DISTRIBUIÇÃO ESPACIAL DA

PRECIPITAÇÃO PLUVIAL E SUA

EROSIVIDADE PARA GUINÉ-BISSAU

SADJO DANFÁ

2009

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

SADJO DANFÁ

DISTRIBUIÇÃO ESPACIAL DA PRECIPITAÇÃO PLUVIAL E SUA

EROSIVIDADE PARA GUINÉ-BISSAU

Dissertação apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Engenharia Agrícola, área de concentração em Engenharia de Água e Solo, para a obtenção do título de “Mestre”.

Orientador

Prof. Dr. Antônio Marciano da Silva

LAVRAS

MINAS GERAIS - BRASIL

2009

Ficha Catalográfica Preparada pela Divisão de Processos Técnicos da

Biblioteca Central da UFLA

Danfá, Sadjo. Distribuição espacial da precipitação pluvial e sua erosividade para Guiné-Bissau / Sadjo Danfá. – Lavras : UFLA, 2009.

104 p. : il. Dissertação (mestrado) – Universidade Federal de Lavras, 2009. Orientador: Antônio Marciano da Silva. Bibliografia. 1. Precipitação pluvial. 2. Erosividade. 3. Análise espacial. 4.

Análise temporal. 5. Chuvas intensas. 6. Precipitações prováveis. 7. Meteorologia. 8. Guiné-Bissau. I. Universidade Federal de Lavras. II. Título.

CDD – 551.57726657

SADJO DANFÁ

DISTRIBUIÇÃO ESPACIAL DA PRECIPITAÇÃO PLUVIAL E SUA

EROSIVIDADE PARA GUINÉ-BISSAU

Dissertação apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Engenharia Agrícola, área de concentração em Engenharia de Água e Solo, para a obtenção do título de “Mestre”.

APROVADA em 31 de julho de 2009

Prof. Dr. Carlos Rogério de Mello UFLA

Prof. Dr. Gilberto Coelho UFPel

Prof. Dr. Antônio Marciano da Silva UFLA

(Orientador)

LAVRAS MINAS GERAIS – BRASIL

Aos meus pais,

Malam Bata Danfá e Sali Djata (in memoriam)

A toda família Gã Danfá e Gã Camará

DEDICO

AGRADECIMENTOS

Ao Ministério de Relações Exteriores e ao Ministério de Educação

Ciência e Tecnologia do Brasil, pelo fortalecimento do Programa de Cooperação

de Educação Superior (PEC-G e PEG-PG).

À Universidade Federal de Lavras (UFLA), Departamento de

Engenharia/Engenharia de Água e Solo.

Ao Professor Antônio Marciano da Silva, pelo apoio incondicional,

confiança, orientação e possibilidade de desenvolver o trabalho.

Aos professores Carlos Rogério de Mello (DEG/UFLA) e Gilberto

Coelho (UFPE), pelas críticas e sugestões apresentadas à dissertação,

ensinamentos e colaborações expressivas no desenvolvimento deste trabalho.

Ao doutorando Marcelo Ribeiro Viola, pelos ensinamentos, amizade e

apoio incondicional em todas as etapas da minha vida acadêmica no Brasil.

Aos professores Antônio Carlos Fraga, Pedro Castro Neto e Nilson

Salvador, pela amizade, carinho e estimulo nos estudos.

Aos meus amigos Alisson, Edimar, Pedro, Rafael, David (vulgo Baiano)

Rogner, Jaime, Ronaldo, Léo, Donizete, Lucas, Edcarlos, Saulo, Gil, Mayck,

João Paulo, Paulino Mendes, Alexandrino, Gervásio, Constantino, Mário, Mário

Abel, Stélio, Moíseis, Osvander, Joaquim Gomes Sá, Victor, Antônio Pedro,

André , Stefania, Aída, Mayra, Daniela, Estér, Débora, Luciana, Nair, Lidiane,

Fabiana, Alessandra e Andresa, pela convivência saudável e amizade.

A todos os colegas de pós-graduação do DEG/UFLA, DEX/UFLA,

DCS/UFLA, professores e a todas as pessoas que, direta ou indiretamente,

ajudaram-me para que este trabalho fosse realizado.

E, para terminar, ao Brasil, País de Sonhos...

MUITO OBRIGADO

SUMÁRIO

RESUMO...............................................................................................................i ABSTRACT .........................................................................................................ii 1 INTRODUÇÃO.................................................................................................1 2 REFERENCIAL TEÓRICO ..............................................................................5 2.1 Precipitação.....................................................................................................5 2.2 Precipitações prováveis...................................................................................8 2.3 Precipitações médias mensais e anuais .........................................................10 2.4 Precipitações máximas..................................................................................11 2.5 Séries temporais............................................................................................12 2.6 Erosividade ...................................................................................................14 2.7 Fundamentos de geoestatística......................................................................16 2.7.1 Variáveis regionalizadas ............................................................................16 2.7.2 Escolha do modelo e método de semivariograma......................................20 2.7.3 Interpolador geoestatístico (krigagem) ......................................................21 3 MATERIAL E MÉTODOS.............................................................................23 3.1 Base de dados ...............................................................................................25 3.1.1 Precipitação média mensal e anual ............................................................25 3.1.2 Precipitação provável.................................................................................27 3.1.3 Precipitação média máxima diária para Guiné-Bissau ..............................28 3.1.4 Séries temporais.........................................................................................30 3.1.5 Erosividade ................................................................................................32 3.2 Análise espacial dos dados ...........................................................................32 4 RESULTADOS E DISCUSSÃO.....................................................................34 4.1 Precipitação média mensal e anual ...............................................................34 4.2 Precipitação provável....................................................................................41 4.3 Séries temporais............................................................................................57 4.4 Intensidade média máxima de chuvas...........................................................75 4.5 Erosividade ...................................................................................................86 5 CONCLUSÕES ...............................................................................................93 REFERÊNCIAS BIBLIOGRÁFICAS ...............................................................95 ANEXOS ..........................................................................................................103

RESUMO

DANFÁ, Sadjo. Distribuição espacial da precipitação pluvial e sua erosividade para Guiné-Bissau. 2009. 104p. Dissertação (Mestrado em Engenharia Agrícola, Engenharia de Água e Solo) – Universidade Federal de Lavras, Lavras MG.1

A República de Guiné-Bissau é um país independente, localizado na África ocidental, no entorno do paralelo entre 11° e 12°N (Latitude), de 14° a 16° W (longitude). As informações estatísticas confirmam que a agricultura representa mais de 61% do PIB, sendo de grande importância no crescimento econômico e na redução de pobreza. Dessa forma, com a realização deste trabalho, objetivou-se estudar a distribuição espacial e temporal de precipitação pluvial e da sua erosividade (EI30) para Guiné-Bissau, aplicando interpolador espacial mediante a modelagem de semivariograma e temporal, por meio de funções de autocorrelação. Foi possível verificar alta variabilidade no comportamento da distribuição espacial e temporal de precipitações no país, descrevendo tendências das situações atmosféricas responsáveis pelo excesso de eventos extremos de chuvas que são associados à zona de convergência intertropical (ZCIT), com ciclos anuais bem marcados. As maiores intensidades médias máximas anuais de chuvas foram observadas para regiões sul e sudoeste, proporcionando diferenças expressivas dos índices de erosividade e o eixo sul sudoeste o que apresenta os maiores valores, em relação à região norte-nordeste. Ficou evidente que o ambiente guineense é muito propício à erosão natural causada pela chuva. Em vista disso, o processo produtivo intensivo envolve grandes riscos de degradações ambientais, requerendo o uso de técnicas conservacionistas.

_________________________ Comitê Orientador: Antônio Marciano da Silva-UFLA (Orientador), Carlos Rogério de

Mello – UFLA

i

ABSTRACT

DANFÁ, Sadjo. Spatial distribution of rainfall and its erosivity in Guinea-Bissau. 2009. 104p. Dissertation (Master Science in Agricultural Engineering, Engineering of Water and Soil) - Universidade Federal de Lavras, Lavras MG2.

The Republic of Guinea-Bissau is an independent country, located in West Africa around the latitude between 11 and 12 ° N (Latitude), 14 to 16 ° W (longitude). The statistics confirm that agriculture accounts for more than 61% of GDP, confirming the great importance of this sector in economic growth and poverty reduction. Thus, this work aimed to study the spatial and temporal distribution of rainfall and its erosivity (EI30) to Guinea-Bissau applying spatial interpolation by semivariogram modeling, and temporal interpolation through autocorrelation functions. It was possible to verify high variability in the behavior of spatial and temporal distribution of rainfall in the country, describing trends of atmospheric conditions responsible for the excess of extreme events of rainfall that is associated with the intertropical convergence zone (ITCZ) with well-marked annual cycles. The highest average annual maximum intensities of rainfall were observed for the South and Southwest regions providing significant differences in erosivity indices, the South-Southwest axes presented the greatest values in relation to the North-Northeast axes. It was evident that the Guinean environment is very propitious to natural erosion caused by rain. Thus, intensive production process involves great risks to environmental degradation, requiring the use of conservation techniques.

_________________________ Guidance Committee: Antônio Marciano da Silva-UFLA (Major Professor), Carlos

Rogério de Mello – UFLA

ii

1 INTRODUÇÃO

A República de Guiné-Bissau é um país independente, localizado na

África ocidental, no entorno do paralelo entre 11° e 12°N (Latitude), de 14° a

16° W (longitude). O país tem uma geomorfologia simples, com poucas

alterações de altitudes, situada na transição entre zonas bioclimáticas de floresta,

savana e estepe, onde a grande porção das suas terras é inundada

periodicamente. A maior parte situa-se abaixo de 40 m; apenas na região leste

apresenta cotas superiores a 300 metros (Costa & Resende, 1994).

Em Guiné-Bissau, a agricultura representa mais de 61% do PIB, tendo

assegurado uma percentagem das receitas, em divisas, que ascendeu a 77%, no

ano 2000. Os resultados do último recenseamento revelaram que 83% da

população ativa laboravam no setor primário (e majoritariamente na agricultura),

13% no terciário (essencialmente na administração pública e serviços) e 4% no

secundário (Manafá et al., 2005). São informações estatísticas que confirmam a

importância da agricultura e do conjunto do setor primário no crescimento

econômico, na criação de empregos e na redução da pobreza do país.

Vários empreendimentos do setor agrícola têm seu sucesso ou fracasso

intimamente ligado às características do regime de chuvas (Araújo et al., 2001;

Castro et al., 2005; Mello et al., 2007), cuja variabilidade é ainda maior em

regiões tropicais, onde atuam vários sistemas atmosféricos, como a zona de

convergência intertropical, os sistemas convectivos, as brisas de leste e os

vórtices ciclônicos.

A distribuição e o comportamento das precipitações pluviais são fatores

básicos para o planejamento das atividades agrícolas, como a definição de datas

de semeadura e preparo de solo, o dimensionamento de vertedouros de redes

pluviais, a erosão, as enchentes e a elaboração de projetos de irrigação

suplementar. Tendo em conta estes aspectos, pode-se dizer que o volume de

1

chuva que cai em uma localidade é fator determinador da atividade agrícola a ser

desenvolvida.

Segundo Botelho & Morais (1999), o conhecimento do comportamento

das precipitações pode fornecer subsídio para determinar períodos críticos

predominantes na região, visando reduzir as consequências das flutuações

naturais do regime pluviométrico.

A ocorrência de precipitação está relacionada com os mecanismos de

sua gênese. Esses mecanismos são ditados pela circulação atmosférica que

determina o tipo de clima e a precipitação na região.

A circulação atmosférica é regida por massas e fluxos de ar que,

normalmente, se movem de forma estável e bem definida. A temperatura e a

umidade de massas de ar dependem fortemente da região onde se formam, de

forma que massas continentais polares são frias e secas, enquanto massas

tropicais oceânicas são quentes e úmidas.

Na região equatorial, onde os ventos alísios dos dois hemisférios

convergem, forma-se a zona de convergência intertropical (ZCIT), cujas

características são elevação do ar quente e úmido, pouco vento, formação de um

cinturão de nuvens e chuva convectiva.

O regime de precipitação de Guiné Bissau e a variabilidade interanual

estão associados à dinâmica da ZCIT, cujo deslocamento latitudinal e

intensidade estão associados à estação do ano e à temperatura da superfície do

oceano Atlântico, respectivamente. No mês de maio, em geral, a ZCIT é

deslocada para o norte e sua passagem para o sul ocorre entre outubro e

novembro. A época de chuvas corresponde à fase em que a ZCIT está no

território guineense ou ao norte dele (junho a outubro); maio e novembro são

meses de transição (Machado & Souza, 1972).

Sambú & Albuquerque (2003), analisando a variabilidade climática da

precipitação em Guiné Bissau, destacaram a importância de centros de ação

2

regionais semipermanentes, tais como os anticiclones dos Açores e de Santa

Helena, situados no oceano Atlântico, respectivamente ao norte e ao sul do

Equador, e uma baixa térmica que se instala sobre a região do Sahara, além das

circulações das monções.

As intensidades com que esses fenômenos se manifestam apresentam

marcante variabilidade ao longo do tempo e do espaço, em decorrência das

variações, algumas regulares e muitos irregulares, do clima regional, bem como

das particularidades regionais, sob os aspectos meteorológicos,

geomorfológicos, de propriedades e de uso de solos.

As características das chuvas ocorridas em uma região determinam, em

grande parte, os efeitos danosos da erosão, sendo a intensidade da precipitação

uma de suas principais características, assim como a energia cinética total da

chuva.

Modelos matemáticos e estatísticos têm explicado o comportamento dos

fenômenos naturais, destacando-se os elementos climáticos. A geoestatística é

uma das metodologias estatísticas utilizadas para análise, interpretação e

mapeamento em vários campos do conhecimento tais como ecologia,

climatologia e engenharia, dentre outros.

Diversos estudos visando realizar o mapeamento da precipitação têm

sido desenvolvidos com aplicação de várias técnicas, uma vez que a

disponibilidade de dados climáticos e hidrológicos é pequena, se comparada

com grandes extensões territoriais, em especial em países em desenvolvimento

(Marquínez et al., 2003; Mello et al., 2007).

O semivariograma é a ferramenta básica na estimação por meio da

geoestatística, haja vista que expressa o grau de dependência espacial entre

amostras dentro de um campo experimental e permite a estimativa dos

parâmetros com os quais os valores não amostrados são estimados por meio da

técnica de interpolação conhecida como krigagem, permitindo a construção de

3

mapas de isolinhas ou tridimensionais para exame e interpretação da

variabilidade espacial (Vieira, 2000; Carvalho et al., 2002).

O conhecimento da variabilidade da precipitação dá suporte a qualquer

atividade econômica e limita os impactos dos distúrbios no ambiente físico e nas

dimensões humanas correlatas (Cano & Brandão, 2002).

Dessa forma, com a realização deste trabalho, objetivou-se estudar a

distribuição espacial e temporal de precipitação pluvial e da sua erosividade

(EI30) para Guiné-Bissau, aplicando interpolador espacial mediante a modelagem

de semivariograma, e funções de autocorrelação na análise temporal.

4

2 REFERENCIAL TEÓRICO

2.1 Precipitação

A precipitação é um elemento meteorológico altamente variável no

tempo e no espaço e seu monitoramento é feito convencionalmente por

pluviômetros e pluviógrafos, para medições pontuais e por meio de radares

meteorológico, para medições em áreas extensas.

Em hidrologia, a precipitação é entendida como toda água proveniente

do meio atmosférico que atinge a superfície terrestre. Neblina, chuva, granizo,

saraiva, orvalho, geada e neve são formas diferentes de precipitações

encontradas na natureza (Bertoni & Tucci, 1993). A ocorrência da precipitação é

um processo aleatório, que não permite uma previsão determinística com grande

antecedência. O tratamento dos dados de precipitação para grande maioria dos

problemas hidrológicos é estatístico.

No ciclo hidrológico, a precipitação é o elo entre os fenômenos

atmosféricos e aqueles da superfície da Terra, influenciando de forma direta e

relevante em processos como infiltração (responsável pela reposição hídrica dos

lençóis), escoamento superficial, transporte de sedimentos, suprimento de água

para várias atividades econômicas, enchentes e inundações.

Embora a água presente na atmosfera seja o elemento básico para a

ocorrência da precipitação, é necessária a presença de outros requisitos, tais

como mecanismos de resfriamento do ar, presença de núcleos higroscópicos

(sais, cristais de gelo, resíduos industriais e outros) sobre os quais ocorre

condensação, e um mecanismo de crescimento de gotas.

O processo de formação de gotas pode se dar, principalmente, por

coalescência, no qual o aumento se dá no contato com outras gotas por colisão,

ou difusão, quando o ar, após atingir o nível de condensação, continua evoluindo

5

e difundindo o vapor supersaturado, com a consequente condensação em torno

das gotículas que vão aumentando de tamanho (Silva, 2001).

O processo de condensação por si só não é capaz de promover a

precipitação, pois são formadas gotículas muito pequenas, denominadas

elementos de nuvens, que permanecem em suspensão sustentada pela força de

flutuação térmica. Para que haja a precipitação, deve haver a formação de gotas

maiores (elementos de precipitação) e isso ocorre por coalescência das pequenas

gotas, de forma que a ação da gravidade supere a força de sustentação,

promovendo a precipitação (Pereira et al., 2002).

Silva (2001) descreve o processo de formação da precipitação da

seguinte forma: o ar úmido das camadas inferiores, aquecido por condução,

sofre ascensão adiabática 1ºC/100 m até atingir a condição de saturação (nível

de condensação). A partir deste nível, em condições favoráveis e com existência

de núcleos higroscópicos, o vapor d’água se condensa, formando minúsculas

gotas em torno desses núcleos, que são mantidas em suspensão até que, por um

processo de crescimento, ela atinja tamanho suficiente para vencer as forças de

ascensão que exercem resistência às gotas e, então, precipitar.

Conforme o mecanismo fundamental pelo qual se produz a ascensão do

ar úmido, as precipitações podem ser classificadas em: convectivas, frontais e

orográficas.

Precipitações convectivas originam-se de nuvens formadas a partir de

correntes convectivas (térmicas) que se resfriam adiabaticamente ao se

elevarem, resultando em nuvens de grande desenvolvimento vertical

(cumuliformes). As chuvas convectivas se caracterizam por forte intensidade,

mas curta duração (aproximadamente 45 minutos), podendo ocorrer descargas

elétricas, trovoadas, ventos fortes e granizo. São precipitações que podem

provocar importantes inundações em pequenas bacias (Brooks et al., 1997).

6

Segundo Smith (1993), a estrutura de sistemas de nuvens precipitantes

pode ser caracterizada pela dominância relativa de mecanismos convectivos e

estratiformes de precipitação. Esses dois mecanismos básicos de precipitação

diferem no tempo de crescimento das partículas precipitantes e na magnitude da

movimentação vertical de ar associado com nuvens precipitantes.

Precipitações frontais são originárias de nuvens formadas a partir do

encontro de massas de ar frio e quente. A massa quente e úmida (mais leve)

tende a se elevar, resfriando-se adiabaticamente, isto é, sem troca de calor com o

meio adjacente. São chuvas de intensidade moderadas a fraca, de longa duração

e podem vir acompanhadas por ventos fortes com circulação ciclônica.

Precipitações orográficas ocorrem em regiões montanhosas onde o

relevo força a subida da massa de ar úmido. Este tipo de precipitação é típico de

regiões costeiras e apresenta intensidade variando de baixa à moderada. As três

principais grandezas da precipitação são: altura, frequência e intensidade, cujos

valores variam no espaço; o conhecimento dessas grandezas é essencial para

planejar sua correta utilização.

Duração (t): é o período de tempo durante o qual a chuva ocorre,

geralmente expressa em horas ou minutos.

Intensidade (i): é a taxa de precipitação no tempo, geralmente expressa

em mm h-1 ou mm min-1.

Frequência e tempo de recorrência: por ser um fenômeno aleatório, na

análise de valores máximos de alturas pluviométricas, ou de intensidades, o

tempo de recorrência para eventos máximos é interpretado como número médio

de anos nos quais se espera que certo evento seja igualado ou superado. Sua

estimativa se faz pela probabilidade de ocorrência (P) do fenômeno, sendo que

quanto mais frequente o valor, menor será o período de retorno, o qual, é dado

pela expressão:

7

ExcMax P

TR 1= (1)

2.2 Precipitações prováveis

Os estudos probabilísticos da distribuição pluviométrica têm papel

relevante no planejamento racional da produção agrícola, pois, conhecendo, com

certa margem de segurança, a lâmina mínima a se precipitar em certa região

agrícola, pode-se realizar um planejamento eficiente de irrigações

suplementares, além de permitir o aumento das áreas cultivadas pelo uso

otimizado da água disponível.

Estudo de chuva provável pode ser feito por meio de algumas

distribuições estatísticas. Dentre elas, destacam-se, segundo Back (2001), a

distribuição Log-Normal com dois parâmetros, a distribuição Log-Normal com

três parâmetros, a distribuição Pearson tipo III, a distribuição Log-Pearson tipo

III e a distribuição de extremo tipo I, também conhecida como distribuição de

Gumbel.

Apesar da reduzida extensão territorial, 36.125 km² e uma morfologia

simples, com poucas alterações de cotas, Guiné-Bissau apresenta uma variação

de precipitação que vai de cerca de 2.380 mm, na região sul do país, até 1.200

mm no extremo norte, fronteira com o Senegal.

Estimativas preliminares, para Bolama, Gabu e Bedanda (Guiné-Bissau),

no que se refere às precipitações dos meses de maio e junho, mostram que, a

cada quatro anos, em três chove mais de 170, 145 e 210 mm, respectivamente

(Costa & Resende, 1994).

A disponibilidade de chuvas adequada (quantidade e distribuição no

tempo), capaz de atender à demanda hídrica das culturas (evapotranspiração) e

as temperaturas dentro de limites que não afetam negativamente os processos

8

fisiológicos das plantas cultivadas são determinantes para a produção vegetal

(Doorenbos & Kassam, 1994).

Para fins agrícolas, o nível de probabilidade mais recomendado é de

75% a 80%, isto é, a lâmina mínima de chuva que se pode esperar em três a cada

quarto ano é de 75% ou em quatro a cada cinco anos (80%) em determinado

período do ano (Bernardo, 2005).

Fietz (1998) ressaltam que a precipitação de um determinado local pode

ser estimada, em termos probabilísticos, mediante modelos teóricos de

distribuição ajustados a uma série de dados, após a comprovação de aderência à

distribuição, podendo fornecer informações úteis para o planejamento de muitas

atividades.

Um modelo de probabilidade é definido com base em dois ou três

parâmetros. Esses parâmetros são calculados com base na média, no desvio

padrão e no coeficiente de assimetria.

Um erro muito comum em análise de dados climatológicos é desprezar

as características da distribuição de probabilidade mais adequada para os dados

em estudos. Os procedimentos para se estimar qual a distribuição de

probabilidade mais adequada para certo conjunto de informações é relativamente

simples e uma única distribuição pode ter um vasto espectro de aplicação.

O teste de aderência de Kolmogorov-Smirnov é amplamente empregado

para a análise de adequabilidade de distribuições teóricas (Sampaio et al.,1999).

Por esse teste confronta-se o módulo da maior diferença entre a probabilidade

estimada e a frequência observada, com o valor da estatística de Kolmogorov

Smirnov que é tabelado em função do tamanho n da amostra e do nível de

significância ( )α .

9

2.3 Precipitações médias mensais e anuais

A precipitação é uma variável hidrológica considerada contínua no

espaço e no tempo, dentro da hidrologia estocástica, sendo sua ocorrência

intimamente relacionada à sua frequência (Naghettini, 2007).

Convencionalmente, as formas mais utilizadas para se obterem dados de

precipitação são a construção e a manutenção de uma rede de postos

pluviométricos. Esses dados são pontuais e suscetíveis a uma série de fatores

naturais inerentes à localização do posto, além da sua manipulação.

Os radares meteorológicos no solo oferecem estimativas espaciais da

precipitação sobre grandes áreas e em tempo real. Nestes, a taxa de precipitação

em um determinado ponto é correlacionada à intensidade de um sinal de retorno

irradiado pelas gotas de chuva e a distância do ponto ao radar é correlacionada

ao tempo de retorno do sinal.

Segundo Conti (2002), os métodos de média aritmética, o método de

Thiessen e o método de isoietas destacam-se na obtenção da precipitação sobre

toda área a partir de pluviômetros distribuídos sobre a mesma.

A obtenção da correta distribuição espacial para precipitação é relevante

no planejamento agrícola, no que diz respeito à instalação de culturas anuais.

Além da influência na agricultura, períodos de estiagens muito longos afetam o

nível de água dos mananciais e dos reservatórios das usinas hidrelétricas,

trazendo problemas para o abastecimento urbano e a geração de energia elétrica.

Inúmeros métodos de interpolação, com diversos níveis de complexidade, estão

disponíveis na literatura (Carvalho et al., 2002). Dentre eles destaca-se o método

de krigagem, que usa a dependência espacial entre amostras vizinhas, expressa

no semivariograma, para estimar valores em qualquer posição dentro do campo,

sem tendência e com variância mínima.

10

2.4 Precipitações máximas

O estudo da distribuição de dados de precipitação pluvial máxima é de

grande importância para a elaboração de projetos agrícolas e de engenharia

hidráulica, tais como dimensionamento de canais de irrigação e drenagem,

vertedouros de barragens e definição de obras de desvios de cursos d’água, entre

outros. Para isso, são necessários o conhecimento e a previsão de grandezas

hidrológicas, considerando o custo mínimo associado a um risco admissível de

falha de grande magnitude, tais como máximas vazões ou precipitações que

podem vir a ocorrer em certa localidade.

Dentre as características das precipitações, as de maior interesse pela

relevância no dimensionamento de obras hidráulicas são a frequência e a altura

que correspondem, respectivamente, ao número de ocorrências de uma dada

precipitação no decorrer de um intervalo fixo do tempo e à quantidade.

Segundo Vieira et al. (1991), o conhecimento da chuva diária máxima

provável é importante para trabalhos de conservação do solo, estradas, barragens

e drenagem, cujo dimensionamento adequado é necessário conhecer ocorrência

extrema.

A chuva extrema ou intensa é aquela que apresenta grande lâmina

precipitada, durante pequeno intervalo de tempo. Frequentemente, essas chuvas

causam consideráveis prejuízos materiais e aos seres humanos, provocando

cheias no sistema de drenagem, gerando escoamentos pluviais nas galerias e

canais, de modo que as vazões de pico atingem valores próximos à capacidade

do sistema, resultando em inundações.

Conhecer o modelo de distribuição temporal de chuvas intensas de uma

localidade torna mais realista a previsão hidrológica em projetos de engenharia

em áreas rurais e urbanas, permitindo a caracterização e a quantificação, com

maior precisão, do escoamento superficial, o que pode ser efetuado pela

11

aplicação de métodos de análise de hidrógrafas, como o conhecido método de

Sherman e o do Soil Conservation Service, entre outros (Cruciani,1986)

A principal forma para a caracterização de chuvas intensas é por meio da

equação de intensidade, duração e frequência da precipitação pluvial.

ndt0t

mC.TRI máxmed;

⎟⎟⎟

⎠

⎞

⎜⎜⎜

⎝

⎛

+

= (2)

em que

Imed,máx = intensidade média máxima da chuva, em mm h-1;

TR= período de retorno, em anos;

td= tempo de duração da chuva, em minutos;

C, m, t0 e n = coeficientes de ajustamento específicos para cada

localidade.

Alguns pesquisadores estimam relações entre precipitações de diferentes

durações com base na metodologia de desagregação de chuvas para a obtenção

de chuvas de projeto.

O método de desagregação de chuvas (CETESB, 1979), o método de

Isozona (Torrico, 1975) e o de Bell (1969) são amplamente aplicados para

alcançar esses objetivos considerando a escassez de dados de registros

pluviográficos.

2.5 Séries temporais

Uma série temporal é qualquer conjunto de observações ordenadas no

tempo em que, dentre os objetivos das análises destacam-se: a investigação do

mecanismo gerador da série, a realização de previsões de valores futuros de

curto e longo prazo, a descrição do comportamento da série, com verificação

12

gráfica de existência de tendências, ciclos e variações sazonais e a busca de

periodicidade nos dados (Morettin & Toloi, 2006).

A maior parte da teoria de séries temporais trabalha com séries

estacionárias. Por isso, a série deve ser trabalhada previamente, por meio de

transformações, permitindo que o processo gerador estacionário passe, então, a

ser adequadamente descrito pelos momentos de suas distribuições de

probabilidade (Box et al., 1994).

O estudo dos processos estacionários é feito no domínio da frequência

ou do tempo. No domínio da frequência, dá papel de relevo aos conceitos de

periodograma e de densidade espectral; o domínio no tempo atribui papel

predominante às funções de autocovariância e autocorrelação (Morettin & Toloi,

2006).

Uma das técnicas quantitativas mais difundidas é a metodologia de Box-

Jenkins, descrita por esses autores na década de 1970. Os modelos de Box-

Jenkins partem da ideia de que cada valor da série (temporal) pode ser explicado

por valores prévios, a partir do uso da estrutura de correlação temporal que,

geralmente, há entre os valores da série.

Segundo Abdel-Aal & Al-Garni (1997), os modelos Box-Jenkins têm

sido largamente utilizados para modelagem e previsão em aplicações médicas,

ambientais, financeiras e de engenharia.

Os modelos de Box-Jenkins, genericamente conhecidos por ARIMA

(autorregressivos integrados de médias móveis) são modelos matemáticos que

visam captar o comportamento da correlação seriada ou a autocorrelação entre

os valores da série temporal e, com base nesse comportamento, realizar

previsões. Se essa estrutura de correlação for bem modelada, fornecerá boas

previsões.

Os modelos ARIMA exploram a autocorrelação entre os valores da série

em instantes sucessivos, mas, quando os dados são observados em períodos

13

inferiores a um ano, a série também pode apresentar autocorrelação para uma

estação de sazonalidades. Os modelos que contemplam as séries que apresentam

autocorrelação sazonal são conhecidos como SARIMA e contêm uma parte não

sazonal, com parâmetros (p, d, q) e uma sazonal, com parâmetros (P, D, Q),

sendo P, p, Q, e q a ordem dos polinômios dos componentes autorregresivos e de

médias moveis que funcionam como filtros para modelar a série, enquanto D e d

são o fator diferença para tornar a série estacionária.

2.6 Erosividade

O solo é o recurso natural mais intensamente utilizado na produção de

alimentos, podendo, por isso, ter sua capacidade produtiva comprometida pela

erosão hídrica, em decorrência de seu uso e manejo inadequados, especialmente

em regiões com alta concentração de chuvas. Assim, o conhecimento das

relações entre os fatores que causam as perdas de solo e os que permitem reduzi-

las é de fundamental importância para o planejamento conservacionista da

propriedade agrícola (Roque et al., 2001).

A erosão hídrica compreende três processos físicos: a desagregação,

causada pelo impacto das gotas de chuva; o transporte, pela enxurrada ou

escoamento superficial direto e a deposição quando a velocidade da enxurrada

não é suficiente para transportar o material sólido.

As características das chuvas ocorridas em uma região determinam, em

grande parte, os efeitos danosos da erosão, sendo a intensidade da precipitação

uma de suas principais características, assim como a energia cinética total da

chuva. O impacto da gota de chuva tem energia cinética 256 vezes maior que a

energia de escoamento superficial (Hudson, 1995). Guy et al. (1987) sugerem

que 85% dos sedimentos da erosão hídrica têm origem no impacto das gotas de

chuvas e 15% são atribuídos ao escoamento superficial.

14

Entre os diversos fatores ligados à erosão, a erosividade das chuvas é

um dos mais importantes. A medida dessa grandeza é feita por índices, como o

índice de erosividade padrão EI30 (Wischmeier & Smith, 1978), relatado por

diversos pesquisadores como uma medida satisfatória, devido à significativa

correlação que esse índice apresenta com as perdas de solo (Silva et al., 1997;

2003). Contudo, seu cálculo envolve a necessidade de pluviogramas que, na

maioria das vezes, não estão disponíveis, especialmente em países em

desenvolvimento, como é caso de Guiné-Bissau.

Segundo Bertol et al. (2002), a erosão dos solos apresenta grande

variabilidade espacial e temporal, o que pode ser explicado pela variabilidade

dos padrões de precipitação, que influi no potencial erosivo da chuva, bem como

de atributos físicos, químicos e mineralógicos diretamente associados à

erodibilidade dos solos.

Os solos de Guiné-Bissau são, em geral, bastante arenosos na superfície,

têm baixos teores de matéria orgânica e apresentam grande gradiente de

infiltração com a profundidade, isto é, a mudança textural abrupta entre

horizontes A e B, induzindo a uma pronunciada diferença de infiltração, o que

aumenta a susceptibilidade do solo a erosão hídrica (Costa & Resende, 1994).

A fim de minimizar esses problemas, diversos autores correlacionaram o

índice EI30 com o coeficiente de chuva (Rc), conhecido como índice de Fournier

(Renard & Freimund, 1994; Bertoni & Lombardi Neto, 1990; Silva et al., 1997;

Carvalho et al., 2000; Silva et al., 2003; Mello et al., 2007), o qual é facilmente

obtido a partir do registro dos totais diários das precipitações.

Vários pesquisadores vêm utilizando correlações entre a erosividade,

determinada em registros pluviográficos, com simples dados de pluviometria

mensais e anuais de ampla disponibilidade em praticamente todos os lugares do

mundo, para agilizar a obtenção do índice EI30.

15

Portanto, para o planejamento e o controle de uso do solo, além da

fundamental caracterização pedológica de pormenor, é fundamental dispor de

ferramentas de caracterização da incidência dos processos erosivos e da

tolerância e da susceptibilidade dos sistemas edáficos a medidas e usos que

amplifiquem ou acelerem os correspondentes mecanismos naturais.

2.7 Fundamentos de geoestatística

2.7.1 Variáveis regionalizadas

Segundo Ribeiro Júnior & Diggle (2007), a geoestatística surgiu de

forma independente do restante da estatística espacial, tendo sido aplicada

inicialmente na indústria de mineração, com Matheron e outros pesquisadores de

Fointanebleu, França. É uma subdivisão da estatística espacial, na qual os dados

consistem em uma amostra finita de valores medidos, relacionados com um

fenômeno espacial contínuo.

Segundo Landim (2003), no estudo do comportamento das variáveis

regionalizadas, duas são as ferramentas fundamentais dos métodos

geoestatísticos: o semivariograma e a krigagem.

A teoria considera a dependência espacial das observações, lançando

mão de medidas estatísticas que expressem essa estrutura de dependência em

pontos referenciados (Ribeiro Junior, 1995).

Segundo (Moolman & Huyssteen, 1989) as análises estatísticas baseadas

na independência das observações têm sido substituídas por análises espaciais,

as quais consideram as correlações entre observações vizinhas. Essas análises

consideram as características estruturais e aleatórias de uma variável

espacialmente distribuída, de forma a descrevê-la adequadamente.

As variáveis regionalizadas são constituídas por um duplo aspecto

contraditório. Pela sua característica “aleatória”, apresenta irregularidades e

variação imprevisível de um ponto para outro e, pela sua característica

16

“estrutural”, apresenta relações existentes entre os pontos no espaço, motivadas

pela sua gênese.

A interpretação probabilística de que a variável regionalizada Z(x) é

uma particular realização de certa função aleatória Z(x) é consistente quando se

pode inferir toda ou, pelo menos, parte da lei de distribuição de probabilidade

que define esta função aleatória (Journel & Huijbregts, 1978). No entanto, em

problemas práticos, em cada ponto x tem-se apenas uma realização Z(x) e o

número de pontos é sempre finito. Isso torna usualmente impossível inferir sobre

a distribuição de Z(x). Em vista disso, certas hipóteses são necessárias, as quais

envolvem diferentes graus de homogeneidade espacial, sendo comumente

denominadas hipóteses de estacionariedade.

A geoestatística dispõe de interpoladores eficientes, capazes de estimar

valores de variáveis em pontos que não foram amostrados. Pode, então, se

consagrar como ferramenta poderosa para gerar com precisão superfícies

interpoladas, uma vez que permite conhecer os resíduos dos erros. A sua

aplicação pode ser de grande valia, desde que as variáveis utilizadas satisfaçam

às condições que determinam uma “variável regionalizada” e que, entre outras

exigências, tenham uma estacionariedade estatística de segunda ordem e

dependência espacial entre os pontos medidos, inferida por meio de funções

semivariográficas (Montenegro, 2008).

De fato, a aplicação do semivariograma como medida de continuidade

espacial requer apenas que os dados satisfaçam à hipótese intrínseca para uma

variável regionalizada (Jounel & Huijbregts 1991).

A estacionariedade de primeira ordem admite que todas as variáveis

aleatórias Z(xi), i=1,...,N possuem a média constante para todos os locais, em

toda a região de estudo (Tragmar et al., 1985). Esta hipótese é expressa por:

mxZExZExExZE i ===== )]([)]([...)][()]([ 21 (3)

17

A estacionariedade de segunda ordem, além de atender à hipótese da

primeira ordem, considera que a média ou a tendência seja constante numa

determinada área e a covariância existe e depende somente da função do vetor h

(Tragmar et al., 1985; Vieira, 2000), ou seja:

µ=)x(m=)]x(Z[E (4)

)h(C=)]h+x(Z),x(Z[Cov (5)

Para avaliar em que tipo de estacionariedade os dados se enquadram, o

semivariograma é a principal ferramenta utilizada (Andriotti, 2005).

Segundo Landim et al. (2003), para a obtenção de um semivariograma,

deve-se supor que a variável regionalizada tenha um comportamento fracamente

estacionário, em que os valores esperados, assim como sua covariância espacial,

sejam os mesmos para uma determinada área.

Assim, para tornar os modelos de inferências mais abrangentes, uma

estacionariedade mais fraca que a anterior é definida, denominada de hipótese

intrínseca.

A hipótese intrínseca não é mais definida por meio das distribuições das

variáveis aleatórias e sim pelas diferenças entre elas, também chamada de

estacionariedade fraca ou dos incrementos (Ribeiro Junior, 1995). A

estacionariedade intrínseca estabelece que os incrementos Z(x) – Z(x+h) têm

esperança zero e variância mínima, sendo expressa pelas seguintes condições:

0)]hx(Z)x(Z[E 2 =+− (6)

)]hx(Z)x(Z[Var +− (7)

A função 2γ(h) é a que modela o semivariograma e pode ser definida

como:

2)]hx(Z)x(Z[E21)h( +−=γ (8)

18

Se as condições especificadas pela hipótese de estacionariedade são

contempladas, então, o semivariograma pode ser estimado a partir do dado

amostral:

( ) ( )[∑ −+==

n

iii xZhxZ

hNh

1

2^

)(21)(

ργ ] (9)

em que N(h) é o número de pares de pontos amostrados separados pela distância

h.

O gráfico γ(h) versus h é conhecido como semivariograma experimental,

o qual pode ser obtido a partir da equação 8. Seu padrão representa o que,

intuitivamente, se espera dos dados de campo, isto é, que as diferenças {Z(xi)-

Z(xi + h)} decresçam à medida que h diminui. Assim, é esperado que

observações mais próximas geograficamente tenham um comportamento mais

semelhante entre si do que aquelas separadas por maiores distâncias (Isaak &

Srivastava, 1989).

Um modelo de semivariograma teórico ideal, com seus parâmetros, pode

ser visto na Figura 1.

FIGURA 1 Semivariograma teórico, com os parâmetros a

serem estimados no processo de sua modelagem.

19

Os parâmetros do semivariograma teórico são:

• alcance (A): constituindo o espaçamento máximo de amostragem para

que se obtenha dependência espacial (Andriotti, 2005);

• contribuição (C1): variância explicada pela componente espacial;

• patamar (C0+C1): correspondendo às variações que não são justificadas

pela semelhança de um ponto com outro, ou seja, ponto onde toda a amostra

sofre influência aleatória;

• efeito pepita (C0): é um parâmetro importante do semivariograma que

reflete o erro analítico, indicando uma variabilidade não explicada (ao acaso) de

um ponto para o outro, que pode ser devido a erros de medição (Isaaks &

Srivastava, 1989).

2.7.2Escolha do modelo e método de semivariograma

A fim de promover o ajuste do modelo ao semivariograma, são

utilizados métodos de ajuste, dentre os quais se destacam o método dos mínimos

quadrados ponderados e o método da máxima verossimilhança (Mello & Silva,

2008).

Os cálculos geoestatísticos dependem do modelo de semivariograma

ajustado, em que os pesos são atribuídos de acordo com a variabilidade espacial

expressa, no intuito de verificar a qualidade do ajuste do semivariograma aos

dados experimentais (Vieira, 2000; Mello et al., 2005).

Se o modelo ajustado não for apropriado, todos os cálculos seguintes

conterão erros que poderão afetar as inferências, portanto, o ajuste de

semivariograma é uma fase crucial na análise geoestatística e deve receber uma

atenção especial.

Vieira et al. (1983) sugerem o método de ajuste por tentativa e erro

(ajuste a critério do observador) associado à avaliação do modelo pela técnica de

validação cruzada ou autovalidação (“jack-knifing”). No entanto, Mello et al.

20

(2008) sugerem aplicar alguma metodologia matemática para ajuste do

semivariograma técnico, como mínimos quadrados ponderados e máxima

verossimilhança.

Mcbratney & Webster (1986) sugerem o método do critério de

informação de Akaike (AIC) para avaliar o modelo. Já Pannatier (1996) sugere a

utilização de indicação da qualidade do ajuste (IGF).

Os principais modelos de semivariograma utilizados na geoestatística

são: modelo linear com patamar, modelo esférico, modelo exponencial, modelo

gaussiano e modelos sem patamar.

2.7.3 Interpolador geoestatístico (krigagem)

Uma aplicação imediata do semivariograma é a utilização das

informações geradas por ele na interpolação, ou seja, na estimativa de dados e

posterior mapeamento da variável. O interpolador que utiliza o semivariograma

em sua modelagem é chamado de krigagem.

A krigagem utiliza informações do semivariograma para encontrar os

pesos ótimos a serem associados às amostras com valores conhecidos que irão

estimar pontos desconhecidos (Landim, 2003).

O que diferencia a krigagem de outros métodos de interpolação é a

forma de atribuição dos pesos. Os pesos são distribuídos de acordo com a

variabilidade espacial expressa no semivariograma (Vieira et al.,1983), não

apresentando tendenciosidade, apresentando variância mínima e possibilitando

que se conheça a variância da estimativa (Olivier & Webster, 1991).

Vieira (2000) e Mello et al. (2008) concluíram que a superioridade do

interpolador geoestatístico pode ser justificada por apresentar não

tendenciosidade, ou seja, em média, a diferença entre os valores estimados e

medidos deve ser nula e por apresentar variância mínima das estimativas, o que

21

significa que, embora possam existir diferenças entre os valores estimados e os

medidos, elas devem ser mínimas.

Para a aplicação da krigagem assume-se: que sejam conhecidas as

realizações ( )1tz , ... ( ),2tz ( )ntz da variável Z(t), nos locais 1t 2t .., nt que o

semivariograma da variável já tenha sido determinado e que o interesse seja

estimar um valor

, ,. ;

∗Z na posição . 0t

O valor estimado ( )0tZ ∗ é dado por:

( ) ( )∑=

∗ ⋅=n

iii tztZ

10 λ (10)

em que n é o número de amostras de Z(t) envolvidas na estimativa de e ( )0tZ ∗

iλ são os pesos associados a cada valor medido, ( )itz .

Para que ∗Z seja uma estimativa não tendenciosa de , a soma dos

pesos das amostras tem que ser igualar a 1.

z

Existem vários tipos de krigagem, sendo a ordinária o método mais

utilizado em geoestatística por vários autores no estudo da distribuição espacial

de precipitação pluvial e temperatura (Andriotti, 2005).

22

23

3 MATERIAL E MÉTODOS

Guiné-Bissau localiza-se a oeste da África (Figura 2), entre coordenadas

geográficas 11° e 12°N (Latitude), de 14° a 16° W (longitude), altitude máxima

de 300 m e temperaturas médias máximas e mínimas, respectivamente, de 32,9°

e 25,5°C. De acordo com a classificação de Koppen, o clima tropical úmido, tipo

Aw (Worldwide Distribuition of Climatic Region, abril de 2006).

24

FIGURA 2 Mapa do Continente Africano, com destaque para a República de Guiné-Bissau, à esquerda, e suas

divisões administrativas, à direita.

3.1 Base de dados

3.1.1 Precipitação média mensal e anual

Para a realização deste trabalho, foram utilizados dados mensais e anuais

de precipitação, coletados em 27 estações pluviométricas do país, as quais estão

descritas na Tabela 1 e localizadas na Figura 3. As estações pluviométricas de

Ingore e Sonaco foram as que possuíam menor série de registros, 10 e 12 anos,

respectivamente. As estações de Bissau Observatório e Bissau Aeroporto foram

as com maiores séries, 47 e 54 anos de registros, respectivamente.

FIGURA 3 Distribuição espacial das estações pluviométricas em

Guiné- Bissau.

25

TABELA 1 Estações pluviométricas de Guiné-Bissau

Local Criação Identificação

OMM

Latitude

(N)

Longitude

(W)

Altitude

(m)

Bolama 1905 61769 11°36' 15°29' 20

Bissau/Aerop. 1941 61766 11°52' 15°56' 29

Bafatá 1950 61781 12°10' 14°40' 43

Bissora 1950 61777 12°14' 15°27' 10

Farim 1950 61775 12°29' 15°30' 03

Bigene 1990 - 12º27’ 15º28’ -

Porto Gole 1950 61790 12°17' 14°14' 83

Ingoré 1989 - 12º23’ 15º38’ -

Cacheu 1950 190005 12°12,6' 15°52' -

Xitole 1985 190031 11°46' 14°48' -

Mansabá 1950 190010 12°17' 15°7' -

Pitche 1989 190017 12°19' 13°57' -

Bula 1950 190007 12°03' 15°44' 30

Bubaque 1940 190026 11°04' 16°02' 30

Bissau/Obs. 1916 190021 11°51' 15°36' 20

Buba 1940 190024 11°36' 15°05' 10

Gabu 1941 190013 12°17' 14°14' 83 Catio 1946 190027 11°17' 15°16' 18

Caió 1950 190018 11°50' 16°19' 39.5

Varela 1950 190004 11°17' 16°36' 13

Cacine 1950 190028 11°08' 15°01' 06

Pirada 1950 190011 11°40' 14°10' 55

Sonaco 1950 190012 11°24' 14°29' 25

Boé 1950 190030 11°48' 14°12' -

Fulacunda 1950 190023 11°48' 15°7,9' -

Bambadinca 1989 190015 12º2,88 14°50' -

Fonte: Direção de Serviço Nacional de Meteorologia de Guiné-Bissau (Bissau)

26

3.1.2 Precipitação provável

Utilizaram-se os dados diários de precipitação pluvial, totalizando-os em

1ª e 2ª quinzenas, para os meses de junho a outubro, em 22 das estações

constantes na Tabela 1, tendo-se como critério a constituição de séries históricas

de 30 anos de registros.

Para a estimativa da precipitação provável com nível de 75% de

probabilidade, utilizou-se a distribuição de probabilidade log-normal a dois

parâmetros (média e desvio padrão), cuja função de densidade de probabilidade

(FDP) é dada por: 2

5,0

21 ⎟⎟

⎟⎟

⎠

⎞

⎜⎜⎜⎜

⎝

⎛ ⎟⎠⎞⎜

⎝⎛

−−

⋅⋅⋅

= nnxLn

FDPn

σ

µ

πσλ (11)

Esta distribuição é semelhante à distribuição Normal, porém, trabalha-se

com o logaritmo dos dados, sendo, portanto utilizada também a mesma função

cumulativa de probabilidade (FCP), cuja solução é por aproximação por série e

ou pelo emprego de valores apresentados em tabelas da referida distribuição. A

equação geral proposta por Chow (1951), neste caso, assume a seguinte forma:

nTRKnov

σµχ ⋅+= λPr (12)

em que ovPrχ representa a precipitação provável (mm) com um determinado

nível de probabilidade , e , média aritmética e desvio padrão dos

dados logaritmizados, é a própria variável reduzida ou padrão da

distribuição de Gauss.

nµ nσ

TRK

Teste de aderência da distribuição de probabilidade foi realizado pelo

método de Kolmogorov-Smirnov, confrontando-se o módulo da maior diferença

entre a probabilidade estimada e a frequência observada, com o valor da

27

estatística de Kolmogorov-Smirnov, que é fornecido em tabela em função do

tamanho (n) da amostra e do nível de significância ( )α . Para ser aderente, deve-

se atender à seguinte condição:

( α,ntabeladoFáximoCalculadomF ∆≤∆ ) (13)

Nesta situação, a distribuição de probabilidades será adequada, pois

áximoCalculadomF∆ será nulo estatisticamente e, portanto, a frequência

observada é igual à frequência esperada.

3.1.3 Precipitação média máxima diária para Guiné-Bissau

Trabalhou-se com os dados diários de precipitações máximas diárias,

coletados no período de 1950 a 2003, para as estações da Tabela 1, sendo as

estações de Xitole e Bambadinca aquelas com menores séries de registros, 11 e

13 anos, respectivamente.

Verificou-se a aderência do modelo de Gumbel para as precipitações

máximas diárias anuais, para todas as estações, pelo teste de Kolmogorov

Smirnov, considerando um nível de significância de 5% de probabilidade e,

depois, estimaram-se os valores para períodos de retorno de 2, 5 e 10 anos.

Para estimativa das precipitações para menores tempos de duração,

utilizou-se a metodologia de desagregação de chuvas, conforme Torrico (1975).

Inicialmente, transformou-se a chuva máxima diária em chuva máxima em 24

horas, adotando-se o valor 1,10. Regiões do Brasil com características climáticas

similares às de Guiné-Bissau foram identificadas, tendo como referência a

posição geográfica próxima à linha de Equador e a isozona em que se

enquadram as estações pluviométricas do país, para a obtenção dos valores das

relações entre precipitações de diferentes durações. Na Tabela 2 apresentam-se

os coeficientes percentuais para a obtenção das chuvas com duração de 1h e

6min, extraídos de Torrico (1975).

28

Oyenbande (1982) e Knoesen et al. (2008) encontraram valores dos

coeficientes para relações variando de 0,425 a 0,625, para a África de

Sul e 0,56, para Nigéria, evidenciando, assim, similaridade com os coeficientes

apresentados para a isozona D (Tabela 2) cujo tipo climático é Aw.

24/1 hh

Adotaram-se, para a Guiné-Bissau, valores de 0,45 para a relação

e de 0,112 para a relação , para estimativa das lâminas

precipitadas em 6 minutos, 1 hora e 24 horas, associadas aos respectivos tempos

de duração, utilizadas para traçar gráficos em escala semilogarítimica,

permitindo interpolar valores de duração associados aos tempos de retorno (TR)

de 2, 5 e 10 anos. Para cada estação pluviométrica foi ajustada uma reta,

permitindo, assim, identificar a relação existente entre lâminas máximas

precipitadas e tempo de duração, dentro do intervalo de tempo 6min-24h e para

tempos de retorno de 2, 5 e 10 anos (Figura 2), cuja avaliação visual permite

constatar o bom ajuste das retas. Especificamente, foi estimada a precipitação

máxima com duração de 30 minutos, por estar associada ao potencial erosivo da

chuva, bem como projetos de práticas mecânicas de conservação de solo, como

dimensionamento de terraços.

241 / hh hhh 24min6 /

Equações gerais para duração de 6 min até 24 h (1.440 min) foram

ajustadas para tempos de retorno de 2, 5 e 10 anos. A lâmina que relaciona

alturas máximas precipitadas em diferentes tempos de duração e período de

retorno foi calculada pela equação 14, nos tempos de durações maiores ou iguais

a 6 até 1.440 minutos para todas as estações.

bTLnaLP −= )(. (14)

em que é a lamina máxima para chuvas intensas e o T é o tempo de duração. PL

29

TABELA 2 Coeficientes relativos (%) entre as chuvas com duração de 1h/24

h e de 6 min/24 h, para as zonas homólogas e diferentes períodos

de retorno. Tempo de retorno em anos

5 10 20 50 100 5 a 50 100

Zona 1h/24h 6 min/24h

A 36,2 35,8 35,5 35 34,7 7 6,3

B 38,1 37,8 37,4 36,9 36,6 8,4 7,5

C 40,1 39,7 39,3 38,8 38,4 9,8 8,8

D 42 41,6 41,2 40,7 40,3 11,2 10

E 44 43,6 43,2 42,6 42,2 12,6 11,2

F 46 45,5 45,1 44,5 44,1 13,9 12,4

G 47,9 47,4 47 46,4 45,9 15,4 13,7

H 49,9 49,4 49,1 48,3 47,8 16,7 14

Fonte: Torrico (1975)

Com base nos valores de intensidade média máxima diária de

precipitação, correspondentes aos períodos de retorno de 2, 5 e 10 anos e

duração de 6 a 1.440 minutos, foram obtidos os parâmetros da equação de

intensidade duração-frequência de cada estação, por meio da equação de

intensidade, duração e frequência da precipitação pluvial (equação 2).

3.1.4 Séries temporais

Para a realização deste trabalho, utilizaram-se dados de precipitação

decendial de Guiné-Bissau, coletados no período de 1950 a 2003. O período de

chuvas em Guiné-Bissau é concentrado nos meses de junho a outubro de cada

ano, representando 95% da precipitação anual; em outros meses, praticamente

não ocorrem chuvas. Dessa maneira, foram considerados, para análise, os

registros das precipitações totais decendiais apenas nestes meses, constituindo

210, 250, 245, 245, 205 e 260 observações sucessivas de Bissau observatório (42

30

anos), Bissorã (50 anos), Buba (49 anos), Gabu (49 anos), Cacheu (41 anos) e

Bolama (52 anos), respectivamente agrupadas em cinco observações anuais para

os totais decendiais.

As estações utilizadas nas análises foram escolhidas em função do

padrão de distribuição espacial de precipitação pluvial no país, que diminui no

sentido Sul-Sudoeste para Norte-Nordeste.

As estações de Bissau observatório, Cacheu e Bissorã são situadas no

litoral do País, sendo Cacheu e Bissorã mais ao norte, Bissau observatório a

noroeste, Bolama ao sul e Gabu a leste.

Os dados foram submetidos a uma análise de periodograma para

verificar sua periodicidade. Em seguida, padrões de tendência e sazonalidade

foram avaliados graficamente, com construção dos gráficos das funções de

autocorrelação e autocorrelação parcial. Na situação em que o periodograma

indicou alguma evidência de periodicidade, foi aplicado o teste de Fisher

(Moretin & Toloi, 2006) para testar a significância deste valor. Este teste

consiste em comparar as seguintes estatísticas:

( )N2

P

PP 1

max Ig

I=

=

∑ e n 1z 1

n−α

= − (15)

em que são valores do periodograma, PI α é o nível de significância e

n N 2= , sendo o N o tamanho da série. Se , deve-se rejeitar a hipótese

de não existência de sazonalidade, ou seja, a série apresenta sazonalidade a um

determinado nível de significância

g z>

α .

Como suporte computacional foi utilizado o software STATISTICA for

Windows versão 7.0 (2004) e todas as análises foram realizadas considerando

um nível de significância de 5% ( 0,05α = ).

31

3.1.5 Erosividade

Valores das precipitações mensais e anuais foram utilizados para o

cálculo do coeficiente de chuva, de acordo com a relação proposta por Renard &

Freimund, (1994) e que é expressa como:

PpRc

2

= (16)

em que: Rc, p e P são, respectivamente, o coeficiente de chuva (índice de

Fournier), as precipitações médias de cada mês do ano e a precipitação média

anual, sendo essas variáveis dadas em mm.

Para cálculo de erosividade, foi aplicada a equação do coeficiente de

chuva para Fortaleza (Silva & Dias, 2003), dada as características climáticas

similares da região com as de Guiné-Bissau. 7387,0

30 .989,73 cREI = (17)

Depois do cálculo do índice EI30 mensal de cada uma das 27 localidades,

foram utilizadas técnicas geoestatísticas para espacialização da erosividade,

precedida pela análise exploratória dos dados.

3.2 Análise espacial dos dados

Para estudo da continuidade espacial da precipitação em Guiné-Bissau, o

modelo de semivariograma exponencial foi ajustado, uma vez este modelo vem

sendo aplicado, com este objetivo, em diversos países e alcançando bons

resultados (Mello et al., 2008; Martinez et al., 2003). O alcance desse modelo

tem significado puramente analítico, sendo o patamar só alcançado pela curva de

forma assintótica, ou seja, teoricamente, quando ∞=h . Dessa maneira, o

alcance prático é determinado por 3 vezes o alcance teórico (Journel &

Huijbregts, 1978).

Para isso, o programa R, com o pacote geoestatística GeoR foi aplicado,

seguindo procedimentos desenvolvidos por Ribeiro Junior & Diggle (2001). A

32

fase de mapeamento de precipitação média mensal e erosividade foi conduzida

com o programa Arcgis 9.2 (ESRI, 2005) e GeoR para mapeamento de chuvas

prováveis e intensidade média máximas diárias de chuvas .

A análise exploratória dos dados foi realizada antes de aplicação das

ferramentas da geoestatística, com o objetivo de analisar o comportamento geral

dos mesmos, identificar possíveis valores discrepantes conhecidos como

“outliers” e análise de tendência dos dados, considerando a localização

geográfica de cada observação, sendo fundamental para aplicação da

geoestatística. Os dados discrepantes podem afetar a variância aleatória existente

no processo, implicando na presença ou na ausência de correlação espacial

(Ribeiro Junior & Diggle, 2001). Portanto, estes pontos, assim como as

tendências observadas em função das coordenadas geográficas, foram removidos

para satisfazer às condições de estacionariedade para prosseguir ao ajuste do

modelo de semivariograma exponencial.

Para se desenvolver uma análise complementar e quantitativa da

estrutura de dependência espacial, trabalhou-se com grau de dependência

espacial, conforme Mello et al. (2005):

1000

10 ×⎟⎟⎠

⎞⎜⎜⎝

⎛ +=

CCC

GD (18)

em que GD é o grau de dependência (%), C0+C1 é o patamar e C0 o efeito pepita,

ambos extraídos do ajuste do semivariograma. Mello et al. (2005) apresentam a

seguinte classificação para o GD: ≤25% (fraca estrutura de dependência

espacial), entre 25% e 75% (moderada) e >75% (forte).

33

4 RESULTADOS E DISCUSSÃO

4.1 Precipitação média mensal e anual

Na Figura 4 observa-se que o comportamento dos dados nas direções E-

W (longitude) tem boa distribuição espacial, ou seja, não se verifica tendência à

medida que se desloca nesta direção, enquanto na direção N-S (latitude) há

evidência de forte tendência para maioria dos meses analisados, o que precisa

ser removido para não prejudicar a análise geoestatística. Constataram-se dados

discrepantes (“outliers’’) para precipitação média, de junho e anual, as quais

foram removidas.

34

FIGURA 4 Gráficos da análise exploratória dos dados

(boxplot e tendências) para precipitação média

mensal para Guiné-Bissau.

35

Na Tabela 3 apresentam-se os parâmetros dos semivariogramas

ajustados para as precipitações médias mensais e anuais, pelo método dos

mínimos quadrados ponderados. Observa-se que a precipitação média dos meses

de junho, julho, agosto, setembro, outubro e anual apresentaram grau de

dependência espacial superior a 75%, ou seja, forte estrutura de dependência

espacial. A única exceção foi o mês de junho, que apresentou 68,6%, valor

considerado moderado, demonstrando, assim, que a precipitação apresenta-se

estruturada.

A forte estrutura espacial permite inferir que a aplicação do interpolador

geoestatístico produzirá resultados de boa qualidade, resultando em mapas

representativos e sem tendência.

Mello et al. (2008), trabalhando com dados de precipitação para o estado

de Minas Gerais, verificaram forte estrutura espacial para a maioria dos meses,

assim como Martinez et al. (2003), trabalhando com dados de precipitação da

região dos Andes.

O efeito pepita foi nulo em várias situações, exceto para os meses de

junho e outubro, indicando que existe descontinuidade entre valores separados

por distâncias menores que o usado no intervalo de amostragem. A proporção

desses valores para o patamar do semivariograma é um indicativo da quantidade

de variação ao acaso, de um ponto para outro, e quanto menor seus valores, mais

parecidos são os valores vizinhos. Podem-se notar fortes flutuações de 40 até os

90 km de distância, na Figura 5, causadas por variações periódicas da chuva

nesta distância. Acredita-se que tal flutuação se deve aos índices pluviométricos

obtidos na região litorânea, onde a precipitação pluvial apresenta distribuição

espacial distinta das demais regiões do país.

O alcance prático médio foi de 111,3 km, com amplitude que varia de

26,1 a 434,4 km. Esse comportamento, possivelmente, está associado às

36

características de chuvas convectivas predominantes na região, proporcionando,

assim, existência de dependência espacial num raio de ação menor, dado o

caráter mais localizado deste tipo de precipitação.

TABELA 3 Parâmetros dos modelos de semivariograma (C0: efeito pepita;

C0+C1: patamar; A: alcance), GD: grau de dependência

espacial.

Parâmetros & períodos C0

C0+C1

A (m) GD (%)

Junho 360,4 786,08 144848,11 68,6

Julho 0 2775,38 17750,42 100

Agosto 0 3994,63 16644,376 100

Setembro 0 938,02 44544,72 100

Outubro 30,7225 719,88 8695,23 95,91

Ano 0,000 24105,26 20443,13 100

37

FIGURA 5 Semivariograma exponencial ajustado aos dados para

mapeamento da precipitação média mensal e anual, em Guiné

Bissau.

38

Os mapas desenvolvidos para precipitação média mensal e anual estão

apresentados na Figuras 6. Observa-se alta variabilidade espacial da precipitação

média mensal para Guiné-Bissau. O comportamento da precipitação seguiu um

padrão espacial no qual se observam reduções da precipitação da região sul-

sudoeste para a região norte-nordeste, tanto considerando as médias mensais

quanto a média anual. Constatou-se diminuição das precipitações do litoral para

o interior, caracterizando o efeito da continentalidade e da orientação

topográfica. A capacidade de transporte de umidade é afetada pela topografia

das encostas suavemente para cima em direção ao leste Como resultado, a

precipitação diminui gradualmente, a partir da costa para o interior.

Thiam & Singh (2002), analisando precipitação, escoamento superficial

e temperatura na bacia Casamança, sul do Senegal, fronteira ao norte com

Guiné-Bissau, observaram comportamento semelhante na distribuição de chuvas

locais.

No mês de agosto concentraram-se maiores índices pluviométricos no

país, representando um terço da precipitação anual.

39

E.

D.

A. B.

C.

F.

FIGURA 6 Mapeamento da precipitação média mensal e anual em Guiné

Bissau, nos meses de junho (A), julho (B), agosto (C), setembro

(D), outubro (E) e anual (F).

40

4.2 Precipitação provável

Pelo teste de Kolmogorov-Smirnov, com nível de significância de 5%

( 05.0 )α , aplicado ao período estudado, totalizando 230 situações, verifica-se que

apenas 12 destas (anexo 1) a distribuição Log-Normal a 2 parâmetros, não foi

adequada, demonstrando bom desempenho no seu emprego no estudo de

precipitações prováveis para Guiné-Bissau.

Observa-se que o comportamento dos dados nas direções N-S (latitude)

e E-W (longitude) apresentou boa distribuição espacial, ou seja, não se verificam

tendências à medida que se desloca nestas direções (Figuras 7 e 8). Esta

característica é de fundamental importância para aplicação da geoestatística,

significando que os semivariograma ajustados terão boa condição para

representar a continuidade espacial e a geração de mapas de boa qualidade pela

krigagem.

Foram verificadas presença de dados discrepantes ‘’outliers’’ que

produzem alta variabilidade nos dados e distorção do mesmo, para precipitação

provável, em junho 1ª quinzena e nos meses de julho, agosto e setembro 2ª

quinzena, que foram removidos para prosseguir o ajuste de semivariograma.

41

FIGURA 7 Análise exploratória da precipitação provável 1ª quinzena (75%

de probabilidade), em Guiné-Bissau.

42

FIGURA 8 Análise exploratória da precipitação provável 2ª quinzena (75%

de probabilidade), em Guiné Bissau.

43

Na Tabela 4 apresentam-se os parâmetros dos modelos de semivariograma

exponencial ajustado para precipitação provável (75% de probabilidade) para 1ª

quinzena e 2ª quinzena, em Guiné-Bissau, para os meses de junho a outubro,

pelo método dos mínimos quadrados ponderados. Observa-se que a precipitação

provável, para os meses de junho, julho, agosto setembro e outubro ,apresentou

grau de dependência espacial superior a 75%, caracterizando-se forte estrutura

de dependência espacial, conforme relatado também por Mello (2004).

O efeito pepita foi nulo em quase todas as situações, exceto para o mês

de julho 2ª quinzena, evidenciando que o intervalo de amostragem foi

suficientemente adequado para detectar a estrutura de continuidade espacial do

fenômeno em estudo.

Verificando-se os ajustes dos modelos de semivariograma exponencial,

verifica-se forte dependência espacial, sendo possível constatar que a aplicação

do interpolador geoestatistico produzirá resultados de boa qualidade com mapas

representativos e sem tendência da distribuição espacial da precipitação provável

(75% de probabilidade), para 1ª e 2ª quinzena, em Guiné-Bissau (Figura 9 e 10).

Desse modo, o alcance prático médio para o modelo exponencial foi de 56,2 km,

representando a região de influência em que a precipitação provável da 1ª

quinzena apresenta-se espacialmente dependente na área em estudo, com

amplitude que varia de 36,8 a 63,6 km. Para precipitação provável da 2ª

quinzena, o alcance prático médio para o modelo exponencial foi de 85,44 km,

com amplitude variando de 45,03 a 167,1 km. Esse comportamento,

possivelmente, está associado às características de chuvas convectivas

predominantes na região proporcionada pela zona de convergência intertropical

e principais centros de ação regionais semipermanentes, como os anticiclones de

Açores e Santa Helena, situados no oceano Atlântico, respectivamente ao norte e

ao sul do Equador, que são determinantes no regime de precipitação no país,

44

proporcionando assim existência de dependência espacial num raio de ação

menor.

TABELA 4 Parâmetros do modelo de semivariograma (C0: efeito pepita;

C0+C1: patamar; A: alcance), GD: grau de dependência espacial,

1ª e 2ª* quinzena, para Guiné Bissau.

Parâmetros

Período C0

C0+C1

A

(m) GD (%)

Junho 0,000 52,2062 16354,0115 100

Julho 204,0727 639,0633 11859,7995 75,5

Agosto 0,000 2761,643 16197,778 100

Setembro 0,000 1427,454 11657,778 100

Outubro 0,000 840,4824 21214,2121 100

Junho* 0,000 583,18 26643,94 100

Julho* 0,000 1523,365 19146,723 100

Agosto* 0,000 2428,482 25835,458 100

Setembro* 0,000 1186,977 15073,647 100

Outubro* 0,000 223,0394 55720,7675 100

45

FIGURA 9 Semivariograma exponencial ajustado aos dados de precipitação

provável (75% de probabilidade) para 1ª quinzena, em Guiné-

Bissau.

46

FIGURA 10 Semivariograma exponencial ajustado aos dados de precipitação

provável (75% de probabilidade) para 2ª quinzena, em Guiné-

Bissau.

47

48

Nas Figuras 11 a 16 é mostrada a variabilidade espacial de precipitação

provável (75% de probabilidade) para 1ª quinzena e 2ª quinzena, em Guiné-

Bissau, para os meses de junho a outubro. Verificou-se que a 1ª quinzena do mês

do junho foi a que apresentou os menores valores de chuvas prováveis, variando

de 5,48 a 49,14 mm sendo região nordeste aquela que apresenta maiores

concentrações.

49

FIGURA 11 Isoietas (mm) de Precipitação provável (75% de probabilidade) para 1ª quinzena, em Guiné-Bissau.

50

FIGURA 12 Isoietas (mm) de Precipitação provável (75% de probabilidade) para 1ª quinzena, em Guiné-Bissau.

51

FIGURA 13 Isoietas (mm) de Precipitação provável (75% de probabilidade) para 1ª quinzena, em Guiné-Bissau.

52

FIGURA 14 Isoietas (mm) de Precipitação provável (75% de probabilidade) para 2ª quinzena, em Guiné-Bissau

53

FIGURA 15 Isoietas (mm) de Precipitação provável (75% de probabilidade) para 2ª quinzena, em Guiné-Bissau

54

FIGURA 16 Isoietas (mm) de Precipitação provável (75% de probabilidade) para 2ª quinzena, em Guiné-Bissau

Para o mês de julho (1ª quinzena), a ocorrência de mais de 100 mm de

chuvas prováveis com 75% de probabilidade ocorre em toda a faixa que

compreende as regiões norte e sudeste do país, e verifica-se, ainda, que, nos

eixos sul-sudeste para leste e nordeste, as chuvas prováveis seguiram um padrão

de diminuição de lâminas de 140 para 60 mm, respectivamente. Essa tendência

pode levar a ocorrências de veranicos para esses locais com índices menores

considerando que a magnitude desses valores não se deve apenas ao número de

dias chuvosos, mas sim a eventos extremos de chuvas características na região.

O mês de agosto, que corresponde ao mês com maiores índices

pluviométricos do país, apresenta alta variabilidade nos valores de precipitação

provável. Nas regiões sul e sudeste, para esse mês, verificaram-se valores da

ordem de 200 a 180 mm e a região com menores índices abrange os eixos leste e

noroeste, com volumes de 120 a 140 mm.

Constatou-se homogeneidade na variabilidade espacial de chuvas

prováveis para mês de setembro para todo país, com índices de 120 mm, exceto

região noroeste e extremo norte (Pirada), com 100 mm. Outubro foi o mês que

apresentou menores índices de precipitação provável para 1ª quinzena, com

distribuição espacial heterogênea para todo país, cuja amplitude varia de 40 a 80

mm.

Prosseguindo as análises para a 2ª quinzena, observou-se a ocorrência de

menores concentrações nesse período para todo país, com exceção do mês de

julho, que apresenta maiores índices de precipitação provável para a região sul,

com volumes na ordem de 220 mm.

A região norte na 2ª quinzena de junho apresenta homogeneidade na

distribuição de precipitação provável, com índices de 80 mm e a região sul

sudoeste apresenta maiores índices que diminuem à medida que se avança para o

interior do continente. Também se observou, para esse mês, que a região

noroeste apresenta menores lâminas, variando de 40 a 50 mm.

55

O mês de julho, na 2ª quinzena, apresenta maiores valores de

precipitação provável para toda a região, em relação ao mês de julho na 1ª

quinzena. Constata-se, ainda, que os índices se distribuem de forma heterogênea

e os raios que abrangem a região noroeste são os que apresentam menores

índices com, 120 mm.

Para o mês de agosto, houve um comportamento semelhante de chuvas

prováveis, tanto para 1ª como para a 2ª quinzena e, para setembro, seguiu-se a

mesma tendência da 1ª quinzena de agosto, mas com índices um pouco

inferiores, de 100 a 110 mm, com exceção da região noroeste que apresenta

valores de 90 mm.

O mês de outubro 2ª quinzena apresenta comportamento semelhante ao

do mês de junho 1ª quinzena para todo país, com lâminas de 5 a 35 mm,

caracterizando o fim do período chuvoso no país.

Pode-se destacar a predominância, em todo o país, das maiores

precipitações na 1ª quinzena para todos os meses, exceto o mês de junho 1ª

quinzena e outubro 2ª quinzena, que apresentam índices relativamente menores

e, para o mês de julho 2ª quinzena que supera as demais, uma evidência do

regime transitório sinalizada pela deficiência hídrica no país.

Pode-se destacar a predominância nos índices de precipitação provável

de 160 mm em toda faixa do território nacional, com exceção da região sul

sudoeste, que apresenta chuvas prováveis de 200 mm para o mês de julho na 2ª

quinzena e na região centro leste, com 120 mm, caracterizando a variabilidade

natural das chuvas no país.

De modo geral, o plantio na 1ª quinzena de junho se faz com maior

risco. Para regiões situadas a leste, há necessidade de irrigação suplementar

considerando que a evapotranspiração diária em Guiné-Bissau é de cerca de 4,4

mm (Costa & Resende, 2004).

56

Este estudo demonstra que a implantação de sistemas de irrigação na

região pode ser necessária na forma suplementar para suprir a demanda hídrica

das culturas.

4.3 Séries temporais

Para Guiné-Bissau, nas Figuras 17 a 19 está descrito o comportamento

da série de precipitação nos três decêndios. A análise preliminar sugere a

presença de sazonalidade com periodicidade anual e ausência de tendência. O

pico acentuado no gráfico para séries de Bissau (b), Bissorã (c), Gubu (d) e

Bolama (f) demonstra comportamento de eventos extremos de chuvas isoladas

característica do mês mais chuvoso na região. A variabilidade temporal é alta

para todas as situações analisadas, tanto no 1º como no 2º e no 3º decêndio.

Constatou-se homogeneidade na distribuição temporal para as regiões litorâneas

para as estações de Cacheu (e) e Bolama (f) no 3º decêndio. Esses são locais

com maiores lâminas de chuvas em relação às demais localidades para esse

período específico.

Os gráficos da função de autocorrelação (fac) (Figuras 20 a 22) para

cada umas das séries apresentam comportamento senoidal (alternâncias de lados

da autocorrelação em relação ao eixo vertical), tornando mais evidente a

presença de componente sazonal na série. Estes gráficos apresentam picos nos

“lags” múltiplos de 5, o que é indicativo de uma série com sazonalidade de

período 5, uma vez que cada período de tamanho 5 corresponde a um período de

um ano, pois os valores das análises só foram considerados nos meses junho a

outubro de cada ano, já que 95% da precipitação ocorre nestes meses.

Observa-se que os períodos apresentam variabilidade sazonal, ou seja,

nenhum deles apresenta-se absolutamente regular em sua ocorrência, ficando

evidente a necessidade de uso de séries históricas mais recentes para atividades

de previsão.

57

1º decendio

0 20 40 60 80 100 120 140 160 180 200 220

Número de casos

-100

0

100

200

300

400

500

600

Prec

ipita

ção

dece

ndia

l (m

m)

-100

0

100

200

300

400

500

600

E

1º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260

Número de casos

-100

0

100

200

300

400

500

Prec

ipita

ção

dece

ndia

l (m

m)

-100

0

100

200

300

400

500

C 1º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260

Número de casos

-50

0

50

100

150

200

250

300

350

Prec

ipita

ção

dece

ndia

l

-50

0

50

100

150

200

250

300

350

D

1º decendio

0 20 40 60 80 100 120 140 160 180 200 220

Número de casos

-100

0

100

200

300

400

500

600

Prec

ipita

ção

dece

ndia

l (m

m)

-100

0

100

200

300

400

500

600

A 1º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260

Número de casos

-50

0

50

100

150

200

250

300

350

Prec

ipita

ção

dece

ndia

l (m

m)

-50

0

50

100

150

200

250

300

350

B

1º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280

Número de casos

-100

0

100

200

300

400

500

600

700

800

Prec

ipita

ção

dece

ndia

l (m

m)

-100

0

100

200

300

400

500

600

700

800

F

FIGURA 17 Gráficos da série temporal original de precipitação decendial de

Bissau observatório (A), Bissorã (B), Buba (C), Gabu (D),

Cacheu (E) e Bolama (F), referente aos meses de junho a

outubro de cada ano, no 1º decêndio.

58

2º decendio

0 20 40 60 80 100 120 140 160 180 200 220

Número de casos

-50

0

50

100

150

200

250

300

350

400

450

A

-50

0

50

100

150

200

250

300

350

400

450

FIGURA 18 Gráficos da série temporal original de precipitação decendial de

Bissau observatório (a), Bissorã (b), Buba (c), Gabu (d), Cacheu

(e) e Bolama (f), referente aos meses de junho a outubro de cada

ano, no 2º decêndio.

Praç

ãoe

mm

)nd

ial (

dec

ecip

it

2º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260

Número de casos

-50

0

50

100

150

200

250

300

350

400

Prec

ipita

ção

dece

ndia

l (m

m)

-50

0

50

100

150

200

250

300

350

400

B

2º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260

Número de casos

-50

0

50

100

150

200

250

300

350

400

Prec

en (

C

-50

0

50

100

150

200

250

300

350

400

mm

)di

alec

ipita

ção

d

2º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260

Número de casos

-50

0

50

100

150

200

250

300

350

Prec

ipita

ção

dece

ndia

l (m

m)

-50

0

50

100

150

200

250

300

350

D

2º decendio

0 20 40 60 80 100 120 140 160 180 200 220

Número de casos

-50

0

50

100

150

200

250

300

350

400

raç

ãoe

m

2º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280

Número de casos

-100

0

100

200

300

400

500

600

700

Prec

ipita

çao

dece

ndia

l (m

m)

-100

0

100

200

300

400

500

600

700

FE

-50

0

50

100

150

200

250

300

350

400

m)

ndia

l ( d

ecec

ipit

P

59

3º decendio

0 20 40 60 80 100 120 140 160 180 200 220

Número de casos

-100

0

100

200

300

400

500

600

ite

al (m

m)

cend

iaç

ão d

Prec

ip

-100

0

100

200

300

400

500

600

A 3º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260

Número de casos

-50

0

50

100

150

200

250

300

350

400

450

Prec

ipita

ção

dece

ndia

l (m

m)

-50

0

50

100

150

200

250

300

350

400

450

B

3º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260

Número de casos

-100

0

100

200

300

400

500

ite

(mm

)ce

ndia

laç

ão d

Prec

ip

-100

0

100

200

300

400

500

C 3º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260

Número de casos

-50

0

50

100

150

200

250

300

350

Prec

ipita

ção

dece

ndia

l (m

m)

-50

0

50

100

150

200

250

300

350

D

3º decendio

0 20 40 60 80 100 120 140 160 180 200 220

Número de casos

-50

0

50

100

150

200

250

300

350

400

450

Prc

(

3º decendio

-20 0 20 40 60 80 100 120 140 160 180 200 220 240 260 280

Número de casos

-100

0

100

200

300

400

500

600

Prec

ipita

ção

dece

ndia

l (m

m)

-100

0

100

200

300

400

500

600

FE

-50

0

50

100

150

200

250

300

350

400

450

mm

)en

dial

ecip

itaçã

o de

FIGURA 19 Gráficos da série temporal original de precipitação decendial de

Bissau observatório (A), Bissorã (B), Buba (C), Gabu (D),

Cacheu (E) e Bolama (F), referente aos meses de junho a

outubro de cada ano, no 3º decêndio.

60

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

A

FIGURA 20 Gráficos de funções de autocorrelação da série temporal

original de precipitação decendial de Bissau observatório (A),

Bissorã(B), Buba(C), Gabu (D), Cacheu (E) e Bolama (F),

referente aos meses de junho a outubro de cada ano, no 1º

decêndio.

36 +.126 .0625 35 +.312 .0627

+.125 .0629-.267 .0631-.299 .0632+.168 .0634+.387 .0636+.104 .0638

28 -.254 .0639-.270 .0641+.127 .0643+.410 .0645+.094 .0646-.283 .0648

22 -.290 .0650+.103 .0652+.401 .0653+.102 .0655-.312 .0657-.328 .0658+.098 .0660

15 +.367 .0662+.134 .0664-.336 .0665-.326 .0667+.214 .0669+.400 .0670

9 +.182 .06728 -.333 .06747 -.324 .06756 +.118 .06775 +.411 .06794 +.089 .06803 -.349 .0682

2 -.347 .06841 +.143 .0685

Lag Corr. S.E.

0613.8 0.000609.8 0.000585.0 0.000581.1 0.000563.1 0.000540.7 0.000533.7 0.000496.7 0.000494.1 0.000478.3 0.000460.5 0.000456.7 0.000416.2 0.000414.1 0.000394.9 0.000375.1 0.000372.6 0.000334.8 0.000332.4 0.000309.8 0.000285.0 0.000282.8 0.000252.0 0.000247.9 0.000222.4 0.000198.5 0.000188.3 0.000152.6 0.000145.3 0.000120.9 0.00097.85 .000094.82 .000058.13 .000056.43 .000030.23 .0000 4.38 .0364 Q p

34 33 32 31 30 29

27 26 25 24 23

21 20 19 18 17 16

14 13 12 11 10

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.113 .0583 35 +.386 .0584 34 +.113 .0586 33 -.243 .0587 32 -.249 .0588 31 +.173 .0590 30 +.366 .0591 29 +.047 .0592 28 -.294 .0594 27 -.271 .0595 26 +.169 .0596 25 +.330 .0598 24 +.026 .0599 23 -.260 .0600 22 -.272 .0602 21 +.188 .0603 20 +.363 .0604 19 +.088 .0606 18 -.291 .0607 17 -.285 .0608 16 +.142 .0609 15 +.410 .0611 14 +.081 .0612 13 -.281 .0613 12 -.236 .0615 11 +.166 .0616 10 +.424 .0617 9 +.094 .0618 8 -.345 .0620 7 -.282 .0621 6 +.143 .0622 5 +.399 .0624 4 +.114 .0625 3 -.321 .0626 2 -.307 .0627 1 +.195 .0629Lag Corr. S.E.

0655.3 0.000651.5 0.000608.0 0.000604.3 0.000587.1 0.000569.2 0.000560.6 0.000522.3 0.000521.6 0.000497.0 0.000476.3 0.000468.3 0.000437.9 0.000437.7 0.000419.0 0.000398.5 0.000388.8 0.000352.7 0.000350.6 0.000327.6 0.000305.7 0.000300.2 0.000255.1 0.000253.3 0.000232.4 0.000217.6 0.000210.3 0.000163.1 0.000160.8 0.000129.9 0.000109.2 0.000103.9 0.00063.03 .000059.73 .000033.50 .0000 9.60 .0019 Q p

B

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

+.174 .0588+.391 .0589

34 +.105 .0590-.264 .0592-.219 .0593+.080 .0595+.418 .0596+.043 .0597

28 -.232 .0599 27 -.268 .0600

+.073 .0602+.414 .0603+.032 .0604-.248 .0606-.272 .0607

21 +.148 .0608+.372 .0610+.118 .0611-.317 .0612-.269 .0614+.094 .0615

15 +.474 .0616+.036 .0618-.253 .0619-.280 .0621+.131 .0622+.469 .0623

9 +.095 .0624 8 -.258 .0626

7 -.308 .06276 +.142 .06285 +.359 .06304 +.091 .06313 -.311 .0632

2 -.213 .06341 +.101 .0635

Lag Corr. S.E.

C

0635.8 0.000627.0 0.000582.9 0.000579.8 0.000559.9 0.000546.3 0.000544.5 0.000495.2 0.000494.6 0.000479.7 0.000459.7 0.000458.2 0.000411.0 0.000410.7 0.000394.0 0.000374.0 0.000368.1 0.000330.7 0.000327.0 0.000300.2 0.000281.0 0.000278.7 0.000219.6 0.000219.3 0.000202.6 0.000182.2 0.000177.8 0.000121.0 0.000118.7 0.000101.7 .000077.59 .000072.52 .000040.10 .000038.00 .000013.83 .0010 2.53 .1117 Q p

36 35

33 32 31 30 29

26 25 24 23 22

20 19 18 17 16

14 13 12 11 10

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.068 .0588 35 +.293 .0589 34 +.109 .0590 33 -.198 .0592 32 -.249 .0593 31 +.164 .0595 30 +.394 .0596 29 +.081 .0597 28 -.190 .0599 27 -.217 .0600 26 +.096 .0602 25 +.316 .0603 24 +.070 .0604 23 -.247 .0606 22 -.223 .0607 21 +.196 .0608 20 +.264 .0610 19 +.149 .0611 18 -.130 .0612 17 -.240 .0614 16 +.106 .0615 15 +.373 .0616 14 +.093 .0618 13 -.193 .0619 12 -.187 .0621 11 +.117 .0622 10 +.401 .0623 9 +.112 .0624 8 -.221 .0626 7 -.251 .0627 6 +.125 .0628 5 +.277 .0630 4 +.168 .0631 3 -.213 .0632 2 -.228 .0634 1 +.109 .0635Lag Corr. S.E.

0445.6 0.000444.3 0.000419.6 0.000416.2 0.000405.0 0.000387.4 0.000379.8 0.000336.0 0.000334.2 0.000324.1 0.000311.0 0.000308.5 0.000281.0 0.000279.7 0.000263.0 0.000249.5 0.000239.2 0.000220.5 0.000214.6 0.000210.1 0.000194.8 0.000191.9 0.000155.3 0.000153.0 0.000143.3 0.000134.2 0.000130.7 0.00089.21 .000086.00 .000073.52 .000057.49 .000053.56 .000034.20 .000027.15 .000015.84 .0004 2.93 .0870 Q p

D

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

+.133 .0631+.273 .0633

34 +.141 .0635 33 -.200 .0637

-.261 .0639+.147 .0640+.322 .0642+.110 .0644-.313 .0646

27 -.254 .0648+.063 .0649+.374 .0651+.103 .0653-.281 .0655-.317 .0657

21 +.095 .0658 20 +.446 .0660

+.045 .0662-.264 .0664-.309 .0666+.136 .0667+.312 .0669

14 +.049 .0671-.263 .0673-.311 .0674+.179 .0676+.238 .0678

9 +.156 .0680 8 -.314 .0681 7 -.246 .0683

6 +.088 .06855 +.313 .06874 +.151 .06883 -.264 .06902 -.313 .0692

1 +.090 .0693Lag Corr. S.E.

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.176 .0573 35 +.334 .0575 34 +.047 .0576 33 -.271 .0577 32 -.234 .0579 31 +.084 .0580 30 +.387 .0581 29 +.075 .0582 28 -.195 .0584 27 -.259 .0585 26 +.124 .0586 25 +.335 .0587 24 +.019 .0589 23 -.291 .0590 22 -.235 .0591 21 +.098 .0592 20 +.308 .0594 19 +.062 .0595 18 -.301 .0596 17 -.236 .0597 16 +.082 .0598 15 +.371 .0600 14 +.051 .0601 13 -.300 .0602 12 -.287 .0603 11 +.117 .0605 10 +.399 .0606 9 +.146 .0607 8 -.230 .0608 7 -.258 .0609 6 +.138 .0611 5 +.302 .0612 4 +.115 .0613 3 -.270 .0614 2 -.213 .0615 1 +.110 .0617Lag Corr. S.E.

0551.4 0.000542.0 0.000508.1 0.000507.5 0.000485.5 0.000469.2 0.000467.1 0.000422.6 0.000421.0 0.000409.8 0.000390.2 0.000385.7 0.000353.0 0.000352.9 0.000328.5 0.000312.7 0.000310.0 0.000283.0 0.000282.0 0.000256.5 0.000240.9 0.000239.1 0.000200.8 0.000200.1 0.000175.2 0.000152.6 0.000148.9 0.000105.4 .000099.69 .000085.36 .000067.47 .000062.34 .000038.00 .000034.50 .000015.13 .0005 3.17 .0752 Q p

FE

0476.3 0.000471.8 0.000453.2 0.000448.3 0.000438.4 0.000421.7 0.000416.4 0.000391.3 0.000388.4 0.000364.8 0.000349.5 0.000348.5 0.000315.5 0.000313.0 0.000294.6 0.000271.3 0.000269.2 0.000223.5 0.000223.1 0.000207.2 0.000185.6 0.000181.5 0.000159.8 0.000159.3 0.000144.0 0.000122.8 0.000115.8 0.000103.4 .000098.17 .000076.93 .000063.99 .000062.34 .000041.52 .000036.68 .000022.09 .0000 1.67 .1965 Q p

19 18 17 16 15

13 12 11 10

32 31 30 29 28

26 25 24 23 22

36 35

61

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.163 .0625

A

FIGURA 21 Gráficos de funções de autocorrelação da série temporal original

de precipitações decendial de Bissau observatório (A), Bissorã

(B), Buba (C), Gabu (D), Cacheu (E) e Bolama (F), referente aos

meses de junho a outubro de cada ano, no 2º decêndio.

35 34 33 32 31

+.317 .0627+.075 .0629-.214 .0631-.102 .0632+.182 .0634

30 +.366 .0636 29 +.095 .0638 28 -.213 .0639

-.099 .0641+.125 .0643+.363 .0645+.130 .0646-.257 .0648

22 -.222 .0650 21 +.108 .0652 20 +.351 .0653 19 +.137 .0655

-.187 .0657-.134 .0658+.195 .0660+.328 .0662+.166 .0664

13 -.147 .0665 12 -.237 .0667 11 +.208 .0669

+.428 .06709 +.124 .06728 -.274 .06747 -.232 .06756 +.174 .06775 +.432 .0679

4 +.179 .0680 3 -.234 .0682 2 -.278 .0684

1 +.209 .0685Lag Corr. S.E.

0450.9 0.000444.0 0.000418.5 0.000417.1 0.000405.6 0.000403.0 0.000394.8 0.000361.6 0.000359.4 0.000348.3 0.000346.0 0.000342.2 0.000310.5 0.000306.5 0.000290.7 0.000279.0 0.000276.3 0.000247.5 0.000243.1 0.000235.0 0.000230.9 0.000222.2 0.000197.7 0.000191.4 0.000186.5 0.000173.8 0.000164.2 0.000123.4 0.000120.0 0.000103.4 0.00091.60 .000085.00 .000044.54 .000037.65 .000025.86 .0000 9.31 .0023 Q p

10

18 17 16 15 14

27 26 25 24 23

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.058 .0583 35 +.272 .0584 34 +.050 .0586 33 -.221 .0587 32 -.226 .0588 31 +.044 .0590 30 +.309 .0591 29 +.171 .0592 28 -.191 .0594 27 -.242 .0595 26 +.153 .0596 25 +.302 .0598 24 +.105 .0599 23 -.204 .0600 22 -.249 .0602 21 +.086 .0603 20 +.252 .0604 19 +.115 .0606 18 -.264 .0607 17 -.243 .0608 16 +.122 .0609 15 +.402 .0611 14 +.123 .0612 13 -.241 .0613 12 -.235 .0615 11 +.188 .0616 10 +.291 .0617 9 +.041 .0618 8 -.262 .0620 7 -.243 .0621 6 +.113 .0622 5 +.321 .0624 4 +.184 .0625 3 -.215 .0626 2 -.261 .0627 1 +.204 .0629Lag Corr. S.E.

0461.7 0.000460.7 0.000439.0 0.000438.3 0.000424.2 0.000409.4 0.000408.9 0.000381.6 0.000373.2 0.000362.9 0.000346.4 0.000339.8 0.000314.2 0.000311.2 0.000299.7 0.000282.6 0.000280.5 0.000263.1 0.000259.5 0.000240.6 0.000224.6 0.000220.6 0.000177.3 0.000173.2 0.000157.7 0.000143.2 0.000133.9 0.000111.7 0.000111.2 0.00093.30 .000077.97 .000074.68 .000048.16 .000039.48 .000027.72 .000010.48 .0012 Q p

B

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

+.039 .0588 35 +.308 .0589 34 +.083 .0590 33 -.277 .0592

-.167 .0593+.066 .0595+.280 .0596+.126 .0597-.178 .0599

27 -.154 .0600 26 +.119 .0602 25 +.297 .0603 24 +.098 .0604

-.241 .0606-.217 .0607+.084 .0608+.311 .0610+.122 .0611

18 -.254 .0612 17 -.216 .0614 16 +.078 .0615

+.344 .0616+.112 .0618-.218 .0619-.246 .0621+.191 .0622

10 +.285 .0623 9 +.077 .0624 8 -.211 .0626 7 -.198 .0627

6 +.164 .06285 +.388 .06304 +.115 .06313 -.214 .06322 -.220 .0634

1 +.205 .0635Lag Corr. S.E.

C

0423.1 0.000422.7 0.000395.4 0.000393.4 0.000371.5 0.000363.6 0.000362.4 0.000340.2 0.000335.8 0.000326.9 0.000320.3 0.000316.4 0.000292.2 0.000289.6 0.000273.7 0.000260.9 0.000259.0 0.000233.0 0.000229.0 0.000211.7 0.000199.4 0.000197.8 0.000166.7 0.000163.4 0.000151.0 0.000135.3 0.000125.9 0.000104.9 .0000103.4 .000092.01 .000082.09 .000075.24 .000037.28 .000033.93 .000022.43 .000010.42 .0012 Q p

15 14 13 12 11

23 22 21 20 19

32 31 30 29 28

36

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.008 .0588 35 +.179 .0589 34 +.025 .0590 33 -.161 .0592 32 -.134 .0593 31 +.074 .0595 30 +.283 .0596 29 +.044 .0597 28 -.164 .0599 27 -.151 .0600 26 +.073 .0602 25 +.164 .0603 24 +.102 .0604 23 -.154 .0606 22 -.174 .0607 21 +.051 .0608 20 +.293 .0610 19 +.044 .0611 18 -.205 .0612 17 -.222 .0614 16 +.072 .0615 15 +.236 .0616 14 +.027 .0618 13 -.199 .0619 12 -.176 .0621 11 +.081 .0622 10 +.249 .0623 9 +.061 .0624 8 -.189 .0626 7 -.203 .0627 6 +.059 .0628 5 +.254 .0630 4 +.178 .0631 3 -.156 .0632 2 -.232 .0634 1 +.182 .0635Lag Corr. S.E.

0260.8 0.000260.8 0.000251.6 0.000251.4 0.000244.0 0.000238.9 0.000237.3 0.000214.7 0.000214.2 0.000206.7 0.000200.4 0.000198.9 0.000191.5 0.000188.7 0.000182.2 0.000174.0 0.000173.3 0.000150.2 0.000149.7 0.000138.5 0.000125.4 .0000124.1 0.000109.5 .0000109.3 .000099.00 .000090.98 .000089.30 .000073.39 .000072.44 .000063.35 .000052.89 .000052.02 .000035.74 .000027.74 .000021.65 .0000 8.23 .0041 Q p

D

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

+.082 .0631+.335 .0633+.123 .0635-.312 .0637

32 -.227 .0639 31 +.197 .0640 30 +.364 .0642 29 +.154 .0644

-.304 .0646-.241 .0648+.146 .0649+.375 .0651+.120 .0653

23 -.295 .0655 22 -.295 .0657 21 +.089 .0658

+.362 .0660+.152 .0662-.288 .0664-.370 .0666+.068 .0667

15 +.326 .0669 14 +.064 .0671 13 -.311 .0673 12 -.338 .0674

+.104 .0676+.359 .0678

9 +.105 .06808 -.287 .06817 -.232 .0683

6 +.163 .0685 5 +.435 .0687 4 +.138 .0688

3 -.308 .06902 -.337 .06921 +.220 .0693

Lag Corr. S.E.

11 10

20 19 18 17 16

28 27 26 25 24

36 35 34 33

0560.1 0.000558.5 0.000530.4 0.000526.6 0.000502.6 0.000489.9 0.000480.5 0.000448.3 0.000442.6 0.000420.5 0.000406.7 0.000401.6 0.000368.4 0.000365.1 0.000344.8 0.000324.6 0.000322.8 0.000292.8 0.000287.5 0.000268.8 0.000237.8 0.000236.8 0.000213.1 0.000212.2 0.000190.7 0.000165.6 0.000163.2 0.000135.1 0.000132.7 0.000115.1 0.000103.5 0.00097.82 0.00057.73 .000053.74 .000033.81 .000010.05 .0015 Q p

E Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.191 .0573 35 +.478 .0575 34 +.185 .0576 33 -.334 .0577 32 -.250 .0579 31 +.167 .0580 30 +.405 .0581 29 +.113 .0582 28 -.352 .0584 27 -.292 .0585 26 +.114 .0586 25 +.417 .0587 24 +.141 .0589 23 -.311 .0590 22 -.272 .0591 21 +.115 .0592 20 +.438 .0594 19 +.119 .0595 18 -.337 .0596 17 -.317 .0597 16 +.112 .0598 15 +.463 .0600 14 +.153 .0601 13 -.300 .0602 12 -.311 .0603 11 +.197 .0605 10 +.455 .0606 9 +.167 .0607 8 -.366 .0608 7 -.347 .0609 6 +.128 .0611 5 +.410 .0612 4 +.107 .0613 3 -.314 .0614 2 -.325 .0615 1 +.208 .0617Lag Corr. S.E.

0877.3 0.000866.2 0.000797.1 0.000786.8 0.000753.3 0.000734.6 0.000726.3 0.000677.8 0.000674.1 0.000637.8 0.000612.9 0.000609.0 0.000558.7 0.000552.9 0.000525.1 0.000504.0 0.000500.2 0.000445.9 0.000441.8 0.000409.9 0.000381.8 0.000378.3 0.000318.8 0.000312.3 0.000287.5 0.000260.9 0.000250.3 0.000194.0 0.000186.4 0.000150.1 0.000117.7 0.000113.3 0.00068.29 .000065.26 .000039.18 .000011.33 .0008 Q p

F

62

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

FIGURA 22 Gráficos de funções de autocorrelação da série temporal original

de precipitações decendial de Bissau observatório (A), Bissorã

(B), Buba (C), Gabu (D), Cacheu (E) e Bolama (F), referente aos

meses de junho a outubro de cada ano, no 3º decêndio

36 35 34 33

+.139 .0625+.233 .0627+.060 .0629-.255 .0631

32 -.248 .0632 31 +.166 .0634 30 +.365 .0636

+.180 .0638-.249 .0639-.284 .0641+.136 .0643+.379 .0645+.119 .0646

23 -.244 .0648 22 -.266 .0650 21 +.057 .0652

+.331 .0653+.164 .0655-.214 .0657-.258 .0658+.014 .0660

15 +.292 .0662 14 +.090 .0664 13 -.307 .0665

-.231 .0667+.086 .0669+.346 .0670

9 +.053 .06728 -.275 .06747 -.293 .0675

6 +.065 .0677 5 +.378 .0679 4 +.049 .0680

3 -.345 .06822 -.202 .06841 +.183 .0685

Lag Corr. S.E.

12 11 10

20 19 18 17 16

29 28 27 26 25 24

0459.0 0.000454.1 0.000440.2 0.000439.3 0.000422.9 0.000407.6 0.000400.7 0.000367.8 0.000359.8 0.000344.7 0.000325.0 0.000320.5 0.000286.0 0.000282.6 0.000268.4 0.000251.6 0.000250.8 0.000225.2 0.000218.9 0.000208.3 0.000192.9 0.000192.8 0.000173.4 0.000171.5 0.000150.2 0.000138.2 0.000136.5 0.000109.9 0.000109.3 0.00092.64 .000073.85 .000072.92 .000041.97 .000041.44 .000015.90 .0004 7.15 .0075 Q p

A Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.176 .0583 35 +.391 .0584 34 +.082 .0586 33 -.256 .0587 32 -.208 .0588 31 +.159 .0590 30 +.272 .0591 29 +.078 .0592 28 -.235 .0594 27 -.193 .0595 26 +.087 .0596 25 +.339 .0598 24 +.136 .0599 23 -.216 .0600 22 -.181 .0602 21 +.132 .0603 20 +.388 .0604 19 +.154 .0606 18 -.196 .0607 17 -.172 .0608 16 +.132 .0609 15 +.363 .0611 14 +.106 .0612 13 -.204 .0613 12 -.193 .0615 11 +.100 .0616 10 +.291 .0617 9 +.099 .0618 8 -.226 .0620 7 -.275 .0621 6 +.075 .0622 5 +.345 .0624 4 +.216 .0625 3 -.245 .0626 2 -.190 .0627 1 +.208 .0629Lag Corr. S.E.

0479.8 0.000470.6 0.000425.9 0.000423.9 0.000404.9 0.000392.4 0.000385.1 0.000363.9 0.000362.2 0.000346.5 0.000335.9 0.000333.8 0.000301.6 0.000296.5 0.000283.6 0.000274.5 0.000269.8 0.000228.6 0.000222.2 0.000211.8 0.000203.7 0.000199.0 0.000163.8 0.000160.8 0.000149.6 0.000139.8 0.000137.1 0.000114.9 0.000112.4 0.00099.10 .000079.50 .000078.04 .000047.44 .000035.46 .000020.13 .000010.92 .0010 Q p

B

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.069 .0588 35 +.278 .0589 34 +.079 .0590

-.290 .0592-.216 .0593+.089 .0595+.347 .0596+.130 .0597

28 -.268 .0599 27 -.260 .0600 26 +.152 .0602 25 +.287 .0603

+.062 .0604-.205 .0606-.234 .0607+.098 .0608+.330 .0610

19 +.066 .0611 18 -.281 .0612 17 -.268 .0614

+.075 .0615+.319 .0616+.138 .0618-.246 .0619-.302 .0621

11 +.084 .0622 10 +.246 .0623 9 +.130 .0624 8 -.269 .0626

7 -.208 .06276 +.150 .06285 +.331 .06304 +.070 .06313 -.308 .0632

2 -.247 .0634 1 +.163 .0635Lag Corr. S.E.

C

0475.6 0.000474.2 0.000452.0 0.000450.2 0.000426.1 0.000412.9 0.000410.6 0.000376.8 0.000372.1 0.000352.1 0.000333.4 0.000327.0 0.000304.4 0.000303.3 0.000291.9 0.000277.1 0.000274.4 0.000245.2 0.000244.0 0.000223.0 0.000204.0 0.000202.5 0.000175.8 0.000170.8 0.000155.0 0.000131.4 0.000129.5 0.000113.9 0.000109.6 0.00091.08 .000080.06 .000074.37 .000046.81 .000045.57 .000021.80 .0000 6.57 .0104 Q p

16 15 14 13 12

24 23 22 21 20

33 32 31 30 29

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.084 .0588 35 +.237 .0589 34 -.004 .0590 33 -.023 .0592 32 -.122 .0593 31 +.060 .0595 30 +.254 .0596 29 +.095 .0597 28 -.050 .0599 27 -.206 .0600 26 +.033 .0602 25 +.295 .0603 24 +.034 .0604 23 -.167 .0606 22 -.100 .0607 21 +.033 .0608 20 +.272 .0610 19 +.112 .0611 18 -.143 .0612 17 -.057 .0614 16 +.060 .0615 15 +.299 .0616 14 +.120 .0618 13 -.154 .0619 12 -.168 .0621 11 +.192 .0622 10 +.263 .0623 9 -.009 .0624 8 -.189 .0626 7 -.173 .0627 6 +.040 .0628 5 +.288 .0630 4 +.122 .0631 3 -.158 .0632 2 -.129 .0634 1 +.026 .0635Lag Corr. S.E.

0243.2 0.000241.1 0.000224.9 0.000224.8 0.000224.7 0.000220.4 0.000219.4 0.000201.2 0.000198.7 0.000198.0 0.000186.1 0.000185.8 0.000161.9 0.000161.6 0.000154.0 0.000151.3 0.000151.0 0.000131.0 .0000127.7 .0000122.2 .0000121.4 .0000120.4 .000096.93 .000093.17 .000086.96 .000079.64 .000070.11 .000052.29 .000052.27 .000043.13 .000035.56 .000035.17 .000014.28 .006510.54 .0145 4.32 .1153 .16 .6873 Q p

D

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

+.060 .0631+.328 .0633+.060 .0635

33 -.235 .0637 32 -.241 .0639 31 +.166 .0640

+.336 .0642+.107 .0644-.281 .0646-.222 .0648+.112 .0649

25 +.265 .0651 24 +.075 .0653 23 -.256 .0655 22 -.211 .0657

+.132 .0658+.322 .0660+.084 .0662-.277 .0664-.346 .0666

16 +.112 .0667 15 +.279 .0669 14 +.085 .0671

-.269 .0673-.231 .0674+.136 .0676+.324 .0678

9 +.048 .0680 8 -.272 .0681 7 -.355 .0683 6 +.089 .0685 5 +.257 .0687

4 +.163 .06883 -.298 .06902 -.212 .06921 +.151 .0693

Lag Corr. S.E.

13 12 11 10

21 20 19 18 17

30 29 28 27 26

36 35 34

0418.3 0.000417.4 0.000390.6 0.000389.7 0.000376.0 0.000361.8 0.000355.1 0.000327.6 0.000324.9 0.000305.9 0.000294.2 0.000291.2 0.000274.6 0.000273.3 0.000258.0 0.000247.8 0.000243.7 0.000219.9 0.000218.3 0.000200.9 0.000173.9 0.000171.1 0.000153.6 0.000152.0 0.000136.1 0.000124.3 0.000120.3 0.00097.48 .000096.99 .000081.08 .000054.12 .000052.44 .000038.43 .000032.85 .000014.15 .0008 4.75 .0292 Q p

E Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.147 .0573 35 +.435 .0575 34 +.093 .0576 33 -.324 .0577 32 -.275 .0579 31 +.181 .0580 30 +.409 .0581 29 +.147 .0582 28 -.320 .0584 27 -.301 .0585 26 +.143 .0586 25 +.430 .0587 24 +.157 .0589 23 -.246 .0590 22 -.282 .0591 21 +.091 .0592 20 +.397 .0594 19 +.088 .0595 18 -.292 .0596 17 -.335 .0597 16 +.089 .0598 15 +.378 .0600 14 +.107 .0601 13 -.282 .0602 12 -.310 .0603 11 +.119 .0605 10 +.337 .0606 9 +.137 .0607 8 -.347 .0608 7 -.304 .0609 6 +.118 .0611 5 +.451 .0612 4 +.128 .0613 3 -.371 .0614 2 -.316 .0615 1 +.181 .0617Lag Corr. S.E.

0778.4 0.000771.8 0.000714.5 0.000711.9 0.000680.5 0.000657.9 0.000648.2 0.000598.7 0.000592.3 0.000562.3 0.000535.8 0.000529.9 0.000476.4 0.000469.2 0.000451.8 0.000429.1 0.000426.8 0.000382.1 0.000379.9 0.000355.9 0.000324.6 0.000322.3 0.000282.7 0.000279.6 0.000257.7 0.000231.3 0.000227.4 0.000196.4 0.000191.2 0.000158.8 0.000133.9 0.000130.2 0.00075.88 .000071.53 .000034.99 .0000 8.64 .0033 Q p

F

63

Construiu-se o periodograma das séries buscando evidenciar a presença

de sazonalidade e os mesmos confirmaram a existência de uma componente

sazonal de período 5, que pode ser constatado observando o pico existente no

gráfico com relação a este período (Figuras 23 a 25). Para verificar se este pico é

significativo, utilizou-se o teste g de Fischer (Moretin e Toloi, 2006), em que os

resultados confirmaram estatisticamente a presença de sazonalidade, pois, em

ambos os casos, obteve-se (Tabela 5). g z>

TABELA 5 Valores g e z para o teste de significância da componente

sazonal de Fisher, para os dados da série temporal original de

precipitação decendial de Bissau observatório, Bissorã, Buba,

Gabu, Cacheu e Bolama, referente aos meses de junho a outubro

de cada ano, nos três decêndios, respectivamente.

Precipitações decendias (mm) g z

Bissau observatório (0, 4419; 0, 3623; 0, 3656) 0, 03913

Bissorã (0, 3571; 0, 3506; 0, 3506) 0, 03422

Buba (0, 3398; 0,2577; 0, 3083) 0, 03422

Gabu (0, 2776; 0, 2515; 0, 2134) 0, 03422

Cacheu (0, 3289; 0, 3318; 0, 2755) 0, 04082

Bolama (0, 3417; 0, 3567; 0, 4269) 0, 03249

64

Análise Spectral

0 5 10

Periodo

0

1E5

2E5

3E5

4E5

5E5

6E5

A

0

1E5

2E5

3E5

4E5

5E5

6E5

Per

iodo

gram

alo

res d

ea

V

Análise Spectral

0 5 10

Periodo

0

1E5

2E5

3E5

4E5

5E5

Val

ores

de

Peri

odog

ram

a

0

1E5

2E5

3E5

4E5

5E5

B

Análise Spectral

0 5 10

Periodo

0

1E5

2E5

3E5

4E5

5E5

6E5

al

C

0

1E5

2E5

3E5

4E5

5E5

6E5

Per

iodo

gram

aor

es d

eV

Análise Spectral

0 5 10

Periodo

0

50000

1E5

1.5E5

2E5

2.5E5

3E5V

alor

es d

e Pe

riod

ogra

ma

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

D

Análise Spectral

0 5 10

Periodo

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

4E5

lo P

ogr

Análise Spectral

0 5 10

Periodo

0

2E5

4E5

6E5

8E5

1E6

Val

ores

de

Peri

odog

ram

a

0

2E5

4E5

6E5

8E5

1E6

FE

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

4E5

ama

erio

dre

s de

Va

FIGURA 23 Gráficos de periodograma da série temporal original de

precipitações decendial de Bissau observatório (A), Bissorã (B),

Buba (C), Gabu (D), Cacheu (E) e Bolama (F), referente aos

meses de junho a outubro de cada ano, no 1º decêndio

65

Análise Spectral

0 5 10

Periodo

0

1E5

2E5

3E5

4E5

5E5

A

0

1E5

2E5

3E5

4E5

5E5

ama

s de

odog

r P

eri

Val

ore

Análise Spectral

0 5 10

Periodo

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

4E5

Val

ores

de

Perio

dogr

ama

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

4E5

B

Análise SpectralNo. of cases: 244

0 5 10

Periodo

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

alor

Per

im

a

C

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

odog

raes

de

V

Análise Spectral

0 5 10

Periodo

0

50000

1E5

1.5E5

2E5

2.5E5V

alor

es d

e Pe

riodo

gram

a

0

50000

1E5

1.5E5

2E5

2.5E5

D

Análise Spectral

0 5 10

Periodo

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

ores

riod

aog

ram

de

PeV

al

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

E Análise Spectral

0 5 10

Periodo

0

2E5

4E5

6E5

8E5

1E6

1.2E6

Val

ores

de

Perio

dogr

ama

0

2E5

4E5

6E5

8E5

1E6

1.2E6

F

FIGURA 24 Gráficos de periodograma da série temporal original de

precipitações decendial de Bissau observatório (A), Bissorã (B),

Buba (C), Gabu(d), Cacheu (E) e Bolama (F), referente aos

meses de junho a outubro de cada ano, no 2º decêndio.

66

Análise Spectral

0 5 10

Periodo

0

1E5

2E5

3E5

4E5

5E5

6E5

7E5

esod

ogra

ma

de

Peri

Val

or

0

1E5

2E5

3E5

4E5

5E5

6E5

7E5

A Análise Spectral

0 5 10

Periodo

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

4E5

Val

ores

de

Perio

dogr

ama

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

4E5B

Análise Spectral

0 5 10

Periodo

0

1E5

2E5

3E5

4E5

5E5

Val

Pe

am

C

0

1E5

2E5

3E5

4E5

5E5

ario

dogr

ores

de

Análise Spectral

0 5 10

Periodo

0

20000

40000

60000

80000

1E5

1.2E5

1.4E5

1.6E5

Val

ores

de

Perio

dogr

ama

0

20000

40000

60000

80000

1E5

1.2E5

1.4E5

1.6E5

D

Análise Spectral

0 5 10

Periodo

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

ore

riod

aog

ram

s de

PeV

al

0

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

E Análise Spectral

0 5 10

Periodo

0

2E5

4E5

6E5

8E5

1E6

1.2E6

Val

ores

de

Perio

dogr

ama

0

2E5

4E5

6E5

8E5

1E6

1.2E6

F

FIGURA 25 Gráficos de periodograma da série temporal original de

precipitações decendial de Bissau observatório (A), Bissorã (B),

Buba (C), Gabu(d), Cacheu (E) e Bolama (F), referente aos

meses de junho a outubro de cada ano, no 3º decêndio

67

Após confirmação da presença de uma componente sazonal de período

5, foi tomada uma diferença de “lag” igual a 5 na série, com o objetivo de torná-

la estacionária, verificando a possibilidades em estudos futuros de estimar o

modelo SARIMA, segundo Box & Jenkins (1976). Tomada essa diferença,

analisando novamente a função de autocorrelação (fac) e função de

autocorrelação parcial (facp) na série diferenciada, verificou-se, graficamente

(Figuras 22 a 31), que a componente senoidal havia sido eliminada, no entanto,

ainda existiam “lags” múltiplos de 5 significativos. Conclui-se, dessa forma, que

seria necessário, nos estudos futuros, incluir nos modelos de previsão uma

componente sazonal que considere a existência de sazonalidade estocástica.

68

Função de autocorrelção

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

A

FIGURA 26 Gráficos de funções de autocorrelação (fac) da diferença na

série temporal original de precipitações decendial de Bissau

observatório (A), Bissorã (B), Buba (C), Gabu (D), Cacheu (E) e

Bolama (F), referente aos meses de junho a outubro de cada ano,

no 1º decêndio

36 35 34 33 32 31

+.028 .0631-.078 .0633+.055 .0635-.014 .0637-.066 .0639+.069 .0640

30 +.072 .0642 29 -.002 .0644 28 +.029 .0646

+.007 .0648-.029 .0649+.028 .0651+.001 .0653-.011 .0655

22 +.033 .0657 21 -.039 .0658 20 -.028 .0660

-.051 .0662+.008 .0664-.017 .0666-.096 .0667-.038 .0669+.039 .0671

13 +.004 .0673 12 -.013 .0674 11 +.183 .0676

+.024 .06789 +.083 .06808 -.009 .06817 +.018 .06836 -.069 .0685

5 -.440 .0687 4 -.078 .0688 3 +.003 .0690

2 +.002 .06921 +.024 .0693

Lag Corr. S.E.

063.40 .003263.21 .002461.68 .002660.92 .002260.87 .001659.81 .001458.64 .001357.40 .001357.40 .000957.20 .000657.18 .000456.99 .000356.80 .000256.80 .000156.77 .000156.52 .000056.17 .000056.00 .000055.41 .000055.40 .000055.33 .000053.25 .000052.93 .000052.60 .000052.59 .000052.56 .000045.25 .000045.13 .000043.64 .000043.62 .000043.55 .000042.53 .0000 1.40 .8434 .13 .9886 .12 .9401 .12 .7259 Q p

10

19 18 17 16 15 14

27 26 25 24 23

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 -.061 .0588 35 +.068 .0589 34 +.092 .0590 33 +.030 .0592 32 +.023 .0593 31 +.057 .0595 30 +.012 .0596 29 -.035 .0597 28 -.074 .0599 27 -.023 .0600 26 -.025 .0602 25 -.055 .0603 24 -.065 .0604 23 +.061 .0606 22 +.007 .0607 21 +.049 .0608 20 -.019 .0610 19 +.065 .0611 18 -.031 .0612 17 -.047 .0614 16 -.053 .0615 15 +.028 .0616 14 -.035 .0618 13 +.052 .0619 12 +.080 .0621 11 +.044 .0622 10 +.037 .0623 9 -.001 .0624 8 -.072 .0626 7 -.012 .0627 6 -.052 .0628 5 -.519 .0630 4 -.038 .0631 3 +.021 .0632 2 -.010 .0634 1 +.096 .0635Lag Corr. S.E.

091.28 .000090.20 .000088.88 .000086.45 .000086.19 .000086.04 .000085.14 .000085.10 .000084.76 .000083.23 .000083.08 .000082.91 .000082.07 .000080.93 .000079.91 .000079.90 .000079.24 .000079.14 .000077.99 .000077.74 .000077.14 .000076.41 .000076.21 .000075.88 .000075.17 .000073.49 .000073.00 .000072.64 .000072.64 .000071.31 .000071.27 .000070.59 .0000 2.80 .5920 2.44 .4858 2.33 .3114 2.31 .1287 Q p

B

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.145 .0593 35 -.052 .0594 34 +.137 .0596 33 -.117 .0597

+.116 .0598-.087 .0600+.036 .0601-.044 .0603+.033 .0604

27 -.060 .0606 26 -.062 .0607 25 +.014 .0608

-.092 .0610+.043 .0611-.007 .0613+.105 .0614-.113 .0615

19 +.145 .0617 18 -.110 .0618 17 +.029 .0620 16 -.077 .0621

+.091 .0622-.128 .0624+.068 .0625-.003 .0627+.042 .0628

10 +.088 .0629 9 +.075 .0631 8 +.029 .0632

7 -.087 .06336 +.057 .06355 -.570 .06364 +.020 .06373 -.100 .0639

2 +.151 .0640 1 -.068 .0641Lag Corr. S.E.

C

0148.5 .0000142.5 .0000141.7 .0000136.4 .0000132.5 .0000128.8 .0000126.6 .0000126.3 .0000125.7 .0000125.4 .0000124.4 .0000123.4 .0000123.3 .0000121.1 .0000120.6 .0000120.6 .0000117.6 .0000114.3 .0000108.7 .0000105.5 .0000105.3 .0000103.8 .0000101.6 .000097.45 .000096.29 .000096.28 .000095.83 .000093.85 .000092.44 .000092.23 .000090.36 .000089.56 .0000 9.23 .0557 9.13 .0276 6.67 .0356 1.11 .2917 Q p

15 14 13 12 11

24 23 22 21 20

32 31 30 29 28

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 -.077 .0593 35 -.027 .0594 34 -.053 .0596 33 +.000 .0597 32 -.073 .0598 31 +.109 .0600 30 +.116 .0601 29 -.008 .0603 28 +.040 .0604 27 +.025 .0606 26 -.101 .0607 25 -.013 .0608 24 -.055 .0610 23 -.114 .0611 22 +.012 .0613 21 +.124 .0614 20 -.122 .0615 19 +.089 .0617 18 +.118 .0618 17 -.053 .0620 16 -.072 .0621 15 +.061 .0622 14 -.051 .0624 13 -.023 .0625 12 +.081 .0627 11 -.002 .0628 10 +.111 .0629 9 -.028 .0631 8 -.022 .0632 7 -.056 .0633 6 +.016 .0635 5 -.581 .0636 4 +.078 .0637 3 +.017 .0639 2 +.006 .0640 1 -.049 .0641Lag Corr. S.E.

0128.3 .0000126.6 .0000126.4 .0000125.6 .0000125.6 .0000124.1 .0000120.8 .0000117.0 .0000117.0 .0000116.6 .0000116.4 .0000113.6 .0000113.6 .0000112.8 .0000109.3 .0000109.2 .0000105.1 .0000101.2 .000099.12 .000095.47 .000094.74 .000093.38 .000092.41 .000091.73 .000091.60 .000089.94 .000089.94 .000086.82 .000086.61 .000086.49 .000085.72 .000085.66 .0000 2.16 .7072 .67 .8798 .60 .7419 .59 .4430 Q p

D

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

+.013 .0637-.089 .0639+.097 .0641+.155 .0643

32 -.011 .0645 31 +.056 .0647 30 -.020 .0649

-.022 .0651-.108 .0652+.041 .0654-.094 .0656-.001 .0658

24 +.054 .0660 23 +.014 .0662 22 -.042 .0664 21 -.001 .0666

+.141 .0667-.056 .0669+.009 .0671+.000 .0673-.001 .0675

15 -.043 .0677 14 -.076 .0679 13 +.045 .0680

-.038 .0682+.107 .0684-.101 .0686

9 +.082 .06888 -.091 .0689

7 +.089 .0691 6 -.068 .0693 5 -.447 .0695 4 +.054 .0697

3 +.090 .06982 -.081 .07001 -.059 .0702

Lag Corr. S.E.

12 11 10

20 19 18 17 16

29 28 27 26 25

36 35 34 33

081.06 .000081.02 .000079.07 .000076.78 .000071.00 .000170.97 .000170.22 .000070.12 .000070.01 .000067.25 .000066.85 .000064.80 .000064.80 .000064.14 .000064.09 .000063.69 .000063.69 .000059.23 .000058.51 .000058.49 .000058.49 .000058.49 .000058.08 .000056.82 .000056.37 .000056.07 .000053.64 .000051.47 .000050.06 .000048.30 .000046.64 .000045.68 .0000 4.34 .3622 3.74 .2914 2.06 .3569 .71 .3980 Q p

E Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.120 .0578 35 -.057 .0579 34 -.057 .0581 33 -.101 .0582 32 +.028 .0583 31 -.100 .0585 30 +.066 .0586 29 +.057 .0587 28 +.128 .0589 27 -.045 .0590 26 +.050 .0591 25 -.011 .0592 24 -.070 .0594 23 -.063 .0595 22 +.024 .0596 21 -.009 .0598 20 -.065 .0599 19 +.040 .0600 18 -.003 .0601 17 +.038 .0603 16 -.047 .0604 15 +.026 .0605 14 -.072 .0606 13 -.057 .0608 12 -.069 .0609 11 +.028 .0610 10 +.096 .0611 9 +.078 .0613 8 +.079 .0614 7 -.004 .0615 6 +.035 .0616 5 -.577 .0618 4 -.013 .0619 3 -.063 .0620 2 +.077 .0621 1 -.030 .0623Lag Corr. S.E.

0126.2 .0000121.9 .0000120.9 .0000119.9 .0000116.9 .0000116.7 .0000113.7 .0000112.4 .0000111.5 .0000106.7 .0000106.2 .0000105.4 .0000105.4 .0000104.0 .0000102.9 .0000102.7 .0000102.7 .0000101.5 .0000101.1 .0000101.1 .0000100.7 .0000100.1 .000099.87 .000098.46 .000097.57 .000096.28 .000096.08 .000093.63 .000092.01 .000090.34 .000090.34 .000090.02 .0000 2.86 .5811 2.82 .4202 1.78 .4113 .24 .6245 Q p

F

69

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 -.010 .0631

A

FIGURA 27 Gráficos de funções de autocorrelação (fac) da diferença na série

temporal original de precipitação decendial de Bissau

observatório (A), Bissorã (B), Buba (C), Gabu (D), Cacheu (E) e

Bolama (F), referente aos meses de junho a outubro de cada ano,

no 2º decêndio

35 34 33 32 31

-.017 .0633+.066 .0635+.019 .0637+.094 .0639+.055 .0640

30 +.059 .0642 29 -.003 .0644 28 +.031 .0646

+.102 .0648-.034 .0649+.001 .0651-.001 .0653-.100 .0655-.173 .0657

21 -.087 .0658 20 -.009 .0660 19 +.013 .0662

+.032 .0664+.154 .0666+.088 .0667-.073 .0669+.052 .0671

13 +.134 .0673 12 -.100 .0674 11 +.009 .0676

+.070 .06789 -.099 .06808 -.140 .06817 +.047 .06836 -.058 .06855 -.494 .0687

4 +.026 .0688 3 +.078 .0690 2 -.075 .0692

1 +.059 .0693Lag Corr. S.E.

098.02 .000098.00 .000097.93 .000096.84 .000096.75 .000094.57 .000093.84 .000092.99 .000092.99 .000092.76 .000090.29 .000090.02 .000090.02 .000090.01 .000087.71 .000080.78 .000079.03 .000079.01 .000078.97 .000078.73 .000073.41 .000071.67 .000070.46 .000069.86 .000065.89 .000063.68 .000063.67 .000062.59 .000060.46 .000056.22 .000055.74 .000055.03 .0000 3.30 .5094 3.16 .3681 1.88 .3911 .71 .3988 Q p

10

18 17 16 15 14

27 26 25 24 23 22

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 -.025 .0588 35 -.019 .0589 34 -.112 .0590 33 -.013 .0592 32 +.010 .0593 31 -.093 .0595 30 +.028 .0596 29 +.136 .0597 28 +.051 .0599 27 -.002 .0600 26 +.112 .0602 25 +.016 .0603 24 -.056 .0604 23 +.022 .0606 22 -.019 .0607 21 -.049 .0608 20 -.108 .0610 19 +.012 .0611 18 -.080 .0612 17 +.014 .0614 16 -.002 .0615 15 +.173 .0616 14 +.046 .0618 13 +.053 .0619 12 +.021 .0621 11 +.093 .0622 10 -.111 .0623 9 -.152 .0624 8 -.042 .0626 7 -.009 .0627 6 -.119 .0628 5 -.452 .0630 4 +.111 .0631 3 +.063 .0632 2 -.038 .0634 1 +.060 .0635Lag Corr. S.E.

0104.2 .0000104.1 .0000104.0 .0000100.4 .0000100.3 .0000100.3 .000097.83 .000097.61 .000092.40 .000091.67 .000091.67 .000088.22 .000088.14 .000087.30 .000087.17 .000087.07 .000086.43 .000083.28 .000083.23 .000081.53 .000081.48 .000081.48 .000073.58 .000073.03 .000072.31 .000072.19 .000069.94 .000066.76 .000060.81 .000060.37 .000060.35 .000056.77 .0000 5.35 .2535 2.24 .5250 1.26 .5330 .90 .3438 Q p

B

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 -.105 .0593 35 +.001 .0594 34 +.043 .0596 33 -.124 .0597

+.025 .0598+.017 .0600-.019 .0601+.045 .0603+.136 .0604

27 +.060 .0606 26 +.051 .0607 25 -.032 .0608

-.064 .0610-.035 .0611-.018 .0613-.029 .0614-.029 .0615

19 +.044 .0617 18 -.058 .0618 17 +.010 .0620 16 -.061 .0621

+.096 .0622+.019 .0624+.029 .0625-.043 .0627+.124 .0628

10 -.157 .0629 9 -.071 .0631 8 +.007 .0632

7 +.043 .06336 -.068 .06355 -.370 .06364 -.015 .06373 +.016 .0639

2 -.019 .0640 1 +.095 .0641Lag Corr. S.E.

C

072.59 .000369.44 .000569.44 .000368.93 .000264.62 .000664.44 .000464.37 .000364.26 .000263.72 .000158.67 .000457.70 .000357.00 .000356.73 .000255.62 .000255.30 .000155.22 .000154.99 .000054.77 .000054.27 .000053.39 .000053.37 .000052.39 .000050.03 .000049.94 .000049.73 .000049.26 .000045.36 .000039.13 .000037.87 .000037.86 .000037.40 .000036.26 .0000 2.40 .6634 2.34 .5049 2.28 .3198 2.19 .1391 Q p

15 14 13 12 11

24 23 22 21 20

32 31 30 29 28

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.008 .0588 35 +.179 .0589 34 +.025 .0590 33 -.161 .0592 32 -.134 .0593 31 +.074 .0595 30 +.283 .0596 29 +.044 .0597 28 -.164 .0599 27 -.151 .0600 26 +.073 .0602 25 +.164 .0603 24 +.102 .0604 23 -.154 .0606 22 -.174 .0607 21 +.051 .0608 20 +.293 .0610 19 +.044 .0611 18 -.205 .0612 17 -.222 .0614 16 +.072 .0615 15 +.236 .0616 14 +.027 .0618 13 -.199 .0619 12 -.176 .0621 11 +.081 .0622 10 +.249 .0623 9 +.061 .0624 8 -.189 .0626 7 -.203 .0627 6 +.059 .0628 5 +.254 .0630 4 +.178 .0631 3 -.156 .0632 2 -.232 .0634 1 +.182 .0635Lag Corr. S.E.

0260.8 0.000260.8 0.000251.6 0.000251.4 0.000244.0 0.000238.9 0.000237.3 0.000214.7 0.000214.2 0.000206.7 0.000200.4 0.000198.9 0.000191.5 0.000188.7 0.000182.2 0.000174.0 0.000173.3 0.000150.2 0.000149.7 0.000138.5 0.000125.4 .0000124.1 0.000109.5 .0000109.3 .000099.00 .000090.98 .000089.30 .000073.39 .000072.44 .000063.35 .000052.89 .000052.02 .000035.74 .000027.74 .000021.65 .0000 8.23 .0041 Q p

D

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

-.006 .0637+.000 .0639-.027 .0641-.088 .0643

32 +.050 .0645 31 +.113 .0647 30 +.020 .0649

+.091 .0651-.008 .0652+.025 .0654-.015 .0656+.003 .0658

24 -.072 .0660 23 +.005 .0662 22 +.032 .0664 21 -.008 .0666

+.021 .0667+.095 .0669+.029 .0671-.086 .0673-.052 .0675

15 -.037 .0677 14 -.075 .0679 13 -.019 .0680

-.051 .0682+.002 .0684-.062 .0686

9 -.017 .06888 +.020 .0689

7 +.155 .0691 6 -.011 .0693 5 -.404 .0695 4 -.027 .0697

3 +.010 .06982 -.102 .07001 +.111 .0702

Lag Corr. S.E.

12 11 10

20 19 18 17 16

29 28 27 26 25

36 35 34 33

060.81 .006160.80 .004460.80 .003260.61 .002458.74 .002758.15 .002255.07 .003554.98 .002553.01 .002953.00 .002052.85 .001452.79 .001052.79 .000651.60 .000651.59 .000451.36 .000251.35 .000151.25 .000149.22 .000149.03 .000147.38 .000146.78 .000046.49 .000045.27 .000045.20 .000044.65 .000044.64 .000043.83 .000043.77 .000043.68 .000038.64 .000038.61 .0000 4.76 .3126 4.61 .2024 4.59 .1006 2.48 .1153 Q p

E Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.051 .0578 35 +.169 .0579 34 +.162 .0581 33 +.022 .0582 32 +.061 .0583 31 +.035 .0585 30 -.076 .0586 29 -.091 .0587 28 -.038 .0589 27 -.046 .0590 26 -.058 .0591 25 -.009 .0592 24 +.054 .0594 23 +.051 .0595 22 +.043 .0596 21 +.010 .0598 20 -.008 .0599 19 -.063 .0600 18 -.054 .0601 17 -.038 .0603 16 -.071 .0604 15 +.041 .0605 14 +.009 .0606 13 +.079 .0608 12 +.045 .0609 11 +.145 .0610 10 +.007 .0611 9 +.062 .0613 8 -.098 .0614 7 -.053 .0615 6 -.133 .0616 5 -.521 .0618 4 -.126 .0619 3 +.064 .0620 2 +.020 .0621 1 +.147 .0623Lag Corr. S.E.

0129.9 .0000129.2 .0000120.7 .0000112.9 .0000112.7 .0000111.7 .0000111.3 .0000109.6 .0000107.2 .0000106.7 .0000106.1 .0000105.2 .0000105.2 .0000104.3 .0000103.6 .0000103.1 .0000103.0 .0000103.0 .0000101.9 .0000101.1 .0000100.7 .000099.31 .000098.85 .000098.83 .000097.14 .000096.61 .000090.94 .000090.92 .000089.89 .000087.33 .000086.59 .000081.96 .000010.88 .0279 6.75 .0803 5.69 .0583 5.58 .0182 Q p

F

70

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.023 .0631

A

FIGURA 28 Gráficos de funções de autocorrelação (fac) da diferença na série

temporal original de precipitação decendial de Bissau

observatório (A), Bissorã (B), Buba (C), Gabu (D), Cacheu (E) e

Bolama (F), referente aos meses de junho a outubro de cada ano,

no 3º decêndio

35 34 33 32 31

-.124 .0633-.090 .0635-.060 .0637-.042 .0639+.015 .0640

30 +.059 .0642 29 +.127 .0644 28 +.015 .0646

-.002 .0648+.080 .0649+.070 .0651-.075 .0653-.025 .0655-.023 .0657

21 -.061 .0658 20 -.004 .0660 19 +.103 .0662

+.092 .0664-.017 .0666-.084 .0667-.075 .0669-.042 .0671

13 -.108 .0673 12 +.072 .0674 11 +.066 .0676

+.011 .06789 -.027 .06808 +.090 .06817 -.124 .06836 -.096 .06855 -.468 .0687

4 -.106 .0688 3 -.174 .0690 2 +.207 .0692

1 +.193 .0693Lag Corr. S.E.

0108.6 .0000108.5 .0000104.6 .0000102.6 .0000101.7 .0000101.3 .0000101.3 .0000100.4 .000096.54 .000096.48 .000096.48 .000094.95 .000093.79 .000092.47 .000092.32 .000092.20 .000091.33 .000091.33 .000088.92 .000087.00 .000086.94 .000085.36 .000084.12 .000083.73 .000081.16 .000080.02 .000079.06 .000079.04 .000078.88 .000077.15 .000073.83 .000071.87 .000025.46 .000023.09 .000016.71 .0002 7.74 .0054 Q p

10

18 17 16 15 14

27 26 25 24 23 22

Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.085 .0588 35 +.107 .0589 34 -.024 .0590 33 -.052 .0592 32 -.042 .0593 31 +.043 .0595 30 -.139 .0596 29 -.040 .0597 28 +.009 .0599 27 +.003 .0600 26 -.103 .0602 25 +.015 .0603 24 +.035 .0604 23 -.001 .0606 22 +.000 .0607 21 +.032 .0608 20 +.068 .0610 19 +.048 .0611 18 +.009 .0612 17 +.029 .0614 16 +.039 .0615 15 +.026 .0616 14 -.040 .0618 13 +.025 .0619 12 +.043 .0621 11 -.009 .0622 10 -.096 .0623 9 -.096 .0624 8 -.018 .0626 7 -.126 .0627 6 -.116 .0628 5 -.456 .0630 4 +.091 .0631 3 -.053 .0632 2 +.113 .0634 1 +.098 .0635Lag Corr. S.E.

093.78 .000091.69 .000088.42 .000088.25 .000087.50 .000087.00 .000086.47 .000081.06 .000080.60 .000080.58 .000080.58 .000077.65 .000077.58 .000077.24 .000077.24 .000077.24 .000076.96 .000075.73 .000075.10 .000075.08 .000074.85 .000074.45 .000074.27 .000073.86 .000073.70 .000073.22 .000073.20 .000070.81 .000068.42 .000068.33 .000064.29 .000060.89 .0000 8.37 .0790 6.29 .0985 5.59 .0613 2.40 .1216 Q p

B

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 -.026 .0593 35 -.070 .0594 34 -.033 .0596

-.025 .0597+.081 .0598-.037 .0600+.078 .0601+.116 .0603

28 -.032 .0604 27 -.075 .0606 26 +.082 .0607

-.065 .0608-.051 .0610+.099 .0611+.051 .0613-.018 .0614

20 +.042 .0615 19 -.053 .0617 18 -.083 .0618 17 +.006 .0620

-.022 .0621+.041 .0622+.044 .0624+.053 .0625-.091 .0627

11 -.039 .0628 10 -.133 .0629 9 +.036 .0631

8 +.002 .06327 +.096 .06336 +.042 .06355 -.419 .06364 -.117 .0637

3 -.082 .0639 2 +.026 .0640 1 +.081 .0641Lag Corr. S.E.

C

083.39 .000083.20 .000081.81 .000081.50 .000081.33 .000079.52 .000079.13 .000077.43 .000073.73 .000073.44 .000071.89 .000070.09 .000068.94 .000068.26 .000065.65 .000064.96 .000064.88 .000064.41 .000063.67 .000061.87 .000061.86 .000061.73 .000061.30 .000060.80 .000060.09 .000057.96 .000057.58 .000053.13 .000052.80 .000052.80 .000050.48 .000050.05 .0000 6.75 .1495 3.41 .3325 1.77 .4126 1.61 .2045 Q p

16 15 14 13 12

25 24 23 22 21

33 32 31 30 29

Função de autocorrelação

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.094 .0593 35 -.049 .0594 34 -.132 .0596 33 +.131 .0597 32 +.071 .0598 31 -.004 .0600 30 -.022 .0601 29 +.128 .0603 28 +.058 .0604 27 -.126 .0606 26 -.039 .0607 25 +.061 .0608 24 -.090 .0610 23 -.107 .0611 22 +.061 .0613 21 -.009 .0614 20 -.041 .0615 19 +.032 .0617 18 +.023 .0618 17 +.092 .0620 16 -.069 .0621 15 +.045 .0622 14 +.087 .0624 13 +.016 .0625 12 -.077 .0627 11 +.195 .0628 10 -.065 .0629 9 -.174 .0631 8 -.045 .0632 7 -.024 .0633 6 -.084 .0635 5 -.448 .0636 4 +.169 .0637 3 +.010 .0639 2 +.055 .0640 1 -.081 .0641Lag Corr. S.E.

0119.9 .0000117.4 .0000116.8 .0000111.8 .0000107.0 .0000105.6 .0000105.6 .0000105.5 .0000101.0 .0000100.1 .000095.71 .000095.30 .000094.29 .000092.11 .000089.02 .000088.02 .000088.00 .000087.55 .000087.28 .000087.14 .000084.96 .000083.74 .000083.22 .000081.28 .000081.21 .000079.71 .000070.10 .000069.02 .000061.39 .000060.88 .000060.73 .000058.96 .0000 9.39 .0521 2.34 .5050 2.32 .3142 1.58 .2086 Q p

D

Função de autocorrelação

Limite dec confiança

-1.0 -0.5 0.0 0.5 1.00

-.166 .0637+.054 .0639-.028 .0641

33 +.069 .0643 32 -.051 .0645 31 +.103 .0647

+.047 .0649+.068 .0651-.042 .0652-.000 .0654-.043 .0656

25 -.076 .0658 24 -.028 .0660 23 +.026 .0662 22 +.096 .0664

+.032 .0666+.069 .0667-.016 .0669-.038 .0671-.149 .0673

16 -.031 .0675 15 -.082 .0677 14 +.020 .0679

+.029 .0680+.132 .0682+.037 .0684+.084 .0686

9 -.097 .0688 8 +.002 .0689 7 -.159 .0691 6 -.056 .0693 5 -.540 .0695

4 +.086 .06973 -.073 .06982 +.164 .07001 +.033 .0702

Lag Corr. S.E.

13 12 11 10

21 20 19 18 17

30 29 28 27 26

36 35 34

0109.1 .0000102.3 .0000101.5 .0000101.3 .0000100.2 .000099.56 .000097.04 .000096.51 .000095.42 .000094.99 .000094.99 .000094.56 .000093.23 .000093.05 .000092.90 .000090.82 .000090.59 .000089.53 .000089.47 .000089.15 .000084.26 .000084.05 .000082.60 .000082.51 .000082.33 .000078.58 .000078.28 .000076.79 .000074.78 .000074.78 .000069.46 .000068.81 .0000 8.32 .0804 6.79 .0791 5.69 .0581 .22 .6411 Q p

E Função de autocorrelação

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 -.031 .0578 35 +.073 .0579 34 -.017 .0581 33 +.001 .0582 32 +.041 .0583 31 +.063 .0585 30 -.036 .0586 29 +.048 .0587 28 -.073 .0589 27 -.050 .0590 26 +.015 .0591 25 +.050 .0592 24 +.072 .0594 23 +.106 .0595 22 +.056 .0596 21 -.040 .0598 20 +.014 .0599 19 -.096 .0600 18 -.062 .0601 17 -.048 .0603 16 -.024 .0604 15 -.002 .0605 14 -.004 .0606 13 +.087 .0608 12 +.003 .0609 11 +.027 .0610 10 -.143 .0611 9 +.044 .0613 8 -.047 .0614 7 +.023 .0615 6 -.057 .0616 5 -.392 .0618 4 -.075 .0619 3 -.073 .0620 2 +.051 .0621 1 +.109 .0623Lag Corr. S.E.

075.00 .000174.71 .000173.14 .000173.05 .000173.05 .000072.56 .000071.40 .000071.02 .000070.37 .000068.82 .000068.09 .000068.03 .000067.32 .000065.83 .000062.64 .000061.75 .000061.30 .000061.25 .000058.69 .000057.62 .000056.99 .000056.84 .000056.84 .000056.83 .000054.76 .000054.76 .000054.57 .000049.08 .000048.57 .000047.99 .000047.85 .000047.00 .0000 6.61 .1579 5.15 .1615 3.74 .1540 3.06 .0805 Q p

F

71

Função de autocorrelação parcial

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

FIGURA 29 Gráficos de funções de autocorrelação parcial (facp) da

diferença na série temporal original de precipitação decendial de

Bissau observatório (A), Bissorã (C), Buba (C), Gabu (D),

Cacheu (E) e Bolama (F), referente aos meses de junho a

outubro de cada ano, no 1º decêndio

36 35 34 33 32

+.071 .0698+.012 .0698+.110 .0698+.029 .0698-.026 .0698

31 +.033 .0698 30 +.059 .0698 29 +.011 .0698 28 +.031 .0698

+.036 .0698-.083 .0698-.127 .0698+.004 .0698-.018 .0698

22 -.008 .0698 21 -.037 .0698 20 -.162 .0698

+.034 .0698+.010 .0698-.009 .0698+.067 .0698-.125 .0698+.094 .0698

13 +.006 .0698 12 +.007 .0698 11 +.152 .0698

-.222 .06989 +.024 .06988 -.012 .06987 +.021 .06986 -.078 .0698

5 -.439 .0698 4 -.078 .0698 3 +.003 .0698

2 +.001 .06981 +.024 .0698

Lag Corr. S.E.

10

19 18 17 16 15 14

27 26 25 24 23

A Função de autocorrelação parcial

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.109 .0639 35 -.061 .0639 34 -.002 .0639 33 -.048 .0639 32 -.044 .0639 31 +.164 .0639 30 -.152 .0639 29 -.114 .0639 28 -.039 .0639 27 -.009 .0639 26 +.054 .0639 25 -.144 .0639 24 -.044 .0639 23 +.008 .0639 22 +.044 .0639 21 +.048 .0639 20 -.105 .0639 19 +.050 .0639 18 -.084 .0639 17 +.073 .0639 16 +.010 .0639 15 -.164 .0639 14 -.042 .0639 13 -.062 .0639 12 +.068 .0639 11 +.099 .0639 10 -.322 .0639 9 -.005 .0639 8 -.068 .0639 7 -.030 .0639 6 +.052 .0639 5 -.516 .0639 4 -.043 .0639 3 +.024 .0639 2 -.019 .0639 1 +.096 .0639Lag Corr. S.E.

B

Função de autocorrelação parcial

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.034 .0645 35 -.063 .0645 34 +.054 .0645 33 -.062 .0645

+.017 .0645-.052 .0645-.115 .0645-.063 .0645-.010 .0645

27 -.089 .0645 26 +.099 .0645 25 -.123 .0645

+.026 .0645-.066 .0645-.006 .0645+.111 .0645-.082 .0645

19 +.080 .0645 18 -.018 .0645 17 -.028 .0645 16 +.060 .0645

-.099 .0645-.027 .0645+.070 .0645+.016 .0645+.084 .0645

10 -.336 .0645 9 +.099 .0645 8 -.052 .0645

7 +.079 .06456 -.012 .06455 -.561 .06454 -.012 .06453 -.084 .0645

2 +.147 .0645 1 -.068 .0645Lag Corr. S.E.

C

15 14 13 12 11

24 23 22 21 20

32 31 30 29 28

Função de autocorrelação parcial

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.013 .0645 35 +.084 .0645 34 -.157 .0645 33 -.017 .0645 32 -.056 .0645 31 +.088 .0645 30 -.100 .0645 29 +.018 .0645 28 +.006 .0645 27 +.017 .0645 26 -.007 .0645 25 -.246 .0645 24 +.034 .0645 23 +.036 .0645 22 -.028 .0645 21 +.001 .0645 20 -.118 .0645 19 +.030 .0645 18 +.113 .0645 17 +.017 .0645 16 -.132 .0645 15 -.092 .0645 14 -.037 .0645 13 -.073 .0645 12 +.015 .0645 11 +.005 .0645 10 -.338 .0645 9 +.070 .0645 8 -.005 .0645 7 -.069 .0645 6 -.026 .0645 5 -.579 .0645 4 +.080 .0645 3 +.018 .0645 2 +.004 .0645 1 -.049 .0645Lag Corr. S.E.

D

Função de autocorrelação parcial

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

-.030 .0707-.075 .0707+.015 .0707+.114 .0707

32 -.041 .0707 31 +.042 .0707 30 -.059 .0707

-.092 .0707-.087 .0707-.029 .0707-.001 .0707-.148 .0707

24 -.024 .0707 23 +.082 .0707 22 -.021 .0707 21 +.084 .0707

-.249 .0707-.013 .0707+.033 .0707+.037 .0707+.016 .0707

15 -.375 .0707 14 +.046 .0707 13 +.032 .0707

-.020 .0707+.015 .0707-.370 .0707

9 +.162 .07078 -.039 .0707

7 +.023 .0707 6 -.138 .0707 5 -.435 .0707 4 +.059 .0707

3 +.081 .07072 -.085 .07071 -.059 .0707

Lag Corr. S.E.

12 11 10

20 19 18 17 16

29 28 27 26 25

36 35 34 33

E Função de autocorrelação parcial

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.011 .0626 35 -.136 .0626 34 -.074 .0626 33 -.015 .0626 32 +.057 .0626 31 -.054 .0626 30 -.130 .0626 29 -.011 .0626 28 -.012 .0626 27 +.043 .0626 26 +.070 .0626 25 -.200 .0626 24 -.059 .0626 23 -.144 .0626 22 +.025 .0626 21 -.020 .0626 20 -.178 .0626 19 +.050 .0626 18 -.015 .0626 17 -.053 .0626 16 +.024 .0626 15 -.198 .0626 14 +.030 .0626 13 +.029 .0626 12 +.002 .0626 11 +.062 .0626 10 -.362 .0626 9 +.074 .0626 8 +.052 .0626 7 +.095 .0626 6 -.003 .0626 5 -.574 .0626 4 -.022 .0626 3 -.059 .0626 2 +.076 .0626 1 -.030 .0626Lag Corr. S.E.

F

72

Função de autocorrelação parcial

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.002 .0698

FIGURA 30 Gráficos de funções de autocorrelação parcial (facp) da

diferença na série temporal original de precipitação decendial de

Bissau observatório (A), Bissorã (C), Buba (C), Gabu (D),

Cacheu (E) e Bolama (F), referente aos meses de junho a

outubro de cada ano, no 2º decêndio

35 34 33 32 31

-.031 .0698+.081 .0698+.014 .0698+.138 .0698-.039 .0698

30 -.053 .0698 29 -.022 .0698 28 -.014 .0698

-.062 .0698-.031 .0698-.127 .0698+.019 .0698+.013 .0698-.150 .0698

21 +.040 .0698 20 -.208 .0698 19 +.003 .0698

+.139 .0698+.006 .0698+.102 .0698-.199 .0698-.077 .0698

13 +.031 .0698 12 -.115 .0698 11 -.020 .0698

-.234 .06989 -.060 .06988 -.114 .06987 -.014 .06986 +.011 .06985 -.492 .0698

4 +.009 .0698 3 +.088 .0698 2 -.078 .0698

1 +.059 .0698Lag Corr. S.E.

10

18 17 16 15 14

27 26 25 24 23 22

A Função de autocorrelação parcial

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 -.010 .0639 35 -.000 .0639 34 +.006 .0639 33 +.031 .0639 32 -.039 .0639 31 +.088 .0639 30 -.104 .0639 29 +.091 .0639 28 +.028 .0639 27 -.024 .0639 26 +.150 .0639 25 -.071 .0639 24 -.071 .0639 23 -.030 .0639 22 +.033 .0639 21 +.040 .0639 20 -.142 .0639 19 -.034 .0639 18 -.042 .0639 17 +.003 .0639 16 +.048 .0639 15 -.122 .0639 14 -.030 .0639 13 +.096 .0639 12 -.020 .0639 11 +.073 .0639 10 -.373 .0639 9 -.040 .0639 8 -.009 .0639 7 -.039 .0639 6 -.051 .0639 5 -.469 .0639 4 +.102 .0639 3 +.068 .0639 2 -.042 .0639 1 +.060 .0639Lag Corr. S.E.

B

Função de autocorrelação parcial

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

+.013 .0645 35 -.163 .0645 34 +.075 .0645 33 -.066 .0645

+.046 .0645+.140 .0645-.147 .0645-.006 .0645+.087 .0645+.028 .0645

26 +.077 .0645 25 -.075 .0645 24 -.069 .0645

-.049 .0645-.071 .0645+.063 .0645-.116 .0645-.002 .0645

18 -.032 .0645 17 -.003 .0645 16 +.075 .0645

-.128 .0645-.084 .0645+.075 .0645-.046 .0645+.173 .0645-.331 .0645

9 -.082 .0645 8 +.010 .0645 7 +.039 .0645

6 +.001 .06455 -.370 .06454 -.019 .06453 +.020 .06452 -.029 .0645

1 +.095 .0645Lag Corr. S.E.

C

15 14 13 12 11 10

23 22 21 20 19

32 31 30 29 28 27

36

Função de autocorrelaçõ parcial

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 -.069 .0645 35 -.065 .0645 34 -.048 .0645 33 -.046 .0645 32 -.020 .0645 31 +.067 .0645 30 -.012 .0645 29 +.102 .0645 28 +.037 .0645 27 -.066 .0645 26 +.042 .0645 25 -.189 .0645 24 +.023 .0645 23 +.023 .0645 22 -.026 .0645 21 -.033 .0645 20 -.024 .0645 19 -.040 .0645 18 +.010 .0645 17 -.056 .0645 16 +.030 .0645 15 -.242 .0645 14 +.007 .0645 13 +.019 .0645 12 +.031 .0645 11 +.013 .0645 10 -.284 .0645 9 +.063 .0645 8 +.054 .0645 7 -.047 .0645 6 +.021 .0645 5 -.502 .0645 4 +.062 .0645 3 +.071 .0645 2 -.064 .0645 1 +.074 .0645Lag Corr. S.E.

D

Função de autocorrelação parcial

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

+.115 .0707-.066 .0707+.076 .0707-.081 .0707

32 +.037 .0707 31 +.099 .0707 30 -.077 .0707 29 +.043 .0707

+.040 .0707-.011 .0707-.070 .0707-.093 .0707-.072 .0707

23 +.072 .0707 22 -.055 .0707 21 +.019 .0707

-.145 .0707-.011 .0707+.043 .0707-.084 .0707+.005 .0707

15 -.209 .0707 14 -.116 .0707 13 -.022 .0707 12 +.019 .0707

+.091 .0707-.271 .0707

9 -.006 .07078 -.002 .07077 +.075 .0707

6 +.093 .0707 5 -.402 .0707 4 -.046 .0707

3 +.036 .07072 -.115 .07071 +.111 .0707

Lag Corr. S.E.

11 10

20 19 18 17 16

28 27 26 25 24

36 35 34 33

E Função de autocorrelação parcial

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.039 .0626 35 -.027 .0626 34 +.017 .0626 33 +.022 .0626 32 +.091 .0626 31 -.012 .0626 30 -.191 .0626 29 -.148 .0626 28 +.027 .0626 27 -.012 .0626 26 -.028 .0626 25 -.110 .0626 24 -.051 .0626 23 +.032 .0626 22 -.000 .0626 21 +.109 .0626 20 -.131 .0626 19 -.054 .0626 18 -.014 .0626 17 -.017 .0626 16 +.089 .0626 15 -.203 .0626 14 -.038 .0626 13 +.040 .0626 12 -.021 .0626 11 +.143 .0626 10 -.368 .0626 9 -.020 .0626 8 -.035 .0626 7 -.001 .0626 6 -.022 .0626 5 -.504 .0626 4 -.148 .0626 3 +.063 .0626 2 -.001 .0626 1 +.147 .0626Lag Corr. S.E.

F

73

Função de autocorrelação parcial

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 +.004 .0698

FIGURA 31 Gráficos de funções de autocorrelação parcial (facp) da

diferença na série temporal original de precipitação decendial de

Bissau observatório (A), Bissorã (B), Buba (C), Gabu (D),

Cacheu (E) e Bolama (F), referente aos meses de junho a

outubro de cada ano, no 3º decêndio.

35 34 33 32 31

-.118 .0698+.029 .0698-.033 .0698-.023 .0698-.102 .0698

30 -.064 .0698 29 +.087 .0698 28 +.000 .0698

-.037 .0698-.046 .0698-.086 .0698-.133 .0698-.059 .0698+.096 .0698

21 -.097 .0698 20 -.248 .0698 19 -.037 .0698

-.064 .0698+.061 .0698+.008 .0698-.156 .0698-.096 .0698

13 -.218 .0698 12 +.036 .0698 11 +.156 .0698

-.250 .06989 -.102 .06988 -.037 .06987 +.018 .06986 +.057 .06985 -.396 .0698

4 -.075 .0698 3 -.259 .0698 2 +.177 .0698

1 +.193 .0698Lag Corr. S.E.

10

18 17 16 15 14

27 26 25 24 23 22

A Função de autocorrelação parcial

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.058 .0639 35 -.083 .0639 34 +.023 .0639 33 -.062 .0639 32 +.028 .0639 31 -.041 .0639 30 -.167 .0639 29 -.018 .0639 28 +.025 .0639 27 +.088 .0639 26 -.088 .0639 25 -.088 .0639 24 +.042 .0639 23 -.002 .0639 22 -.006 .0639 21 +.052 .0639 20 -.188 .0639 19 -.014 .0639 18 -.018 .0639 17 -.003 .0639 16 +.019 .0639 15 -.300 .0639 14 -.042 .0639 13 -.047 .0639 12 +.001 .0639 11 -.006 .0639 10 -.382 .0639 9 +.032 .0639 8 -.058 .0639 7 -.018 .0639 6 -.034 .0639 5 -.477 .0639 4 +.093 .0639 3 -.075 .0639 2 +.105 .0639 1 +.098 .0639Lag Corr. S.E.

B

Função de autocorrelação parcial

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

+.014 .0645 35 -.140 .0645 34 +.035 .0645 33 -.030 .0645

+.053 .0645+.063 .0645-.075 .0645+.007 .0645-.017 .0645-.054 .0645

26 +.095 .0645 25 -.179 .0645 24 -.120 .0645

+.008 .0645+.063 .0645-.037 .0645-.175 .0645-.011 .0645

18 -.114 .0645 17 +.015 .0645 16 +.035 .0645

-.262 .0645+.008 .0645-.026 .0645-.004 .0645+.080 .0645-.346 .0645

9 -.041 .0645 8 -.101 .0645 7 +.105 .0645

6 +.103 .06455 -.408 .06454 -.105 .06453 -.086 .06452 +.019 .0645

1 +.081 .0645Lag Corr. S.E.

C

15 14 13 12 11 10

23 22 21 20 19

32 31 30 29 28 27

36

Função de autocorrelação parcial

Limite de confiança-1.0 -0.5 0.0 0.5 1.00

36 +.034 .0645 35 -.108 .0645 34 +.015 .0645 33 +.024 .0645 32 +.036 .0645 31 -.024 .0645 30 -.045 .0645 29 +.111 .0645 28 -.080 .0645 27 +.015 .0645 26 -.003 .0645 25 -.048 .0645 24 -.061 .0645 23 -.121 .0645 22 +.135 .0645 21 +.034 .0645 20 -.176 .0645 19 +.071 .0645 18 -.012 .0645 17 +.057 .0645 16 +.080 .0645 15 -.250 .0645 14 +.010 .0645 13 -.020 .0645 12 -.056 .0645 11 +.105 .0645 10 -.308 .0645 9 -.043 .0645 8 -.033 .0645 7 +.003 .0645 6 -.180 .0645 5 -.439 .0645 4 +.170 .0645 3 +.018 .0645 2 +.049 .0645 1 -.081 .0645Lag Corr. S.E.

D

Função de autocorrelação parcial

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

-.007 .0707-.061 .0707-.017 .0707-.011 .0707

32 -.082 .0707 31 +.133 .0707 30 -.174 .0707 29 -.012 .0707

-.021 .0707+.056 .0707+.045 .0707-.225 .0707-.128 .0707

23 -.010 .0707 22 -.051 .0707 21 +.068 .0707

-.171 .0707+.005 .0707+.009 .0707-.053 .0707+.011 .0707

15 -.291 .0707 14 -.047 .0707 13 -.013 .0707 12 +.085 .0707

+.042 .0707-.285 .0707

9 +.026 .07078 -.039 .07077 -.000 .0707

6 -.026 .0707 5 -.542 .0707 4 +.067 .0707

3 -.085 .07072 +.163 .07071 +.033 .0707

Lag Corr. S.E.

11 10

20 19 18 17 16

28 27 26 25 24

36 35 34 33

E Função de autocorrelação parcial

Limite de confiança

-1.0 -0.5 0.0 0.5 1.00

36 -.030 .0626 35 -.047 .0626 34 +.025 .0626 33 +.021 .0626 32 +.035 .0626 31 +.037 .0626 30 -.180 .0626 29 -.002 .0626 28 +.017 .0626 27 -.016 .0626 26 -.049 .0626 25 -.158 .0626 24 -.073 .0626 23 +.040 .0626 22 +.056 .0626 21 -.038 .0626 20 -.239 .0626 19 -.089 .0626 18 -.107 .0626 17 +.008 .0626 16 +.034 .0626 15 -.284 .0626 14 +.004 .0626 13 -.025 .0626 12 +.052 .0626 11 +.059 .0626 10 -.348 .0626 9 +.018 .0626 8 -.125 .0626 7 +.058 .0626 6 +.017 .0626 5 -.379 .0626 4 -.062 .0626 3 -.084 .0626 2 +.040 .0626 1 +.109 .0626Lag Corr. S.E.

F

74

4.4 Intensidade média máxima de chuvas

Na Figura 32 apresentam-se as retas de precipitações máximas

desagregadas com durações de 24 horas, 1 hora e 6 minutos, para os períodos de

retorno correspondentes. Pode-se observar o bom ajuste das retas das

precipitações máximas para diferentes tempos e períodos de retorno,

comportamento este verificado também para as demais estações estudadas,

permitindo a determinação das precipitações máximas para diferentes durações e

período de retorno no país.

FIGURA 32 Gráfico das relações entre alturas máximas precipitadas em

diferentes tempos de duração e períodos de retorno, obtidas pelo

método das isozonas para Guiné-Bissau.

Equações gerais para duração de 6 min até 24 h (1.440 min) foram

ajustadas para tempos de retorno de 2, 5 e 10 anos. A lâmina que relaciona

alturas máximas precipitadas em diferentes tempos de duração e período de

retorno foi calculada pela equação 14, nos tempos de durações maiores ou iguais

a 6 até 1.440 minutos para todas as estações.

75

Na Tabela 6 encontram-se os parâmetros das equações que relacionam

alturas máximas de chuvas precipitadas em diferentes tempos de duração. Todas

as equações apresentam alto coeficiente de determinação, aproximadamente

igual a 1 para diferentes períodos de retorno permitindo, assim, boa

confiabilidade nos resultados, podendo ser aplicadas para a determinação de

lâminas máximas de chuvas precipitadas para estimativa de intensidade média

máxima de chuvas, desde que sejam obedecidos os limites nos intervalos de

tempo de durações e período de retorno estabelecido.

76

TABELA 6 Parâmetros da equação (Lp = a * Ln(T) – b) que relaciona as

alturas máximas de chuvas com tempos de duração entre 6 a

1.440 minutos, em Guiné-Bissau, para TR de 2; 5 e 10 anos.

TR (anos)

2 5 10

Parâmetros das equações Estações Lat Long

a b a b a b R2

Bafata 12°10' 14°40' 16,41 25,97 21,36 32,04 24,72 37,07 0,9996

Banbadinca 12°3' 14°50' 16,48 24,71 24,59 36,87 29,95 44,92 0,9996

Bissorã 12°14' 15°27' 24,58 36,86 34,35 51,51 40,82 61,21 0,9996

Bolama 11°36' 15°29' 17,15 25,72 21,95 32,92 25,13 37,68 0,9996

Buba 11°36' 15°05' 24,59 36,88 32,01 47,99 36,91 55,35 0,9996

Bubaque 11°04' 16°02' 19,40 29,09 24,49 36,73 27,87 41,79 0,9996

Bula 12°03' 15°44' 25,04 37,54 34,33 51,48 40,48 60,70 0,9996

Cacheu 12°12' 15°52' 25,04 37,54 25,17 37,75 29,33 43,98 0,9996

Cacine 11°08' 15°01' 16,01 24,01 20,48 30,17 23,44 35,14 0,9996

Caió 11°50' 16°19' 18,43 27,65 26,16 39,22 31,26 46,88 0,9996

Canchungo 12°2' 15°58' 28,05 42,05 38,63 57,92 45,63 68,42 0,9996

Catio 11º17' 15º16' 21,86 32,8 29,07 43,59 40,18 60,7 0,9996

Farim 12º29' 15º30' 19,36 29,03 24,88 37,31 28,54 42,79 0,9996

Fulacunda 11º48' 15º8' 25,15 37,71 32,39 48,58 37,19 55,77 0,9996

Gabu 12º17' 14º14' 16,02 24,01 20,47 30,69 23,43 35,13 0,9996

Boe 11º48' 14º12' 20,39 30,58 28,01 42 33,05 49,56 0,9996

Mansaba 12º17' 15º07' 17,46 26,18 20,36 30,53 22,29 33,42 0,9996

Pirada 11º40' 14º10' 15,71 23,56 19,14 28,69 21,41 32,10 0,9996

Pitche 12º19' 13º57' 16,05 24,07 21,08 31,61 24,40 36,59 0,9996

Porto Gole 12º17' 14º14' 17,08 25,62 23,42 35,11 27,61 41,39 0,9996

Xitole 11º46' 14º48' 17,08 25,62 23,42 35,11 27,61 41,39 0,9996

Bissau Obs 11º51' 15º36' 15,31 22,95 18,37 27,55 20,41 30,59 0,9996

77

É possível observar que, para todas as estações estudadas, os valores

estimados para intensidades médias máximas com duração de 30 minutos são

superiores a 59,61 mm/h (Tabela 7), sendo, portanto, todas erosivas pelo critério

de Maria (1994). As estações de Cacine, no extremo sul do país, apresentam

intensidade média máxima superior a 100 mm/h.

78

TABELA 7 Intensidade média máxima para tempo de duração de 30 minutos

para os períodos de retorno de 2, 5 e 10 anos.

TR (anos)

2 5 10 Estações

I30min (mm/h)

Bafata 59,71 81,27 94,0 Banbadinca 62,70 93,5 113,9

Bissorã 65,26 83,51 95,60 Bolama 93,56 121,74 140,40 Buba 73,80 93,18 106,02

Bubaque 95,21 130,58 153,98 Bula 95,21 95,75 111,57

Cacheu 70,13 99,48 118,92 Cacine 106,68 146,93 173,57 Caio 83,21 110,56 153,98

Canchungo 73,65 94,64 108,54 Catio 95,65 123,22 141,48 Farim 60,92 77,87 89,10

Fulacunda 77,58 106,54 125,71 Gabu 60,90 77,90 89,15 Boe 66,41 77,46 84,77

Mansaba 59,75 72,80 81,44 Pirada 61,07 80,17 92,82 Pitche 58,21 69,89 77,61

Porto Gole 64,99 89,06 105,00 Xitole 64,99 89,06 105,00

Bissau Obs 93,50 130,66 155,27

Na Tabela 8 apresentam-se os parâmetros de ajuste do modelo de

semivariograma exponencial para precipitação média máxima diária anual, para

tempo de duração de 30 minutos e períodos de retorno de 2, 5 e 10 anos e na

Figura 33, o semivariograma ajustado. Observa-se bom ajuste do modelo com

79

grau de dependência espacial superior a 75%, caracterizando-se uma forte

estrutura de dependência espacial, conforme relatado também por Mello et al.,

(2008), que trabalharam com chuvas intensas no estado de Minas Gerais.

O alcance do modelo ajustado descreve as características de

continuidade espacial de chuvas intensas, especialmente as de natureza

convectivas, uma vez que os alcances variam de 60,3 a 114,39 km.

TABELA 8 Parâmetro do modelo de semivariograma (C0: efeito pepita;

C0+C1: patamar; A: alcance), GD: grau de dependência espacial

para intensidade média máxima de chuvas, para Guiné-Bissau.

Parâmetros C0 C0+C1 A (m) GD(%)

TR 2 anos 0 99,523 38125,017 100

TR 5 anos 0 133,6334 20540,4416 100

TR 10 anos

I30min

0 539,3848 37369,0698 100

80

81

FIGURA 33 Semivariograma exponencial ajustado para precipitação média máxima anual com duração de 30

minutos e tempo de retorno de 2 (A), 5 (B) e 10 (C) anos.

Os valores de intensidades média máxima em 30 minutos para Guiné-

Bissau (Figura 34) comportam-se espacialmente com valores variados, porém,

com tendência de aumento forte no sentido Norte-Sul, com amplitudes variando

de 59,7 a 106,7 mm/h, para tempo de retorno de dois anos e de 81,3 a 146,9

mm/h para tempos de retorno de cinco anos e 77,6 a 173,6 mm/h para tempos de

retorno de dez anos.

82

83

FIGURA 34 Mapa de intensidade média máxima anual com duração de 30 minutos e tempo de retorno de 2 anos (a

esquerda) e 5 anos (a direita), para Guiné-Bissau

84

FIGURA 35 Mapa de intensidade média máxima anual com duração de 30 minutos e tempo de retorno de 10 anos,

para Guiné-Bissau.

Na Tabela 9 encontram-se os parâmetros das equações de intensidade

duração-frequência. Verifica-se que os parâmetros C e to foram os que

proporcionaram as maiores diferenças, sendo as mais sensíveis à metodologia de

ajuste desta distribuição. Observa-se que os ajustes dos modelos proporcionaram

coeficientes de determinação elevados (R2) e altamente significativos, refletindo

a boa qualidade do ajuste; além disso, os erros médios (ERM) proporcionados

são baixos.

85

TABELA 9 Parâmetros das equações de intensidade-duração-frequência;

geradas com base nas metodologias desagregação e de isozonas,

para cada uma das estações pluviométricas de Guiné-Bissau.

Localidade C m n to R2 ERM

(%)

Bafata 738,1035 0,258557 0,583719 121,8825 0,940738 8,7

Banbadinca 737,9572 0,373874 0,597845 121,7894 0,93898 10

Bissora 719,3429 0,257311 0,587566 102,765 0,9324 9,3

Bolama 719,3429 0,250488 0,509553 102,7649 0,935137 14

Buba 719,0007 0,223756 0,552931 102,0014 0,934533 10

Bubaque 708,9062 0,298395 0,509686 102,8229 0,935189 15

Bula 712,0095 0,273355 0,56298 102,0002 0,894796 12

Cacheu 712,0001 0,311021 0,578552 87,00001 0,933379 11

Cacine 724,6674 0,302389 0,493517 100,7037 0,934535 17

Caio 728,9501 0,362665 0,616356 60,00928 0,881592 15

Canchungo 723,4516 0,241682 0,548869 115,0078 0,936708 10

Catio 721,1523 0,241727 0,511209 92,25321 0,93307 14

Farim 719,935 0,235914 0,58771 108,9216 0,935556 8,5

Fulacunga 719,9347 0,29985 0,549194 108,9216 0,936506 11

Gabu 712,0001 0,216861 0,599287 87,00139 0,92994 8,8

Boe 720,9354 0,151671 0,566572 98,84056 0,932257 8,7

Mansaba 719,3126 0,200686 0,607143 81,94624 0,925059 8,2

Pirada 719,3264 0,337756 0,646595 82,52482 0,919132 9,3

Pitche 719,3126 0,237729 0,624656 81,94597 0,919241 8,2

Porto Gole 719,3264 0,298144 0,603336 82,52374 0,929157 10

Xitole 719,3264 0,298144 0,603336 82,52374 0,929157 10

Bissau Obs 719,4702 0,308082 0,530614 83,57641 0,932344 15

4.5 Erosividade

Na Figura 35 observa-se que o comportamento dos dados nas direções

E-W (longitude) têm boa distribuição espacial, ou seja, não se verifica tendência

à medida que se desloca nesta direção, enquanto que na direção N-S (latitude),

86

há evidência de forte tendência para maioria dos meses analisados, o que precisa

ser removido para não prejudicar a análise geoestatística. Constataram-se dados

discrepantes “outliers’’ para Erosividade, em Junho, Julho Setembro e Anual, os

quais foram removidos”.

87

FIGURA 35 Análise exploratória do fator erosividade para

Guiné- Bissau.

88

Na Tabela 10 encontram-se os parâmetros do modelo de

semivariograma ajustado. Percebe-se forte estrutura espacial, permitindo inferir

que a aplicação do interpolador geoestatístico produzirá resultados de boa

qualidade, resultando em mapas representativos e sem tendência. O grau de

dependência espacial superior a 75%, exceto para o mês de setembro, descreve

satisfatoriamente a continuidade espacial do fenômeno erosividade.

TABELA 10 Parâmetro do modelo de semivariograma (C0: efeito pepita;

C0+C1: patamar; A: alcance), GD: grau de dependência espacial

para erosividade mensal e anual, para Guiné-Bissau.

Parâmetros C0 C0+C1 A (m) GD (%)

Junho 0,000 14583,92 13141,79 100

Julho 0,000 82109,78 10634,535 100

Agosto 0,000 137225,89 13019,22 100

Setembro 12223,58 12418,14 43384,66 50,39

Outubro 0,000 18380,65 13703,11 100

Anual 0,000 394840,38 20495,72 100

89

FIGURA 36 Modelo de semivariograma exponencial ajustado para fator

erosividade, em Guiné-Bissau

Na Figura 37 observa-se a distribuição espacial de erosividade para

Guiné-Bissau nos meses de junho a outubro e total anual. Pode-se constatar que

90

maiores valores de erosividade para o mês de junho ocorrem nas regiões

nordeste e sul do país, variando de 900 a 1.300 MJ.mm/(ha.mês), ressaltando-se

que o início do período chuvoso ocorre, em geral, nesse mês. Esse

comportamento está associado à maior concentração de chuvas nesse mês, para

essas regiões. Analisando-se o mês de julho, verificou-se homogeneidade na

distribuição da erosividade para a região norte nordeste, cuja amplitude é de

1.600 a 1.800 MJ.mm/(ha.mês), exceto para o eixo sul-sudoeste, com maiores

valores de erosividade, em torno de 2.000 a 3.000 MJ.mm/(ha.mês).

Portanto, em termos relativos, a erosividade foi maior no mês de agosto,

representando 36% da média anual o que indica maior concentração das chuvas

nesse mês, tendo a região sul-sudoeste apresentado os maiores índices.

No mês de setembro, houve homogeneidade nos valores da erosividade

para a maior parte do país, exceto as regiões sul e extremo sudeste, com índices

acima de 2.000 MJ.mm/(ha.mês). Outubro foi o mês com menores valores de

erosividade em Guiné-Bissau e regularmente distribuída em toda região, com

valores em torno de 700 a 800 MJ.mm/(ha.mês).

O país apresenta valores de erosividade muito acentuados e a região

norte-nordeste apresenta índices anuais referentes ao período chuvoso de 7.500 a

8.000 MJ.mm/(ha.ano), enquanto a região sul-sudoeste com valores de

erosividade em torno de 8.000 a 11.200 MJ.mm/(ha.ano).

De maneira geral, a maior parte do país apresenta risco severo à erosão,

no tocante à erosividade de chuvas, demonstrando que são necessários cuidados

técnicos com as atividades agrícolas e pecuárias, visando minimizar os impactos

negativos de chuvas com alto poder erosivo, haja vista a susceptibilidade natural

do país à erosão provocada pela chuva concentrada, especialmente na sua porção

sul.

Dessa forma, vale realçar que a concentração de valores elevados de

erosividade ocorre num período curto, junho a outubro, tornando imperativas as

91

práticas conservacionistas que minimizem tendências erosivas do impacto de

gotas de chuvas.

A. B.

C. D.

E. F.

FIGURA 37 Mapa de erosividade de chuvas para Guiné-Bissau nos meses de

junho (A), julho(B), agosto (C), setembro (D), outubro (E) e

anual (F).

92

5 CONCLUSÕES

1. O regime de precipitações pluviais de Guiné-Bissau mostra uma

variabilidade espacial com evidente decréscimo dos índices pluviométricos do

eixo sul-sudoeste para norte-nordeste. Há importante variabilidade anual de

precipitação que varia de 2.381 mm, na região sul até 1.200 mm no extremo

norte, fronteira com o Senegal.

2. Foi possível verificar uma elevada concentração das precipitações

entre os meses de junho a outubro com participação mais expressiva do mês de

agosto acumulando 1/3 do total anual.

3. A alta variabilidade no comportamento da distribuição temporal de

precipitações decendiais no país descreve tendências das situações atmosféricas

responsáveis pelo excesso de eventos extremos de chuvas que é associada à

ZCIT com ciclos anuais bem marcados. Em visto disso os modelos SARIMA

podem ser ajustados para prever precipitações pluviais no país.

4. Em média pode-se esperar em 3 de cada 4 anos, pelo menos 100 mm

de chuvas para períodos quinzenais, dentro do período chuvoso, excetuando-se a

1ª quinzena de junho e a 2ª quinzena de outubro, que representam o inicio e o

final do período de chuvas. Para estas duas quinzenas, com a mesma

probabilidade de ocorrência , as estimativas de chuvas estão abaixo de 50 mm,

necessitando portanto, de uso de irrigação suplementar para não comprometer os

períodos de semeadura (junho) e minimizar prejuízos na colheita (outubro,

novembro) para culturas de ciclo longo.

5. Existe relação de dependência entre a distribuição da erosividade e

das chuvas em Guiné-Bissau, ficando evidente que o ambiente guineense é

muito sujeito à erosão natural causada pela chuva, sobretudo no mês de agosto.

Em vista disso, o processo produtivo intensivo envolve grandes riscos de

93

degradação ambiental, requerendo em contrapartida, a adoção de práticas de

conservação de solo.

6. As maiores intensidades médias máximas anuais de chuvas foram

observadas para regiões sul-sudoeste, proporcionando diferenças expressivas dos

índices de erosividade, sendo o eixo sul-sudoeste o que apresenta os maiores

valores, em torno de 11.200 MJ.mm/(ha.ano) e a região norte-nordeste, os

menores valores na ordem de 8.000 MJ.mm/(ha.ano).

94

REFERÊNCIAS BIBLIOGRÁFICAS

ABDEL-AAL, R. E.; AL-GARNI, Z. Forecasting monthly electric energy consumption in eastern Saudi Arabia using univariate time-series analysis. Fuel and Energy Abstracts, London, v. 22, n. 11, p. 1059-1069, Nov. 1997.

ANDRIOTTI, S. L. J. Fundamentos de estatística e geoestatística. São Leopoldo: Unisinos, 2005. 165 p.

ARAÚJO, F. W.; ANDRADE, S. A.; MEDEIROS, D. R.; SAMPAIO, A. R. Precipitação pluviométrica mensal provável em Boa Vista, Estado de Roraima, Brasil. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 5, n. 3, p. 563-567, set. 2001.

BACK, A. J. Application of statistical analysis for identification of climatic tendency. Pesquisa Agropecuária Brasileira, Brasília, v. 36, n. 5, p. 717-726, maio 2001.

BELL, F. C. Generalized rainfall-duration-frequency relationships. Journal of the Hydraulics Division, New York, v. 95, n. 1, p. 311-327, 1969.

BERNARDO, S. Manual de irrigação. 7. ed. Viçosa: UFV/Imprensa Universitária, 2005. 611p.

BERTOL, I.; SCHICK, J.; BATISTELA, O.; LEITE, D.; VISENTIN, D.; COGO, N.P. Erosividade das chuvas e sua distribuição entre 1989 e 1998 no município de Lages (SC). Revista Brasileira de Ciência do Solo, Campinas, v. 26, n. 2, p. 455-464, maio 2002.

BERTONI, J.; LOMBARDI NETO, F. Conservação do solo. São Paulo: Icone, 1990. 355 p.

BERTONI, J. C.; TUCCI, C. E. M. Precipitação. In: TUCCI, C. E. M. (Ed.). Hidrologia ciência e aplicação. Porto Alegre: Ed. UFRGS, 1993. cap. 5, p. 177-241.

BOTELHO, V. A.; MORAIS, A. R. Estimativas dos parâmetros da distribuição gama de dados pluviométricos no município de Lavras, Estado de Minas Gerais. Ciência e Agrotecnologia, Lavras, v. 23, n. 3, p. 697-706, jul. 1999.

95

BOX, G. E. P.; JENKINS, G. M. Time series analysis, forecasting and control. San Francisco: Holden-Day, 1976. 375 p.

BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Times series analysis, forecasting and control. 3. ed. New Jersey: Prentice Hall, 1994. 598 p.

BOX, G. E. P.; PIERCE, D. A. Distribution of residual autocorrelations in autoregressive-integrated moving average time series models. Journal of the American Statistical Association, New York, v. 65, n. 332, p. 1509-1526, Dec. 1970.

BROOKS, K. N.; FFOLVIOTT, P. F.; GREGERSEN, H. M.; DEBANO, L. F. Hydrology and the management of watersheds. 2. ed. Ames: State University, 1997. 502 p.

CANO, W.; BRANDÃO, C. A. (Coord.). A região metropolitana de Campinas: urbanização, finanças e meio ambiente. Campinas: Unicamp, 2002. 439 p.

CARVALHO, J. R. P. de; SILVEIRA, P. M. da; VIEIRA, S. R. Geoestatística na determinação da variabilidade espacial de características químicas do solo sob diferentes preparos. Pesquisa Agropecuária Brasileira, Brasília, v. 37, n. 8, p. 1151-1159, ago. 2002.

CARVALHO, M. P.; CHUEIRE, F. B.; PISSARRA, T. C. T. Erosividade da chuva de Pereira Barreto (SP): distribuição, período de retorno e probabilidade de ocorrência. In: REUNIÃO BRASILEIRA DE MANEJO E CONSERVAÇÃO DO SOLO E DA ÁGUA, 13., Ilhéus, 2000. Anais... Ilhéus: Sociedade Brasileira de Ciência do Solo, 2000. 1 CDROM.

CASTRO, P. N.; MUNIZ, J. A.; BEIJO, A. L. Tempo de retorno das precipitações máximas em Lavras (MG) pela distribuição de valores extremos do tipo. Ciência e Agrotecnologia, Lavras, v. 29, n. 3, p. 657-667, maio 2005.

CHOW, V. T. A general for hydrologic frequency analysis. Transactions - American Geophysical Union, Washington, v. 32, n. 2, p. 231-237, 1951.

COMPANHIA AMBIENTAL DO ESTADO DE SÃO PAULO - CETESB. Drenagem urbana: manual de projecto. São Paulo, 1979.

96

CONTI, G. N. Estimativa de precipitação através de técnicas de sensoriamento remoto: estudo de caso para estado do Rio Grande de Sul. 2002. 205 f. Dissertação (Mestrado em Engenharia de Recursos Hídricos e Saneamento Ambiental) - Universidade Federal do Rio Grande do Sul, Instituto de Pesquisas Hidráulicas, Porto Alegre.

COSTA, C.; REZENDE, M. Guiné Bissau ambiente agrícola homem e uso da terra. Viçosa, MG: Ed. Agropecuária, 1994. 290 p.

CRUCIANI, D. E. A drenagem na agricultura. São Paulo: Nobel, 1986. 337 p.

DIGGLE, P. J.; RIBEIRO JUNIOR, P. J. Model based geostatistics. New York: Springer, 2007. 230 p.

DOORENBOS, J.; KASSAM, A. H. Efeito da água no rendimento das culturas. Campina Grande: UFPB, 1994. 306 p. (Estudos FAO: Irrigação e Drenagem, 33).

ENVIRONMENTAL SYSTEMS RESEARCH INSTITUTE – ESRI. ArcGIS 9: getting started with ArcGIS. Redlands, 2004. 265 p.

FIETZ, C. R. Probabilidade de ocorrência de períodos secos e chuvosos na região de Dourados, MS. Irriga, Botucatu, v. 3, n. 1, p. 16-22, mar. 1998.

GUMBEL, E. J. Statistics of extremes. Columbia: Columbia University, 1958. 357 p.

GUY, B. T.; DICKINSON, W. T.; RUDRA, R. P. The roles of rainfall and runoff in the sediment transporte capacity of interril flow. Transactions of the ASAE, Saint Joseph, v. 30, n. 5, p. 1378-1385, Sept./Oct. 1987.

HUDSON, N. Soil conservation. 3. ed. Ames: Iowa State University, 1995. 391p.

ISAAK, E. H.; SRIVASTAVA, R. M. Applied geoestatistic: an introduction. New York: Oxford University, 1989. 561 p.

JOURNEL, A. G.; HUIJBREGTS, C. J. Mining geostatistics. 5. ed. New Jersey: Blackburn, 1991. 600 p.

97

JOURNEL, A. C.; HUIJBREGTS, C. J. Mining geostatistics. London: Academic, 1978. 600 p.

KNOESEN, D. M.; SMITHERS, J. C. The development and assessment of a regionalized daily rainfall disaggregation model for Suth Africa. Water S.A., Pretoria, v. 34, n. 3, p. 323-330, July 2008. Disponível em http: <//www.wtc.org.za>. Acesso em: 12 jul. 2009.

LANDIM, P. M. B. Análise estatística de dados geológicos. 2. ed. rev. e ampl. São Paulo: UNESP/FEU, 2003. 253 p.

MACHADO, M.; SOUZA, J. S. Balanço hídrico da província da Guiné Portuguesa. Boletim Cultural da Guine Portuguesa, Bissau, v. 27, n. 108, p. 754-799, out. 1972.

MANAFÁ, B.; SEMEDO, S.; VIEIRA, R.; SILVA, V. B.; COSTA, M. C. Guiné Bissau em números. Bissau: Nova Gráfica, 2005. 43 p.

MARIA, I. C. de. Cálculo da erosividade da chuva. In: MANUAL de programas de processamento de dados de campo e de laboratório para fins de experimentação em conservação de solo. Campinas: IAC/SCS, 1994. Não paginado.

MARQUES, J. J. G. de S. M. Estimativas e comparações dos fatores erosividade das chuvas e erodibilidade de solos com horizonte B textural no Brasil. 1996. 119 p. Dissertação (Mestrado em Ciência do Solo) - Universidade Federal de Lavras, Lavras.

MARQUÍNEZ, J.; LASTRA, J.; GARCIA, P. Estimation models for precipitation in mountainous regions: the use of GIS and multivariate analysis. Journal of Hydrology, Amsterdam, v. 270, n. 1/2, p. 1-11, Jan. 2003.

MARTINEZ-FÉRNANDEZ, J.; CEBALLOS, A. Temporal stability of soil in a large-field experiment in Spain. Soil Science Society of America Journal, Madison, v. 67, n. 6, p. 1647-1956, Nov./Dec. 2003.

MCBRATNEY, A. B.; WEBSTER, R. Choosing functions for semivariograms and fitting them to sampling estimates. The Journal of Soil Science, Oxford, v. 37, n. 4, p. 617-639, Dec. 1986.

98

MELLO, C. R.; SÁ, M. A. C.; CURI, N.; MELLO, J. M.; VIOLA, M. R.; SILVA, A. M. Erosividade mensal e anual da chuva no Estado de Minas Gerais. Pesquisa Agropecuária Brasileira, Brasília, v. 42, n. 4, p. 537-545, abr. 2007.

MELLO, C. R.; SILVA, A. M. Modelagem estatística da precipitação mensal e anual e no período seco para o estado de Minas Gerais. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 13, n. 1, p. 68-64, jan./fev. 2008.

MELLO, C. R.; VIOLA, M. R.; MELLO, J. M.; SILVA, A. M. Continuidade espacial de chuvas intensas no estado de Minas Gerais. Ciência e Agrotecnologia, Lavras, v. 32, n. 2, p. 532-539, mar. 2008.

MELLO, J. M. de. Geoestatística aplicada ao inventário florestal. 2004. 110 f. Tese (Doutorado em Recursos Florestais) – Universidade de São Paulo, Escola Superior de Agricultura de Luiz de Queiroz, Piracicaba.

MELLO, J. M. de; BATISTIA, J. L. F.; RIBEIRO JUNIOR, P. J.; OLIVEIRA, M. S. Ajuste e seleção de modelos espaciais de semivariograma visando à estimativa volumétrica de Eucaliptus grandis. Scientia Forestalis, Piracicaba, v. 1, n. 69, p. 25-37, dez. 2005.

MONTENEGRO, L. G. S. Análise da distribuição espacial da precipitação na bacia do Rio Pajeú em Pernambuco segundo método geoestatístico. Revista Tecnologia, Fortaleza, v. 29 n. 2, p. 174-185, dez. 2008.

MOOLMAN, J. H.; HUYSSTEEN, L. van. A geostatistical analysis of the penetrometer soil strength of a deep loughed soil. Soil and Tillage Research, Amsterdam, v. 15, n. 1, p. 11-24, 1989.

MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. 2. ed. São Paulo: E. Blücher, 2006. 538 p.

NAGHETTIN, M.; PINTO, A. J. E. Hidrologia estatística. Belo Horizonte: CPRM, 2007. 552p.

OLIVEIRA JUNIOR, R. C.; MEDINA, B. F. A erosividade das chuvas em Manaus (AM). Revista Brasileira de Ciência do Solo, Campinas, v. 14, n. 2, p. 235-239, jun. 1990.

99

OLIVIER, M. A.; WEBSTER, R. How geostatistics can help you. Soil Use and Management, Oxford, v. 7, n. 4, p. 206-217, Dec. 1991.

OYEBANDE, L. Deriving rainfall intensity - duration - frecuency relationships and estimates for regions with inadequate data. Journal des Sciences Hydrologiques, Oxford, v. 27, n. 3, p. 353-367, Sept. 1982.

PANNATIER, Y. Variowin: software for spatial data analysis in 2D. New York: Springer-Verlag, 1996. 90 p.

PEREIRA, R. A.; ANGELOCCI, R. L.; SENTELHAS, C. P. Agrometeorologia fundamentos e aplicações. Cuíaba: Agropecuária, 2002. 478 p.

RENARD, K. G.; FREIMUND, J. R. Using monthly precipitation data to estimate the R-factor in the revised USLE. Journal of Hydrology, v. 157, n. 1/4, p. 287-306, May 1994.

RIBEIRO JÚNIOR, P. J. Métodos geoestatísticos no estudo da variabilidade espacial de parâmetros do solo. 1995. 99 f. Dissertação (Mestrado em Estatística e Experimentação Agronômica) – Universidade de São Paulo, Escola Superior de Agricultura de Luiz de Queiroz, Piracicaba.

RIBEIRO JUNIOR, P. J.; DIGGLE, P. P. GeoR: a package for geoestatistical analysis. R-News, Rockester, v. 1/2, p. 15-18, June 2001.

ROQUE, C. G.; CARVALHO, M.; PRADO, R. M. Fator erosividade da chuva de Piraju (SP): distribuição, probabilidade de ocorrência, período de retorno e correlação com o coeficiente de chuva. Revista Brasileira de Ciência do Solo, Campinas, v. 25, n. 1, p. 147-156, fev. 2001.

SAMBÚ, B. F.; ALBUQUERQUE, F. I. C. Variabilidade climática da precipitação na região de Guiné Bissau - a situação sinóptica e a influência dos sistemas convectivos. In: CONGRESSO DE PÓS-GRADUAÇÃO EM CIÊNCIA DA TERRA, CLIMA E ESPAÇO DA UNIVERSIDADE DE ÉVORA, 2003, Portugal. Resumos... Portugal: Universitária, 2003. p. 67-69.

SAMPAIO, C. S.; CORRÊA, M. M.; SOUZA, R. M.; GUIMARÃES, C. J. Precipitação provável para o município de Lavras-MG, utilizando a distribuição log-normal. Ciência e Agrotecnologia, Lavras, v. 23, n. 2, p. 382-389, abr./jun. 1999.

100

SERVIÇO Nacional de Meteorologia de Guiné-Bissau (Bissau): Disponível em: <http://www.Meteo.guinebissau.gw>. Acesso em: 20 jun. 2007.

SILVA, C. R. J.; DIAS, S. A. A erosividade das chuvas em Fortaleza, CE. II: correlação com o coeficiente de chuva e atualização do fator R no período de 1962 a 2000. Revista Brasileira de Ciência do Solo, Campinas, v. 27, n. 2, p. 347-354, mar./abr. 2003.

SILVA, E. M. Impactos da implementação da parametrização de convecção rasa em um modelo de mesoescala. 2001. 78 p. Dissertação (Mestrado em Meteorologia) - Universidade Federal da Paraíba, Campina Grande.

SILVA, J. W.; GUIMARÃES, E. C.; TAVARES, M. Variabilidade temporal da precipitação mensal e anual na estação climatológica de Uberaba-MG. Ciência e Agrotecnologia, Lavras, v. 27, n. 3, p. 665-674, maio/jun. 2003.

SILVA, M. L. N.; FREITAS, P. L.; BLANCANEAUX, P.; CURI, N. Índices de erosividade das chuvas da região de Goiânia, GO. Pesquisa Agropecuária Brasileira, Brasília, v. 32, n. 10, p. 977-985, out. 1997.

SILVA, V. M. A. Meteorologia e climatologia. Brasília: Ministério da Agricultura/Instituto Nacional de Meteorologia, 2001. 515 p.

SMITH, J. A. Precipitation. In: MAIDMENT, D. Handbook of hidrology. New York: McGraw-Hill Professional, 1993. p. 1-3.

STATISTICA for windows, realese, 7.0. 2004. Disponível em: <http://www.statsoft.com/>. Acesso em: 20 jun. 2009.

TABORGA, J. T. Práticas hidrológicas. 2. ed. Rio de Janeiro: Transcon, 1975. 120 p.

THIAM, I. E.; SINGH, V. P. Space-time-frequency analysis of rainfall, runoff and temperature in the casamance river basin, southern Senegal, West Africa. Water S.A., Pretoria, v. 28, n. 3, p. 1-12, July 2002.

TRAGMAR, B. B.; YOST, R. S.; UEHARA, G. Application of geostatistics to spatial studies of soil properties. Advances in Agronomy, Madison, v. 38, p. 45-94, June 1985.

101

VIEIRA, S. R. Geoestatística em estudos de variabilidade espacial do solo. In: NOVAIS, R. F. de; ALVAREZ, V. V. H.; SCHAEFER, C. E. G. R. (Ed.). Tópicos em ciência do solo. Viçosa, MG: Sociedade Brasileira de Ciência do Solo, 2000. v. 1, p. 1-54.

VIEIRA, S. R.; HATFIELD, J. L.; NIELSEN, D. R.; BIGGAR, J. W. Geostatistical theory and application to variability of some agronomical properties. Hilgardia, Berkeley, v. 51, n. 3, p. 1-75, June 1983.

VIEIRA, S. R.; LOMBARDI NETO, S.; BURROWS, I. T. Mapeamento da chuva diária máxima provável para o Estado de São Paulo. Revista Brasileira de Ciência do Solo, Campinas, v. 15, n. 1, p. 93-98, fev. 1991.

WISCHMEIER, W. H.; SMITH, D. D. Predicting rainfail erosion loses: a guide to conservation planning. Washington: USDA, 1978. 58 p.

102

ANEXOS

ANEXO A

TABELA 1A Adequabilidade da distribuição Log-Normal 2

Parâmetros por meio do teste de Kolmogorov-

Smirnov, a 5% de significância.

Adequabilidade da distribuição Log-Normal 2 Parâmetros

Estações Período Junho Julho Agosto Setembro Outubro

1ª A A A A A Bafatá

2ª A A A A NA

1ª A A A A A Bambadinca

2ª A A A A A

1ª A A A A A Bissorã

2ª A A A A A

1ª A A A A A Bolama

2ª A A A A A

1ª A A A A A Buba

2ª A A A A A

1ª A A A A A Bubaque

2ª A A A A A

1ª A A A A A Bula

2ª A A A A A

1ª A A A A A Cacheu

2ª A A A A A

1ª A A A A A Cacine

2ª A A A A A

1ª A A A A A Caió

2ª A A A A NA

103

1ª A A A A A Cacine

2ª A A A A A

1ª A A A A A Canchungo

2ª A A A A A

1ª A A A A A Catio

2ª A A A A A

1ª A A A A A Farim

2ª A A A A A

1ª A A A A A Fulacunda

2ª A A A A A

1ª A A A A A Gabu

2ª A A A A A

1ª A A A A NA Boé

2ª NA A A A A

1ª A A A A A Mansaba

2ª A A A NA A

1ª A A A A A Pirada

2ª A A A A A

1ª A A A NA NA Pitche

2ª A A NA A NA

1ª A A NA A NA Xitole

2ª A A A A NA

1ª A A A A A Bissau Observatório 2ª A A A A A

104

Livros Grátis( http://www.livrosgratis.com.br )

Milhares de Livros para Download: Baixar livros de AdministraçãoBaixar livros de AgronomiaBaixar livros de ArquiteturaBaixar livros de ArtesBaixar livros de AstronomiaBaixar livros de Biologia GeralBaixar livros de Ciência da ComputaçãoBaixar livros de Ciência da InformaçãoBaixar livros de Ciência PolíticaBaixar livros de Ciências da SaúdeBaixar livros de ComunicaçãoBaixar livros do Conselho Nacional de Educação - CNEBaixar livros de Defesa civilBaixar livros de DireitoBaixar livros de Direitos humanosBaixar livros de EconomiaBaixar livros de Economia DomésticaBaixar livros de EducaçãoBaixar livros de Educação - TrânsitoBaixar livros de Educação FísicaBaixar livros de Engenharia AeroespacialBaixar livros de FarmáciaBaixar livros de FilosofiaBaixar livros de FísicaBaixar livros de GeociênciasBaixar livros de GeografiaBaixar livros de HistóriaBaixar livros de Línguas

Baixar livros de LiteraturaBaixar livros de Literatura de CordelBaixar livros de Literatura InfantilBaixar livros de MatemáticaBaixar livros de MedicinaBaixar livros de Medicina VeterináriaBaixar livros de Meio AmbienteBaixar livros de MeteorologiaBaixar Monografias e TCCBaixar livros MultidisciplinarBaixar livros de MúsicaBaixar livros de PsicologiaBaixar livros de QuímicaBaixar livros de Saúde ColetivaBaixar livros de Serviço SocialBaixar livros de SociologiaBaixar livros de TeologiaBaixar livros de TrabalhoBaixar livros de Turismo