distribuiÇÃo temporal das variÁveis climatolÓgicas … · models suitability, climatological...
TRANSCRIPT
IV Simpósio de Geoestatística Aplicada em Ciências Agrárias
14 e 15 de Maio de 2015
Botucatu, São Paulo
IV Simpósio de Geoestatística em Ciências Agrárias – SGeA | ISSN: 2236-2118
1
DISTRIBUIÇÃO TEMPORAL DAS VARIÁVEIS CLIMATOLÓGICAS EM BOTUCATU-
SP
Filgueiras R.¹; Nicolete, D. A. P.2; Carvalho, T. M.3; Cunha, A. R.4; Zimback, C. R. L5.
1Eng. Agrícola e Ambiental, mestrando em Agronomia (Irrigação e Drenagem), Depto de Solos e Recursos Ambientais,
FCA/UNESP, [email protected] 2Eng. Florestal, mestrando em Agronomia (Irrigação e Drenagem), Depto de Solos e Recursos Ambientais,
FCA/UNESP, [email protected] 3Eng. Agrícola, doutoranda em agronomia (Energia na Agricultura), Depto de Solos e Recursos Ambientais,
FCA/UNESP, [email protected] 4Engenheiro Agrônomo Dr., Depto de Solos e Recursos Ambientais, FCA/UNESP, [email protected] 5Prof. Adjunto, Depto de Solos e Recursos Ambientais, FCA/UNESP, Botucatu/SP, Brasil, [email protected]
Resumo – As variáveis climáticas são extremamente dinâmicas ao longo do tempo, logo, um curto espaço temporal das
mesmas, não consegue representar com uma boa fidedignidade a realidade, fazendo com que as normais climatológicas
tornem-se muito úteis nesse sentido. Dessa forma, o trabalho teve por objetivo, realizar a distribuição temporal das
normais climatológicas diárias (umidade relativa do ar, velocidade do vento, radiação solar, evaporação do tanque
Classe A, precipitação e temperatura) em um período de 37 anos, para o município de Botucatu-SP. Para verificar a não
tendenciosidade dos dados e a dependência temporal, utilizou-se a análise variográfica e o índice de dependência temporal, respectivamente. Após esta etapa verificou-se que os dados climáticos poderiam ser interpolados pela
krigagem ordinária. Os modelos dos variogramas teóricos ajustaram-se aos variogramas experimentais, o que foi
constatado pelo R².Verificada a adequabilidade dos modelos, as variáveis climatológicas foram interpoladas, gerando
superfícies contínuas.
Palavras-chave: krigagem ordinária; normal climatológica; geoestatística.
TEMPORAL DISTRIBUTION OF CLIMATOLOGICAL NORMALS IN BOTUCATU, SÃO PAULO STATE,
BRAZIL
Abstract - The climatic conditions are extremely dynamic over the time, so, a short timeline analysis cannot represent
the reality with good reliability, making climatological normal very useful in this regard. Thus, the study aimed to
realize the temporal distribution of climatological normal (relative humidity, wind speed, solar radiation, evaporation of the Class A tank, precipitation and temperature) over a period of 37 years in Botucatu-SP. To verify the absence of data
bias and temporal dependence were used variogram analysis and temporal dependence index, respectively. After this
step, it was found that climatic data could be interpolated by ordinary kriging. The theoretical variograms models have
adjusted at experimental variograms models. These adjustments were observed by a high value of R².Verified the
models suitability, climatological variables were interpolated, generating continuous surfaces.
Key words: ordinary kriging; climatological normal; geostatistics.
Introdução
O conhecimento de dados meteorológicos de uma determinada região é fator primordial para o planejamento em
diversas áreas, como agricultura, pecuária, hidrologia, gestão urbana, dentre outras. Nesse contexto, as normais
climatológicas, que são valores médios relativos a vários anos, como decênios ou séculos, tornam-se fundamentais para
se entender os fenômenos climáticos ocorrentes na superfície terrestre. As normais representam com maior
fidedignidade a realidade, quando comparadas com dados de curto período temporal. As informações obtidas, a partir
das normais climatológicas subsidiam a tomada de decisão, como por exemplo: épocas mais adequadas para o plantio, zoneamentos agrícolas, situações de riscos fitossanitários, manejo de irrigação e bem estar animal.
Uma das formas de aperfeiçoar o entendimento desses parâmetros é representá-los de maneira espacial e temporal
(SARTORI et al., 2010). Para isso, pode-se utilizar de metodologias geoestatísticas, onde tal comportamento é
apresentado por meio de mapas temáticosdos parâmetros climatológicos.
Com o uso da geoestatística, torna-se possível analisar o grau de dependência espacial ou temporal de uma variável
IV Simpósio de Geoestatística Aplicada em Ciências Agrárias
14 e 15 de Maio de 2015
Botucatu, São Paulo
IV Simpósio de Geoestatística em Ciências Agrárias – SGeA | ISSN: 2236-2118
2
aleatória e com isso, decidir qual o melhor interpolador que se deve utilizar para a representação dos parâmetros
(YAMAMOTO; LANDIM, 2013), facilitando o entendimento das variáveis climáticas, principalmente, para o manejo correto das atividades agrícolas.
Dessa forma, o trabalho teve como objetivo realizar a distribuição temporal das normais climatológicas diárias da
umidade relativa do ar, velocidade do vento, radiação solar, evaporação do tanque classe A, precipitação e temperatura,
para um período de 37 anos, no município de Botucatu-SP.
Material e Métodos
O município de Botucatu está localizado na região centro sul do estado de São Paulo, com uma área territorial de
1.482,64 km². De acordo com Cunha e Martins (2009), o clima da região foi caracterizado como Cfa, clima temperado
quente (mesotérmico) úmido, tendo uma temperatura média anual de 20,3 °C, apresentando uma precipitação média
anual de 1.428 mm.
As informações de umidade relativa do ar (UR), velocidade do vento (U), radiação solar (Rs), evaporação do tanque
Classe A (ECA), precipitação (Pp) e temperatura do ar (T) são da estação meteorológica convencional da Faculdade de Ciências Agronômicas da UNESP, Campus de Botucatu-SP, nas seguintes coordenadas geográficas: 22° 51’ de latitude
S e 48° 26’ de longitude W, e altitude de 786 m.
Para definir as normais climatológicas coletou-se uma série histórica de 37 anos (1971 a 2008) de dados diários, que
foram processados no programaGS+ 9.0 (ROBERTSON, 2009).
Inicialmente, a análise exploratória dos dados foi realizada pela estatística descritiva, através de medidas de posição
e dispersão.
A dependência das variáveis aleatóriasfoi analisada ao longo do tempo por meio da Equação 1.
𝛶(𝑡) = (1
2𝑁(𝑡))∑ [𝑍(𝑥𝑖) − 𝑍(𝑥𝑖 + 𝑡)]²
𝑁(𝑡)𝑖=1 (1)
em que: 𝛶(𝑡) é o semivariograma para um vetor t em dias; Z(x) e Z(x+t) são os pares das variáveis analisadas no
estudo, separados por um intervalo de tempo (dias) e N(t) é o números de pares medidos. Foi realizado ajuste dos
modelos dos variogramas teóricos aos experimentais. Posterior a esse, calculou-se o Índice de Dependência Temporal
(IDT) por meio da relação entre a semivariância estrutural ou temporal (C) e o patamar (C+Co), por meio da equação 2,
proposta por Zimback (2001).
𝐼𝐷𝑇 =𝐶
𝐶+𝐶𝑜𝑥100 (2)
Considera-seuma fraca dependência temporal para os valores menores ou iguais a 25%, entre 25 e 75%, moderada
dependência temporal e para as os resultados maiores que 75%, forte dependência temporal.
A qualidade dos ajustes dos modelos foi verificada por meio da validação cruzada, que consiste na comparação entre os valores observados e os estimados pelos modelos.
Após comprovar a dependência temporal das variáveis climáticas, e com os parâmetros dos modelos ajustados
realizou-se a interpolação, pelo método da krigagem ordinária, com intuito de representar a distribuição temporal das
normais climatológicas em estudo.
Resultados e Discussão
A Tabela 1 apresenta a estatística descritiva das normais climatológicas das variáveis UR, U, Rs, ECA, Pp e T
analisadas para o município de Botucatu-SP. O maior coeficiente de variação foi verificado para a precipitação. A UR e
T foram as variáveis que apresentaram distribuição assimétrica negativa, e as demais variáveis apresentaram assimetria
positiva. As variáveis UR, U, Rs e T apresentaram coeficiente de curtose menor que zero, sendo esta definida como
platicúrtica. Já a ECA e a Pp apresentaram um coeficiente de curtose positivo, o que indica distribuição leptocúrtica, ou
seja, uma distribuição menos achatada que uma distribuição normal. Os modelos dos variogramas foram testados no programa GS+9.0 e o variograma teórico que melhor ajustou-se à
maioria dos parâmetros climáticos analisados no estudo foi o modelo esférico (Tabela 2), à exceção da T, que
apresentou modelo gaussiano. Modelo esférico para a Pp também foi observado por Jacomo et al (2013) para análise
temporal para a região do oeste paulista. São escassos na literatura estudos usando normais climatológicas.
Os variogramas das normais climatológicas estão nas Figuras 1, 2 e 3.
IV Simpósio de Geoestatística Aplicada em Ciências Agrárias
14 e 15 de Maio de 2015
Botucatu, São Paulo
IV Simpósio de Geoestatística em Ciências Agrárias – SGeA | ISSN: 2236-2118
3
Tabela 1. Estatística descritiva das variáveis climatológicas analisadas.
Variável n Média S S² CV(%) Min. Max. Ca Ck
UR 366 71,657 5,164 26,668 7,206 56,740 81,960 -0,40 -0,54
U 366 1,574 0,216 0,046 13,750 1,190 2,160 0,48 -0,61
Rs 366 393,778 55,305 3058,657 14,044 278,080 539,520 0,04 -0,54
ECA 366 5,106 1,274 1,623 24,951 2,730 10,440 0,70 1,53
Pp 366 4,064 2,923 8,546 71,924 0,130 14,380 0,99 0,45
T 366 20,434 2,186 4,778 10,698 16,010 23,770 -0,29 -1,31
UR: umidade relativa do ar em %; U: velocidade do vento em m/s; Rs: radiação solar em Cal/m²; ECA: evaporação do tanque Classe A em mm; Pp: precipitação (mm); T: temperatura do ar (°C); n: número de observações; s: desvio-padrão; S²: variância; CV: coeficiente de variação (%); Ca: Coeficiente de assimetria; Ck: coeficiente de curtose.
Tabela 2. Características dos modelos encontrados para as variáveis climatológicas analisadas.
UR: umidade relativa do ar em %; U: velocidade do vento em m/s; Rs: radiação solar em Cal/m²; ECA: evaporação do tanque Classe A em mm; Pp: precipitação em mm; T: temperatura do ar em °C; Co: efeito pepita; Co+C: patamar; A: alcance; R²: coeficiente de determinação múltipla; IDT: índice de dependência temporal.
O critério para escolha dos modelos foi o menor erro (Zimback, 2003). O IDT de todos os parâmetros climáticos
avaliados apresentou forte dependência temporal (IDT > 75%), de acordo com Zimback (2001).
O R² da validação cruzada das normais UR, U, Rs e ECA, Pp e T foram de 0,875, 0,691, 0,854, 0,730, 0,592 e 0,966
respectivamente, o que comprova a adequação dos modelos variográficos experimentais aos modelos dos variogramas
teóricos.
Os mapas temáticos de distribuição no tempo para as normais climatológicas são apresentados na Figura 4. Para
normal UR (Figura 4A), observou-se que os menores valores ocorrem no mês de agosto, seguido pelo mês de setembro.
Os maiores valores para UR acontecem na normalidade, no mês de janeiro, seguido do mês de fevereiro e março.
A Figura 4B apresenta a normal climatológica da U temporalizado para o município de Botucatu-SP. Observa-se
que as ocorrências de ventos mais fortes iniciam-se no mês de setembro, prolongando-se nos meses de outubro e novembro.
Os maiores valores de Rs (Figura 4C) ocorrem nos meses de novembro e dezembro, podendo ser observado um
ligeiro incremento no final do mês de outubro. Já os menores valores de Rs ocorrem com maior predominância, no mês
de junho, alcançando o final de maio e estendendo-se até o mês de julho.
A ECA (Figura 4D) apresenta maiores taxas no mês de março, com alguns picos esparsos durante este mês. Os
menores valores de ECA ocorrem no mês de junho, porém, os meses de maio e julho, também apresentam baixos
valores do parâmetro (B).
Variável Modelo do
Variograma Co Co+C A R² IDT
UR Esférico 0,0100 28,7500 6,850 0,937 1,000
U Esférico 0,0049 0,05030 7,730 0,955 0,903
Rs Esférico 10,0000 3237,0000 5,630 0,805 0,997
ECA Esférico 0,0920 1,7090 4,010 0,719 0,946
Pp Esférico 6,910 1,020 9,025 0,955 0,887
T Gaussiano 0,0100 5,143 4,640 0,748 0,998
IV Simpósio de Geoestatística Aplicada em Ciências Agrárias
14 e 15 de Maio de 2015
Botucatu, São Paulo
IV Simpósio de Geoestatística em Ciências Agrárias – SGeA | ISSN: 2236-2118
4
(A) (B)
Figura 1. Variogramas isotrópicos das normais de UR (A) e U (B).
(A) (B)
Figura 2. Variogramas isotrópicos das normais de Rs (A) e ECA (B).
(A) (B)
Figura 3. Variogramas isotrópicos das normais de T (A) e Pp (B).
IV Simpósio de Geoestatística Aplicada em Ciências Agrárias
14 e 15 de Maio de 2015
Botucatu, São Paulo
IV Simpósio de Geoestatística em Ciências Agrárias – SGeA | ISSN: 2236-2118
5
(A) (B)
(C) (D)
(E) (F)
Figura 4. Distribuição temporal das normais climatológicas.
Na Figura 4E os menores valores de Pp diária são observados nos meses posteriores a abril, até aproximadamente a primeira quinzena de setembro. Já os maiores valores de Pp são observados nos meses de janeiro, fevereiro e março, no
inicio do ano, e novembro a dezembro no final do ano. A representação temporal mostra, portanto, que ocorre pouca
variação temporal ao longo de cada mês (durante os dias), sendo a variação observada ao longo dos meses (durante o
ano). Na Figura 2, o padrão analisado indica que ocorrem no munícipio de Botucatu-SP, verões chuvosos e invernos
secos (CUNHA; MARTINS, 2009).
As T médias mais altas (Figura 4F) são concentradas na segunda quinzena dos meses iniciais do ano. De modo
geral, a T apresenta uma maior flutuação em intervalos mais curtos, no período de março a maio, de acordo com as
classes consideradas. A transição da T decresce de forma mais gradual e uniforme no outono, do que na primavera.
Foram testadas as correlações entre todas as variáveis analisadas, e as que apresentaram forte correlação foram: Rs
com a ECA (0,75), Rs com T (0,775) e ECA com T (0,725). A Rs apresentou uma correlação moderada com a U
(0,440) e Pp (0,431), e o mesmo foi observado entre Pp e ECA (0,430) e entre a Pp e T (0,693). As demais análises
apresentaram coeficiente de correlação inferior a 0,40, sendo o menor coeficiente de 0,053 (U e T), considerado uma
fraca correlação entre essas variáveis.
Conclusão As normais das variáveis climáticas apresentaram forte dependência temporal, sendo a umidade relativa do ar a que
apresentou a maior dependência ao longo do tempo.
A precipitação apresentou o maior alcance dentre as variáveis, o que determina que essa tenha uma maior relação de
dependência em função do tempo.
A interpretação das normais climatológicas é facilitada quando essas variáveis são apresentadas no formato de
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Dias do mês
1
2
3
4
5
6
7
8
9
10
11
12
Meses
UR do ar (%)
81,879,477,074,672,169,767,364,962,560,157,7
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Dias do mês
1
2
3
4
5
6
7
8
9
10
11
12
Meses
Velocidade do vento (m/s)
2,02,01,91,81,71,71,61,51,41,31,3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Dias do Mês
1
2
3
4
5
6
7
8
9
10
11
12
Meses
Evaporação TCA (mm)
9,58,88,27,56,96,25,54,94,23,62,9
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Tempo (dias)
1
2
3
4
5
6
7
8
9
10
11
12
Meses
Radiação solar (cal/m²)
535510484459434409384358333308283
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Dias do Mês
1
2
3
4
5
6
7
8
9
10
11
12
Meses
Evaporação TCA (mm)
9,58,88,27,56,96,25,54,94,23,62,9
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Dias do mês
1
2
3
4
5
6
7
8
9
10
11
12
Meses
Chuva (mm)
12,711,510,39,17,96,75,54,23,01,80,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Dias do mês
1
2
3
4
5
6
7
8
9
10
11
12
Meses
Temperatura média (°C)
23,722,922,221,420,619,819,018,217,516,715,9
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Dias do mês
1
2
3
4
5
6
7
8
9
10
11
12
Meses
Chuva (mm)
12,711,510,39,17,96,75,54,23,01,80,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Dias do mês
1
2
3
4
5
6
7
8
9
10
11
12
Meses
Chuva (mm)
12,711,510,39,17,96,75,54,23,01,80,6
IV Simpósio de Geoestatística Aplicada em Ciências Agrárias
14 e 15 de Maio de 2015
Botucatu, São Paulo
IV Simpósio de Geoestatística em Ciências Agrárias – SGeA | ISSN: 2236-2118
6
mapas temáticos, ao invés de tabelas e gráficos, como normalmente são apresentados.
A síntese de informação representadas nos mapas temporais das normais viabiliza imediata interpretação do comportamento das variáveis climatológicas, como é demandado pelo usuário nas tomadas de decisões.
Referências
CUNHA, A. R.; MARTINS, D. Classificação climática para os municípios de Botucatu e São Manuel,
SP. Irriga, Botucatu,v.14, n.1, p.1-11, 2009.
JACOMO, C. A.; TACHIBANA, V. M.; FLORES, E. F. Geoestatística espaço-temporal e cluster para classificação de
dados de precipitação anual do oeste paulista. In: SIMPÓSIO DE GEOESTATÍSTICA APLICADA EM CIÊNCIAS
AGRÁRIAS. III, 2013. Botucatu. Anais... Botucatu: FEPAF, 2013. CD-ROM.
ROBERTSON, G. P. GS+: Geoestatistics for the environmental sciences – GS+ User ́s Guide. Plainwell, Gamma
Design Software, 2009. 152 p.
SARTORI, A. A. C.; SILVA, A. F.; RAMOS, C. M. C.; ZIMBACK, C. R. L. Variabilidade Temporal e mapeamento dos dados climáticos de Botucatu-SP. Irriga, Botucatu, v. 15, n. 2, p.131-139. 2010.
VIOLA, M. R.; MELLO, C. R.; PINTO, D. B. F.; MELLO, J. M.; AVILA, L. F. Métodos de interpolação espacial para
o mapeamento da precipitação pluvial. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande,
v.14, n.9, p.970–978, 2010.
ZIMBACK, C. R. L. Análise espacial de atributos químicos de solos para fins de mapeamento da fertilidade.
2001. 114 p. Tese (Livre-Docência) - Levantamento do solo e fotopedologia, Faculdade Ciências Agronômicas,
Universidade Estadual Paulista “Júlio de Mesquita Filho”, Botucatu, 2001.
ZIMBACK, C. R. L. Geoestatística: Elementos da Geoestatística. 25 p. Botucatu, Faculdade de Ciências Agronômicas,
Universidade Estadual Paulista “Júlio de Mesquita Filho”, 2003.