Previsión de precipitaciones y caudales basada en la modelización de series temporales

Autores/as

DOI:

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

Palabras clave:

Modelos SARIMA. Estacionalidad. Modelos hidrológicos. Recursos hídricos.

Resumen

La modelización de series temporales es una herramienta esencial para predecir el comportamiento de las variables hidrológicas y, por lo tanto, puede aplicarse a la planificación urbana para anticipar y mitigar los impactos negativos de los desastres naturales. Este estudio tuvo como objetivo analizar, modelar y realizar previsiones basadas en las series temporales de caudales y precipitaciones mensuales de estaciones ubicadas en la microrregión de Caratinga, perteneciente a la cuenca hidrográfica del río Doce. Las etapas de la modelización incluyeron la obtención de datos, la identificación de posibles modelos, la estimación de parámetros, el diagnóstico y, finalmente, la realización de las previsiones. Los modelos fueron seleccionados en función de alcanzar los valores más bajos en al menos dos de los criterios de selección adoptados: Akaike, Hannan-Quinn y Schwarz. En cuanto al ajuste, aunque se presentaron dificultades para capturar los picos de las series, el modelo SARIMA(1,1,2)(0,1,1)12 mostró una buena adherencia a los caudales mínimos observados y fue eficaz en la representación de los períodos históricos de sequía. El análisis de los residuos indicó que todos los modelos eran adecuados para realizar previsiones. Para el año 2020, la mayoría de los modelos mostró un desempeño satisfactorio. Los modelos SARIMA(0,0,0)(0,1,1)12 y SARIMA(1,1,2)(0,1,1)12 fueron los más apropiados para predecir precipitaciones y caudales, respectivamente. A pesar de las limitaciones, los resultados destacan la relevancia de la modelización como herramienta de apoyo para la gestión de recursos hídricos en la región, proporcionando información sobre la disponibilidad hídrica durante períodos de sequía.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

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).

Citas

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. DOI: https://doi.org/10.1109/TAC.1974.1100705

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. DOI: https://doi.org/10.1007/s12517-018-4205-z

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. DOI: https://doi.org/10.6008/CBPC2179-6858.2021.004.0053

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. DOI: https://doi.org/10.1127/0941-2948/2013/0507

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. DOI: https://doi.org/10.1016/j.jhydrol.2022.127454

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. DOI: https://doi.org/10.21168/rbrh.v17n2.p229-239

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. DOI: https://doi.org/10.15809/irriga.2019v24n2p320-335

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. DOI: https://doi.org/10.1080/01621459.2020.1750414

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. DOI: https://doi.org/10.1007/s42452-021-04667-5

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. DOI: https://doi.org/10.20873/jbb.uft.cemaf.v7n4.duarte

ENGLE, R. F. Autorregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, v. 50, n. 4, p. 987–1007, 1982. DOI: https://doi.org/10.2307/1912773

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. DOI: https://doi.org/10.12957/tamoios.2013.5459

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. DOI: https://doi.org/10.1111/j.2517-6161.1979.tb01072.x

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. DOI: https://doi.org/10.1016/j.matpr.2020.06.179

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. DOI: https://doi.org/10.1007/s11356-021-17443-0

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. DOI: https://doi.org/10.18316/rca.v14i1.5739

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. DOI: https://doi.org/10.1111/1468-2354.00106

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. DOI: https://doi.org/10.37885/210906068

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. DOI: https://doi.org/10.35699/2237-549X.2018.19216

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. DOI: https://doi.org/10.5380/abclima.v1i0.60896

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. DOI: https://doi.org/10.3329/jsr.v14i1.54973

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. DOI: https://doi.org/10.1007/s11069-021-05152-3

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. DOI: https://doi.org/10.13031/2013.23153

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. DOI: https://doi.org/10.15809/irriga.2016v21n2p409-424

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. DOI: https://doi.org/10.5902/2179460X17143

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. DOI: https://doi.org/10.1007/s12517-022-10994-7

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. DOI: https://doi.org/10.33448/rsd-v10i6.15643

SCHWARZ, G. E. Estimating the dimension of a model. Annals of Statistics, v. 6, n. 2, p. 461–464, 1978. DOI: https://doi.org/10.1214/aos/1176344136

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. DOI: https://doi.org/10.1590/S1415-43662009000500011

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. DOI: https://doi.org/10.5267/j.ijdns.2022.12.001

Descargas

Publicado

05/02/2025

Cómo citar

Caminha, A. R., Guimarães, L. R., Corrêa, F. V., Souza, G. R. de, Oliveira, L. F. C. de, & Sáfadi, T. (2025). Previsión de precipitaciones y caudales basada en la modelización de series temporales . Revista Brasileña De Climatología, 36(21), 264–290. https://doi.org/10.55761/abclima.v36i21.18885

Número

Vol. 36 (2025)

Sección

Artigos

Licencia

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