET mais próxima (Tutorial 7) antes de escolher a exposição do modelo — diferenças sistemáticas (viés) são esperadas e documentáveis.

Dos campos brutos aos indicadores epidemiológicos

A literatura de clima-saúde raramente usa a temperatura bruta diretamente:

Anomalias (WMO, 2017) tornam cidades com climas distintos comparáveis e apontam os dias extremos a correlacionar com picos de mortalidade (Gasparrini et al., 2017);
Ondas de calor definidas por percentis e duração (Perkins & Alexander, 2013; Geirinhas et al., 2018) e pelo Excess Heat Factor — EHF (Nairn & Fawcett, 2015) capturam o efeito agudo do calor sustentado;
SPI (McKee et al., 1993) e SPEI (Vicente-Serrano et al., 2010) padronizam seca/umidade em múltiplas escalas temporais — relevantes para doenças diarreicas, leptospirose e arboviroses;
Índices bioclimáticos (UTCI, Bröde et al., 2012; WBGT, Liljegren et al., 2008; HI, Rothfusz, 1990) combinam temperatura, umidade, vento e radiação em uma única medida de estresse térmico humano.

Caso condutor. Seguimos com temperatura e desfechos de saúde em idosos (60+) na RM de São Paulo, 2014–2019. Neste tutorial importamos o ERA5-Land para o município de São Paulo e derivamos anomalias, ondas de calor e SPI/SPEI. O resultado (caso_clima_grade.rds) entra no Tutorial 9 como exposição alternativa/complementar à de estação (caso_clima_estacao.rds, Tutorial 7).

Dados utilizados

Fonte	Função	Resolução	Variáveis	Papel no caso
ERA5-Land (Zenodo)	`sus_grid_era5()`	~10 km, diária	Tmédia, Tmáx, Tmín, precipitação	Exposição de grade principal
Série de saúde (T4)	`dados/caso_serie.rds`	Município × dia	Óbitos J00–J99/I00–I99, 60+	Esqueleto temporal/espacial

Entrada encadeada: dados/caso_serie.rds (Tutorial 4). Saída: dados/caso_clima_grade.rds (lista com a série diária ERA5-Land, a série saúde+clima alinhada, SPI/SPEI mensais e os eventos de onda de calor).

A família sus_grid_* cobre outras fontes ambientais com a mesma gramática (anos/meses, municipalities como objeto sf, agregação por pixel→polígono, cache):

Função	Fonte	Tema
`sus_grid_chirps()`	CHIRPS (0,05°)	Precipitação (Funk et al., 2015)
`sus_grid_fires()`	INPE/Queimadas	Focos de calor
`sus_grid_pdsi()`	PDSI	Seca (índice de Palmer)
`sus_grid_smvi()`	SMVI	Seca-relâmpago (umidade do solo)
`sus_grid_prodes()`	PRODES/TerraBrasilis	Desmatamento
`sus_grid_pollution_cams()`	CAMS/Copernicus	Poluição do ar (reanálise)
`sus_grid_pollution_ghap()`	GHAP	PM2.5 em alta resolução
`sus_grid_pollution_merra2()`	MERRA-2/NASA	Aerossóis e poluentes
`sus_grid_join()`	—	Junta grades à base de saúde por `code_muni` × `date`

Pipeline completo

Os blocos abaixo reproduzem o que scripts/tutorial_08_clima_grade.R executa. Comece carregando o pacote e a série de saúde encadeada:

library(climasus4r)

caso_serie <- readRDS("dados/caso_serie.rds")  # série diária de saúde (T4)

Importar ERA5-Land para o município de São Paulo

Primeiro obtemos o polígono municipal (objeto sf via geobr) e então chamamos sus_grid_era5(). A função baixa os NetCDF do Zenodo (sem chave de API), converte unidades (K → °C; m → mm) e agrega cada pixel ao polígono com média ponderada pela área:

library(geobr)

sp_geom <- read_municipality(code_muni = "SP", year = 2020)
sp_geom <- sp_geom[as.character(sp_geom$code_muni) == "3550308", ]  # São Paulo

era5_sp <- sus_grid_era5(
  years          = 2014:2019,
  months         = 1:12,
  vars           = c("t2m", "t2m_max", "t2m_min", "tp"),
  municipalities = sp_geom,    # sf -> agrega raster ao polígono
  agg_fun        = "mean",     # média areal (ponderada) do município
  use_cache      = TRUE,       # NetCDF reaproveitados em ~/.climasus4r_cache/era5
  parallel       = FALSE,
  lang           = "pt",
  verbose        = TRUE
)

sus_meta(era5_sp, "stage")  # "climate"
sus_meta(era5_sp, "type")   # "era5_land"

O retorno é um climasus_df com code_muni, date e uma coluna por variável: tair_dry_bulb_c (t2m), tair_max_c (t2m_max), tair_min_c (t2m_min) e rainfall_mm (tp).

Artefato indisponível — rode Rscript scripts/tutorial_08_clima_grade.R (a partir da raiz do pacote) para gerá-lo.

Anomalias climáticas

sus_climate_anomaly() compara observações às normais climatológicas do INMET (de sus_climate_normals()), com três métodos — absoluto, relativo e padronizado:

normais <- sus_climate_normals(
  period     = "1991-2020",
  target_var = c("t_max", "t_min", "t_mean_comp", "precipitation")
)

anom <- sus_climate_anomaly(
  observed   = clima_estacao,        # climasus_df do T7 (estações INMET)
  normals    = normais,
  method     = "standardized",       # z-score: comparável entre cidades
  time_scale = "monthly",
  lang       = "pt"
)

Como a série ERA5-Land usa code_muni (e não station_code casado às normais INMET), o script de geração ilustra a mesma matemática com a climatologia mensal derivada da própria série — obs − média do mês e o z-score correspondente (ver fórmulas adiante).

Indicadores bioclimáticos (demonstrativo)

sus_climate_compute_indicators() calcula WBGT, HI, THI, UTCI, PET, graus-dia (CDD/HDD/GDD) e outros, a partir de dados horários com temperatura, umidade (rh_mean_porc), radiação (sr_kj_m2) e vento (ws_2_m_s):

clima_ind <- sus_climate_compute_indicators(
  df         = clima_horario,                  # T7 (INMET horário) ou ERA5 com td2m/u10/v10/sp
  indicators = c("wbgt", "hi", "utci"),
  region     = "atlantic_forest",              # limiares adaptados ao bioma
  lang       = "pt"
)

A série ERA5-Land mínima deste tutorial (apenas temperatura e chuva) não traz umidade/vento/radiação; em fluxo real, aplique a função sobre o INMET horário (T7) ou peça vars = "all" em sus_grid_era5() (inclui td2m, u10, v10, sp).

Ondas de calor

sus_climate_compute_heatwaves() espera um climasus_df em stage = "climate" com date, station_code e colunas de temperatura. Adaptamos a série de grade a esse contrato (station_code = code_muni) e aplicamos três métodos:

hw <- sus_climate_compute_heatwaves(
  df             = era5_hw,                   # ERA5 adaptado ao contrato de estação
  method         = c("WHO", "WMO", "INMET"),  # ou "all" (inclui EHF, UTCI, WBGT, HI)
  baseline_start = "2014-01-01",              # período de referência dos percentis
  baseline_end   = "2019-12-31",
  percentile     = 90,                        # P90 para WHO/WMO
  lang           = "pt"
)

hw$events    # um evento por linha: início, fim, duração, pico, intensidade
hw$daily     # flags diárias hw_who, hw_wmo, hw_inmet, hw_any
hw$summary   # resumo anual por estação e método

A visualização pronta vem de sus_climate_plot_heatwaves():

sus_climate_plot_heatwaves(
  hw,
  type        = "trend",     # ou "timeline", "calendar", "intensity"
  interactive = FALSE,       # TRUE -> plotly
  lang        = "pt"
)

SPI e SPEI: secas e períodos úmidos

Ambas as funções exigem dados mensais (uma linha por município × mês, com date no 1º dia do mês). Agregamos a série diária: precipitação por soma, temperatura por média:

mensal <- era5_sp |>
  dplyr::mutate(date_m = as.Date(format(date, "%Y-%m-01"))) |>
  dplyr::summarise(
    rainfall_mm     = sum(rainfall_mm, na.rm = TRUE),
    tair_dry_bulb_c = mean(tair_dry_bulb_c, na.rm = TRUE),
    .by = c("code_muni", "date_m")
  ) |>
  dplyr::rename(date = date_m)

# SPI: apenas precipitação (gamma + zeros)
spi <- sus_climate_compute_spi(
  df     = mensal,
  var    = "rainfall_mm",        # padrão é "rainfall_chirps_mm" (sus_grid_chirps)
  scales = c(1L, 3L, 6L),        # série de 6 anos: escalas curtas
  min_n  = 24L,                  # mínimo de 24 meses para ajustar a distribuição
  lang   = "pt"
)

# SPEI: balanço hídrico P - PET (PET de Thornthwaite, só temperatura)
spei <- sus_climate_compute_spei(
  df         = spi,
  rain_var   = "rainfall_mm",
  pet_method = "thornthwaite",   # ou "column" com pet_var = "pet_mm"
  temp_var   = "tair_dry_bulb_c",
  scales     = c(1L, 3L, 6L),
  min_n      = 24L,
  lang       = "pt"
)

names(spei)  # ..., spi_1mo, spi_3mo, spi_6mo, spei_1mo, spei_3mo, spei_6mo

Nota metodológica. A OMM recomenda ≥ 30 anos de calibração para SPI/SPEI (ref_start/ref_end). Com 6 anos (72 meses) os índices deste caso são ilustrativos: em pesquisa real, calibre com CHIRPS 1981–2010 (sus_grid_chirps()) ou ERA5-Land desde 1950.

Encadeamento: alinhar clima de grade à saúde e salvar para o T9

Por fim, juntamos a temperatura ERA5-Land diária à série de saúde por date e salvamos o pacote de exposição de grade que o Tutorial 9 usará:

saude_clima <- dplyr::left_join(
  caso_serie,
  era5_sp |> dplyr::select(date, tair_dry_bulb_c, tair_max_c,
                           tair_min_c, rainfall_mm),
  by = "date"
)

caso_clima_grade <- list(
  era5_diario = era5_sp,
  saude_clima = saude_clima,
  spi_spei    = spei,
  ondas_calor = hw$events
)
saveRDS(caso_clima_grade, "dados/caso_clima_grade.rds")

Características das funções

`sus_grid_era5()`

Porta de entrada do ERA5-Land: baixa agregados diários do Zenodo (Saldanha, 1950–2025) e agrega pixels a polígonos municipais.

Argumento	Essencial?	Descrição
`years`	sim	Anos (1950–2025), ex.: `2014:2019`
`months`	opcional	Meses 1–12 (padrão: todos)
`vars`	opcional	Apelidos ERA5: `"t2m"`, `"t2m_max"`, `"t2m_min"`, `"td2m"`, `"u10"`, `"v10"`, `"sp"`, `"tp"` ou `"all"` (padrão `c("t2m","tp")`)
`municipalities`	recomendado	Objeto `sf` com os polígonos (detecta `code_muni`/`CD_MUN`); `NULL` devolve só os caminhos NetCDF
`agg_fun`	opcional	Agregação pixel→polígono via `exactextractr`: `"mean"` (padrão, ponderada por área), `"sum"`, `"median"`, `"min"`, `"max"`
`use_cache` / `cache_dir`	recomendado	Reusa NetCDF baixados (`~/.climasus4r_cache/era5`)
`parallel` / `workers`	opcional	Downloads em paralelo; respeita o `future::plan()` do usuário
`lang` / `verbose`	opcional	Idioma (`"pt"`, `"en"`, `"es"`) e mensagens

Retorno: climasus_df [stage = "climate", type = "era5_land"] com code_muni, date e colunas canônicas já em unidades práticas (tair_dry_bulb_c em °C, rainfall_mm em mm, patm_hpa em hPa).

`sus_climate_anomaly()`

Argumento	Descrição
`observed`	`climasus_df` de `sus_climate_inmet()` ou `sus_climate_aggregate()`
`normals`	`climasus_df` de `sus_climate_normals()` (colunas `codigo`, `mes`, `decada`, `var_code`, `valor`)
`vars`	Mapa coluna observada → `var_code` das normais, ex.: `c(tair_max_c = "t_max")`; `NULL` autodetecta
`method`	`"absolute"` (padrão), `"relative"`, `"standardized"` ou `"all"`
`time_scale`	`"monthly"` (padrão) ou `"decadal"` (decêndios de 10 dias)
`station_col` / `date_col`	Nomes das colunas de estação e data (`"station_code"`, `"date"`)

Retorno: climasus_df [stage = "climate", type = "anomaly"], uma linha por estação × ano × mês, com {v}_obs, {v}_normal, {v}_anomaly e, conforme o método, {v}_anomaly_pct e {v}_anomaly_std.

`sus_climate_compute_indicators()`

Argumento	Descrição
`df`	Dados horários de `sus_climate_inmet()`/`sus_climate_fill_inmet()`
`indicators`	`"all"` (padrão) ou códigos: `"wbgt"`, `"hi"`, `"thi"`, `"wcet"`, `"wct"`, `"et"`, `"utci"`, `"pet"`, `"cdd"`, `"hdd"`, `"gdd"`, `"diurnal_range"`, `"vapor_pressure"`, `"heat_stress_risk"`, `"koppen_humidity"`
`region`	`"auto"` (padrão) ou bioma: `"amazon"`, `"cerrado"`, `"caatinga"`, `"atlantic_forest"`, `"pampa"`, `"pantanal"`, `"southeast"`, `"south"`
`confidence_flags`	Flags `_flag_extreme`/`_flag_high`/`_flag_low` por indicador
`verify_physics`	Verifica radiação solar contra limites extraterrestres
`compute_uncertainty`	IC 95% por Monte Carlo (200 simulações)

Retorno: climasus_df com colunas como wbgt_c, hi_c, utci_c — pré-requisito dos métodos UTCI/WBGT/HI de ondas de calor.

`sus_climate_compute_heatwaves()`

Argumento	Descrição
`df`	`climasus_df` [`stage="climate"`, type `inmet`/`filled`/`indicators`] com `date`, `station_code` e temperaturas
`method`	`"WHO"`, `"WMO"`, `"INMET"`, `"EHF"`, `"UTCI"`, `"WBGT"`, `"HI"` ou `"all"` (métodos sem coluna requerida são pulados com aviso)
`baseline_start` / `baseline_end`	Período de referência dos limiares; `NULL` usa a série toda
`percentile`	Percentil dos limiares (padrão 90)
`min_duration`	Dias consecutivos mínimos; `NULL` usa o padrão de cada método (WHO=3, WMO=5, INMET=5, EHF=3…)

Retorno: lista climasus_hw com events (eventos discretos), daily (flags diárias hw_<método>, hw_any) e summary (resumo anual). Visualização com sus_climate_plot_heatwaves(hw_result, type = "timeline" | "calendar" | "intensity" | "trend", interactive, lang).

`sus_climate_compute_spi()` e `sus_climate_compute_spei()`

Argumento	SPI	SPEI
`df`	mensal, com `code_muni` + `date`	idem
variável de chuva	`var` (padrão `"rainfall_chirps_mm"`)	`rain_var`
PET	—	`pet_method = "column"` (`pet_var`) ou `"thornthwaite"` (`temp_var`)
`scales`	escalas em meses (padrão `c(1,3,6,12)`)	idem
`ref_start` / `ref_end`	período de calibração (OMM: ≥ 30 anos)	idem
`min_n`	mínimo de meses válidos por município (padrão 24)	idem

Retorno: o climasus_df de entrada com colunas spi_{s}mo / spei_{s}mo (type = "spi" / "spei"). Distribuições: gamma com mistura para zeros (SPI); log-logística de 3 parâmetros via L-momentos (SPEI).

Fórmulas

Anomalia (WMO, 2017). Para a variável $x$ no mês $m$ do ano $t$ , com normal climatológica $\bar{x}_m$ e desvio-padrão interanual $\sigma_m$ :

$A_{t,m} = x_{t,m} - \bar{x}_m \qquad\text{(absoluta, °C)}$

$Z_{t,m} = \frac{x_{t,m} - \bar{x}_m}{\sigma_m} \qquad\text{(padronizada, z-score)}$

O método "relative" divide por $|\bar{x}_m|$ e multiplica por 100 (%, usual para precipitação).

SPI (McKee et al., 1993). A precipitação acumulada em $s$ meses, $P_s$ , é ajustada a uma distribuição gamma (com probabilidade $p_0$ de meses secos) e transformada à normal padrão:

$\mathrm{SPI}_s = \Phi^{-1}\!\big[\, p_0 + (1 - p_0)\, F_\gamma(P_s)\,\big]$

onde $F_\gamma$ é a CDF gamma e $\Phi^{-1}$ a inversa da normal padrão. Valores $\le -1$ indicam seca moderada; $\le -1{,}5$ severa; $\le -2$ extrema.

SPEI (Vicente-Serrano et al., 2010). Substitui $P$ pelo balanço hídrico climático acumulado, sensível ao aquecimento:

$D = P - \mathrm{PET}, \qquad \mathrm{SPEI}_s = \Phi^{-1}\!\big[\, F_{LL}\!\big(\textstyle\sum_s D\big)\,\big]$

com $F_{LL}$ a CDF log-logística de 3 parâmetros e PET estimada por Thornthwaite (1948) quando só há temperatura.

EHF — Excess Heat Factor (Nairn & Fawcett, 2015). Combina a anomalia contra o clima ( $\mathrm{EHI}_{sig}$ ) e contra os 30 dias recentes (aclimatação, $\mathrm{EHI}_{acc}$ ):

$\mathrm{EHI}_{sig} = \bar{T}_3 - T_{95}, \qquad \mathrm{EHI}_{acc} = \bar{T}_3 - \bar{T}_{30}$

$\mathrm{EHF} = \mathrm{EHI}_{sig} \times \max(1,\ \mathrm{EHI}_{acc})$

onde $\bar{T}_3$ e $\bar{T}_{30}$ são as médias de $T_{mean}$ nos últimos 3 e 30 dias e $T_{95}$ é o percentil 95 do baseline. Os métodos WHO/WMO, por sua vez, exigem $T_{max} > P_{90}(T_{max})$ (WMO também $T_{min} > P_{90}(T_{min})$ ) por um número mínimo de dias consecutivos.

Resultados ilustrados

Artefato indisponível — rode Rscript scripts/tutorial_08_clima_grade.R (a partir da raiz do pacote) para gerá-lo.

Figura 1. Temperatura média diária do ERA5-Land (~10 km) agregada ao município de São Paulo, 2014–2019. Note a suavidade típica do valor areal: a média de dezenas de pixels atenua extremos pontuais que uma estação registraria — é a contrapartida da cobertura espacial completa.

Artefato indisponível — rode Rscript scripts/tutorial_08_clima_grade.R (a partir da raiz do pacote) para gerá-lo.

Figura 2. Anomalia mensal de temperatura (observado − normal mensal), São Paulo, 2014–2019. Barras laranjas (positivas) marcam meses mais quentes que a climatologia local; é exatamente este sinal — e não a temperatura absoluta — que viaja entre cidades em análises multicêntricas.

Artefato indisponível — rode Rscript scripts/tutorial_08_clima_grade.R (a partir da raiz do pacote) para gerá-lo.

Figura 3. Ondas de calor detectadas por ano e método (WHO/WMO/INMET) na série ERA5-Land de São Paulo, 2014–2019. Métodos mais exigentes (WMO: limiar duplo Tmáx e Tmín por ≥ 5 dias) detectam menos eventos que o critério WHO (P90 de Tmáx por ≥ 3 dias) — a escolha deve refletir o mecanismo fisiológico de interesse (calor diurno vs. noites quentes sem alívio).

Artefato indisponível — rode Rscript scripts/tutorial_08_clima_grade.R (a partir da raiz do pacote) para gerá-lo.

Figura 4. SPI-3 vs. SPEI-3 mensais (linhas tracejadas: ±1 = limiar moderado). Quando a temperatura sobe sem mudança na chuva, o SPEI cai mais que o SPI — a evapotranspiração potencial amplia o déficit hídrico. A crise hídrica paulista de 2014–2015 é o tipo de episódio que esses índices sinalizam com antecedência para desfechos como doenças diarreicas.

Referências

Bröde, P., et al. (2012). Deriving the operational procedure for the Universal Thermal Climate Index (UTCI). International Journal of Biometeorology, 56(3), 481–494.
Funk, C., et al. (2015). The climate hazards infrared precipitation with stations — a new environmental record for monitoring extremes. Scientific Data, 2, 150066.
Gasparrini, A., et al. (2017). Projections of temperature-related excess mortality under climate change scenarios. The Lancet Planetary Health, 1(9), e360–e367.
Geirinhas, J. L., et al. (2018). Climatic and synoptic characterization of heat waves in Brazil. International Journal of Climatology, 38(4), 1760–1776.
Liljegren, J. C., et al. (2008). Modeling the wet bulb globe temperature using standard meteorological measurements. Journal of Occupational and Environmental Hygiene, 5(10), 645–655.
McKee, T. B., Doesken, N. J., & Kleist, J. (1993). The relationship of drought frequency and duration to time scales. Proceedings of the 8th Conference on Applied Climatology, AMS, 179–184.
Muñoz-Sabater, J., et al. (2021). ERA5-Land: a state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 13(9), 4349–4383.
Nairn, J. R., & Fawcett, R. J. B. (2015). The Excess Heat Factor: a metric for heatwave intensity and its use in classifying heatwave severity. International Journal of Environmental Research and Public Health, 12(1), 227–253.
Perkins, S. E., & Alexander, L. V. (2013). On the measurement of heat waves. Journal of Climate, 26(13), 4500–4517.
Rothfusz, L. P. (1990). The heat index “equation”. NWS Technical Attachment SR/SSD 90-23.
Saldanha, R. ERA5-Land Daily Aggregates for Latin America (1950–2025). Zenodo. https://zenodo.org/doi/10.5281/zenodo.10013254. CC-BY 4.0.
Thornthwaite, C. W. (1948). An approach toward a rational classification of climate. Geographical Review, 38(1), 55–94.
Vicente-Serrano, S. M., Beguería, S., & López-Moreno, J. I. (2010). A multiscalar drought index sensitive to global warming: the Standardized Precipitation Evapotranspiration Index. Journal of Climate, 23(7), 1696–1718.
WMO (2017). WMO Guidelines on the Calculation of Climate Normals (WMO-No. 1203). Genebra.

Navegação

Voltar ao hub de tutoriais
Anterior: Tutorial 7 — Clima por Estações (INMET)
Próximo: Tutorial 9 — Modelagem Epidemiológica (DLNM)

Equipe climasus4r

17/10/2026

Objetivo

Contexto científico

Estação vs. pixel: duas formas de medir a exposição

Dos campos brutos aos indicadores epidemiológicos

Dados utilizados

Pipeline completo

Importar ERA5-Land para o município de São Paulo

Anomalias climáticas

Indicadores bioclimáticos (demonstrativo)

Ondas de calor

SPI e SPEI: secas e períodos úmidos

Encadeamento: alinhar clima de grade à saúde e salvar para o T9

Características das funções

`sus_grid_era5()`

`sus_climate_anomaly()`

`sus_climate_compute_indicators()`

`sus_climate_compute_heatwaves()`

`sus_climate_compute_spi()` e `sus_climate_compute_spei()`

Fórmulas

Resultados ilustrados

Referências

Navegação

Tutorial 8: Dados Climáticos e Ambientais em Grade

Equipe climasus4r

17/10/2026

Objetivo

Contexto científico

Estação vs. pixel: duas formas de medir a exposição

Dos campos brutos aos indicadores epidemiológicos

Dados utilizados

Pipeline completo

Importar ERA5-Land para o município de São Paulo

Anomalias climáticas

Indicadores bioclimáticos (demonstrativo)

Ondas de calor

SPI e SPEI: secas e períodos úmidos

Encadeamento: alinhar clima de grade à saúde e salvar para o T9

Características das funções

sus_grid_era5()

sus_climate_anomaly()

sus_climate_compute_indicators()

sus_climate_compute_heatwaves()

sus_climate_compute_spi() e sus_climate_compute_spei()

Fórmulas

Resultados ilustrados

Referências

Navegação

`sus_grid_era5()`

`sus_climate_anomaly()`

`sus_climate_compute_indicators()`

`sus_climate_compute_heatwaves()`

`sus_climate_compute_spi()` e `sus_climate_compute_spei()`