Por Alexandre Marques

A difusão global do ideal de políticas públicas informadas por evidências consolidou uma promessa sedutora, se organizarmos melhor a produção, a síntese e a circulação do conhecimento, decisões públicas se tornarão mais racionais, transparentes e eficazes. O argumento central deste artigo é que, quando o objeto é o clima no Sul Global, essa promessa tropeça justamente onde mais importa: na incerteza. A evidência climática que orienta adaptação, gestão de riscos e infraestrutura não é um fato estável, mas um conjunto de dados e projeções atravessados por variabilidade interna do sistema, escolhas de cenários, diferenças inter-modelo e limites de resolução espacial e temporal, incertezas que não são ruído periférico, mas parte constitutiva do que se pode saber e governar.

Manuais e frameworks difundidos por organizações internacionais e governos — da OMS (OMS, 2021) a modelos como o Evidence-Informed Policy Framework (Sempé, 2025) e relatórios da Comissão Global de Evidências (Comissão Global de Evidências, 2023) — tendem a oferecer uma arquitetura de “ecossistemas de evidências”, “fatores capacitantes” e “caminhos de mudança” desenhada para estabilizar a relação entre evidência e decisão, sobretudo, no setor da saúde, onde a ideia do uso de evidências em políticas públicas historicamente é mais presente (OMS, 2021). Em geral, eles partem de uma suposição implícita, a de que existe uma evidência suficientemente consolidada “lá fora”, no mundo da ciência, bastando melhorar sua tradução para dentro do Estado. No clima brasileiro, porém, o desafio é anterior, definir o que conta como evidência quando o conhecimento é probabilístico, multiescalar e infraestruturalmente desigual no sistema internacional de produção científica.

É por isso que sustento que aplicar esses modelos “como estão” à política climática no Brasil exige mais do que uma adaptação técnica, exige tropicalização epistemológica e institucional. Tropicalizar, aqui, significa desenhar regras, rotinas e arenas capazes de governar evidências com incerteza explícita (faixas, cenários, envelopes de modelos), integrar saberes e observações situadas ao lado da modelagem, e reconhecer que a própria capacidade de produzir dados e projeções é marcada por uma “geopolítica infraestrutural” (computação, satélites, protocolos, redes de expertise). Sem essa reinvenção, corre-se o risco de importar um ideal de evidência que, no clima, não reduz assimetrias, apenas as formaliza.

As mudanças climáticas configuram um campo de ação pública em que as incertezas se apresentam de forma radical. Trata-se de um “wicked problem” (Rittel & Webber, 1973), caracterizado por fronteiras indefinidas, causalidade difusa, múltiplas escalas temporais e espaciais, e uma forte interdependência entre sistemas naturais e sociais. Nesse caso, a incerteza científica é estrutural e não eliminável, e as decisões políticas demandam a convivência com riscos, cenários de probabilidades, e não com certezas empíricas. Essa diferença ontológica impõe limites severos à transposição direta de modelos da área da saúde, das ciências naturais, ou de governança linear do conhecimento.

Dados oriundos de modelagem computacional de clima, e suas interações com o uso e cobertura da terra, e projeções de longo prazo possuem incertezas paramétricas, espaciais e interpretativas. O processo de downscaling¹ das simulações climáticas (IPCC, 2023a) revela um desafio central de tradução escalar, modelos globais de circulação atmosférica operam em grades compatíveis com processos planetários, mas as decisões públicas exigem informação localizada, municipal, e setorialmente integrada. O problema multiescalar da evidência climática não é o mesmo da saúde, por exemplo, onde a unidade de análise coincide, em geral, com a escala de decisão (estado, município, hospital, paciente) (OMS, 2021).

Há diferentes tipos de incertezas associadas às previsões climáticas, elas se traduzem muitas vezes em decisões adiadas, infraestrutura subdimensionada, janelas de oportunidade perdidas, custos na casa de trilhões de dólares empurrados para o futuro. Uma forma clássica de organizar esse problema é pensar em três fontes de incerteza: 1) o que os estudos climáticos chamam de forçante externa (os cenários de emissões que dependem de escolhas humanas), 2) a resposta de outros sistemas (como os oceanos, o gelo e biosfera reagem) e 3) a variabilidade interna do sistema climático (as oscilações “espontâneas” do clima, como El Niño e La Niña) (IPCC, 2023a). Mas tanto a forçante quanto a resposta, quando olhamos de perto, se desdobram em duas camadas: a incerteza em relação aos parâmetros possíveis, ou seja, dúvida quanto a que número colocar nas equações, e a incerteza estrutural, isto é, que equação usar, qual modelo, que feedbacks incluir, como representar processos não lineares e teleacoplados²?

Quando falamos em incerteza de forçante externa, entramos no território dos RCPs, os Representative Concentration Pathways. Eles são basicamente cenários de projeção sobre o quanto de energia extra possivelmente serão aprisionados no Sistema Terra até 2100. Cada RCP é uma combinação de suposições sobre crescimento econômico, matriz energética, uso da terra e políticas climáticas. Ou seja, a forçante externa não é um dado natural, mas uma aposta informada sobre o que sociedades e governos farão, e cada uma abre um leque distinto de futuros possíveis.

Os RCPs são uma ideia que pode ser desdobrada em muitas outras. Por exemplo, a partir dela, é possível falar também de variabilidades inter-modelos, ou seja, a diferença entre as projeções feitas por modelos climáticos diferentes quando você força todos com o mesmo cenário (por exemplo, todos rodando com o mesmo valor de RCP). Cada modelo tem sua “arquitetura” própria (equações, parametrizações, resolução), então responde de modo um pouco diferente à mesma forçante. O conjunto dessas diferenças é chamado de spread inter-modelo, que mede a incerteza ligada à forma como representamos o sistema climático. Há também o spread do cenário RCP, que é o leque de resultados que aparece quando você compara diferentes trajetórias de forçante (RCP2.6, 4.5, 6.0, 8.5 etc.). Mesmo usando o mesmo modelo, mudar o RCP muda a quantidade de energia extra no sistema terrestre, gerando faixas diferentes de aquecimento e impactos (IPCC, 2023b). 

Nesse sentido, decidir qual estrutura de modelo é adequada à previsão climática, e com menor incerteza, é bem mais espinhoso. Diferentes escolhas de equações, de representações de nuvens, de respostas da vegetação, de circulação oceânica podem levar a futuros climáticos bem distintos, mesmo sob a mesma trajetória de emissões. Em muitos casos, a incerteza associada a essa arquitetura invisível do modelo é maior do que o simples “erro de ajuste” dos parâmetros. E a variabilidade interna ainda acrescenta uma camada de ruído inevitável, a sequência de eventos extremos climáticos regionais pode ter seus sinais escondidos por décadas.O que a ciência do clima tem feito é mapear a incerteza e oferecer ferramentas para governá-la, a chamada “linguagem calibrada” do Painel Intergovernamental sobre Mudança do Clima (IPCC, 2023a), aumentando a precisão de intervalos de confiança e probabilidade e quantificando-os, acoplando conjuntos de modelos, cenários alternativos e análises de robustez, nunca tentando esconder a incerteza ou a minimizando (IPCC, 2023a). O foco deixa de ser apenas a “qualidade metodológica isolada” de um único estudo ou modelo, e passa a ser a qualidade da governança do uso da evidência com incerteza associada. É preciso entender como instituições lidarão com faixas e não com números únicos, como incorporarão múltiplos modelos em vez de buscar um único, e como comunicarão riscos para além da ilusão de certeza.

As duas tabelas sintetizam a “gramática calibrada” com que o IPCC transforma incerteza em linguagem comunicável para decisão. A Tabela 1 mostra a escala de confiança, que combina dois eixos: de um lado, a robustez da evidência (tipo, quantidade, qualidade e consistência do que sustenta uma afirmação) e, de outro, o grau de concordância entre estudos e linhas de pesquisa. Quanto mais robusta a evidência e maior a concordância, maior a confiança atribuída (e o inverso também vale, concordância alta com evidência limitada, por exemplo, não produz a mesma confiança que concordância alta com evidência robusta). Já a Tabela 2 apresenta a escala de verossimilhança (likelihood), que mapeia termos padronizados como “muito provável”, “provável” ou “excepcionalmente improvável” a intervalos numéricos de probabilidade, permitindo que avaliações probabilísticas sejam comunicadas de modo mais consistente. Em conjunto, essas escalas deixam claro que, no IPCC, “evidência” não é sinônimo de certeza, é uma forma padronizada de declarar o quanto sabemos, com quanta consistência, e com qual probabilidade, tornando explícito o que está em jogo quando esses resultados passam a circular como “evidência” em políticas públicas.

Ao tentar dirimir o desconforto das incertezas, o IPCC criou essa nova gramática, um novo código elaborado por peritos do clima. Porém, é importante pontuar que essa gramática de classificação de confiança e probabilidade nasce de salas de reunião, de notas de rodapé disputadas, de compromissos entre delegações que preferem modelos, números, sínteses quantitativas e deixam na penumbra saberes locais, análises qualitativas, conflitos abertos. Perseguir sempre “mais precisão” pode virar um álibi elegante para não decidir justamente onde o risco é maior (O’Reilly, 2022). 

Há algumas décadas o Brasil trabalha com a ciência climática e do sistema terrestre e se vê às voltas com essas questões.  Desde 1994, nosso país desenvolve e opera modelos climáticos no Instituto Nacional de Pesquisas Espaciais (INPE), construindo uma capacidade tecnológica que é estratégica para um país de dimensões continentais. Sem isso, ficaríamos dependentes de diagnósticos e cenários produzidos no norte global para enfrentar secas, enchentes, crises energéticas, segurança alimentar, e negociar no regime internacional de mudança do clima. E aí também entra uma questão crucial para a mitigação de incertezas de modelos climáticos. Parte dessas incertezas estão relacionadas a resolução espacial e temporal dos modelos. Melhorar essas resoluções implica, dentre outras coisas, em aumentar enormemente a capacidade computacional dos sistemas brasileiros. O que só é possível de ser feito por meio de supercomputadores. Em outubro de 2025, o INPE trocou o seu supercomputador Tupã por um ainda mais potente, o Jaci. Com isso, a resolução espacial dos instrumentos do instituto passou dos 20 km, para 10 km para o globo todo, podendo alcançar 3 km para previsões sobre a América do Sul (INPE, 2025).

O investimento inicial foi de aproximadamente 200 milhões de reais (INPE, 2025). Historicamente, apenas países do norte global são capazes de fazer um investimento dessa monta em supercomputadores, produzir satélites e criar os seus próprios modelos climáticos (Miguel, 2019). A “geopolítica infraestrutural” do conhecimento climático ajuda a enxergar que não se trata apenas de ter bons cientistas, mas de disputar acesso a supercomputadores, equipes especializadas, protocolos de intercomparação (CMIP) e, em última instância, o próprio poder de definir quais futuros climáticos serão considerados legítimos em espaços como o IPCC. 

A infraestrutura de modelagem climática brasileira é parte dessa aposta em soberania epistêmica e política (Duarte; Miguel, 2023). Produzir nossas próprias simulações significa também produzir nossos próprios termos de participação na governança climática global. Poucos países se encontram no seleto grupo de possuidores e de infraestrutura de modelagem climática, o que aprofunda assimetrias na produção de evidências e ajuda a explicar por que o “estado da arte” ainda é definido majoritariamente a partir de centros de pesquisa do norte global (Duarte; Miguel, 2023). Neste caso, a incerteza, além de ser um problema estatístico, também é geopolítico e infraestrutural. Quem controla os modelos e os supercomputadores controla, em parte, quais evidências serão consideradas críveis e utilizáveis na formulação de políticas climáticas (Miguel, 2019). É como se toda evidência carregasse um mapa-múndi translúcido, e que “tropicalizar” frameworks de evidência exige enxergar justamente essas cartografias de poder que decidem quem pode falar pelo clima no mundo.

É nesse cruzamento entre ciência e política que a ideia de “tropicalizar” frameworks de evidência do clima ganha corpo, não se trata só de ajustar indicadores ou traduzir diretrizes da OMS ou da FCDO, mas de disputar quem define o que conta como incerteza relevante, que tipos de evidência passam ou não pela pipeline ciência–política. Se trata também de insistir numa abordagem de “múltiplas evidências” em que observações, teoria, modelos e narrativas locais sentem à mesma mesa. Em vez de esperar a convergência milagrosa dos modelos, o desafio é desenhar arranjos institucionais capazes de negociar esses múltiplos saberes, explicitar os julgamentos de valor, expor as assimetrias de poder embutidas na gramática da incerteza do IPCC e, ainda assim, autorizar decisões escalonadas, revisáveis e concretas. A “boa evidência”, nesse contexto, não é a que promete um número único e “limpinho”, mas a que explicita suas próprias dúvidas, abre espaço para saberes locais e permite que decisões sejam tomadas de forma justa mesmo diante de incertezas que não vão desaparecer.

Dizer que a evidência deve servir à justiça climática é inverter uma hierarquia silenciosa, não é a sociedade que precisa se adaptar às formas dominantes de produzir e calibrar evidência, mas a própria evidência que deve ser julgada pela sua capacidade de reduzir vulnerabilidades, enfrentar assimetrias de poder e proteger quem está na linha de frente da crise climática. Isso implica perguntar, sempre, a serviço de quem estão os modelos, indicadores, cenários e mapas de risco que produzimos; quais territórios e corpos entram nas estatísticas e quais ficam de fora; que tipos de conhecimento: indígena, quilombola, urbanos periféricos são reconhecidos como “dados” e quais são descartados como “opinião”. Uma evidência alinhada à justiça climática não se contenta em tornar a incerteza mais precisa, ela precisa tornar o risco mais visível para quem historicamente foi invisibilizado, deslocando o foco de uma neutralidade abstrata para critérios explícitos de reparação, precaução e distribuição justa de danos e benefícios em cada decisão.

Até certo ponto, a lógica de ecossistemas integrados de evidência dos manuais do norte global tem a sua utilidade, mas é insuficiente quando o objeto de decisão é dinâmico, dependente dos contornos de incerteza, disputa e negociação intersetorial. A adaptação desse modelo exige incorporar dimensões próprias da política climática, como a coprodução de conhecimento (ALVES, 2015; ASAYAMA et al., 2023; DUARTE, 2019), a justiça climática e epistêmica (MEDINA, 2013; JASANOFF, 2004), e os múltiplos níveis de governança. Em vez de entender a institucionalização de evidências apenas como criação de estruturas formais, é necessário concebê-la como um processo adaptativo, orientado à construção de confiança, legitimidade e mediação entre diferentes formas de saber. No Brasil, políticas climáticas informadas por evidências precisam ser contextualmente justas e socialmente legítimas, transformando a ciência do clima em política pública ancorada no território e orientada ao bem comum.

1. O processo de downscaling (ou redução de escala) em modelos climáticos é uma técnica essencial usada para converter as projeções de larga escala dos Modelos Climáticos Globais (MCGs) em informações climáticas mais detalhadas e de maior resolução para regiões específicas. Simulam os processos físicos da atmosfera com maior detalhe, são fisicamente mais consistentes, simulam explicitamente os processos atmosféricos em alta resolução, essenciais para: recursos hídricos e manejo de bacias hidrográficas, agricultura e segurança alimentar, planejamento urbano e regional. Porém, são computacionalmente muito caros e complexos de rodar. ↩︎
2. Evento climático teleacoplado: O que ocorre em um lado do planeta pode ter efeito no outro. Um exemplo é o El Niño, que produz seca no Nordeste brasileiro e chuvas intensas no Sul e cuja causa é o aquecimento anormal das águas do Oceano Pacífico. ↩︎