UMA VISÃO HORA A HORA DA AUTOCORRELAÇÃO EM DADOS DE TEMPERATURA E UMIDADE RELATIVA DO AR NA BAHIA

Autores

Palavras-chave:

Variáveis Meteorológicas. Séries Temporais. Autocorrelação.

Resumo

Aqui, propomos analisar empiricamente as autocorrelações em dados meteorológicos de temperatura e umidade relativa do ar medidos hora a hora. Tal motivação se justifica, pois quando se fala/estuda o tema do aquecimento global e a ação antrópica, as referidas variáveis meteorológicas são muito importantes e utilizadas a séculos. Aqui, tal análise será implementada pelo método DFA, largamente empregado na análise de séries temporais não estacionárias. Como nosso estudo de caso, empregamos dados obtidos de quatro estações meteorológicas e automáticas, entre o litoral, recôncavo, oeste e norte do Estado da Bahia. Portanto, com as séries temporais das variáveis envolvidas em cada estação, tendo estas aproximadamente um total de uma década de medida (hora a hora), calculamos a função de flutuação do método DFA. Por não existir uma única lei de potência, os resultados da função de flutuação identificam claramente componentes sazonais entre as variáveis, assim como para todas as estações. Com tais resultados foi possível medir a persistência das séries temporais, e obter três escalas temporais, ou seja, 4≤n≤30, 31≤n≤365 e n>365 dias. Finalmente, para cada uma destas escalas temporais e hora do dia, calculamos o valor do expoente de autocorrelação, α_DFA. Com o valor de α_DFA como função da hora, mostramos que há um determinado padrão de persistência a depender da escala temporal envolvida, isto tanto para a temperatura quanto para a umidade relativa do ar, e que pequenas alterações ocorrem de uma estação meteorológica para outra. Desta forma, este artigo dá uma nova visão das autocorrelações de variáveis meteorológicas, via método DFA, contribuindo para pesquisas relacionadas ao tema climatologia.


Downloads

Não há dados estatísticos.

Referências

CHEN, Zhi; IVANOV, Plamen Ch.; HU, Kun; STANLEY, H. Eugene. Effect of nonstationarities on detrended fluctuation analysis. Phys. Rev. E, v. 65, n. 4, p. 041107, 2002.

DE ALMEIDA BRITO, A.; de ARAÚJO, H. A.; ZEBENDE, G. F. Detrended multiple cross-correlation coefficient applied to solar radiation, air temperature and relative humidity. Scientific Reports, v. 9, n. 1, p. 1-10, 2019.

FRAEDRICH, K.; BLENDER, R. Scaling of atmosphere and ocean temperature correlations in observations and climate models. Phys. Rev. Lett., v. 90, n. 10, p. 108501, 2003.

GEOGRAPHIC, N. Natural Disasters. set. de 2021. Disponível em: https://www.nationalgeographic.com/environment/topic/natural-disasters-weather. Acesso em: set. de 2021.

GUO, E.; ZHANG, J.; Si, H.; DONG, Z.; CAO, T.; LAN, W. Temporal and spatial characteristics of extreme precipitation events in the midwest of Jilin province based on multifractal detrended fluctuation analysis method and copula functions. Theoretical and Applied Climatology, v.130, p. 597-607, 2016.

HENEGHAN, C.; MCDARBY, G. Establishing the relation between detrended fluctuation analysis and power spectral density analysis for stochastic processes. Phys. Rev. E, v. 62, n. 5, 6103-6110, 2000.

INMET, Instituto Nacional de Meteorologia. Dados de estação meteorológica de observação de superfície automática. set. de 2021. Disponível em: https://portal.inmet.gov.br. Acesso em: set. de 2021.

HU, Kun; IVANOV, Plamen Ch.; CHEN, Zhi; CARPENA, Pedro; EUGENE Stanley, H. Effect of trends on detrended fluctuation analysis. Phys. Rev. E, v. 64, n. 1, p. 011114, 2001.

HUBER, P. J. Robust Statistics. John Wiley and Sons, New York, 1981.

HURST, H. E. Long-term storage capacity of reservoirs. Transactions of the American Society of Civil Engineers, v. 116, n. 1, p. 770-799, 1951.

JIANG, Z.-Q.; ZHOU, W.-X. Multifractal detrending moving-average cross-correlation analysis. Phys. Rev. E, v. 84, n. 1, p. 016106, 2011.

KIRÁLY, A.; JÁNOSI, I. M. Detrended Fluctuation Analysis of daily temperature records: Geographic dependence over Australia. Meteorology and Atmospheric Physics, v. 88, p. 119-128, 2005.

KOSCIELNY-BUNDE, Eva; BUNDE, Armin; HAVLIN, Shlomo; ROMAN, H. Eduardo; GOLDREICH, Yair; SCHELLNHUBER, Hans-Joachim. Indication of a universal persistence law governing atmospheric variability. Phys. Rev. Lett., v. 81. n. 3, p. 729-732, 1998.

KRISTOUFEK, L. Measuring cross-correlation between non-stationary series with DCCA coefficient. Physica A: Statistical Mechanics and its Applications, v. 402, p. 291-298, 2014.

PENG, C.-K.; BULDYREV, S. V.; GOLDBERGER, A. L.; HAVLIN, S.; SCIORTINO, F.; SIMONS, M.; STANLEY, H. E. Long-range correlations in nucleotide sequences. Nature, v. 356, p. 168-170, 1992.

PENG, C.-K.; BULDYREV, S. V.; HAVLIN, S.; SIMONS, M.; STANLEY, H. E.; GOLDBERGER, A. L. Mosaic organization of DNA nucleotides. Phys. Rev. E, v. 49, n. 2, p. 1685-1689, 1994.

PODOBNIK, B.; JIANG, Z.-Q.; ZHOU, W.-X.; STANLEY, H. E. Statistical tests for power-law cross-correlated processes. Phys. Rev. E, v. 84, p. 066118, 2011.

PODOBNIK, B.; STANLEY, H. E. Detrended cross-correlation analysis: A new method for analyzing two nonstationary time series. Phys. Rev. Lett., v. 100, n. 8, p. 084102, 2008.

VASSOLER, R.; ZEBENDE, G. F. DCCA cross-correlation coefficient apply in time series of air temperature and air relative humidity. Physica A: Statistical Mechanics and its Applications, v. 391, n.7, p. 2438-2443, 2012.

WALLECZEK, J. Self-organized biological dynamics and nonlinear control: toward understanding complexity, chaos and emergent function in living systems. Cambridge University Press, 2000, p. 421-428.

WANG, G.-J.; XIE, C.; CHEN, S.; YANG, J.-J.; YANG, M.-Y. Random matrix theory analysis of cross-correlations in the US stock market: Evidence from Pearson´s correlation coefficient and detrended cross-correlation coefficient. Physica A: Statistical Mechanics and its Applications, v. 392, n. 17, p. 3715-3730, 2013.

WILCOX, R. Introduction to Robust Estimation and Hypothesis Testing (Third Edition). Academic Press, Boston, 2012.

WMO, World Meteorological Organization. Calculation of Monthly and Annual 30-year Standard Normals, WCDP (Series), Edição 10, WMO, Geneva, 1989.

ZEBENDE, G. F.; de OLIVEIRA, P. M. C.; PENNA, T. J. P. Long-range correlations in computer diskettes. Phys. Rev. E, v. 57, n.3, p. 3311-3314, 1998.

ZEBENDE, G. F. DCCA cross-correlation coefficient: Quantifying level of cross-correlation. Physica A: Statistical Mechanics and its Applications, v. 390, n. 4, p. 614-618, 2011.

ZEBENDE, G. F.; SILVA, M. F.; FILHO, A. M. DCCA cross-correlation coefficient differentiation: Theoretical and practical approaches. Physica A: Statistical Mechanics and its Applications, v. 392, n.8, p. 1756-1761, 2013.

ZEBENDE, G. F.; FERNANDEZ, B. F.; PEREIRA, M. G. Analysis of the variability in the sdb star KIC 10670103: DFA approach. Monthly Notices of the Royal Astronomical Society, v. 464, p. 2638-2642, 2017.

ZEBENDE, G. F.; da SILVA FILHO, A. Detrended multiple cross-correlation coefficient. Physica A: Statistical Mechanics and its Applications, v. 510, p. 91-97, 2018a.

ZEBENDE, G. F.; BRITO, A. A.; SILVA FILHO, A. M.; CASTRO, A. P. ρDCCA applied between air temperature and relative humidity: An hour/hour view. Physica A: Statistical Mechanics and its Applications, v.494, p. 17-26, 2018b.

ZEBENDE, G. F.; BRITO, A. A.; CASTRO, A. P. DCCA cross-correlation analysis in time-series with removed parts. Physica A: Statistical Mechanics and its Applications, v. 545, p. 123472, 2020.

Downloads

Publicado

21-09-2021

Como Citar

Zebende, G. F., Brito, A. de A., Santos, R. P. C. dos, & Silva Filho, A. M. da. (2021). UMA VISÃO HORA A HORA DA AUTOCORRELAÇÃO EM DADOS DE TEMPERATURA E UMIDADE RELATIVA DO AR NA BAHIA. Revista Brasileira De Climatologia, 29, 99–112. Recuperado de https://ojs.ufgd.edu.br/index.php/rbclima/article/view/15152

Edição

Seção

Artigos