Preenchimento de falhas em séries temporais de precipitação diária no Rio Grande do Sul
Visualizar/abrir
Data
2020Tipo
Outro título
Gap filling in historical data of daily precipitation in Rio Grande do Sul
Assunto
Resumo
O preenchimento de falhas em séries temporais de precipitação é um importante processo para aplicações em hidrologia, visando o aproveitamento de longas séries, evitando que as mesmas sejam descartadas. Desse modo, este estudo teve como objetivo realizar o preenchimento de falhas em séries históricas de precipitação diária no Rio Grande do Sul (RS), auxiliando no aproveitamento desses dados em estudos que necessitem de analises de longo prazo. Para tanto, foram utilizadas séries históricas de 2 ...
O preenchimento de falhas em séries temporais de precipitação é um importante processo para aplicações em hidrologia, visando o aproveitamento de longas séries, evitando que as mesmas sejam descartadas. Desse modo, este estudo teve como objetivo realizar o preenchimento de falhas em séries históricas de precipitação diária no Rio Grande do Sul (RS), auxiliando no aproveitamento desses dados em estudos que necessitem de analises de longo prazo. Para tanto, foram utilizadas séries históricas de 287 estações, no período entre 1987 e 2016 e aplicados os métodos de Regressão Linear Múltipla (RLM) e Redes Neurais Artificiais (RNA), comparando e avaliando os valores preenchidos. Um algoritmo foi desenvolvido para realizar as seguintes operações: i) identificar os dias com falhas em cada estação; ii) identificar as estações que podem ser utilizadas para o preenchimento de cada falha; iii) identificar todas as combinações de entrada para o preenchimento de falhas em cada estação; iv) realizar o ajuste/treinamento dos modelos RLM e RNA; v) realizar a validação dos modelos com base no período sem falhas de cada estação. Os principais resultados indicam que a maior densidade de estações pluviométricas favorece o processo de preenchimento de falhas em séries históricas de precipitação, melhorando a qualidade da série preenchida. O preenchimento de falhas apresentou maior coeficiente de determinação e menor erro médio absoluto usando o modelo RLM em relação às RNA, possivelmente em função da forte correlação linear entre os dados de precipitação de cada local em relação a sua vizinhança. O modelo de RLM apresentou um coeficiente de determinação (R2) médio de 0,697, enquanto que o modelo RNA obteve media de 0,675. Levando-se em conta a análise por meio do erro médio absoluto (EMA), a média dos valores foi de 2,27 mm para a RLM, enquanto para a RNA o erro ficou em 2,31 mm. Conclui-se, considerando o conjunto de dados de precipitação diária do RS, que houve uma pequena superioridade do método RLM em relação à RNA. ...
Abstract
The gap filling in time series of precipitation is an important process for applications in hydrology, aiming the use of long series, avoiding that they are discarded. Thus, this study had as objective to gap filling in historical series of daily precipitation in Rio Grande do Sul, assisting in the use of these data in studies that require long term analysis. For that, we used historical series of 287 stations in the period between 1987 and 2016 and comparing the Multiple Linear Regression (MLR ...
The gap filling in time series of precipitation is an important process for applications in hydrology, aiming the use of long series, avoiding that they are discarded. Thus, this study had as objective to gap filling in historical series of daily precipitation in Rio Grande do Sul, assisting in the use of these data in studies that require long term analysis. For that, we used historical series of 287 stations in the period between 1987 and 2016 and comparing the Multiple Linear Regression (MLR) and Artificial Neural Networks (ANN) methods, comparing to evaluating the filled values. An algorithm was developed to perform the following operations: i) identify the days with missing datas in each station; ii) identify the stations that can be used to fill each missing data; iii) identify all combinations of input to fill in failures in each station; iv) perform the adjustment/training of the MLR and ANN models; v) perform validation of the models based on the period without failure of each station. The main results indicate that the higher density of rainfall stations favors the process of filling of faults in historical series of precipitation, improving the quality of the filled series. Gap filling showed a higher coefficient of determination and lower mean absolute error using the MLR model in relation to RNA, possibly due to the strong linear correlation of the precipitation data of each site in relation to their neighborhood. The MLR model presented an average coefficient of determination (R2) of 0.697, while the RNA model obtained an average of 0.675. Considering the analysis by means of the mean absolute error (MAE), the mean values were 2.27 mm for MLR, while for RNA the error was 2.31 mm. It is concluded, considering the daily rainfall data set of RS, that there was a slight superiority of the RLM method in relation to RNA. ...
Contido em
Revista brasileira de meteorologia. Brasília, DF. Vol. 35, n. 2 (2020), p. 335- 344
Origem
Nacional
Coleções
-
Artigos de Periódicos (39541)Ciências Exatas e da Terra (6036)
Este item está licenciado na Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)