Precipitation and streamflow forecasting based on time series modeling
DOI:
https://doi.org/10.55761/abclima.v36i21.18885Keywords:
SARIMA Models. Seasonality. Hydrological Models. Water Resources.Abstract
Time series modeling is an essential tool for forecasting the behavior of hydrological variables and can therefore be applied to urban planning to anticipate and mitigate the negative impacts of natural disasters. This study aimed to analyze, model, and generate forecasts based on the time series of monthly streamflow and precipitation data from stations located in the microregion of Caratinga, part of the Rio Doce watershed. The modeling steps included data acquisition, identification of potential models, parameter estimation, diagnostics, and, finally, forecasting. Models were selected based on achieving the lowest values in at least two of the selection criteria adopted: Akaike, Hannan-Quinn, and Schwarz. Regarding model fit, although challenges were encountered in capturing peak values in the series, the SARIMA(1,1,2)(0,1,1)12 model demonstrated good adherence to observed minimum streamflows and effectively represented historical drought periods. Residual analysis indicated that all models were suitable for forecasting purposes. For the year 2020, most models showed satisfactory performance. The SARIMA(0,0,0)(0,1,1)12 and SARIMA(1,1,2)(0,1,1)12 models were the most appropriate for forecasting precipitation and streamflow, respectively. Despite limitations, the results underscore the relevance of modeling as a support tool for water resource management in the region, providing insights into water availability during drought periods.
Downloads
References
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
Published
How to Cite
Issue
Section
License
A aprovação dos artigos implica a aceitação imediata e sem ônus de que a Revista Brasileira de Climatologia terá exclusividade na primeira publicação do artigo. Os autores continuarão, não obstante, a deter os direitos autorais. Os autores autorizam também que seus artigos sejam disponibilizados em todos os indexadores aos quais a revista está vinculada.
Os autores mantém seus direitos de publicação sem restrições
A Comissão Editorial não se responsabiliza pelos conceitos ou afirmações expressos nos trabalhos publicados, que são de inteira responsabilidade dos autores.
A Revista Brasileira de Climatologia oferece acesso livre imediato ao seu conteúdo, seguindo o entendimento de que disponibilizar gratuitamente o conhecimento científico ao público proporciona maior democratização do conhecimento e tende a produzir maior impacto dos artigos publicados. Os artigos publicados na revista são disponibilizados segundo a Licença Creative Commons CC-BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/). Segundo essa licença é permitido acessar, distribuir e reutilizar os artigos para fins não comerciais desde que citados os autores e a fonte. Ao submeter artigos à Revista Brasileira de Climatologia, os autores concordam em tornar seus textos legalmente disponíveis segundo essa licença
