Previsão de precipitação e vazão a partir da modelagem de séries temporais

Autores

DOI:

https://doi.org/10.55761/abclima.v36i21.18885

Palavras-chave:

Modelo SARIMA, Sazonalidade, Modelos hidrológicos, Recursos Hídricos

Resumo

A modelagem de séries temporais é uma ferramenta importante para previsão do comportamento de variáveis hidrológicas e, assim, pode ser aplicada ao planejamento urbano para a antecipação e minimização de impactos negativos causados por desastres naturais. Dessa forma, o objetivo deste trabalho foi analisar, modelar e realizar previsões com base nas séries temporais de vazões e precipitações mensais de estações localizadas na microrregião de Caratinga, pertencente à bacia hidrográfica do Rio Doce. As etapas da modelagem consistiram na obtenção dos dados, identificação de possíveis modelos, estimativa dos parâmetros, diagnóstico e, por fim, realização das previsões. Foram selecionados os modelos que apresentaram o menor valor para, pelo menos, dois dos critérios de seleção adotados, sendo eles o de Akaike, Hannan Quinn e Schwarz. Quanto ao ajuste, embora os modelos tenham apresentado dificuldades em captar os picos das séries, o SARIMA(1,1,2)(0,1,1)12 mostrou boa aderência às vazões mínimas observadas e foi eficaz na representação dos períodos históricos de estiagem. Por meio da análise residual, todos os modelos foram considerados adequados para a realização de previsões. Para o ano de 2020, a maioria dos modelos apresentou desempenho satisfatório. O SARIMA(0,0,0)(0,1,1)12 e o SARIMA(1,1,2)(0,1,1)12 foram os mais adequados para prever precipitações e vazões, respectivamente. Apesar das limitações, os resultados demonstram a relevância da modelagem como suporte à gestão dos recursos hídricos na região, fornecendo subsídios para o conhecimento da disponibilidade hídrica nos períodos de seca.

Downloads

Não há dados estatísticos.

Biografia do Autor

Alice Raquel Caminha, Programa de Pós-Graduação em Recursos Hídricos, Universidade Federal de Lavras (UFLA)

Engenheira ambiental e sanitarista, mestre em Recursos Hídricos e atualmente cursa doutorado na mesma área.

Lucas Ribeiro Guimarães, Programa de Pós-Graduação em Recursos Hídricos, Universidade Federal de Lavras (UFLA)

 Graduado em Engenharia Ambiental e Sanitária pela Universidade Federal de Lavras em 2018. Mestre em Tecnologias e Inovações Ambientais, na área de Conservação e Restauração de Ecossistemas pela Universidade Federal de Lavras em 2021. Doutorando em Recursos Hídricos pela Universidade Federal de Lavras (UFLA).

Flávia Vilela Corrêa, Programa de Pós-Graduação em Recursos Hídricos, Universidade Federal de Lavras (UFLA)

Engenheira ambiental e sanitarista pela UFLA, mestre e doutoranda em Recursos Hídricos (UFLA).

Gabriela Rezende de Souza, Departamento de Engenharia Civil, Universidade Federal de Viçosa (UFV)

 Bacharela em Engenharia Ambiental e Sanitária, Mestre e Doutora em Recursos Hídricos pela UFLA.

Luiz Fernando Coutinho de Oliveira, Programa de Pós-Graduação em Recursos Hídricos, Universidade Federal de Lavras (UFLA)

Possui graduação em Engenharia Agrícola pela Universidade Federal de Lavras (1986), mestrado em Engenharia Agrícola pela Universidade Federal de Lavras (1992) e doutorado em Engenharia Agrícola pela Universidade Federal de Viçosa (1999).

Thelma Sáfadi, Departamento de Estatística, Instituto de Ciências Exatas, Universidade Federal de Lavras (UFLA)

Possui graduação (Licenciatura e Bacharelado) em Matemática pela Universidade Federal de Minas Gerais (1979), especialização em Matemática pela Universidade Federal de Minas Gerais, mestrado em Matemática pela Universidade Federal de Minas Gerais (1987) e doutorado em Estatística pela Universidade de São Paulo (1997). Possui pós-doutoramentos na Universidad Carlos III de Madrid (2003/2004) , na Universidade de São Paulo (2010) e na Georgia Institute of Technology (2015).

Referências

AKAIKE, H. A new look at the statistical model identification IEEE transactions on automatic control. IEEE Transactions on Automatic Control, v. 19, n. 6, p. 716–723, 1974.

AL BALASMEH, O.; BABBAR, R.; KARMAKER, T. Trend analysis and ARIMA modeling for forecasting precipitation pattern in Wadi Shueib catchment area in Jordan. Arabian Journal of Geosciences, v. 12, 2019.

ALBERTON, G. B. et al. Aplicação de redes neurais artificiais para previsão de enchentes no Rio Itajaí-Açu em Blumenau, SC, Brasil. Revista Ibero-Americana de Ciências Ambientais, v. 12, n. 4, p. 686–696, 2021.

ALEXANDER, C. Modelos de Mercados: um guia para a análise de informações financeiras. São Paulo: Bolsa de Mercadorias e Futuros, 2005.

ALVARES, C. A. et al. Köppen’s climate classification map for Brazil. Meteorologische Zeitschrift, v. 22, n. 6, p. 711–728, 2013.

ALVES, T. S. Elaboração de modelagem hidrológica e hidráulica de parte da bacia do rio Caratinga para determinação da área urbana inundável no município de Caratinga-MG: estudo de caso no rio Caratinga, Minas Gerais. 2023. Dissertação (Mestrado) - Universidade Federal de Itajubá, Itabira, 2023.

ANA. Hidroweb. Brasília: Agência Nacional de Águas e Saneamento Básico, [2022]. Disponível em: http://www.snirh.gov.br/hidroweb/serieshistoricas. Acesso em: 8 ago. 2022.

ARAÚJO, A. S.; SILVA, A. R.; ZÁRATE, L. E. Extreme precipitation prediction based on neural network model – A case study for southeastern Brazil. Journal of Hydrology, v. 606, p. 127454, 2022.

BAYER, D. et al. Modelagem e Previsão de Vazões Médias Mensais do Rio Potiribu Utilizando Modelos de Séries Temporais. Revista Brasileira de Recursos Hídricos, v. 17, n. 2, p. 229–239, 2012.

BEZERRA, A. P. et al. Modelagem preditiva da precipitação para análise das inundações e suas consequências no município de Natal - RN. Revista GEAMA - Ciências Ambientais e Biotecnologia, v. 9, n. 1, p. 29–41, 2023.

BLEIDORN;, M. T. et al. Modelagem e previsão de vazões médias mensais do Rio Jucu, ES, utilizando o modelo SARIMA. Irriga, v. 24, n. 2, p. 320–335, 2019.

BOPP, G. P.; SHABY, B. A.; HUSER, R. A Hierarchical Max-Infinitely Divisible Spatial Model for Extreme Precipitation. Journal of the American Statistical Association, v. 116, n. 533, p. 93–106, 2020.

BOX, G. P.; JENKINS, G. M. Time series analysis, forecasting and control. San Francisco: Holden-Day, 1976.

BRITO, G. R. A. et al. Comparison between SARIMA and Holt–Winters models for forecasting monthly streamflow in the western region of Cuba. SN Applied Sciences, v. 3, n. 6, 2021.

COELHO FILHO, J. A. P.; MATOS, A. J. S.; MOTTA, B. G. Sistema de alerta hidrológico da bacia do Rio Doce. Belo Horizonte: Companhia de Pesquisa de Recursos Minerais - CPRM, 2021.

COSTA, M. D. G. A. Avaliação de áreas de risco à inundação no perímetro urbano de Caratinga, MG através do uso de dados altimétricos provenientes do sensos erotransportado Lidar. 2007. Dissertação (Mestrado)— Universidade Federal de Viçosa, Viçosa, 2007.

COTTRELL, A.; LUCCHETTI, R. Gretl User’s Guide: GNU Regression, Econometrics and Time-Series Library. Ancona: Università Politecnica delle Marche, [2022]. Disponível em: http://gretl.sourceforge.net/gretl-help/gretl-guide.pdf. Acesso em: 20 nov. 2022.

CPRM. Mapa geológico do estado de Minas Gerais. Brasília: Companhia de Pesquisa de Recursos Minerais, [2020]. Disponível em: <https://rigeo.sgb.gov.br/handle/doc/21828>. Acesso em: 18 nov. 2024.

DUARTE, V. B. R. et al. Previsão de vazão na bacia hidrográfica do rio Manuel Alves da Natividade utilizando o modelo de séries temporais SARIMA. Journal of Biotechnology and Biodiversity, v. 7, n. 4, p. 457–468, 2019.

ENGLE, R. F. Autorregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, v. 50, n. 4, p. 987–1007, 1982.

FELICIANI, A. V. Previsão de vazões de afluência para o setor elétrico por meio de modelos lineares e não lineares. 2013. Dissertação (Mestrado) — Universidade Federal de Santa Maria, Santa Maria, 2013.

FIALHO, E. S. Climatologia E Desastres Ambientais: a Demanda Dos Recursos Públicos Após O Espetáculo Midiático. Revista Tamoios, v. 9, n. 1, p. 42–62, 2013.

HANNAN, E. J.; QUINN, B. G. The determination of the order of an autoregression. Journal of the Royal Statistical Society, v. 41, p. 190–195, 1979.

HOPKINS, W. G. A New View of Statistics. Middlesbrough: Internet Society for Sport Science, 2016.

IDE-SISEMA. Infraestrutura de dados espaciais. Belo Horizonte: Sistema Estadual de Meio Ambiente e Recursos Hídricos, [2024]. Disponível em: <https://idesisema.meioambiente.mg.gov.br/webgis>. Acesso em: 18 nov. 2024.

IGAM. Informativo No 4 - Bacia do Rio Doce. Belo Horizonte: Instituto Mineiro de Gestão das Águas, 2014.

IGAM. Plano de ação de Recursos Hídricos da Unidade de Planejamento e Gestão dos Recursos Hídricos Caratinga. Caratinga: Instituto Mineiro de Gestão das Águas, 2010.

INMET. Série Histórica: Banco de dados meteorológicos. Brasília: Instituto Nacional de Meteorologia, [2022]. Disponível em: https://portal.inmet.gov.br/. Acesso em: 14 nov. 2022.

JANARTHANAN, R. et al. Prediction of rainfall using fuzzy logic. Materials Today: Proceedings, v. 37, p. 959–963, 2021.

KHODAKHAH, H. et al. Comparing linear and non-linear data-driven approaches in monthly river flow prediction, based on the models SARIMA, LSSVM, ANFIS, and GMDH. Environmental Science and Pollution Research, v. 29, n. 15, p. 21935–21954, 2022.

LIMA, L. P. A. et al. Utilização de estatística descritiva e de modelo SARIMA no estudo de precipitação na região sudeste de Mato Grosso. Revista de Ciências Ambientais - RCA, v. 14, n. 1, 2020.

LOBATO, I.; NANKERVIS, J. C.; SAVIN, N. E. Testing for autocorrelation using a modified Box-Pierce Q test. International Economic Review, v. 42, n. 1, p. 187–205, 2001.

LOTT, B. A. et al. Chuvas na Bacia Hidrográfica do Rio Doce – MG/ES no primeiro trimestre de 2020. Sociedade, Tecnologia e Meio Ambiente: avanços, retrocessos e novas perspectivas, p. 110–126, 2021.

MACHADO, L. A.; ASSIS, W. L. Comparação entre métodos de preenchimento de falhas em séries de dados meteorológicos da bacia hidrográfica do Rio das Velhas (MG). Geografias, v. 14, n. 1, p. 73–90, 2018.

MARTINS, F. B. et al. Classificação climática de Köppen e de Thornthwaite para Minas Gerais: Cenário atual e projeções futuras. Revista Brasileira de Climatologia, v. 22, p. 149–164, 2018.

MASUM, M. H. et al. Time Series Prediction of Rainfall and Temperature Trend using ARIMA Model. Journal of Scientific Research, v. 14, n. 1, p. 215–227, 2022.

MEDEIROS, E. S. et al. Estudo das chuvas máximas diárias no município de Barreiras/BA por meio da metodologia de séries temporais. Revista da Universidade Vale do Rio Verde, v. 18, n. 1, p. 287–295, 2020.

MERESA, H.; TISCHBEIN, B.; MEKONNEN, T. Climate change impact on extreme precipitation and peak flood magnitude and frequency: observations from CMIP6 and hydrological models. Natural Hazards, v. 111, n. 3, p. 2649–2679, 2022.

MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. São Paulo: ABE - Projeto Fisher – Blucher, 2006.

MORIASI, D. N. et al. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. American Society of Agricultural and Biological Engineers, v. 50, n. 3, p. 885–900, 2007.

OLIVEIRA, M. R. G. et al. Estudo estatístico do coeficiente de escoamento superficial da bacia hidrográfica do riacho Jacu no Sertão do Pajeu – PE. Rev. Bras. Biom, v. 33, n. 3, p. 277–290, 2015.

PEREIRA, D. R. et al. Desempenho de um modelo hidrológico concentrado e de um semidistribuído na predição de vazões diárias. Irriga, v. 21, n. 2, p. 409–424, 2016.

PINTO, W. D. P.; LIMA, G. B.; ZANETTI, J. B. Análise comparativa de modelos de séries temporais para modelagem e previsão de regimes de vazões médias mensais do Rio Doce, Colatina - Espírito Santo. Ciência e Natura, v. 37, n. 3, p. 1–11, 2015.

RAWAT, D. et al. Modeling of rainfall time series using NAR and ARIMA model over western Himalaya, India. Arabian Journal of Geosciences, v. 15, n. 1696, 2022.

RUEZZENE, C. B. et al. Preenchimento de falhas em dados de precipitação através de métodos tradionais e por inteligência artificial. Revista Brasileira de Climatologia, v. 29, p. 177–204, 2021.

SANTOS, H. G. et al. Sistema brasileiro de classificação de solos. 5. ed. Brasília: Embrapa, 2018.

SANTOS, P. H. A. B. et al. Ajuste de um modelo de séries temporais para prever a precipitação pluviométrica. Research, Society and Development, v. 10, n. 6, p. e41810615643, 2021.

SCHWARZ, G. E. Estimating the dimension of a model. Annals of Statistics, v. 6, n. 2, p. 461–464, 1978.

VIOLA, M. R. et al. Modelagem hidrológica na bacia hidrográfica do Rio Aiuruoca, MG. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 13, n. 5, p. 581–590, 2009.

ZAHRAN, B. et al. A fuzzy based model for rainfall prediction Bilal. International Journal of Data and Network Science, v. 7, p. 97–106, 2023.

Downloads

Publicado

05-02-2025

Como Citar

Caminha, A. R., Guimarães, L. R., Corrêa, F. V., Souza, G. R. de, Oliveira, L. F. C. de, & Sáfadi, T. (2025). Previsão de precipitação e vazão a partir da modelagem de séries temporais. Revista Brasileira De Climatologia, 36(21), 264–290. https://doi.org/10.55761/abclima.v36i21.18885

Edição

Seção

Artigos