Preenchimento de falhas e espacialização de dados pluviométricos: desafios e perspectivas

Abstract

A precipitação é uma das variáveis climáticas mais importantes para o planejamento urbano e rural, para monitorar eventos extremos que possam causar impactos na sociedade e auxiliar em projetos de drenagem urbana, a fim de reduzir os riscos inerentes a inundações e alagamentos, ou mesmo obras de engenharia, como dimensionamento de barragens. No entanto, as falhas em séries extensas prejudicam esses estudos, sendo necessário utilizar modelos para o seu preenchimento. O presente estudo tem como objetivo revisar os métodos de preenchimento de falhas e de interpolação espacial de dados de precipitação. A revisão dos métodos foi realizada a partir da pesquisa e leitura de materiais bibliográficos, de modo a conceituar as abordagens, identificar vantagens e desvantagens de cada método e apresentar como estudos recentes, nacionais e internacionais, têm inovado ao comparar o desempenho em diferentes áreas de estudo. Com base nessa revisão, os principais métodos para o preenchimento de falhas são os seguintes: i) ponderação a partir de Regressão Linear Simples ou Múltipla; ii) modelos matemáticos baseados em aprendizagem de máquinas, tais como as Redes Neurais Artificiais; iii) interpoladores espaciais para o preenchimento de falhas (Inverso da Distância, Vizinho Natural, Krigagem). Por fim, foi verificada uma evolução das técnicas de interpolação e de preenchimento de falhas nas últimas décadas, em decorrência da evolução da capacidade computacional e tecnológica.

Precipitation is one of the most important climatic variables for urban and rural planning, to monitor extreme events that may have an impact on society and to assist in urban drainage projects, in order to reduce the risks of floods, or even engineering works, such as dams dimensioning. However, failures in extensive series hamper these studies, and it is necessary to use models to fill them. The present study aims to review the methods of filling in gaps and spatial interpolation of precipitation data. The review of the methods was carried out from the research and reading of bibliographic materials, in order to conceptualize the approaches, identify the advantages and disadvantages of each method and present how recent studies, national and international, have innovated when comparing the performance in different areas of study. Based on this review, the main methods for filling gaps are as follows: i) weighting from Simple or Multiple Linear Regression; ii) mathematical models based on machine learning, such as Artificial Neural Networks; iii) spatial interpolators for filling gaps (Distance Inverse, Natural Neighbor, Krigagem). Finally, there was an evolution in the interpolation and fault filling techniques in the last decades, due to the evolution of computational and technological capacity.