eventos meteorolÓgicos extremos em uma … · À deus, aos meus pais maria ... - aos amigos que...
TRANSCRIPT
INSTITUTO AGRONÔMICO
CURSO DE PÓS-GRADUAÇÃO EM AGRICULTURA
TROPICAL E SUBTROPICAL
EVENTOS METEOROLÓGICOS EXTREMOS EM
UMA LOCALIDADE DO RIO GRANDE DO SUL:
PROBABILIDADES DE OCORRÊNCIA E
TENDÊNCIAS CLIMÁTICAS
IZABELE BRANDÃO KRUEL
Orientador: Gabriel Constantino Blain
Co-orientadora: Ana Maria Heuminski de Ávila
Dissertação submetida como requisito parcial
para obtenção do grau de Mestre em
Agricultura Tropical e Subtropical, Área de
Concentração em Tecnologia de Produção
Agrícola
Campinas, SP
Fevereiro, 2015.
Ficha elaborada pela bibliotecária do Núcleo de Informação e Documentação do Instituto Agronômico
K94e Kruel, Izabele Brandão Eventos meteorológicos extremos em uma localidade do Rio Grande do Sul: Probabilidades de ocorrência e tendências climáticas. / Izabele Brandão Kruel. Campinas, 2015. 56 fls.
Orientador: Gabriel Constantino Blain Co-orientadora: Ana Maria Heuminski de Ávila Dissertação (Mestrado) Agricultura Tropical e Subtropical – Instituto Agronômico
1. Mudança climática – Rio Grande do Sul (RS). 2. GEV 3. Variabilidade temporal I. Blain, Gabriel Constantino II. Ávila, Ana Maria Heuminski de III. Título
CDD. 551.68
iii
iv
À Deus, aos meus pais Maria Iracema e Erasmo,
aos meus irmãos Max, Alex e Vinicius,
DEDICO
Ao meu noivo Pedro, meus
sobrinhos Igor, Hiago e Victoria
e minhas afilhadas Thuane e
Nicole
OFEREÇO
v
AGRADECIMENTOS
- A minha mãe, Maria Iracema Brandão, meu pai Erasmo Kruel e aos meus irmãos
Maximiliano, Alex Sandro e Vinicius Kruel que são o meu esteio, meu porto seguro, de onde
eu recebo o apoio incondicional para todos os sonhos que eu tive e ainda tenho nessa vida.
- Ao meu noivo, Pedro Achiles Macagnan da Rocha que é a pessoa que me impulsiona para
buscar e atingir todos os meus objetivos de vida, estando sempre ao meu lado, me
confortando com palavras doces e abrindo meu caminho para o futuro. Assim como minha
sogra Alba Marina Macagnan, por todas as palavras de apoio. Obrigada!
- A Dra. Liziany Müller, que foi minha base na pesquisa durante minha iniciação cientifica,
que me mostrou o caminho e deu um empurrão para a estrada acadêmica e científica.
- Aos amigos que fiz durante os 2 anos que morei em Campinas, André Luiz Santos da Silva,
Paulo Henrique da Silveira e Dr. Wilson Figueiredo foram pessoas que sempre estiveram ao
meu lado meu ajudando com palavras de apoio e conforto, sendo mais do que amigo.
- A minha colega de pesquisa no IAC, Mônica Meschiatti que me ajudou no desenvolvimento
da pesquisa deste trabalho, sendo fundamental no meu aprendizado.
- Ao meu orientador, Dr. Gabriel Constantino Blain, com quem eu tive a honra de poder
aprender durante todo o período do mestrado, sendo um excelente pesquisador e professor no
qual teve total dedicação ao meu ensino e aprendizagem. Muito Obrigada!
- Ao Dr. Mário José Pedro Junior, pelos ensinamentos.
- Aos colegas do Departamento de P&D de Ecofisiologia e Biofísica, Augusto Yukitaka
Pessinatti Ohashi, André Luis Barros de Oliveira Silva, Glaucia Cristina Pavão, Dra. Regina
Célia de Matos Pires, Leonardo Rosa Teixeira, Dr. Emilio Sakai, Dr. Rinaldo de Oliveira
Calheiros e Maria Aparecida de Oliveira!!
- Ao Centro de P&D de Ecofisiologia e Biofísica do Instituto Agronômico, pela oportunidade
concedida para a realização deste trabalho.
- A Pós-Graduação do Instituto Agronômico pela oportunidade concedida para a realização do
curso.
- À Coordenadoria de Aperfeiçoamento de Ensino Superior (CAPES), pela concessão da
bolsa de estudos.
vi
"Lute com determinação, abrace a vida com paixão,
perca com classe e vença com ousadia,
porque o mundo pertence a quem se atreve e
a vida é muito para ser insignificante."
Charles Chaplin
vii
SUMÁRIO
LISTA DE TABELAS ............................................................................................................ viii
LISTA DE FIGURAS ................................................................................................................ x
LISTA DE ABREVIAÇÕES E SÍMBOLOS ........................................................................... xii
RESUMO ................................................................................................................................ xiii
ABSTRACT ............................................................................................................................ xiv
1 INTRODUÇÃO ....................................................................................................................... 1
2 REVISÃO DA LITERATURA ............................................................................................... 4
2.1 Funções paramétricas: Distribuição Geral dos Valores Extremos ................................... 4
2.3 Tendências climáticas ....................................................................................................... 6
2.4 Teste não paramétrico de Mann-Kendall ......................................................................... 7
2.5 Auto-correlação ou Correlação Serial .............................................................................. 7
3 MATERIAL E MÉTODOS ..................................................................................................... 9
3.1 Material ............................................................................................................................. 9
3.1.1 Caracterização climática de Pelotas - RS .................................................................. 9
3.2 Métodos .......................................................................................................................... 13
3.2.1 Definição de valor extremo ..................................................................................... 13
3.2.2 Distribuição GEV estacionária e testes de aderência (goodness-of-fit tests)........... 14
3.2.3 Função auto-correlação, testes Run e de Mann-Kendall ......................................... 17
3.2.4 GEV não estacionária, critério de informação de Akaike, e teste da razão da
verossimilhança ................................................................................................................ 19
4 RESULTADOS E DISCUSSÃO .......................................................................................... 23
4.1 Temperatura mínima extrema do ar................................................................................ 23
4.2 Temperatura máxima extrema do ar ............................................................................... 27
4.3 Precipitação pluvial anual ............................................................................................... 31
4.4 Temperatura mínima do ar em escala sazonal ................................................................ 33
4.5 Temperatura máxima do ar em escala sazonal ............................................................... 39
4.6 Precipitação pluvial em escala sazonal ........................................................................... 43
6 REFERÊNCIAS .................................................................................................................... 49
viii
LISTA DE TABELAS
Tabela 1 - Coeficiente da função de auto-correlação* (rk), valor do teste Run (Z), significância
associada ao valor do teste Run (pd), teste de Mann-Kendall (MK) e seu p-valor aplicado às
séries anuais de temperatura mínima extrema do ar. Pelotas - RS (1896-2011) .....................23
Tabela 2 - Parâmetros dos modelos para a série de Tmin anual da localidade de Pelotas pelo
método da máxima verossimilhança – RS (1986-2011). .........................................................24
Tabela 3 - Valores dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL), Anderson-
Darling (AD), Anderson-Darling modificado para cauda inferior (AL), seus respectivos
valores críticos (crit) e do Critério de Informação de Akaike Δ(.) para temperatura mínima
(Tmin) anual. ..........................................................................................................................24
Tabela 4 - Teste da razão da verossimilhança (estatística D) para os modelos 2 e 3 da série
anual Tmin (1896-2011) .........................................................................................................25
Tabela 5 - Probabilidades futuras de ocorrência associados com valores extremos de
temperatura mínima do ar (Pr [Tmin]), na região de Pelotas, estado do Rio Grande do Sul,
Brasil. ...................................................................................................................................26
Tabela 6 - Coeficiente da função de auto-correlação* (rk), significância associada ao valor
(pd), teste de Mann-Kendall (MK) e seu p-valor aplicado às séries anuais de temperatura
máxima extrema do ar. Pelotas - RS (1896-2011) ..................................................................28
Tabela 7 - Parâmetros dos modelos da série de Tmax anual da localidade de Pelotas – RS
(1986-2011). ............................................................................................................................28
Tabela 8 - Valor dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL), Anderson-
Darling (AD), Anderson-Darling modificado para cauda superior (AU), seus respectivos
valores críticos (crit) e do Critério de Informação de Akaike Δ(.) para temperatura máxima do
ar anual (Tmax). .....................................................................................................................29
Tabela 9 - Teste da razão da verossimilhança (estatística D) para os modelos 3 e 4 da série
anual Tmax (1896-2011) ..........................................................................................................29
Tabela 10 - Probabilidades futuras de ocorrência associados com valores extremos de
temperatura máxima do ar (Pr [Tmax]), na região de Pelotas, estado do Rio Grande do Sul,
Brasil. ...................................................................................................................................30
Tabela 11 - Coeficiente da função de auto-correlação* (rk), valor do teste Run (Z),
significância associada ao valor do teste Run (pd), teste de Mann-Kendall (MK) e seu p-valor
aplicado às séries anuais de precipitação pluvial extrema do ar. Pelotas - RS (1896-2011) ....31
Tabela 12 - Parâmetros dos modelos da série de precipitação pluvial anual da localidade de
Pelotas estimados pelo Método da Máxima Verossimilhança – RS (1986-2011). ...................32
Tabela 13 - Valores dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL),
Anderson-Darling (AD), Anderson-Darling modificado (ADm), seus respectivos valores
críticos (crit) e do Critério de Informação de Akaike Δ(.) para precipitação pluvial. ..............33
Tabela 14 - Coeficiente da função de auto-correlação* (rk), significância associada ao valor
(pd), teste de Mann-Kendall (MK) e seu p-valor aplicado às séries sazonais de temperatura
mínima extrema do ar. Pelotas - RS (1896-2011) ....................................................................34
Tabela 15 - Valores referentes aos parâmetros adotados para os das séries de Tmin sazonal da
localidade de Pelotas – RS pelo Método da Máxima Verossimilhança (1986-2011)...............35
ix
Tabela 16 - Valor dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL), Anderson-
Darling (AD), Anderson-Darling modificado para cauda inferior (AL), seus respectivos
valores críticos (crit) e do Critério de Informação de Akaike Δ(.) para a série de temperatura
mínima do ar em escala sazonal (1896-2011). .......................................................................36
Tabela 17 - Teste da razão da verossimilhança (estatística D) para os modelos das série de
temperatura mínima do ar em escala sazonal (1896-2011).......................................................37
Tabela 18 - Probabilidades futuras de ocorrência associados com valores extremos de
temperatura mínima do ar (Pr [Tmin]) em escala sazonal observados no inverno à distribuição
geral de valores extremos para Pelotas, Rio Grande do Sul, Brasil (1896-2011) .....................39
Tabela 19 - Coeficiente da função de auto-correlação* (rk), valor do teste Run (Z),
significância associada ao valor do teste Run (pd), , teste de Mann-Kendall (MK) e seu p-
valor aplicado às séries sazonais de temperatura máxima extrema do ar. Pelotas - RS (1896-
2011) ....................................................................................................................................40
Tabela 20 - Valores referentes aos parâmetros dos modelos para as séries de Tmax sazonal da
localidade de Pelotas – RS (1986-2011). ...............................................................................41
Tabela 21 - Valores dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL),
Anderson-Darling (AD), Anderson-Darling modificado para cauda superior (AU), seus
respectivos valores críticos (crit) e Critério de Informação de Akaike Δ(.) para a série de
temperatura máxima do ar em escala sazonal (1896-2011) . ..................................................42
Tabela 22 - Teste da razão da verossimilhança (estatística D) para os modelos das série de
temperatura máxima do ar em escala sazonal (1896-2011). ...................................................42
Tabela 23 - Coeficiente da função de auto-correlação* (rk), valor do teste Run (Z),
significância associada ao valor do teste Run (pd), teste de Mann-Kendall (MK) e seu p-valor
aplicado às séries sazonais de precipitação pluvial extrema. Pelotas - RS (1896-2011).......... 44
Tabela 24 - Parâmetros dos modelos da série de precipitação pluvial sazonal da localidade de
Pelotas estimados pelo Método da Máxima Verossimilhança – RS (1986-2011). ...................45
Tabela 25 - Valores dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL),
Anderson-Darling (AD), Anderson-Darling modificado para a cauda superior (AU), seus
respectivos valores críticos (crit) e Critério de Informação de Akaike Δ(.) para a série de
Precipitação pluvial sazonal (1896-2011) ................................................................................ 46
Tabela 26 - Teste da razão da verossimilhança (estatística D) para os modelos 1 e 2 da série
de precipitação pluvial sazonal (1896-2011)............................................................................ 46
x
LISTA DE FIGURAS
Figura 1 - Número de dias com geada referentes a cada mês, do posto meteorológico
pertencente a Estação Agroclimatológica de Pelotas - RS (1971-2000). ................................. 10
Figura 2- Temperatura do ar do posto meteorológico pertencente a Estação Agroclimatológica
de Pelotas - RS (1971-2000). .................................................................................................... 10
Figura 3 - Precipitação pluvial máxima diária e média mensal do posto meteorológico
pertencente a Estação Agroclimatológica de Pelotas - RS (1971-2000). ................................. 10
Figura 4 - Umidade relativa do ar do posto meteorológico pertencente a Estação
Agroclimatológica de Pelotas - RS (1971-2000). ..................................................................... 11
Figura 5 - Representação gráfica da variação dos dados mensais meteorológicos de
precipitação pluvial, evapotranspiração potencial (ETP) e evapotranspiração real (ETR) de
Pelotas para a média do período de 1971 a 2000. .................................................................... 12
Figura 6 - Representação gráfica da deficiência, excedente, retirada e reposição hídrica ao
longo do ano de Pelotas para a média do período de 1971 a 2000. .......................................... 12
Figura 7 - Representação gráfica do armazenamento mensal de água de Pelotas - RS para a
média do período de 1971 a 2000. ............................................................................................ 13
Figura 8 - Temperatura mínima extrema anual disponível no posto meteorológico de Pelotas,
Rio Grande do Sul, Brasil (1896-2011) .................................................................................... 23
Figura 9 - Gráfico quantil-quantil resultante do ajuste de séries de valores mínimos diários de
temperatura do ar observados dentro de cada ano à distribuição geral de valores extremos para
Pelotas, Rio Grande do Sul, Brasil (1896-2011). ..................................................................... 26
Figura 10 - Temperatura máxima extrema anual disponível no posto meteorológico de
Pelotas, Rio Grande do Sul, Brasil (1896-2011). ..................................................................... 27
Figura 11 - Gráfico quantil-quantil resultante do ajuste de séries de valores máximos diários
de temperatura do ar observados dentro de cada ano à distribuição geral de valores extremos
para Pelotas, Rio Grande do Sul, Brasil (1896-2011). ............................................................. 30
Figura 12 - Precipitação pluvial extrema anual disponível no posto meteorológico de Pelotas,
Rio Grande do Sul, Brasil (1896-2011). ................................................................................... 31
Figura 13 - Temperatura mínima (Tmin) extrema sazonal do posto meteorológico de Pelotas,
Rio Grande do Sul, Brasil (1896-2011) .................................................................................... 33
Figura 14 - Gráficos quantil-quantil resultantes do ajuste de séries de valores mínimos diários
de temperatura do ar observados no verão, inverno e primavera à distribuição geral de valores
extremos para Pelotas, Rio Grande do Sul, Brasil (1896-2011) ............................................... 38
Figura 15 - Temperatura máxima extrema sazonal do posto meteorológico de Pelotas, Rio
Grande do Sul, Brasil (1896-2011). ......................................................................................... 39
Figura 16 - Gráficos quantil-quantil resultante do ajuste de séries de valores máximos diários
de temperatura do ar observados no verão, outono e primavera à distribuição geral de valores
extremos para Pelotas, Rio Grande do Sul, Brasil (1896-2011) ............................................... 43
Figura 17 - Precipitação pluvial extrema sazonal do posto meteorológico de Pelotas, Rio
Grande do Sul, Brasil (1896-2011). ......................................................................................... 44
xi
Figura 18 - Gráficos quantil-quantil resultantes dos ajustes de séries de precipitação pluvial
observados no verão e no inverno à distribuição geral de valores extremos para Pelotas, Rio
Grande do Sul, Brasil (1896-2011) .......................................................................................... 47
xii
LISTA DE ABREVIAÇÕES E SÍMBOLOS
AD - Anderson-Darling
AIC - Akaike
iid - independentes e identicamente distribuídos
GEV - Distribuição Geral dos Valores Extremos
KS - Kolmogorov-Smirnov
NSGEV - Abordagem não estacionária da GEV
MK - Mann-Kendall
MV - Máxima Verossimilhança
PG - Pareto Generalizado
Pre - Precipitação
QQ - Quantil-Quantil
rk - função auto-correlação
SGEV - Abordagem estacionária da GEV
Tmin - Temperatura mínima extrema
Tmax - Temperatura máxima extrema
TVE - Teoria dos Valores Extremos
μ - parâmetro de localização
σ - parâmetro de escala
ξ - parâmetro de forma
χ2 -
qui-quadrado
xiii
Eventos meteorológicos extremos em uma localidade do Rio Grande do Sul:
Probabilidades de ocorrência e tendências climáticas.
RESUMO
Dentre todas as preocupações associadas às mudanças climáticas, a intensificação da
magnitude bem como da frequência de ocorrência dos eventos meteorológicos extremos
ocupa posição de destaque. Diversos estudos vêm avaliando o possível impacto de tendências
climáticas na frequência de ocorrência de eventos meteorológicos extremos. A fim de
contribuir com esses esforços, o presente estudo teve como objetivo descrever a estrutura
probabilística das séries de precipitação pluvial (PRE) e de temperatura do ar mínima (Tmin)
e máxima (Tmax) extremas do posto meteorológico de Pelotas, Rio Grande do Sul, Brasil.
Foram utilizados dados diários dessas variáveis obtidos a partir da referida localidade no
período de 1896 a 2011. A descrição probabilística dessas séries foi realizada com base na
distribuição geral de valores extremos (GEV), em suas formas estacionárias e não
estacionárias. Neste último caso, os parâmetros da GEV são variáveis ao longo do tempo,
esses parâmetros foram estimados por meio do método da máxima verossimilhança. Os testes
Lilliefors e Anderson-Darling, os gráficos quantil-quantil e o critério de informação da
Akaike foram utilizados para verificar o ajuste da GEV aos dados do estudo. A presença de
correlação serial foi avaliada por meio da função auto-correlação e do teste run. A detecção de
tendências climáticas foi realizada por meio dos testes Mann-Kendall e razão da
verossimilhança. Todos os métodos estatísticos foram conduzidos à 5% de significância. Para
escala anual verificou-se que um modelo GEV em que o parâmetro de localização eleva-se ao
longo do tempo, apresenta o melhor ajuste da série de Tmin. Esse resultado descreve
significativa elevação na média dos valores dessa variável. A série de Tmax é também
descrita por um modelo não estacionário cujo parâmetro de localização decresce ao longo do
tempo e o de escala eleva-se entre o início e o fim da série. Esse resultado indica queda na
média dos valores de Tmax e elevação da dispersão dos dados amostrais. A série de
precipitação anual não foi ajustada pela GEV. No caso dos extremos diários observados em
escala sazonal verificou-se que para Tmin as séries que foram ajustadas pela GEV
demonstraram que existe tendência climática nas séries (similar a observada na escala anual).
Para Tmax e precipitação, as séries ajustadas na GEV demonstraram todas o ajuste no modelo
estacionário.
Palavras-chave: Distribuição geral dos valores extremos, modelo dependente do tempo,
variabilidade temporal.
xiv
Extreme weather events in a locality of Rio Grande do Sul: Probabilities and climate
trends
ABSTRACT
Among all the concerns associated with climate change, intensification of the magnitude and
frequency of occurrence of extreme weather events occupies a prominent position. Several
studies have evaluated the possible impact of climate trends in the frequency of occurrence of
extreme weather events. To contribute to these efforts, this study aimed to describe the
probabilistic structure of rainfall series (PRE) and extreme maximum (Tmax) and minimum
air temperature (Tmin) and weather station of Pelotas, Rio Grande do Sul, Brazil. Were used
daily these variables obtained from that locality (1896-2011) data. The probabilistic
description of these series was based on the general extreme value distribution (GEV), used in
their stationary and non-stationary forms. In the latter case, the parameters of GEV vary over
time. GEV parameters were estimated by the maximum likelihood method. The Lilliefors and
Anderson-Darling tests, quantile-quantile graphs and the Akaike information criterion was
used to check the fit of the GEV to the study data. The presence of serial correlation was
evaluated by the auto-correlation function and the test run. The detection of climate trends
was performed using the Mann-Kendall test and the likelihood ratio. All statistical methods
were conducted at 5% significance. For annual scale-GEV been found that a model in which
the location parameter rises over time, presents the best fit of the series of Tmin. This result
describes improvement in the mean values of this variable. The series of Tmax is also
described by a non-stationary model whose location parameter decreases over time and the
amounts of scale between the beginning and the end of the series. This result indicates a drop
in the mean values of Tmax and increased dispersion of sample data. A series of annual
precipitation has not been set by GEV. In the case of daily observed in seasonal extremes
found to range Tmin to the series that were adjusted by GEV demonstrated that the weather
trend exists (similar to those observed in the annual scale) series. For Tmax and precipitation
series set in GEV fit all demonstrated steady model, climate trends being detected for that
locality.
Key Words: General extreme value distribution, time dependent model, temporal variability.
1
1 INTRODUÇÃO
Dentre todas as preocupações associadas às mudanças climáticas, a intensificação da
magnitude bem como da frequência de ocorrência dos eventos meteorológicos extremos
ocupa posição de destaque. Nesse aspecto, diversos autores de distintas partes do globo vem
desenvolvendo pesquisas voltadas à investigação de possíveis alterações na estrutura de
probabilidade de séries temporais meteorológicas formadas por valores extremos de
precipitação pluvial (Pre), temperatura máxima (Tmax) e mínima (Tmin) (RICHARDS, 1993;
KARL et al., 1999; MANTON et al., 2001; KHARIN & ZWIERS, 2003; WANG et al., 2004;
VINCENT et al., 2005; HAYLOCK et al., 2006; ALEXANDER et al., 2006; NADARAJAH
& CHOI, 2007; PUJOL et al., 2007; FELICI et al., 2007; EL ADLOUNI et al., 2007; FURIÓ
& MENEU, 2011 e SUGAHARA et al., 2009). Conforme pode ser observado em vários
desses estudos, distribuições paramétricas são largamente utilizadas para estimar a
probabilidade de ocorrência de eventos meteorológicos extremos potencialmente danosos à
sociedade.
Como exemplo específico para o Brasil cita-se que CAMARGO et al. (1993) e
ASTOLPHO et al. (2004) utilizaram a distribuição tipo I dos valores extremos, também
conhecida por GUMBEL, para descrever a estrutura probabilística da série de temperatura
mínima da localidade de Campinas, estado de São Paulo. Trabalhando sob o enfoque
agrometeorológico, o objetivo principal desses autores foi estimar a frequência de ocorrência
associada ao fenômeno da geada . Segundo WILKS (2006, 2011) uma motivação importante
para estudo e modelagem da estatística de valores extremos é a possibilidade de estimar a
probabilidade de ocorrência de eventos meteorológicos extremos e adversos à sociedade;
destacando-se entre esses, as enchentes e inundações (WILKS 2006, 2011). Sob o ponto de
vista agrícola tais eventos de precipitação pluvial extrema têm recebido especial atenção na
literatura climática devido ao seu potencial em causar saturação hídrica do solo, escorrimento
superficial e erosão.
As premissas da teoria de valores extremos (TVE) são descritas em FISHER e
TIPPETT (1928), em que são definidos os três tipos de distribuições de valores extremos
conhecidos como Gumbel (tipo I), Fréchet (tipo II) e Weibull (tipo III). Conforme descrito em
WILKS (2006 e 2011) um resultado fundamental da TVE, denominado Teorema dos Tipos
Extremos (Extremal Type Theorem), afirma que a densidade de probabilidade dos M valores
mais elevados de m observações, independentes e oriundas de uma mesma distribuição,
2
converge para uma desses três funções paramétricas (Gumbel, Fréchet ou Weibull) conforme
o número m de observações aumenta. Entretanto, segundo COLES (2001), cada um desses
três tipos fornece representações significativamente distintas da variabilidade dos valores
extremos. Consequentemente, para RAYNAL (1997) um problema que surge na prática é o da
escolha de qual tipo (I, II ou III) é o mais adequado para o estudo probabilístico da amostra
em investigação sugerindo, como alternativa, a utilização da distribuição geral dos valores
extremos (GEV) que pode ser vista como uma generalização ou combinação dos três tipos de
distribuições anteriormente citados.
Devido a sua localização geográfica, o estado do Rio Grande do Sul pode ser
considerado bastante vulnerável à ocorrência de eventos meteorológicos extremos como
geadas, ondas de calor, estiagem e episódios extremos de precipitação pluvial. Nesse aspecto,
CUNHA et al. (2001) afirmam que a probabilidade de eventos climáticos adversos para a
cultura do trigo no Rio Grande do Sul, como a geada na floração é consideravelmente elevada
(maiores que 20%) quando a semeadura é realizada em maio. LUIZ et al. (2014) avaliando a
variabilidade de precipitações pluviais, temperaturas mínimas e máximas do RS no período de
1931 a 2000 com base em dados de 17 estações meteorológicas do sul do Brasil, detectaram
sinais de mudanças climáticas com o aumento da precipitação pluvial e na temperatura
mínima na maioria dos meses e redução na temperatura máxima.
As afirmações descritas anteriormente, associadas ao fato de que investigações de
tendências climáticas em escala regional constituem-se em etapa fundamental para o
entendimento dos impactos associados ao aquecimento global (HAYHOE, 2007), tornam
clara a necessidade de se utilizar modelos estatísticos capazes de detectar e incorporar
alterações temporais na probabilidade de ocorrência de eventos extremos observados em
localidades do extremo Sul do Brasil. Dessa forma, com base na hipótese de que a presença
de mudanças climáticas não pode ser negligenciada na descrição probabilística de dados
extremos de Pre, Tmax e Tmin, os objetivos gerais desse trabalho foram: (i) detectar indícios
de tendências climáticas nas séries de valores diários extremos de precipitação pluvial,
temperatura máxima e mínima do ar, observados em escala anual e sazonal da localidade de
Pelotas, estado do Rio Grande do Sul, e (ii) incorporar essa possível alteração de ordem
climática nas estimativas das probabilidades de ocorrência desses eventos extremos realizadas
com base na Teoria Geral dos Valores Extremos.
Este estudo teve como objetivos específicos: (i) avaliar o grau de ajuste de distribuições
estacionárias GEV às séries de Pre, Tmax e Tmin da referida localidade, (ii) avaliar a
3
presença de persistência temporal nas séries de Pre, Tmax e Tmin, (iii) avaliar a presença de
indícios de alterações climáticas com base no teste de Mann-Kendall, (iv) verificar se a
adoção de modelos GEV não estacionários resulta em melhor descrição probabilística das
referidas séries, em relação às obtidas pelos modelos GEV estacionário e (v) quantificar a
probabilidade de ocorrência dos referidos eventos sob condições de tendências climáticas.
4
2 REVISÃO DA LITERATURA
2.1 Funções paramétricas: Distribuição Geral dos Valores Extremos
HOEL (1968) indica que a probabilidade de ocorrência de um evento pode ser
definida como o somatório das frequências relativas esperadas de casos favoráveis à
ocorrência desse fenômeno. Em estudos climatológicos, é comum a utilização de histogramas
de amostras de dados para realizar inferências sobre uma população desconhecida. Com isso,
a determinação do espaço amostral de análises torna-se etapa fundamental à caracterização do
clima de uma região. Entretanto, de acordo com DALE (1968), o fato de um evento não estar
registrado em uma amostra não significa que ele não seja ou não estará contido em sua
população. Nesses casos, a distribuição empírica não refletirá todas as possíveis sucessões dos
tipos de tempo locais, fazendo-se necessário o uso de distribuições teóricas paramétricas.
Quando bem ajustados, os modelos teóricos resultam em maior embasamento estatístico da
descrição climática, sendo importantes tanto em curtas quanto em longas séries
(SANSIGOLO & NERY, 2000).
Conforme descrito anteriormente, a distribuição paramétrica GEV pode ser vista como
uma generalização ou combinação dos três tipos de distribuições de valores extremos (Tipo I,
II e III) em que a probabilidade de ocorrência dos valores M, observados no tempo t, pode ser
representada por:
Pr{M ≤ zt}=GEV(zt; μ, σ, ξ) (1)
Sendo μ, σ, ξ os parâmetros de localização (que define a posição da função em relação
à origem), escala (que define a dispersão da distribuição) e forma, respectivamente. A letra t
representa a origem temporal.
Os tipos II e III correspondem, respectivamente, a valores de ξ superiores e inferiores
à zero. O tipo I ou Gumbel é representado quanto ξ=0. Segundo COLES (2001), KATZ et al.,
(2002), WILKS (2006), NADARAJAH & CHOI (2007) e FURIÓ & NENEU (2010), a GEV
possui toda a flexibilidade contida em seus casos particulares. BLAIN & MORAES (2011) e
BLAIN (2011a) recomendaram o uso da GEV para a modelagem probabilística dos valores
diários extremos de precipitação pluvial, obtidos com base em séries históricas anuais.
5
Considerando que o Teorema dos Tipos Extremos é também facilmente adaptável a
distribuição dos mínimos extremos, ou seja, aos menores valores das observações (COLES,
2001; WILKS, 2006; WILKS, 2011; FURIÓ & MENEU, 2011; BLAIN & LULU, 2011)
afirmaram que a GEV pode também ser utilizada para estimação da probabilidade de
ocorrência dos extremos inferiores de uma distribuição. Com base em estudos como o de
SENTELHAS et al. (1995) que estabelecem uma relação entre temperaturas mínimas
extremas, observadas em abrigo meteorológicos, e danos agrícolas em distintas espécies
vegetais, BLAIN & LULU (2011) estimaram a probabilidade de ocorrência de geadas de
radiação em seis localidades do estado de São Paulo. Entretanto, é necessário enfatizar que
trabalhos como o de BLAIN & LULU (2011), assim como os de CAMARGO et al. (1993),
ASTOLPHO et al. (2004), BLAIN & MORAES (2011) e BLAIN (2011a) não consideram a
possível influência que as alterações de ordem climática podem ter sobre a probabilidade de
ocorrência dos eventos extremos investigados nesses estudos.
A utilização da função GEV, descrita na Equação 1, é frequentemente denominada de
“abordagem estacionária1; SGEV” dado que os parâmetros μ, σ, ξ são constantes no tempo
(COLES, 2001; EL ADLOUNI et al., 2007; PUJOL et al., 2007). Consequentemente, uma vez
que esse modelo estacionário é ajustado a partir de um determinado período (últimos 50 anos,
por exemplo) assume-se que os valores de μ, σ, ξ irão permanecer estatisticamente constantes
durante os próximos t anos. Entretanto, de acordo com COLES (2001), KHARIN & ZWIERS
(2003), PUJOL et al. (2007), FELICI et al. (2007) e FURIÓ & MENEU (2011), se uma
tendência climática significativa for detectada em uma série temporal meteorológica
composta por dados extremos, o referido pressuposto de que sua estrutura de probabilidade
permanece (ou permanecerá) constante ao longo do tempo pode ser invalidado. Por analogia,
sob condições de alteração nos padrões climáticos, a utilização de um modelo SGEV (com
parâmetros independentes ou constantes no tempo) pode subestimar ou superestimar a
probabilidade de ocorrência de eventos (agro)meteorológicos extremos, tais como geada e
temperaturas máximas extremas, prejudiciais ao desenvolvimento agrícola, e precipitações
extremas.
Nesse aspecto, torna-se oportuno ressaltar que autores como DELGADO et al. (2011),
PUJOL et al. (2007) e BLAIN (2011a,b), descrevem uma forma de utilização da GEV que
pode ser vista como um método paramétrico de detecção e modelagem de tendências em
1De acordo com ANDERSON (1976) se (e somente se) a estrutura de probabilidade de uma variável não muda
ao longo do tempo, o processo que gerou essa referida series de dados pode ser considerado estritamente
estacionário.
6
séries de valores extremos. Nesses estudos, os parâmetros da GEV são estimados em função
da covariável tempo dando origem à chamada “abordagem não estacionária” (NSGEV). A
conclusão de que o uso de um modelo NSGEV (Equação 1, página 4) resulta na melhor
descrição probabilística de uma amostra, em relação à obtida por um modelo estacionário
GEV, constitui-se em indicação estatística da presença de tendências (climática) na série
(meteorológica) de valores extremos (DELGADO et al., 2011; PUJOL et al., 2007; BLAIN,
2011d).
2.3 Tendências climáticas
Em relação à variabilidade temporal dos fenômenos meteorológicos extremos,
trabalhos como WANG et al. (2004), KHARIN & ZWIERS (2003), IPCC (2007) e BLAIN
(2011a,b) indicam que a intensidade e frequência desses eventos deverão sofrer alterações ao
longo do tempo causadas pelo aquecimento global. RICHARDS (1993) também afirma que a
temperatura global aumentou desde o final do século XIX. De forma similar ao relatório do
IPCC (2007), esse autor indica que a elevação na concentração do CO2 atmosférico apresenta-
se como principal fator responsável por esse aumento. KARL et al. (1999), utilizando dados
de diversas partes do globo, indicam tendência global de elevação no número de dias
“excessivamente quentes” (extremely hot days) observados em cada ano. Resultados
semelhantes a esses são apontados por MANTON et al. (2001), com base em dados de 15
países do sudeste asiático e do sudeste do Oceano Pacífico. ALEXANDER et al. (2006) ao
analisar dados globais extremos de temperatura atmosférica na escala diária identificaram, em
70% das regiões avaliadas, significativa elevação nas temperaturas noturnas.
Após avaliar a presença de tendências climáticas em vários índices associados à
temperatura atmosférica, VINCENT et al. (2005) apontam tendências significativas de
elevação nos valores de temperatura mínima diária da América do Sul. Esses autores também
indicam a inexistência de coerência espacial nas tendências climáticas observadas a partir de
dados de temperatura máxima no referido continente. DUFEK & AMBRIZZI (2006)
indicaram que no estado de São Paulo há indícios de tendências para uma condição
atmosférica mais quente. Os autores descrevem que particularmente para as regiões norte e
central do Estado, essa elevação associou-se à diminuição de dias frios nos anos de 1990 a
2002, sendo mais severa no período de inverno. Após analisar dados pluviométricos de 59
localidades do estado de São Paulo (1950-1999), DUFEK & AMBRIZZI (2008) indicaram a
7
existência de elevação na intensidade da precipitação pluvial observada ao longo do estado de
São Paulo. Para a localidade de Santa Maria, estado do Rio Grande do Sul, STRECK et al.
(2011) descrevem um aumento significativo na temperatura mínima de relva, medida a 5 cm
do solo gramada, no período de 1970 a 2009 para os meses de abril, junho, outubro,
novembro e dezembro. Utilizando dados de temperatura mínima de diversas localidades do
Rio Grande do Sul, BERLATO & ALTHAUS (2010) indicam a existência de aumento
significativo nos dados desse elemento meteorológico em todo o estado nos últimos 65 anos.
2.4 Teste não paramétrico de Mann-Kendall
Embora a detecção estatística de alterações climáticas possa ser feita com base em
abordagens paramétricas, autores como KHALIQ et al. (2006) e KHALIQ et al. (2009)
afirmam que métodos não paramétricos, como os teste de Mann-Kendall (MK; KENDALL &
STUART, 1967), são utilizados na grande maioria desses estudos. Considerando apenas o
período entre 2002-2012, autores como YUE et al. (2002), BURN & ELNUR (2002), YUE et
al. (2003), YUE & HASHINO (2003), BURN et al. (2004), YUE & PILON (2004),
SANSIGOLO (2008), BLAIN (2010), SANSIGOLO & KAYANO (2010), BLAIN
(2011abc), MINUZZI et al. (2011), BLAIN & PIRES (2011), STRECK et al. (2011) e
BLAIN (2012) utilizaram o MK para detectar possíveis sinais de mudanças climáticas em
diversas partes do Globo. Segundo CHANDLER e SCOTT (2011) o MK vem sendo
largamente utilizado em estudos ambientais. Apesar dessa elevada utilização, KHALIQ et al.
(2006) e KHALIQ et al. (2009) afirmam que a utilização de métodos paramétricos além de
possibilitar a identificação da presença de tendências, também é capaz de quantificar a
influência sobre a probabilidade de ocorrência dos valores da variável sob estudo. Essa última
característica não é observada no uso do MK. Entretanto, quando a série sob estudo não pode
ser ajustada à distribuição paramétrica conhecida, o teste MK torna-se uma interessante
alternativa para detecção de tendências climáticas.
2.5 Auto-correlação ou Correlação Serial
Um ajuste paramétrico pode ser visto como uma forma conveniente de representar
informações probabilísticas obtidas a partir de uma série temporal. (MAIA et al., 2007).
Entretanto, essa operação (referida na língua inglesa como cdf-sumary) é apropriada apenas
8
na presença de autocorrelações (ou correlações seriais) não significativas. De acordo com
MAIA et al. (2007) se a série temporal apresentar significativa persistência temporal, esse
ajuste acarretará na perda de relevantes informações. Nesse aspecto, torna-se necessário
ressaltar que variáveis atmosféricas normalmente exibem algum grau de dependência em
relação a seus valores anteriores. Segundo autores como KATZ et al. (2002) e WILKS (2006),
na terminologia das ciências meteorológicas, essa dependência é usualmente denominada de
persistência temporal, podendo ser definida como o condicionamento das probabilidades de
ocorrência entre dados sucessivos de uma mesma série temporal.
Persistência positiva indica que elevados ou baixos valores de uma variável tendem a
serem seguidos por valores também elevados ou baixos. Segundo WILKS (2006) uma
consequência dessa característica pode ser exemplificada pelo fato de que a probabilidade de
um dia apresentar temperatura acima do normal é elevada quando os dias precedentes a este
apresentaram temperaturas anômalas elevadas. Ainda sob o aspecto estatístico, a existência de
persistência tem importantes implicações, tal como o aumento da variância das amostras de
uma série (WILKS, 2006). A literatura científica apresenta diversos métodos estatísticos
voltados à detecção e quantificação de persistência temporal em séries meteorológicas. Dentre
esses, o teste Run e a função autocorrelação são frequentemente utilizados (SANSIGOLO &
KAYANO, 2010 e WILKS, 2006).
9
3 MATERIAL E MÉTODOS
3.1 Material
Foram utilizados dados de precipitação pluvial e de temperatura do ar do posto
meteorológico, de estação manual, pertencente a Estação Agroclimatológica de Pelotas,
Capão do Leão, latitude: 21º52’S, longitude: 52º21'W e altitude: 13,2 m, adotando-se o
período de 1896 a 2011. Todos os métodos estatísticos utilizados foram conduzidos
considerando o nível 5% de significância.
A escolha da localidade de Pelotas repousa no fato da mesma ser uma das séries
meteorológicas mais antigas do Brasil apresentando elevada consistência e um número muito
reduzido de falhas (inferior a 1%). Foram utilizados os softwares comerciais MS-Word e MS-
Excel, pertencentes ao pacote Microsoft Office, e o software matemático/estatístico R; este
último de uso gratuito. O termo tendência foi definido como a existência de uma direção geral
para qual o sistema sob estudo move-se de forma sistemática (WENG, 2010).
3.1.1 Caracterização climática de Pelotas - RS
O clima de Pelotas é subtropical úmido ou temperado, representado por Köppen como
Cfa. Os verões são tépidos e com precipitações regulares, com as temperaturas máximas
absolutas do ano situando-se entre 36,5°C a 39,6°C, aproximadamente, enquanto os invernos
são relativamente frios, com geadas frequentes (Figura 1) e ocorrência de nevoeiros, com
temperaturas mínimas absolutas do ano entre -3°C e 0,2°C (Figura 2).
A temperatura média anual da área urbana do município é de 17,8°C, sendo janeiro o
mês mais quente, com temperatura média de 23,2°C, e julho o mês mais frio, com média de
12,3°C. A amplitude térmica diária (diferença entre as temperaturas mínima e máxima de um
dia) geralmente é moderada, entre 8,1 e 9,7 graus. A precipitação pluvial média anual é de
1367 mm, com chuvas regularmente distribuídas durante todo o ano, sendo fevereiro, com
153,3 mm de precipitação pluvial, o mês mais chuvoso (Figura 3). A umidade relativa do ar é
bastante elevada (com média anual de cerca de 80,7%). Sendo o mês de julho o mais úmido
com 84,9% e o janeiro o mais seco com 77,4% de média (Figura 4).
10
Figura 1 - Número de dias com geada referentes a cada mês, do posto meteorológico
pertencente a Estação Agroclimatológica de Pelotas - RS (1971-2000).
Figura 2- Temperatura do ar do posto meteorológico pertencente a Estação Agroclimatológica
de Pelotas - RS (1971-2000).
Figura 3 - Precipitação pluvial máxima diária e média mensal do posto meteorológico
pertencente a Estação Agroclimatológica de Pelotas - RS (1971-2000).
0
1
2
3
4
5
6
7
Nú
mer
o d
e d
ias
com
gea
da
Mês
-10
-5
0
5
10
15
20
25
30
35
40
45
Tem
per
atu
ra ( C
)
Mês
Temperatura média
máxima
Temperatura média
Temperatura média
mínima
Temperatura máxima
absoluta
Temperatura mínima
absoluta
0
30
60
90
120
150
180
Pre
cip
itaçã
o p
luvia
l (m
m)
Mês
Precipitação máxima (24h)
Precipitação média mensal
11
Na Figura 3, onde se verifica que a média anual de precipitação pluvial atinge valores
de 113,91 mm, com um período de maior precipitação pluvial nos meses de fevereiro e julho,
concentrando acima de 21% da chuva anual nestes meses.
Figura 4 - Umidade relativa do ar do posto meteorológico pertencente a Estação
Agroclimatológica de Pelotas - RS (1971-2000).
O balanço hídrico é um sistema contábil de monitoramento da água do solo e resulta da
aplicação do princípio de conservação de massa para a água num volume de solo vegetado. O
balanço hídrico climatológico, descrito por Thornthwaite e Mather (1955) é uma das diversas
maneiras de se monitorar o armazenamento de água no solo. Partindo-se do suprimento
natural de água para o solo, simbolizado pelas chuvas e da demanda atmosfera, simbolizada
pela evapotranspiração potencial, e com um armazenamento máximo apropriado para a planta
cultivada, o balanço hídrico fornece estimativas do armazenamento de água no solo,
evapotranspiração real, da deficiência hídrica e do excedente hídrico em diversas escalas de
tempo (CAMARGO & CAMARGO, 1993).
A capacidade máxima de água disponível no solo foi fixada em 100 mm e a
evapotranspiração potencial (ETP) foi estimada pelo método de THORNTHWAITE (1948).
Os valores de temperatura e precipitação pluvial correspondem às médias históricas para os
períodos de 1971-2000 de Pelotas.
0
10
20
30
40
50
60
70
80
90
100
Um
idad
e re
lati
va d
o a
r (%
)
Mês
12
Figura 5 - Representação gráfica da variação dos dados mensais meteorológicos de
precipitação pluvial, evapotranspiração potencial (ETP) e evapotranspiração real (ETR) de
Pelotas para a média do período de 1971 a 2000.
Os valores de evapotranspiração potencial (ETP) e evapotranspiração real (ETR) são
similares, tendo os pontos ligados no gráfico da Figura 5.
Figura 6 - Representação gráfica da deficiência, excedente, retirada e reposição hídrica ao
longo do ano de Pelotas para a média do período de 1971 a 2000.
Verifica-se na Figura 6 que não há déficit hídrico anual distribuído em sua totalidade
ao longo do período, apresentando apenas uma pequena deficiência no mês de janeiro.
Na Figura 7 são apresentados os valores de armazenamento mensal de água no solo. A
capacidade máxima disponível do solo foi fixada em 100 mm conforme Thornthwaite e
Mather (1955).
0
20
40
60
80
100
120
140
160
180
Vari
áv
el (
mm
)
Precipitação ETP ETR
-20
0
20
40
60
80
100
120
140
Var
iável
(m
m)
Deficiência Excedente Retirada Reposição
13
Figura 7 - Representação gráfica do armazenamento mensal de água de Pelotas - RS para a
média do período de 1971 a 2000.
3.2 Métodos
3.2.1 Definição de valor extremo
A teoria geral dos valores extremos é baseada, de forma geral, em duas definições de
valores extremos. A primeira é denominada de abordagem de máximos em blocos (block
maxima approach; adotada neste trabalho) em que, para o presente estudo, o maior valor
diário de dados de Pre e Tmax e o menor valor de Tmin, observados a cada bloco (ano e/ou
estação), foram utilizados para formar as séries (anuais e/ou sazonais) de valores extremos.
Nesse procedimento, o uso da GEV é apropriado (COLES, 2001; EL ADLOUNI et al., 2007;
PUJOL et al., 2007; FELICI et al., 2007 e FURIÓ & MENEU, 2011). A segunda pode ser
realizada pela seleção de valores que ultrapassam um determinado limiar pré-estabelecido
(threshold). Nesse último contexto, o uso da distribuição Pareto Generalizada (PG) é
apropriado enquanto o pressuposto de inexistência de correlações serial entre os dados
extremos for respeitado (a observação dessa última pressuposição constitui-se em dificuldade
para a utilização da PG uma vez que valores extremos de dados meteorológicos, em especial
temperatura do ar, tendem a grupar-se ao longo do tempo (FURIÓ & MENEU, 2011).
Conforme descrito em COLES (2001) e BORDI et al. (2007) cada um desses dois
procedimentos apresenta qualidades e limitações.
Considerando o objetivo da presente dissertação, é necessário ressaltar que a adoção
do procedimento de máximos em blocos pode acarretar em relevante perda de dados, uma vez
que é utilizado apenas um evento extremo anual (um dado extremo no ano) ou sazonal (as
0
20
40
60
80
100
120
Va
riá
vel
(m
m)
CAD ARM
14
séries sazonais foram divididas pelas estações do ano, verão, outono, inverno e primavera),
embora a adoção da escala sazonal reduza a perda de informações observada na escala anual.
Em contra partida, essa última abordagem apresenta a desejável qualidade de limitar ou
remover a influência de correlações seriais (ou persistência temporal) sobre as estimativas dos
parâmetros da GEV evitando também dificuldades em determinar um limiar (threshold) que
define um evento extremo.
3.2.2 Distribuição GEV estacionária e testes de aderência (goodness-of-fit tests)
Segundo COLES (2001), a análise de valores extremos visa quantificar a variabilidade
estocástica de um processo aleatório considerando valores elevados e pouco usuais. A função
GEV estacionária (Equação 2) pode ser descrita por:
111
1exp11
)(MM
Mf se
M1 > 0 (2)
em que:
M é o valor do dado observado;
é o parâmetro de localização;
é o parâmetro de escala e;
é o parâmetro de forma
A função GEV cumulativa pode ser obtida integrando-se a Equação 2. De acordo com
WILKS (2006), os parâmetros da GEV são usualmente ajustados utilizando-se os métodos do
“L-moments” ou o da máxima verossimilhança (MV). Segundo esse autor, o aumento do
número de valores contidos em uma amostra acarreta na convergência desses dois métodos.
Contudo, o MV pode ser facilmente adaptado para incluir possíveis influências de covariáveis
apresentando, com isso, a capacidade de que os parâmetros estimados incorporem tendências
associadas às mudanças climáticas (WILKS, 2011). Dessa forma, os parâmetros da GEV
foram estimados por meio do método MV, conforme COLES (2001), PUJOL et al. (2007),
NADARAJRA & CHOI (2007) e FURIÓ & MENEU, (2011).
Ressalta-se que de acordo com COLES (2001), quando ξ> -0,5, os estimadores de
máxima verossimilhança são regulares, no sentido de ter as propriedades assintóticas usuais;
15
quando -1<ξ<-0,5, os estimadores da máxima verossimilhança são geralmente obtidos, mas
não têm as propriedades assintóticas padrão; quando ξ<-1, os estimadores da máxima
verossimilhança não podem ser obtidos. Os modelos que apresentarem parâmetro de cauda
inferior a -1 serão descartados. A determinação dos erros padrão associados às estimativas
dos parâmetros da GEV será realizada, conforme descrito em COLES (2001), com base na
matriz variância-covariância e, considerando-se a normalidade (aproximada) das estimativas
de máxima verossimilhança.
Os testes qui-quadrado (χ2) e Kolmogorov-Smirnov (KS) são frequentemente
utilizados para verificar o ajuste de dada amostra à uma distribuição paramétrica. Entretanto,
WILKS (2006, 2011) afirmam que o χ2 é mais apropriado para variáveis discretas, uma vez
que seu cálculo exige a divisão da amostra em classes discretas de frequência de ocorrência.
Em contra partida o KS é baseado na comparação das distribuições cumulativas teóricas e
empíricas sendo, portanto, mais apropriado a variáveis contínuas (WILKS, 2006, 2011).
Contudo segundo CRUTCHER (1975), WILKS (2006, 2011), STEINSKOG et al.
(2007) e VLCEK & HUTH (2009), o método original do KS não pode ser aplicado quando o
período utilizado para a condução deste teste é o mesmo adotado para estimação dos
parâmetros do modelo teórico sob investigação. Para VLCEK & HUTH (2009) essa última
situação, frequentemente enfrentada em aplicações práticas, eleva a probabilidade de
ocorrência do erro estatístico tipo II. Nesse caso, o método original do KS deve ser
modificado conforme LILLIEFORS (1967, 1969). Sob essa última condição esse método é
usualmente denominado de Kolmogorov-Smirnov/Lilliefors ou simplesmente Lilliefors.
Segundo CRUTCHER (1975) e WILKS (2006) o valor crítico relativo à rejeição/aceitação da
hipótese de que as probabilidades de ocorrência dos valores extremos podem ser estimadas
com base na GEV (H0 associada ao teste Lilliefors; para o presente projeto), dependerá: i) do
nível se significância adotado (para o estudo p>0,05 resultará na não rejeição de H0), ii) do
número de dados amostrais e iii) dos valores dos parâmetros estimados. Segundo WILKS
(2006), os limites críticos do teste Lilliefors são usualmente determinados utilizando-se
simulações estatísticas. Neste trabalho, esse procedimento adotará a geração de Ns=10000
amostras sintéticas oriundas de simulações baseadas na função GEV e utilizando-se o método
de geração por inversão de números aleatórios distribuídos de forma não uniforme.
Descrições mais detalhadas sobre o método Lilliefors são dadas em WILKS (2006, 2011).
Em relação à estatística de valores extremos, o teste de Anderson-Darling (AD;
ANDERSON & DARLING, 1952) é baseado tanto na soma dos quadrados das diferenças
16
entre as distribuições teóricas e empíricas quanto em uma função de ponderação (weight
function [Ψ(.)]) que dá ênfase às discrepâncias em ambos os extremos (caudas) das
respectivas curvas (SHIN et al., 2012). Ressalta-se que essa última característica não pode ser
observada no algoritmo do Lilliefors. O teste AD é descrito na Equação 3.
....2
dGGFNQn
(3)
Em que N é o comprimento da série, G(.) é a distribuição cumulativa teórica e F(.) é a
distribuição empírica.
Conforme descrito em SHIN et al. (2012) quando [Ψ(.)]=1, Qn torna-se equivalente ao
teste de CRAMER VON MISES. O teste de AD é obtido para Ψ(.) ={G(.)[1-G(.)]}-1
. Essa
última forma de cálculo de Ψ(.) resulta em um teste mais rigoroso por enfatizar as diferenças
nas caudas das distribuições (SHIN et al., 2012). Entretanto, pode-se verificar a partir da
Equação 4 que o teste AD pondera de forma similar ambas as caudas (superior e inferior) das
distribuições. Nesse aspecto, ressalta-se que enquanto o estudo dos valores extremos de Pre e
de Tmax é focado nas caudas superiores das curvas de probabilidade, o estudo dos valores
extremos (inferiores) de Tmin é direcionado às caudas inferiores das funções de
probabilidade. Em ambos os casos, a utilização de uma função Ψ(.) capaz de enfatizar,
separadamente, as discrepâncias nas caudas inferiores e superiores torna-se uma opção
relevante (SHIN et al., 2012). Com base nessa premissa, AHMAD et al. (1988) descreveram
uma adaptação do AD na qual Ψ(.) pode ser igualado à [1-G(.)]-1
(Equação 4), para ênfase aos
extremos superiores, ou à [G(.)]-1
(Equação 5), para ênfase aos extremos inferiores.
..
.1
..2
dGG
GFNAU
(4)
...
..2
dGG
GFNAL
(5)
Conforme descrito em SHIN et al. (2012) AU+AL=AD. De forma análoga ao
LILLIEFORS, as simulações estatísticas requeridas para calcular a significância de cada teste
17
AU, AL e AD serão realizadas a partir do método geração por inversão de números aleatórios
distribuídos de forma não uniforme (Ns=10000).
Os gráficos Quantil-Quantil (QQ) foram também utilizados para auxiliar a avaliação
do desempenho da GEV no presente estudo. Os gráficos QQ, que podem ser considerados
métodos qualitativos de verificação de ajustes paramétricos (WILKS, 2006), tem a capacidade
de comparar as distribuições cumulativas empíricas e teóricas em termos dimensionais
(relativos à unidade da variável em análise; WILKS, 2011). Dessa forma, para a presente
dissertação, os mesmos foram ilustrados considerando-se no eixo das abscissas os valores
observados de Pre, Tmax ou Tmin e no das ordenadas, os respectivos valores estimados com
base na GEV. Conceitualmente, um ajuste perfeito apresentaria um gráfico QQ com todos os
pontos cartesianos recaindo sobre a reta 1:1.
3.2.3 Função auto-correlação, testes Run e de Mann-Kendall
O teste Run (SNEYERS, 1975), empregado conforme SANSIGOLO & KAYANO
(2010), foi utilizado a fim de verificar se as series utilizadas no presente estudo podem ser
consideradas livres de persistência temporal ou autocorrelação. Esse método, conforme
descrito por MORETTIN & TOLOI (2006) consiste em realizar a contagem do número de
oscilações dos valores acima e abaixo da mediana de uma série de dados naturalmente
ordenada. Esse número de oscilações é chamado de "Run". Na condução desse método, deve-
se avaliar se o valor observado está dentro da faixa de distribuições considerada normal. Um
valor alto de Run indica muitas oscilações, ao passo que baixos valores indicam um desvio em
relação à mediana durante o período de registros. Se a série sob investigação contém N1 e N2
valores inferiores e superiores, respectivamente, à mediana, de acordo com o teorema do
limite central a distribuição amostral do número de Runs total pode ser aproximada pela
distribuição normal. Adotou-se o nível de α=0,05 de significância para condução de Z,
conforme SANSIGOLO & KAYANO (2010). Nesse ponto ressalta-se também que a presença
de correlação serial significativa afeta a sensibilidade do teste de Mann-Kendall (HAMED &
RAO, 1998 e BAYAZIT & ONOZ, 2007).
Para séries meteorológicas compostas por dados contínuos (temperatura do ar, por
exemplo) o grau de persistência temporal é normalmente analisado por meio do coeficiente de
auto-correlação (rk), descrito na Equação 6; em que o índice k é o deslocamento (lag)
temporal a ser analisado. A estimação de rk para diversos intervalos ou defasagens (lags) é
18
denominada de função auto-correlação, que, por sua vez, pode ser definida como sendo a
correlação entre os valores de uma mesma série, deslocados por um determinado lag (BLAIN,
2010 e WILKS, 2010).
(6)
Em que:
x é a média de todos os n valores da série.
Os subscritos (-) e (+) indicam amostra significativa ao longo dos primeiros e últimos
valores de dados n - k, respectivamente.
O teste MK quando comparado a outros métodos paramétricos, é bastante robusto
quanto aos desvios da normalidade, justificando o fato do mesmo ser muito utilizado em
estudos de tendências em séries temporais meteorológicas, agrometeorológicas e hidrológicas.
O MK foi utilizado a fim de verificar possíveis tendências climáticas presente nos dados.
Valores positivos desse teste indicam que a série em análise apresenta tendência de elevação.
Valores negativos do MK indicam tendência de queda. Considerando-se uma série formada
por x valores e com comprimento SS (sample size), o MK pode ser calculado por meio das
Equações 7 e 8.
1
1 1
sgnSS
i
SS
ij
j xixS
para j>I (7)
Conforme indicado por MANN (1945), KENDALL & STUART (1967) quando SS≥8 a
distribuição de S aproxima-se à forma Gaussiana com média E(S)=0 e variância V(S) dada
por:
19
18
521521)( 1
SS
mmmmtiSSSSSS
SV (8)
Em que ti é o número de conjuntos formados por valores x iguais com comprimento m.
A estatística S é então padronizada (Z; Equação 9) e sua significância pode ser obtida
a partir da distribuição normal cumulativa (HAMED & RAO, 1998; BAYAZIT & ONOZ,
2007; YUE & HASHINO, 2003; DUFEK & AMBRIZZI, 2008, BLAIN, 2011abc).
0)(
100
0)(
1
SsV
SS
SsV
S
Z
(9)
A hipótese nula (H0) associada a esse teste de tendência assume que os dados são
independentes e identicamente distribuídos (iid). Nesse aspecto, sob o ponto de vista
estritamente estatístico, a não aceitação de H0 indica (apenas) que a série não pode ser vista
como sendo formada por dados iid. Entretanto, conforme pode ser observado nos trabalhos de
YUE et al. (2002), BURN & ELNUR (2002), YUE et al. (2003), YUE & HASHINO (2003),
BURN et al. (2004), YUE & PILON (2004), SANSIGOLO (2008), BLAIN (2010),
SANSIGOLO & KAYANO (2010), BLAIN (2011abc), MINUZZI et al. (2011), BLAIN &
PIRES (2011), STRECK et al. (2011) e BLAIN (2012), em aplicações práticas
(meteorológicas, hidrológicas e agrometeorológicas) enquanto a aceitação dessa hipótese de
nulidade é frequentemente vista como indicação de inexistência de tendências climáticas na
variável em estudo, a rejeição da mesma é usualmente interpretada como indício de alterações
de ordem climática.
3.2.4 GEV não estacionária, critério de informação de Akaike, e teste da razão da
verossimilhança
Conforme descrito em COLES (2001), EL ADLOUNI et al. (2007), MÉNDEZ et al.
(2007), PUJOL et al. (2007), CANNON (2010), FURIÓ & MENEU (2011) e BLAIN (2011)
20
um modelo GEV não estacionário com parâmetros estimados em função da covariável tempo
(t) pode ser descrito pela função densidade de probabilidade apresentado na Equação 2.
A fim de incorporar a possível presença de tendências climáticas na modelagem
estocástica da probabilidade de ocorrência das variáveis Pre, Tmax e Tmin são propostas os
seguintes modelos baseados na Equação 2:
Modelo 1: GEV(µt=µ, σ t= σ, ξ t= ξ) – Estacionário. Equivalente à Equação 2.
Modelo 2: GEV(µt=µo + βt, σ t= σ, ξ t= ξ) – Modelo homocedástico; β é a taxa de alteração do
parâmetro de localização.
Modelo 3: GEV(µt=µ’o + β’t, σ t= exp(σo + αt), ξ t= ξ) – A função exponencial é utilizada a
fim de garantir que o parâmetro de escala (relativo à dispersão da distribuição) sempre
apresente valores positivos. Esse modelo descreve alterações temporais tanto nas medidas de
posição, quanto nas de dispersão das distribuições.
Modelo 4: GEV(µt=µ’’o + β’’t, σ’ t= exp(σ’o + α’t), ξ t= ξo + δt)
É importante enfatizar que o modelo 1 pode ser visto como um caso particular do
modelo 2. Por analogia, os modelos 1 e 2 são casos particulares do modelo 3 que, por sua vez,
é um caso particular do modelo 4. As estimativas dos parâmetros dos modelos 1 a 4 serão
obtidas maximizando-se a seguinte função verossimilhança (Equação 10; em que t=1 refere-
se a 1896 e t=116 refere-se à 2011):
116
1
111
1*1exp1
,,;t t
ttt
t
ttt
t
ttttn
tt xxxL
116
1
1
1
expexp*exp1
*tt t
tt
t
tt
t
xx t
(10)
em que:
é o parâmetro de localização;
é o parâmetro de escala e;
é o parâmetro de forma
21
A seleção dos modelos 1 a 4 será inicialmente baseada no método chamado critério de
informação de Akaike (Akaike’s information criteria) descrito nas equações 11 e 12.
2k) (Modelo 2l) (Modelo AIC ii para i=1 para 4 (11)
) (Modelo AIC mínimo) (Modelo AIC) (Modelo Δ iii (12)
Em que
k é o número de parâmetros de cada i modelo,
2l(.) é a função log-verossimilhança maximizada de cada i Modelo.
De forma similar aos trabalhos de BURNHAM & ANDERSON (2004) e FELICI et al.
(2007), foram selecionados apenas os modelos que obtiverem Akaike Δ(.) ≤ 2. Após a
descrição dessa etapa de seleção inicial, torna-se interessante ressaltar que de acordo com
Coles (2001) e EL ADLOUNI et al. (2007), o modelo mais geral (modelo 4; no presente caso)
é, frequentemente, o que melhor representa a série temporal em análise. Contudo,
considerando que a elevação do número de parâmetros tende a aumentar as incertezas na
estimativa de cada quantil, COLES (2001) e EL ADLOUNI et al. (2007) recomendam, com
base no princípio da incerteza, que quando as diferenças estatísticas entre dois modelos GEV
não forem significativas, deve-se adotar o mais simples. Com isso, a Equação 13 será aplicada
a fim de avaliar as diferenças entre os modelos selecionados pelas Equações 11 e 12 (COLES,
2001; EL ADLOUNI et al., 2007 e FELICI et al., 2007).
i0j1 ModelolModelol2D for j>i; Mi Mj (13)
A significância estatística de D pode ser calculada com base na distribuição qui-
quadrado com graus de liberdade igual à diferença entre o número de parâmetros dos modelos
j e i (valores p iguais ou inferiores à 0,05 serão vistos como indicação de que o modeloj é
melhor do que o modeloi; COLES, 2001 e EL ADLOUNI et al., 2007).
Conforme anteriormente descrito, a última etapa de seleção dos modelos foi baseada
nos gráficos QQ. Contudo, deve-se ressaltar que a correta elaboração desses gráficos exige
que os dados que formam os pontos cartesianos, tenham uma escala comum. Dessa forma,
para os modelos não estacionários (que, por definição não são iid) será aplicada a seguinte
transformação (COLES, 2010; MÉNDEZ et al., 2007 e FELICI et al., 2007):
22
Dada uma sequencia de dados Xt originários de uma série temporal não estacionária a
partir da qual um modelo GEV, com parâmetros dependentes de t, foi ajustado, calcula-se a
seguinte variável pela Equação 14 transformada Zt.
)(
1
)(
)()(1log
tt
tt
tXtZ
(14)
Essa transformação (Equação 14) visa remover a dependência temporal da sequencia
Xt estabelecendo uma escala comum para os eixos das abscissas e ordenadas dos gráficos QQ.
Estes últimos serão elaborados de forma similar ao anteriormente descrito utilizando-se,
evidentemente, Zt ao invés de Xt.
23
4 RESULTADOS E DISCUSSÃO
4.1 Temperatura mínima extrema do ar
Utilizando a abordagem de máximos em blocos (block maxima approach), são
apresentados na Figura 8 os valores extremos da série anual de Tmin da localidade de Pelotas-
RS, entre os anos 1896-2011.
Figura 8 - Temperatura mínima extrema anual disponível no posto meteorológico de Pelotas,
Rio Grande do Sul, Brasil (1896-2011)
Segundo WILKS (2006) uma série infinita composta por dados independentes, livres
de persistência ou correlação serial, exibirá valores de rk iguais à zero. Contudo, para amostras
finitas, ainda que livres de persistência temporal, os coeficientes da função auto-correlação
serão numericamente diferentes de zero, esses resultados são apresentados na Tabela 1, junto
com os resultados para o teste run e o teste não paramétrico de Mann-Kendall (MK).
Tabela 1 - Coeficiente da função de auto-correlação* (rk), valor do teste Run (Z), significância
associada ao valor do teste Run (pd), teste de Mann-Kendall (MK) e seu p-valor aplicado às
séries anuais de temperatura mínima extrema do ar. Pelotas - RS (1896-2011)
rk Z pd MK p-valor
0,12 -0,60 0,55 0,31 0,76
*limite do ruído branco para a localidade é [-0,1857:0,1857]
Na Tabela 1, verifica-se que a estatística de MK ao apresentar o valor de 0,31,
associado a p=0,76, não foi capaz de indicar a presença de significativas tendências climáticas
para a série de Tmin anual. A série de Tmin anual também pode ser vista como sendo livre de
-5.0
-4.0
-3.0
-2.0
-1.0
0.0
1.0
2.0
3.0
4.0 1
89
5
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Tem
pera
tura
( C
)
Anos
24
correlação serial, conforme indicado pelo teste Run, que apresentou o valor da significância
associada ao valor do teste (0,55) superior aos 5% ou 0,05 conforme adotado na metodologia
deste trabalho e pela função autocorrelação, devido ao valor do teste, 0,12, estar dento do
limite de ruído branco para esta localidade.
Os valores dos parâmetros adotados pelo método da máxima verossimilhança para os
cálculos dos testes de aderência desta série são apresentados na Tabela 2.
Tabela 2 - Parâmetros dos modelos para a série de Tmin anual da localidade de Pelotas pelo
método da máxima verossimilhança – RS (1986-2011).
Parâmetros
Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor +0,07 -0,68+0,01t -0,64+0,01t -0,71+0,01t
Erro Padrão ±0,15
±0,27;
±0,004 ±0,31; ±0,004 ±0,29; ±0,004
σ (escala) Valor 1,46 1,42 exp(0,38-0,0007t) exp(0,52-0,003t)
Erro Padrão ±0,11 ±0,10 ±0,13; ±0,002 ±0,002; ±0,05
ξ (cauda) Valor -0,27 -0,28 -0,27 -0,48+0,004t
Erro Padrão ±0,07 ±0,06 ±0,06 ±0,06; 0,0
Os resultados dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KS) e o teste
de Anderson-Darling (AD; ANDERSON e DARLING, 1952) são apresentados na Tabela 3.
Tabela 3 - Valores dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL), Anderson-
Darling (AD), Anderson-Darling modificado para cauda inferior (AL), seus respectivos
valores críticos (crit) e do Critério de Informação de Akaike Δ(.) para temperatura mínima
(Tmin) anual.
Modelo KSL KSL crit AD AD crit AL AL crit Akaike Δ(.)
1 0,04 0,07 0,34 0,64 0,21 0,29 7,58*
2 0,05 0,07 0,20 0,64 0,11 0,30 0,00
3 0,05 0,07 0,19 0,64 0,12 0,29 1,89
4 0,05 0,08 0,23 0,73 0,15 0,32 0,50
* valor não ajustado ao teste
Os resultados obtidos por meio dos testes Kolmogorov-Smirnov/Lilliefors e
Anderson-Darling permitiram inferir que os dados de Tmin (Tabela 3) ajustam-se,
respectivamente, aos modelos 1 a 4. Porém, o critério de informação de Akaike indica que
apenas os modelos 2, 3 e 4, podem ser utilizados para descrever a probabilidade de ocorrência
25
associada à Tmin anual, o modelo 1 apresentou valor de Akaike Δ(.) 7,58, acima do valor
adotado (Akaike Δ(.) ≤ 2).
De forma similar aos trabalhos de BURNHAM & ANDERSON (2004) e FELICI et al.
(2007), foram selecionados apenas os modelos que obtiverem Akaike Δ(.) ≤ 2. Após a
descrição dessa etapa de seleção inicial, torna-se interessante ressaltar que de acordo com
Coles (2001) e El ADLOUNI et al. (2007), o modelo mais geral (modelo 4; no presente caso)
é, frequentemente, o que melhor representa a série temporal em análise. Contudo,
considerando que a elevação do número de parâmetros tende a aumentar as incertezas na
estimativa de cada quantil, COLES (2001) e EL ADLOUNI et al. (2007) recomendam, com
base no princípio da incerteza, que quando as diferenças estatísticas entre dois modelos GEV
não forem significativas, deve-se adotar o mais simples. Com isso, a partir do uso do teste da
razão da verossimilhança (Tabela 4) deve-se avaliar, inicialmente, as diferenças entre os
modelos 2 e 3. Caso haja diferença estatística entre o uso desses dois modelos, aplicar
novamente o teste para os modelos 3 e 4.
Tabela 4 - Teste da razão da verossimilhança (estatística D) para os modelos 2 e 3 da série
anual Tmin (1896-2011)
Modelos D Crítico p-valor
2-3 0,11 3,84 0,74
Não há diferença estatística entre os modelos 2 e 3 (Tabela 4). Dessa forma,
considerando as afirmações de EL ADLOUNI et al. (2007) descritas anteriormente, o modelo
2 foi adotado para a descrição probabilística da série de Tmin.
Como pode ser observado na Tabela 2, o modelo 2, adotado para descrição da série
descreve um aumento de 0,01°C no o parâmetro de localização µ, que indica um aumento na
média dos valores amostrais com o passar dos anos. Esse resultado é coerente ao encontrado
por STEINMETZ et al. (2007) que mostraram um aumento da temperatura mínima anual de
0,98ºC no período de 1897 a 2004 e um aumento de 1,70ºC no período de 1955 a 2004 para a
região de Pelotas-RS. Assim como MEZZOMO (2004) verificou a partir de análises de
temperatura mínima média mensal, para Pelotas-RS, uma tendência linear crescente, nesta
variável. A elevação média dos valores de Tmin, descrita pelo modelo 2, também corrobora a
afirmação de que a média dos eventos de geada no Rio Grande do Sul (1945-2005) foram
reduzidos nas últimas dez décadas (BERLATO & ALTHAUS, 2010).
26
São apresentados na Figura 9 os resultados dos gráficos QQ que foram utilizados a fim
de comparar os dados observados de Tmin com os estimados pelos modelos GEV.
Figura 9 - Gráfico quantil-quantil resultante do ajuste de séries de valores mínimos diários de
temperatura do ar observados dentro de cada ano à distribuição geral de valores extremos para
Pelotas, Rio Grande do Sul, Brasil (1896-2011).
Na Figura 9 nota-se um desvio da linearidade apenas nos três valores mais elevados
dessa variável, sugerindo satisfatório ajuste para os extremos inferiores de Tmin o que nos
permite concluir que o modelo 2 pode ser utilizado para representar a estrutura probabilística
da série anual de Tmin obtida a partir da localidade de Pelotas.
FURIÓ & MENEU (2010), após adotar um modelo GEV não estacionário para
descrição probabilística de dados extremos de temperatura do ar obtidos a partir de quatro
localidades espanholas, estimaram, para os anos de 2020, 2050 e 2075, valores dessas
variáveis atmosféricas associados à diversos níveis de probabilidade. No presente estudo
(Tabela 5), o modelo 2 foi utilizado para estimar a probabilidade de ocorrência associada à
distintos valores de Tmin, para os mesmos anos utilizados por FURIÓ & MENEU (2010).
Tabela 5 - Probabilidades futuras de ocorrência associados com valores extremos de
temperatura mínima do ar (Pr [Tmin]), na região de Pelotas, estado do Rio Grande do Sul,
Brasil.
T(°C) 2020 2050 2075
Pr(x<X)
2 0,87 0,82 0,76
1 0,66 0,59 0,50
0 0,40 0,32 0,25
-1 0,17 0,13 0,09
-2 0,05 0,03 0,02
-3
-2
-1
0
1
2
3
4
5
6
-3 -2 -1 0 1 2 3 4 5 6
Teóric
o
Empírico
27
A probabilidade de ocorrência de valores de Tmin que podem estar associados à geada
diminui ao longo do tempo. Entretanto, mesmo considerando-se o ano de 2075, as projeções
do modelo 2 indicam que valores de Tmin iguais ou inferiores à zero apresentarão
probabilidades de ocorrência próximas à 25% (Tabela 5).. Essa característica ainda indica
uma probabilidade de ocorrência de geada relativamente elevada.
4.2 Temperatura máxima extrema do ar
Utilizando a abordagem de máximos em blocos (block maxima approach), são
apresentados na Figura 10 os valores extremos da série anual de Tmax da localidade de
Pelotas- RS, entre os anos 1896-2011.
Figura 10 - Temperatura máxima extrema anual disponível no posto meteorológico de
Pelotas, Rio Grande do Sul, Brasil (1896-2011).
O teste não-paramétrico de Mann-Kendall (MK) não detectou a existência de
tendências lineares para a série de Tmax anual de Pelotas-RS devido ao p-valor do teste ser
superior ao valor de significância (0,05), o resultado do teste pode ser observado na Tabela 6,
junto com os resultados dos testes run e função auto-correlação que não apresentaram
correlação serial e auto-correlação na série Tmax anual.
30
32
34
36
38
40
42
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Tem
pera
tura
( C
)
Anos
28
Tabela 6 - Coeficiente da função de auto-correlação* (rk), significância associada ao valor
(pd), teste de Mann-Kendall (MK) e seu p-valor aplicado às séries anuais de temperatura
máxima extrema do ar. Pelotas - RS (1896-2011)
rk Z pd MK p-valor
0,05 -0,84 0,40 -1,30 0,19
*limite do ruído branco para a localidade é [-0,1857:0,1857]
BLAIN (2010) analisando tendências e/ou variações nas séries de temperatura máxima
média anual nas localidades de Campinas, Cordeirópolis, Mococa, Monte Alegre do Sul,
Piracicaba, Pindorama, Ribeirão Preto e Ubatuba, pertencentes ao estado de São Paulo, apesar
da maioria das séries apresentarem importantes variações em seus parâmetros estatísticos
(variações climáticas), não foi possível estabelecer uma concomitância/significativa na
variabilidade temporal (elevação ou queda) nas oito séries de Tmax , não havendo detecção de
tendência climática consistentes nos dados anuais de Tmax.
Na Tabela 7 são apresentados os resultados dos valores dos parâmetros da série pelo
método da máxima verossimilhança.
Tabela 7 - Parâmetros dos modelos da série de Tmax anual da localidade de Pelotas – RS
(1986-2011).
Parâmetros
Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor 36,02 36,40-0,006t 36,42-0,006t 36,62-0,009t
Erro Padrão ±0,17 ±0,35;
±0,004 ±0,35; ±0,004 ±0,40; ±0,005
σ (escala) Valor 1,58 1,60
exp(0,68-
0,004t) exp(0,82-0,006t)
Erro Padrão ±0,12 ±0,13 ±0,14; ±0,002 ±0,17; ±0,003
ξ (cauda) Valor -0,12 -0,15 -0,13 -0,37+0,004t
Erro Padrão ±0,08 ±0,08 ±0,08 ±0,16; ±0,002
Na Tabela 8 são apresentados os valores dos testes de aderências e do critério de
informação de Akaike para a série anual de Tmax.
29
Tabela 8 - Valor dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL), Anderson-
Darling (AD), Anderson-Darling modificado para cauda superior (AU), seus respectivos
valores críticos (crit) e do Critério de Informação de Akaike Δ(.) para temperatura máxima do
ar anual (Tmax).
Modelo KSL KSL crit AD AD crit AU AU crit AkaikeΔ(.)
1 0,07 0,07 0,73* 0,59 0,47* 0,28 1,3
2 0,07 0,07 0,65* 0,59 0,44* 0,28 1,7
3 0,06 0,07 0,54 0,59 0,34 0,34 0,0
4 0,06 0,07 0,49 0,68 0,31 0,38 0,3
* valor não ajustado ao teste
Os resultados obtidos por meio do teste de KSL e do critério de informação de Akaike
permitem inferir que os dados de Tmax (Tabela 8) ajustam-se à todos os modelos. Entretanto,
de acordo com o teste de Anderson Darling somente os modelos 3 e 4 podem ser utilizados.
Dessa forma o teste da razão da verossimilhança foi aplicado para verificar se existe diferença
estatística entre esses dois últimos modelos (Tabela 9).
Tabela 9 - Teste da razão da verossimilhança (estatística D) para os modelos 3 e 4 da série
anual Tmax (1896-2011)
Modelos D Crítico p-valor
Tmax 3-4 1,65 3,842 0,19
Em relação à Tmax, a estatística D (Tabela 9) selecionou o modelo 3, pois não há
diferença significativa entre os modelos 3 e 4. O modelo 3, cujo parâmetros de localização e
de escala são variáveis ao longo do tempo (Tabela 7), nota-se que o parâmetro de localização
é descrito por uma função decrescente indicando queda temporal na média dos valores de
Tmax em 0,006°C. Contudo, essa característica é acompanhada por uma elevação na
dispersão dos valores de Tmax (elevação da variância) descrita pela variação temporal do
parâmetro σ em 0,004°C. Esse resultado corrobora o trabalho de Sansigolo & Kayano (2010)
que detectou uma tendência de resfriamento significativo de 0,6ºC/100 anos com base em
dados sazonais (verão) de seis localidades do Rio Grande do Sul no período de 1913 a 2006.
30
Figura 11 - Gráfico quantil-quantil resultante do ajuste de séries de valores máximos diários
de temperatura do ar observados dentro de cada ano à distribuição geral de valores extremos
para Pelotas, Rio Grande do Sul, Brasil (1896-2011).
A análise visual da Figura 11, corrobora os resultados obtidos pelos testes de
aderência, critério de informação de Akaike e teste da razão da verossimilhança no sentido de
que o modelo selecionado é adequado para representar a estrutura probabilística da série de
Tmax. Os pontos cartesianos formados pelos valores observados e estimados permanecem, de
forma geral, próximos à reta 1:1. De acordo com Coles (2001) e Wilks (2011) essa
característica indica que os modelos adotados podem ser utilizados para estimar a
probabilidade de ocorrência da variável em análise.
No presente estudo, a fim de exemplificar uma possível aplicação prática do modelo
adotado estimou-se a probabilidade de ocorrência associada à distintos valores Tmax (Tabela
10), para os mesmos anos utilizados por Furió & Meneu (2011).
Tabela 10 - Probabilidades futuras de ocorrência associados com valores extremos de
temperatura máxima do ar (Pr [Tmax]), na região de Pelotas, estado do Rio Grande do Sul,
Brasil.
T(°C) 2020 2050 2075
Pr(x<X)
35 24,3 30,2 36,6
36 52,5 61,8 70,1
37 77,2 85,0 90,5
38 91,6 95,8 98,1
39 99,7 99,2 99,8
-3
-2
-1
0
1
2
3
4
5
6
-3 -2 -1 0 1 2 3 4 5 6
Teó
ric
o
Empírico
31
Os resultados descritos na Tabela 10 descrevem uma elevação na probabilidade
acumulada de ocorrência associada aos extremos superiores de Tmax. Em outras palavras, o
modelo adotado indica, por exemplo, que a probabilidade de ser observado um valor de Tmax
superior à 37ºC irá diminuir entre os anos de 2020 a 2075 passando de, aproximadamente,
22,8% (100% - 77,2%) para 9,5% (100% - 90,5%).
4.3 Precipitação pluvial anual
Utilizando a abordagem de máximos em blocos (block maxima approach), são
apresentados na Figura 12 os valores extremos da série anual de precipitação pluvial da
localidade de Pelotas- RS, entre os anos 1896-2011.
Figura 12 - Precipitação pluvial extrema anual disponível no posto meteorológico de Pelotas,
Rio Grande do Sul, Brasil (1896-2011).
O teste não-paramétrico de Mann-Kendall (MK) não detectou a existência de
tendências lineares para a série de precipitação pluvial anual de Pelotas-RS, o resultado do
teste pode ser observado na Tabela 11, junto com os resultados dos testes run e função auto-
correlação.
Tabela 11 - Coeficiente da função de auto-correlação* (rk), valor do teste Run (Z),
significância associada ao valor do teste Run (pd), teste de Mann-Kendall (MK) e seu p-valor
aplicado às séries anuais de precipitação pluvial extrema do ar. Pelotas - RS (1896-2011)
rk Z pd MK p-valor
0,05 0,68 0,51 -0,99 0,32
*limite do ruído branco para a localidade é [-0,1857:0,1857]
30
50
70
90
110
130
150
170
190
210
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Pre
cip
ita
ção
plu
via
l (m
m)
Anos
32
Conforme verifica-se na Tabela 11, a aplicação do teste Run indicou que a série de
extrema precipitação pluvial pode ser considerada livre de correlação serial ou persistência
temporal, uma vez que o valor final de sua estatística (0,68), associada ao valor p de
significância 0,51 encontra-se distante dos limites críticos usual e arbitrariamente adotados
neste trabalho (p≤0,05) como significativos e o valor de rk está dentro do limite do ruído
branco para esta localidade. A série não apresentou tendência significativa pelo teste de MK.
Esse resultado corrobora BLAIN & MORAES (2011) que com base nos testes Run e MK,
verificaram que as séries anuais de precipitação pluvial máxima diária das localidades de
Campinas, Cordeirópolis, Mococa, Monte Alegre do Sul, Ribeirão Preto e Ubatuba não
apresentaram significativas indicações de correlação serial e de tendências de ordem climática
considerando os anos de 1948 a 2007. Esse resultado também está de acordo com
MARENGO et al. (2007) que indicaram para o sudeste do Brasil que o total anual de
precipitação pluvial parece não ter sofrido alterações nos últimos 50 anos.
Na Tabela 12 são apresentados os resultados dos parâmetros da série de precipitação
pluvial anual pelo método da máxima verossimilhança.
Tabela 12 - Parâmetros dos modelos da série de precipitação pluvial anual da localidade de
Pelotas estimados pelo Método da Máxima Verossimilhança – RS (1986-2011).
Parâmetros
Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor 74,86 75,82-0,02t 76,31+5,56t 84,91+6,19t
Erro Padrão ±1,98 ±3,81; ±0,05 ±14,74; # 0,0; ±0,0003
σ (escala) Valor 19,15 19,14 exp(5,89+0,01t) exp(8,93+0,03t)
Erro Padrão ±1,47 ±1,47 #; 0,0 #; #
ξ (cauda) Valor 0,10 0,10 2,30 1,83+1,91t
Erro Padrão ±0,06 ±0,06 ±0,16 #; # #: erro padrão <-1
Conforme descrito em COLES (2001), valores de erro padrão <-1, são difíceis de ser
obtidos, com isso a sigla # foi utilizada para descrever esses valores resultando no descarte do
modelo.
A Tabela 13 apresenta os resultados a partir dos testes KSL, AD e o critério de
informação de Akaike. O Akaike aceita os modelos 1 e 2, porém nenhum dos modelos foi
aceito pelos testes Kolmogorov-Smirnov/Lilliefors e Anderson-Darling. Dessa forma a série
33
de precipitação pluvial anual de Pelotas - RS (1896 a 2011) não pode ajustada à distribuição
GEV tanto em sua forma estacionária quanto não estacionária.
Tabela 13 - Valores dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL),
Anderson-Darling (AD), Anderson-Darling modificado (ADm), seus respectivos valores
críticos (crit) e do Critério de Informação de Akaike Δ(.) para precipitação pluvial.
Modelo KSL KSL crit AD AD crit AD U AD Ucrit AkaikeΔ(.)
1 0,07 0,07 0,59* 0,54 0,35* 0,27 0
2 0,08* 0,07 0,57* 0,54 0,34* 0,27 1,92
* valor não ajustado ao teste.
4.4 Temperatura mínima do ar em escala sazonal
São apresentados na Figura 13 os valores extremos da série sazonal de temperatura
mínima do ar da localidade de Pelotas- RS, entre os anos 1896-2011, utilizando a abordagem
de máximos em blocos (block maxima approach).
Figura 13 - Temperatura mínima (Tmin) extrema sazonal do posto meteorológico de Pelotas,
Rio Grande do Sul, Brasil (1896-2011)
-5.0
-3.0
-1.0
1.0
3.0
5.0
7.0
9.0
11.0
13.0
15.0
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Tem
pera
tura
( C
)
TMIN Verão
-5.0
-3.0
-1.0
1.0
3.0
5.0
7.0
9.0
11.0
13.0
15.0
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
TMIN Outono
-5.0
-3.0
-1.0
1.0
3.0
5.0
7.0
9.0
11.0
13.0
15.0
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Anos
TMIN Primavera
-5.0
-3.0
-1.0
1.0
3.0
5.0
7.0
9.0
11.0
13.0
15.0
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Tem
pera
tura
( C
)
Anos
TMIN Inverno
34
Na Tabela 14 são apresentados os resultados dos testes Run, função auto-correlação e
do teste não paramétrico de Mann-Kendall.
Tabela 14 - Coeficiente da função de auto-correlação* (rk), significância associada ao valor
(pd), teste de Mann-Kendall (MK) e seu p-valor aplicado às séries sazonais de temperatura
mínima extrema do ar. Pelotas - RS (1896-2011)
rk Z pd MK p-valor
Verão 0,18 -2,13 0,23 0,34 0,73
Outono 0,13 -0,99 0,32 -0,39 0,69
Inverno 0,08 -1,37 0,92 0,29 0,77
Primavera 0,12 -0,64 0,52 0,09 0,93
*limite do ruído branco para a localidade é [-0,1857:0,1857]
Como pode ser observado na Tabela 14, os coeficientes (rk) de Tmin permitem a
aceitação da hipótese de nulidade associada à aplicação da função auto-correlação, tendo em
vista que todos os valores de rk permanecem dentro dos limites de ruído branco adotados. Os
valores da significância associada ao teste run são superiores ao valor adotado como
significativo (5%), não apresentando correlação serial significativa. O mesmo para o teste de
MK, que não apresentou tendência significativa na série.
Na Tabela 15 são apresentados os valores dos parâmetros adotados para a série a partir
do método da máxima verossimilhança e na Tabela 16 são apresentados os resultados dos
testes de aderência KSL e AD e o Critério de Informação de Akaike.
35
Tabela 15 - Valores referentes aos parâmetros adotados para os das séries de Tmin sazonal da
localidade de Pelotas – RS pelo Método da Máxima Verossimilhança (1986-2011).
Verão Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor +11,15 +10,33+0,01t +10,17+0,02t +10,37+0,01t
Erro
Padrão ±0,15 ±0,28; ±0,004 ±0,31; ±0,004 ±0,13; 0,0
σ (escala)
Valor 1,42 1,37 exp(0,59-0,005t) exp(0,54-0,004t)
Erro
Padrão ±0,10 ±0,09 ±0,15; ±0,002 ±0,07; 0,0
ξ (cauda)
Valor -0,13 -1,15 -0,19 0,02-0,004t
Erro
Padrão ±0,05 ±0,05 ±0,05 ±0,05; 0,0
Outono Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor +0,48 -0,20+0,01t +0,07+0,007t +0,44+0,004t
Erro
Padrão ±0,17 ±0,30; ±0,005 ±0,31; ±0,004 ±0,37; ±0,005
σ (escala)
Valor 1,64 1,64 exp(0,62-0,003t) exp(0,78-0,006t)
Erro
Padrão ±0,12 ±0,12 ±0,07; 0,0 ±0,14; ±0,002
ξ (cauda)
Valor -0,30 -0,34 -0,31 -0,44+0,003t
Erro
Padrão ±0,06 ±0,05 ±0,06 ±0,06; 0,0
Inverno Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor +0,49 +0,20+0,01t +0,07+0,0007t +0,44+0,004t
Erro
Padrão ±0,17 ±0,29; ±0,004 ±0,31; ±0,004 ±0,39; ±0,005
σ (escala)
Valor 1,64 1,64 exp(0,62-0,003t) exp(0,78-0,006t)
Erro
Padrão ±0,12 ±0,12 ±0,07; 0,0 ±0,14; ±0,002
ξ (cauda)
Valor -0,30 -0,34 -0,31 -0,44+0,003t
Erro
Padrão ±0,06 ±0,05 ±0,06 ±0,06; 0,0
Primavera Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor +5,90 +5,02+0,01t +4,90+0,02t +4,93+0,02t
Erro
Padrão ±0,17 ±0,30; ±0,004 ±0,33; ±0,005 ±0,43; ±0,007
σ (escala)
Valor 1,69 1,62 exp(0,40+0,001t) exp(0,28+0,003t)
Erro
Padrão ±0,12 ±0,12 ±0,13; ±0,002 ±0,22; ±0,004
ξ (cauda)
Valor -0,31 -0,32 -0,31 -0,18-0,002t
Erro
Padrão ±0,06 ±0,06 ±0,06 ±0,06; ±0,004
#: erro padrão <-1
36
Tabela 16 - Valor dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL), Anderson-
Darling (AD), Anderson-Darling modificado para cauda inferior (AL), seus respectivos
valores críticos (crit) e do Critério de Informação de Akaike Δ(.) para a série de temperatura
mínima do ar em escala sazonal (1896-2011).
Modelo KSL KSL crit AD AD crit AL AL crit AkaikeΔ(.)
Verão
1 0,05 0,07 0,42 0,60 0,23 0,28 14,7*
2 0,07 0,07 0,43 0,60 0,25 0,28 5,5*
3 0,05 0,07 0,30 0,61 0,18 0,29 2,4*
4 0,04 0,07 0,23 0,55 0,14 0,28 0
Primavera
1 0,04 0,07 0,33 0,65 0,13 0,30 8,7*
2 0,07 0,08 0,25 0,66 0,11 0,30 0
3 0,16* 0,07 5,86* 0,53 3,00* 0,30 1,5
4 0,06 0,07 0,22 0,61 0,10 0,30 2,8*
Inverno
1 0,04 0,08 0,38 0,65 0,21 0,30 4,6*
2 0,05 0,08 0,31 0,67 0,14 0,30 0,3
3 0,04 0,07 0,23 0,66 0,12 0,30 0,4
4 0,06 0,08 0,67 0,72 0,39* 0,32 0
Outono
1 0,05 0,08 0,22 0,66 0,13 0,30 4,3*
2 0,05 0,08 0,51 0,65 0,33* 0,30 0
3 0,05 0,07 0,48 0,65 0,31* 0,30 0,2
4 0,29* 0,07 12,6* 0,54 7,98* 0,30 2,2* * Valores não ajustados aos testes.
A partir dos resultados dos testes de aderência, o modelo aceito para o verão é o 4,
onde todos os parâmetros são variáveis ao longo do tempo, pois os outros modelos não se
ajustaram ao Akaike Δ(.), verifica-se a partir da Tabela 15, aumento de 0,01°C na média dos
valores e diminuição de 0,004°C na variância e nos menores valores da distribuição indicados
pela variação temporal do parâmetro de cauda. Para a primavera é aceito o modelo 2, pois o
modelo 1 e o 4 não se ajustam ao Akaike Δ(.) e o modelo 3 não se ajusta ao teste KSL, AD e
AD modificado, onde somente o parâmetro de localização varia, indicando que há um
aumento de 0,01°C na média dos valores de Tmin nessa estação do ano. Já o Outono não se
ajustou a distribuição geral dos valores extremos. Para o inverno, o modelo 1 não é aceito
pelo Akaike Δ(.) e o modelo 4 não se ajusta ao teste de AD modificado para cauda inferior,
sendo os modelos 2 e 3 ajustados aos teste de aderência, com isso o teste da razão da
verossimilhança foi aplicado (Tabela 17), demonstrando a diferença dos valores da estatística
D para os valores críticos dos modelos 2 e 3 para o inverno. Considerando que para o verão
somente o modelo 4 foi aceito ao passo que para a primavera somente o modelo 2 foi aceito,
não se faz necessário o uso da estatística D para essas dias séries.
37
Tabela 17 - Teste da razão da verossimilhança (estatística D) para os modelos das série de
temperatura mínima do ar em escala sazonal (1896-2011).
Modelos D Crítico p-valor
Inverno 2-3 1,82 3,84 0,178
O teste da razão da verossimilhança não apresentou diferença significativa entre os
modelos 2 e 3, com isso o modelo 2 foi adotado para discrição probabilística da série de
inverno, onde o parâmetro de localização apresentou aumento de 0,01°C na média, com o
passar dos anos.
Esses resultados que apontam elevação nos valores de Tmin corroboram MINUZZI et
al. (2011) que estudando temperaturas mínimas do ar no estado do Paraná, apontaram um
aumento em todas as escalas temporais em diversas estações meteorológicas analisadas.
SANSIGO & KAYANO (2010) também detectaram tendência nas temperaturas mínimas
sazonais com aumento de 1,5ºC/100 anos no outono, de 1,9ºC no verão e de 1,8ºC nas outras
estações do ano. No estudo envolvendo a América do Sul, VICENT et al. (2005) também
observaram, na maioria das estações (principalmente nas localizadas nas costas leste e oeste
do continente), tendência de elevação nos extremos diários da temperatura mínima no período
de 1960 a 2000.
38
Figura 14 - Gráficos quantil-quantil resultantes do ajuste de séries de valores mínimos diários
de temperatura do ar observados no verão, inverno e primavera à distribuição geral de valores
extremos para Pelotas, Rio Grande do Sul, Brasil (1896-2011)
Por fim ressalta-se que segundo MARQUES et al. (2005) no Rio Grande do Sul, num
período de 57 anos (1948-2004), a tendência de aumento da temperatura mínima variou de
0,8°C até os valores máximos de 1,9; 1,9; 1,7 e 1,9°C, respectivamente, para os meses de
dezembro, janeiro, fevereiro e março. Nesses quatro meses, na região de Pelotas, o número
médio de dias por ano com temperaturas mínimas do ar menores ou iguais a 15ºC, diminuiu
21% no período 1950-2006 em relação ao período 1893-1950 (STEINMETZ et al., 2007).
A fim de exemplificar uma possível aplicação prática do modelo adotado para a estação
do inverno, pois é nela que ocorrem os valores extremos para temperatura mínina, estimou-se
a probabilidade de ocorrência associada à distintos valores Tmin (Tabela 18), para os mesmos
anos utilizados por Furió & Meneu (2011). Não foram estimados as probabilidades futuras de
ocorrência de valores mínimos extremos para o verão e primavera devido ao fato de que essas
estações não apresentam valores abaixo de 2°C, que podem estar associados ao fenômeno de
geada.
-2
-1
0
1
2
3
4
5
6
-2 -1 0 1 2 3 4 5 6
Teó
ric
o
Empírico
Inverno
-2
-1
0
1
2
3
4
5
-2 -1 0 1 2 3 4 5
Teó
ric
o
Empírico
Verão
-2
-1
0
1
2
3
4
5
6
-2 -1 0 1 2 3 4 5 6
Teó
ric
o
Empírico
Primavera
39
Tabela 18 - Probabilidades futuras de ocorrência associados com valores extremos de
temperatura mínima do ar (Pr [Tmin]) em escala sazonal observados no inverno à distribuição
geral de valores extremos para Pelotas, Rio Grande do Sul, Brasil (1896-2011)
2020 2050 2075
T (°C) Pr(x<X)
2 0,79 0,74 0,68
1 0,59 0,52 0,45
0 0,35 0,28 0,23
-1 0,15 0,11 0,08
-2 0,04 0,02 0,01
Como pode se observar na Tabela 18, mesmo a partir de 2075 existem 23% de
probabilidades de ocorrência de valores inferiores a 0°C, o que pode ocasionar o fenômeno da
geada.
4.5 Temperatura máxima do ar em escala sazonal
São apresentados na Figura 15 os valores extremos da série sazonal de temperatura
máxima do ar da localidade de Pelotas- RS, entre os anos 1896-2011, utilizando a abordagem
de máximos em blocos (block maxima approach).
Figura 15 - Temperatura máxima extrema sazonal do posto meteorológico de Pelotas, Rio
Grande do Sul, Brasil (1896-2011).
24.0
26.0
28.0
30.0
32.0
34.0
36.0
38.0
40.0
42.0
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Tem
per
atu
ra ( C
)
TMAX Verão
24.0
26.0
28.0
30.0
32.0
34.0
36.0
38.0
40.0
42.0
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Anos
TMAX Primavera
24.0
26.0
28.0
30.0
32.0
34.0
36.0
38.0
40.0
42.0
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
TMAX Outono
24.0
26.0
28.0
30.0
32.0
34.0
36.0
38.0
40.0
42.0
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Tem
pera
tura
( C
)
Anos
TMAX Inverno
40
Na Tabela 19 são apresentados os resultados dos testes Run , função auto-correlação e
do teste não-paramétrico de MK. O teste de MK não apresentou tendência significativa e
correlação serial para nenhuma das estações do ano para a série de Tmax sazonal.
Tabela 19 - Coeficiente da função de auto-correlação* (rk), valor do teste Run (Z),
significância associada ao valor do teste Run (pd), , teste de Mann-Kendall (MK) e seu p-
valor aplicado às séries sazonais de temperatura máxima extrema do ar. Pelotas - RS (1896-
2011)
rk Z pd MK p-valor
Verão 0,07 -0,65 0,51 -1,44 0,15
Outono 0,13 -1,88 0,07 -0,27 0,79
Inverno 0,10 0,15 0,90 0,90 0,37
Primavera 0,04 0,84 0,40 0,47 0,64
*limite do ruído branco para a localidade é [-0,1857:0,1857]
São apresentados na Tabela 20 os valores dos parâmetros adotados a partir do método
da máxima verossimilhança. Conforme descrito em COLES (2001), valores de erro padrão
<-1, são difíceis de ser obtidos, com isso a sigla # foi utilizada para descrever esses valores
resultando no descarte do modelo.
Na Tabela 21 estão apresentados os resultados dos testes de aderência e do critério de
informação de akaike.
41
Tabela 20 - Valores referentes aos parâmetros dos modelos para as séries de Tmax sazonal da
localidade de Pelotas – RS (1986-2011).
Verão Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor 35,52 36,20-0,008t 36,06-0,009t 35.68-0,003t
Erro
Padrão ±0,19 ±0,36; ±0,005 ±0,37; ±0,005 ±0,32; ±0,005
σ (escala)
Valor 1,83 1,82 exp(0,68-0,001t) exp(0,52+0,0006t)
Erro
Padrão ±0,13 ±0,13 ±0,13; ±0,002 ±0,07; #
ξ (cauda)
Valor -0,18 -0,19 -0,2 0,02-0,003t
Erro
Padrão ±0,06 ±0,07 ±0,07 ±0,07; #
Outono Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor 31,22 31,10+0,002t 31,10+0,002t 30,98+0,004t
Erro
Padrão ±0,19 ±0,38; ±0,006 ±0,37; ±0,006 ±0,34; ±0,005
σ (escala)
Valor 1,84 1,84 exp(0,57-0,0007t) exp(0,45+0,003t)
Erro
Padrão ±0,14 ±0,09 ±0,16; ±0,002 ±0,07; #
ξ (cauda)
Valor -0,09 0,14 -0,09 0,11-0,003t
Erro
Padrão ±0,07 ±0,07 ±0,07 ±0,07; #
Inverno Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor 29,36 28,71+0,01t 28,39+0,01t 28,72+0,01t
Erro
Padrão ±0,21 ±0,38; ±0,006 ±0,43; ±0,007 ±0,37; ±0,005
σ (escala)
Valor 2,02 2,00 exp(0,62+0,002t) exp(0,61+0,001t)
Erro
Padrão ±0,14 ±0,14 ±0,14; ±0,002 ±0,11; ±0,002
ξ (cauda)
Valor -0,19 -0,2 0,09 -0,20+0,00t
Erro
Padrão ±0,05 ±0,05 ±0,11 ±0,05; 0,0
Primavera Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor 33,15 32,92+0,002t 33,16-0,005t 33,14-0,0007t
Erro
Padrão ±0,22 ±0,43; ±0,006 ±0,42; ±0,006 ±0,23; ±0,002
σ (escala)
Valor 2,09 2,09 exp(0,74-0,001t) exp(0,69+0,0007t)
Erro
Padrão ±0,15 ±0,15 ±0,15; ±0,002 ±0,13; ±0,002
ξ (cauda)
Valor -0,19 -0,17 0,09 0,07-0,004t
Erro
Padrão ±0,06 ±0,06 ±0,11 ±0,06; #
#: erro padrão <-1
42
Tabela 21 - Valores dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL),
Anderson-Darling (AD), Anderson-Darling modificado para cauda superior (AU), seus
respectivos valores críticos (crit) e Critério de Informação de Akaike Δ(.) para a série de
temperatura máxima do ar em escala sazonal (1896-2011) .
Modelo KSL KSL crit AD AD crit AU AU crit AkaikeΔ(.)
Verão
1 0,05 0,07 0,46 0,62 0,23 0,29 0,6
2 0,06 0,07 0,41 0,61 0,24 0,29 0
3 0,05 0,07 0,34 0,61 0,20 0,29 1,5
4 0,05 0,07 0,29 0,55 0,18 0,28 2,5*
Primavera
1 0,06 0,07 0,31 0,61 0,18 0,29 0
2 0,06 0,07 0,42 0,60 0,21 0,29 2,8*
3 0,09* 0,07 1,47* 0,54 0,83* 0,28 19,1*
4 0,06 0,07 0,27 0,54 0,11 0,27 7,4*
Inverno
1 0,08* 0,07 0,79* 0,61 0,31 0,31 1,9
2 0,08* 0,07 0,73* 0,61 0,29 0,29 0
3 0,13* 0,07 2,59* 0,54 1,22* 0,27 22,1*
4 0,08* 0,07 0,74* 0,61 0,28 0,29 3,2*
Outono
1 0,04 0,07 0,18 0,58 0,09 0,28 0
2 0,05 0,07 0,18 0,58 0,10 0,28 1,9
3 0,05 0,07 0,20 0,58 0,10 0,28 3,8*
4 0,05 0,07 0,24 0,54 0,12 0,27 3,8*
* Valores não ajustados aos testes.
Para a série sazonal Tmax de verão somente o modelo 4 é descartado devido ao
resultados do Akaike ser superior a 2. Com isso faz-se o teste da razão da verossimilhança
para verificar qual modelo entre o 1, 2 e 3 é o que melhor representa a série (Tabela 22). Para
a primavera, os modelos 2, 3 e 4 não se ajustam ao Akaike, assim como o modelo 3 não é
ajustado ao KSL e aos testes de AD e Anderson Darling modificado para cauda superior
(AU), sendo o modelo 1 adotado para esta série. No inverno, nenhuma das séries teve ajuste
aos testes de aderência KSL e AD, sendo esta série descartada. E para o outono, somente os
modelos 3 e 4 não foram ajustados ao akaike, com isso o realizou o teste da razão da
verossimilhança para o modelo 1 e o 2 (Tabela 22).
Tabela 22 - Teste da razão da verossimilhança (estatística D) para os modelos das série de
temperatura máxima do ar em escala sazonal (1896-2011).
Modelos D Crítico p-valor
Verão 1-2 2,62 3,84 0,10
Outono 1-2 0,13 3,84 0,72
43
Como não houve diferença significativa entre o modelo 1 e o modelo 2 para as séries
de verão e de outono, sendo o modelo 1, o modelo estacionário, onde todos os parâmetros são
constantes no tempo, adotado para descrição probabilística destas séries analisadas na Tabela
22. Os valores dos parâmetros adotados para cada série sazonal ajustada nos testes acima
citados são apresentados na Tabela 20.
Na Figura 16, temos a representação dos gráficos quantil-quantil, demonstrando o
ajuste dos modelos adotados para descrição probabilística de cada série à distribuição
empírica.
Figura 16 - Gráficos quantil-quantil resultante do ajuste de séries de valores máximos diários
de temperatura do ar observados no verão, outono e primavera à distribuição geral de valores
extremos para Pelotas, Rio Grande do Sul, Brasil (1896-2011)
4.6 Precipitação pluvial em escala sazonal
São apresentados na Figura 17 os valores extremos da série sazonal de temperatura
mínima do ar da localidade de Pelotas- RS, entre os anos 1896-2011, utilizando a abordagem
de máximos em blocos (block maxima approach).
29
30
31
32
33
34
35
36
37
38
39
40
41
29 30 31 32 33 34 35 36 37 38 39 40 41
Teó
ric
o
Empírico
Primavera
28
29
30
31
32
33
34
35
36
37
38
39
28 29 30 31 32 33 34 35 36 37 38 39
Teó
ric
o
Empírico
Outono
31
32
33
34
35
36
37
38
39
40
41
42
31 32 33 34 35 36 37 38 39 40 41 42
Teó
ric
o
Empírico
Verão
44
Figura 17 - Precipitação pluvial extrema sazonal do posto meteorológico de Pelotas, Rio
Grande do Sul, Brasil (1896-2011).
São apresentados na Tabela 23 os resultados da função auto-correlação, dos testes run
e MK e na Tabela 24 os valores dos parâmetros de cada série.
Tabela 23 - Coeficiente da função de auto-correlação* (rk), valor do teste Run (Z),
significância associada ao valor do teste Run (pd), teste de Mann-Kendall (MK) e seu p-valor
aplicado às séries sazonais de precipitação pluvial extrema. Pelotas - RS (1896-2011)
rk Z pd MK p-valor
Verão -0,01 -1,61 0,11 -0,69 0,48
Outono -0,07 -0,46 0,65 -1,55 0,12
Inverno 0,14 -1,75 0,08 -0,79 0,43
Primavera -0,04 1,01 0,31 1,22 0,22
*limite do ruído branco para a localidade é [-0,1857:0,1857]
O teste de Mann-Kendall não mostrou tendências significativas para nenhuma das
séries sazonais de precipitação pluvial (Tabela 23), esse resultado não corrobora PINHEIRO
et al. (2013) que com o mesmo teste mostrou tendências significativas ao nível de 95% em 16
de 18 estações analisadas no sul do Brasil. Todas as séries estão livres de auto-correlação e
correlação serial, todos os resultados da função auto-correleção estão dentro do limite de
ruído branco para esta localidade e os valores da significância pd do teste run são superiores
os 5% adotados neste trabalho.
10
40
70
100
130
160
190
220
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Pre
cip
ita
ção
plu
via
l (m
m)
PRE Verão
10
40
70
100
130
160
190
220
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Anos
PRE Primavera
10
40
70
100
130
160
190
220
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
Pre
cip
ita
ção
plu
via
l (m
m)
Anos
PRE Inverno
10
40
70
100
130
160
190
220
18
95
19
05
19
15
19
25
19
35
19
45
19
55
19
65
19
75
19
85
19
95
20
05
PRE Outono
45
Tabela 24 - Parâmetros dos modelos da série de precipitação pluvial sazonal da localidade de
Pelotas estimados pelo Método da Máxima Verossimilhança – RS (1986-2011).
Verão Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor 51,18 46,77+0,07t 65,83-0,16t 54,14+3,63t
Erro
Padrão ±2,18 ±4,45; ±0,06 ±6,30; ±0,08 #; #
σ (escala)
Valor 21,2 20,87 exp(3,46-0,005t) exp(6,52+0,008t)
Erro
Padrão ±1,61 ±1,63 ±0,20; ±0,003 0,0; 0,0
ξ (cauda)
Valor 0,08 0,10 0,09 6,08-0,003t
Erro
Padrão ±0,06 ±0,07 ±0,08 #; 0,0
Outono Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor 46,51 45,91+0,01t 46,19+0,006t 49,21-0,05t
Erro
Padrão ±2,00 ±3,62; ±0,05 ±3,89; ±0,06 0,0; 0,0
σ (escala)
Valor 18,63 18,62 exp(2,95-0,0005t) exp(4,02+0,002t)
Erro
Padrão ±1,57 ±1,57 ±0,16; ±0,002 0,0; 0,0
ξ (cauda)
Valor 0,15 0,15 0,15 -1,01+0,05t
Erro
Padrão ±0,08 ±0,08 ±0,08 #0,0; 0,0
Inverno Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor 51,79 55,41-0,06t 55,24-0,06t 54,79-0,05t
Erro
Padrão ±1,93 ±3,95; ±0,06 ±4,03; ±0,05 ±4,04; ±0,05
σ (escala)
Valor 18,54 18,59 exp(3,07-0,003t) exp(3,07-0,003t)
Erro
Padrão ±1,38 ±1,38 ±0,14; ±0,002 ±0,14; ±0,002
ξ (cauda)
Valor -0,1 -0,11 -0,12 -0,12-0,00003t
Erro
Padrão ±0,07 ±0,07 ±0,07 ±0,07; 0,0
Primavera Modelo 1 Modelo 2 Modelo 3 Modelo 4
µ
(localização)
Valor 45,10 44,63+0,008t 54,21-0,10t 106,90+0,007t
Erro
Padrão ±2,00 ±3,43; ±0,05 ±4,36; ±0,06 #; #
σ (escala)
Valor 18,01 18,02 exp(3,02-0,001t) exp(4,82+0,002t)
Erro
Padrão ±1,51 ±1,51 ±0,16; ±0,002 #; 0,0
ξ (cauda)
Valor -0,07 -0,07 -0,13 1,21+0,006t
Erro
Padrão ±0,10 ±0,10 ±0,10 0,04; #
#: erro padrão <-1.
46
Conforme descrito em COLES (2001), valores de erro padrão <-1, são difíceis de ser
obtidos, com isso a sigla # foi utilizada para descrever esses valores resultando no descarte do
modelo.
Abaixo, temos os valores dos resultados dos testes de aderência para série de
precipitação pluvial em escala sazonal.
Tabela 25 - Valores dos testes de aderência Kolmogorov-Smirnov/Lilliefors (KSL),
Anderson-Darling (AD), Anderson-Darling modificado para a cauda superior (AU), seus
respectivos valores críticos (crit) e Critério de Informação de Akaike Δ(.) para a série de
Precipitação pluvial sazonal (1896-2011) .
Modelo KSL KSL crit AD AD crit AU AU crit AkaikeΔ(.)
Verão
1 0,04 0,07 0,31 0,54 0,12 0,27 0
2 0,04 0,07 0,25 0,54 0,11 0,28 0,7
3 0,13* 0,07 3,19* 0,54 1,59* 0,27 17,3*
Primavera
1 0,06 0,07 0,77* 0,57 0,43* 0,28 0
2 0,06 0,07 0,77* 0,57 0,43* 0,28 1,9
3 0,12* 0,07 1,76* 0,59 0,59* 0,28 11,0*
Inverno
1 0,04 0,07 0,29 0,58 0,14 0,28 0
2 0,05 0,07 0,27 0,59 0,12 0,28 0,90
3 0,04 0,07 0,23 0,59 0,11 0,28 1,34
Outono
1 0,05 0,07 0,56* 0,53 0,30* 0,28 0
2 0,05 0,07 0,53 0,53 0,29* 0,28 1,9
3 0,05 0,07 0,55* 0,53 0,30* 0,28 3,9* * Valores não ajustados aos testes.
O resultado dos testes Lilliefors (KSL) e Anderson Darling (AD) apresentados na
Tabela 25 indicam que a GEV pode ser utilizada na descrição das probabilidades associadas à
PRE na localidade de Pelotas (1896-2011) somente para as estações do verão e do inverno.
Para as séries de primavera e de outono, o teste AU rejeita o uso de todos os modelos. Dessa
forma, com base nos resultados apresentados na Tabela 25 o teste da razão da verossimilhança
foi aplicado apenas para os modelos 1 e 2 considerando-se as estações do Verão e da
Primavera (Tabela 26).
Tabela 26 - Teste da razão da verossimilhança (estatística D) para os modelos 1 e 2 da série
de precipitação pluvial sazonal (1896-2011).
Modelos D Crítico p-valor
Verão 1-2 1,29 3,84 0,25
Inverno 1-2 1,11 3,84 0,29
47
De acordo com teste da razão da verossimilhança (Tabela 26), tanto para verão como
para inverno os modelos 1 e 2 não diferem significativamente entre sí. Essa característica
indica a inexistência de tendência climáticas nos valores extremos de precipitação pluvial para
a referida localidade (Tabela 26).
Figura 18 - Gráficos quantil-quantil resultantes dos ajustes de séries de precipitação pluvial
observados no verão e no inverno à distribuição geral de valores extremos para Pelotas, Rio
Grande do Sul, Brasil (1896-2011)
A inexistência de tendências climáticas nas séries de precipitação pluvial de Pelotas
não é consistente demais trabalhos realizados na região sul do Brasil. Nesse sentido,
MINUZZI & CARAMORI (2011) encontraram aumento nas séries temporais de precipitação
pluvial no estado do Paraná, principalmente no verão e na primavera. No verão, o aumento
variou entre 17 e 37 mm/década, e na primavera, entre 16 e 42 mm/década. Esses autores
observaram que as estações pluviométricas que apresentaram maiores tendências de aumento
estavam situadas na metade leste do estado, em áreas próximas ao oceano atlântico. Deste
modo, o aumento pode estar associado com chuvas oriundas da circulação marítima ou do
aumento da frequência de frentes frias, conforme proposto por CAVALCANTI & KOUSKY
(2009).
15
35
55
75
95
115
135
155
175
195
15 35 55 75 95 115 135 155 175 195
Teó
ric
o
Empírico
Verão
20
40
60
80
100
120
140
20 40 60 80 100 120 140
Teó
ric
o
Empírico
Inverno
48
5 CONCLUSÕES
A localidade de Pelotas-RS apresenta tendência climática na escala anual para as
variáveis Tmin e Tmax. Na escala sazonal foi observada tendência climática para a variável
Tmin.
A presença de características não estacionárias nas séries de temperatura mínima do ar
influência de forma significativa a queda na frequência de ocorrência de valores de
temperatura do ar que podem estar associados à geada.
As alterações temporais na estrutura probabilística das séries extremas de temperatura
máxima do ar são inferiores às observadas nos valores extremos de temperatura mínima. Para
a escala anual observa-se diminuição na frequência de ocorrência desses extremos superiores.
A distribuição geral dos valores extremos não se mostrou apropriada para descrever a
estrutura probabilística das séries de valores extremos de precipitação pluvial na localidade de
Pelotas-RS.
Nenhuma das séries analisadas apresentaram presença de persistência temporal e
tendência climática pelo teste não-paramétrico de Mann-Kendall.
49
6 REFERÊNCIAS
AHMAD, M. I.; SINCLAIR, C. D.; SPURR, B. D. Assessment of flood frequency models
using empirical distribution function. Water Resource Research, v. 24, n.8, p. 1323–1328,
1988.
ALEXANDER, L.V.; ZHANG, X.; PETERSON, T.C.; CAESAR, J.; GLEASON, B.; TANK,
A.M.G; HAYLOCK, M.; COLLINS, D.; TREVIN, B.; RAHIMZADEH, F.; TAGIPOU, A.;
RUPA KUMAR, K.; REVADEKAR, J.; GRIFFITHS, G.; VINCENT, L.; STEPHENSON,
D.; BURN, J.; AGUILLAR, E.; TAYLOR, M.; NEW, M.; ZHAI, P.; RUSTICUCCI, M.;
VASQUEZ-AGUIRRE, J.L. Global observed changes in daily climate extremes of
temperature and precipitation. Journal of Geophysical Research, Washington, v.111, D05109,
2006.
ANDERSON, O.D. Time series analysis and forecasting: the Box-Jenkins approach. London
and Boston: Butterworths, 1976. 182p.
ANDERSON, T. W.; DARLING D. A. Asymptotic theory of certain ‘‘goodness-of-fit’’
criteria based on stochastic processes. The Annals of Mathematical Statistics, v. 23, n. 2, p.
193–212, 1952.
ASTOLPHO, F.; CAMARGO, M.B.P.; BARDIN, L. Probabilidades mensais e anuais de
ocorrência de temperaturas mínimas do ar adversas à agricultura na região de Campinas (SP)
de 1891 a 2000. Bragantia, Campinas, v. 63, p.141-147, 2004.
BAYAZIT, M.; ONOZ, B. To prewhiten or not prewhiten in trend analysis? Hydrologic
Science Journal, Wallingford, v.52, n.4, p. 611-624, 2007.
BEIJO, L.A.; MUNIZ, J.A.; NETO, P.C. Tempo de retorno das precipitações máximas em
lavras (MG) pela distribuição de valores extremos do tipo I. Ciênc. agrotec. vol.29, n.3,
Lavras May/June 2005.
BERLATO, M.A.; ALTHAUS, D. Tendência observada da temperatura mínima e donúmero
de dias de geada do Estado do Rio Grande do Sul. Pesquisa Agrop. Gaúcha.Porto Alegre,
v.16, n.1 e 2, p.7-16, 2010.
BLAIN, G.C. Séries anuais de temperatura máxima média do ar no Estado de São Paulo:
variações e tendências climáticas. Revista Brasileira de Meteorologia, v.25, p.114-124, 2010.
BLAIN, G. C. Cento e vinte anos de totais extremos de precipitação pluvial máxima diária em
Campinas, Estado de São Paulo: análises estatísticas. Bragantia, v. 70, n. 3, p. 722-728,
2011a.
BLAIN, G. C. Aplicação do conceito do índice padronizado de precipitação à série decendial
da diferença entre precipitação pluvial e evapotranspiração potencial. Bragantia, v. 70, n. 1, p.
234-245, 2011b.
50
BLAIN, G.C. Totais decendiais de precipitação pluvial em Campinas, SP: persistência
temporal, periodicidades e tendências climáticas. Ciência Rural, Santa Maria, v.41, n.5, p.
789-795, 2011c.
BLAIN, G.C. Incorporating climate trends in the stochastic modeling of extreme minimum air
temperature series of Campinas, state of São Paulo, Brazil, Bragantia, Campinas, v.70, n.4,
p.234-245, 2011d.
BLAIN, G.C. Precipitação pluvial e temperatura do ar no Estado de São Paulo:
periodicidades, probabilidades associadas, tendências e variações climáticas, 2011e. 194p.
Tese (Doutorado) – Universidade de São Paulo, Piracicaba.
BLAIN, G. C.; MORAES, S. O. Caracterização estatística de oito séries de precipitação
pluvial máxima diária da secretaria de agricultura e abastecimento do Estado de São Paulo.
Revista Brasileira de Meteorologia, v. 26, n. 2, p. 225-233, 2011.
BLAIN, G.C., LULU, J. Considerações estatísticas relativas a seis séries mensais de
temperatura do ar da Secretaria de Agricultura e Abastecimento do Estado de São Paulo.
Revista Brasileira de Meteorologia, v.26, p.29-40, 2011.
BLAIN, G.C., PIRES, R.C.M. Variabilidade temporal da evapotranspiração real e da razão
entre evapotranspiração real e potencial em Campinas, Estado de São Paulo, Bragantia,
Campinas, v.70, n.2, p.460-470, 2011.
BLAIN, G.C. Monthly values of the standardized precipitation index in the State of São
Paulo, Brazil: trends and spectral features under the normality assumption, Bragantia,
Campinas, v.71, n.1, p.460-470, 2012.
BORDI, I.; FRAEDRICH, K.; PETITTA, M.; SUTERA, A.; Extreme value analysis of wet
and dry periods in Sicily. Theoretical and Applied Climatology, v. 87, n. 1-4, p. 61-71, 2007.
BURN, D. H.; ELNUR, A. H. Detection of hidrological trends and variability. Journal of
Hydrology, v. 255, n. 255, p. 107-122, 2002.
BURN, D. H.; CUNDERLIK, J.; PIETRONIRO, A. Hydrological trends and variability in the
Liard River basin. Hydrological Sciences, v. 49, n. 1, p. 53-67, 2004.
BURNHAM, K. P.; ANDERSON, D.R. Multimodel inference: Understanding AIC and BIC
in model selection. Sociological Methods Research., v.33, p.261–304, 2004.
CAMARGO, M.B.P.; CAMARGO, A.P. Representação gráfica informatizada do extrato do
balanço hídrico de Thornthwaite & Mather. Bragantia, v.52, n.2, p.169 - 172, 1993.
CAMARGO, M.B.P.; PEDRO JUNIOR, M.J.; ALFONSI, R.R.; ORTOLANI, A.A.;
BRUNINI, O. Probabilidades de ocorrência de temperaturas mínimas absolutas mensal e
anual no Estado de São Paulo. Bragantia, Campinas, v. 52, n. 2, p.161-168, 1993.
CANNON, A. J. A flexible nonlinear modeling framework for nonstationary generalized
extreme value analysis in hydroclimatology. Hydrological Process, v. 24, n. 1, p. 673-685,
2010.
51
CAVALCANTI, I.F.A.; KOUSKY,V.E. Frentes frias sobre o Brasil. In: Cavalcanti, I. F. A.:
Ferreira, N. J.: Justi da Silva, M. G.A.: Silva Dias, M. A. F. (Eds.) Tempo e clima no Brasil.
São Paulo. Oficina de Textos. 2009. p.135-148.
CHANDLER, R. E.; SCOTT, M. E. Statistical methods for trend detection and analysis in the
environmental analysis.1st ed. Chichester: John Wiley & Sons, 2011.
COLES, S. An introduction to statistical modeling of extreme value, London: Springer 2001.
208p.
CRUTCHER, H.L.A note on the possible misuse of the Kolmogorov-Smirnov test. Journal of
Applied Meteorology, v.14, p.1600-1603, 1975.
CUNHA, G. R; HAAS, J.C; MALUF, J.R.T; CARAMORI, E.D.A; BRAGA, H.J; ZULLO, J;
LAZZAROTTO, C; GONÇALVES, S; WREGE, M; BRUNETTA, D; DOTTO, S.R; PINTO,
H.S; BRUNINI, O; THOME, V.M.R; ZAMPIERI, S.L; PASINATO, A; PIMENTEL,
M.B.M; PANDOLFO,C. Zoneamento agrícola e época de semeadura para trigo no Brasil.
Revista Brasileira de Agrometeorologia, Passo Fundo, v.9, n.3 (N° Especial: Zoneamento
Agrícola), p.400-414, 2001.
DALE, R.F. Applied climatogy. West Laffayte. Indiana: Purdue University. 1968.125p.
DELGADO, J. M.; Apel, H.; Merz, B. Flood trends and variability in the Mekong river.
Hydrology and Earth System Sciences, v. 14, n. 1, p. 407-418, 2010.
DUFEK, A. S.; AMBRIZZI, T. Precipitation variability in Sao Paulo State, Brazil,
Theoretical and Applied Climatology, v. 93, n. 3-4, p. 167-178, 2008.
DUFEK, A.S.; AMBRIZZI, T. Variabilidade climática da temperatura no Estado de São
Paulo. In: CONGRESSO BRASILEIRO DE METEOROLOGIA, 14., 2006, Florianópolis.
Anais…Florianópolis: SBMET, 2006. 1 CD-ROM.
EL ADLOUNI, S.; OUARDA, T. B. M. J.; ZHANG, X.; ROY, R.; BOBÉE, B. Generalized
maximum likelihood estimators for the nonstationary generalized extreme value model. Water
Resources Research, v. 43, n. 3410, p. 1-13, 2007.
FELICI, M.; LUCARINI, V.; SPERANZA, A.; VITOLO, R. extreme Value Statistics of the
Total Energy in an Intermediate-Complexity Model of the Midlatitude Atmospheric Jet. Part
II: Trend Detection and Assessment, Journal of the Atmospheric Science, v.64, p.2159-2175,
2007.
FISCHER, R.A.; TIPPETT, L.H.C. Limiting forms of the frequency distribution of the largest
or smallest member of a sample. Proceedings of the Cambridge Philosophical Society, v.14,
p. 180-190, 1928.
FREI, C; SCHAR, C. Detection propability os trends in rare events: Theory and application to
heavy precipitation in the Alpine region. Journal of Climate, Whashington, v. 14, p. 1568-
1584, 2000.
52
FURIÓ, D.; MENEU, V. Analysis of extreme temperatures for four sites across Peninsular
Spain. Theoretical Applied Climatology, v.104, p.83-99, 2011.
HAMED, K.H.; RAO, A.R.; A modified Mann-Kendall trend test for auto-correlated data.
Journal of Hydrologic, West Lafayette, 204, p. 182-196, 1998.
HAYHOE, K. Past and future changes in climate and hydrological indicators in the U.S.
Northeast. Climate Dynamics. v. 28, n. 8, p. 381-407, 2007.
HAYLOCK, M.R.; PETERSON, T.C.; ALVES, L.M.; AMBRIZZI, T.; ANUNCIAÇÃO,
Y.M.T.; BAEZ, J.; BARROS, V.R.; BERLATO, M.A.; BIDEGAIN, M.; CORONEL, G.;
CORRADI, V.; GARCIA, V.J.; GRIMM, A.M.; KAROLY, D.; MARENGO, J.A.; MARINO,
M.B.; MONCUNILL, D.F.; NECHET, D.; QUINTANA, J.; REBELLO, E.; RUSTICUCCI,
M.; SANTOS, J.L.; TREBEJO, I.; VINCENT, L.A. Trends in total and extreme South
American rainfall in 1960-2000 and links with sea surface temperature. Journal of Climate,
Washington, v. 19, p. 1490-1512, 2006.
HOEL, P.G. Estatística Elementar, São Paulo: Editora Fundo de Cultura, 1968. 311p.
IPCC. Climate Change 2007: The Physical Science Basis, Contribution of Working Group I
to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change,
HOUGHTON, JT, (Ed,), Cambridge University Press, 2007.
KARL, T.R.; Nicholls, N.; Ghazi, A. 1999. CLIVAR:GCOS:WMO workshop on indices and
indicators for climate extremes. Climatic Change Washington, v. 42, p.3–7, 1999.
KATZ, R.W.; PARLANGE, M.B.; NAVEAU, P. Statistics of extremes in hydrology.
Advances in water resources, v.25 p.1287–1304, 2002.
KENDALL, M.A.; STUART, A.The advanced theory of statistics.2.ed. Londres: Charles
Griffin, 1967. v.2, 690p.
KHALIQ, M. N.; OUARDA, T. M. J.; ONDO. J. C.; GACHON, P.; BOBEÉ, B. Frequency
analysis of a sequence of dependent and/or non-stationary hydro-meteorological observations:
A review. Journal of Hydrology, v. 329, p. 534–552, 2006.
KHALIQ, M. N.; OUARDA, T. M. J.; P. Gachon, P.; Sushama, L. , St-Hilaire, A.
Identification of hydrological trends in the presence of serial and cross correlations: A review
of selected methods and their application to annual flow regimes of Canadian Rivers Journal
of Hydrology, v. 368, p. 117–130, 2009.
KHARIN, V.V.; ZWIERS, F.W. Estimating extremes in transient climate change simulations.
Journal of Climate, v.18, p.1156–1173, 2003.
LILLIEFORS, H.W. On the Kolmogorov–Smirnov test for normality with mean and variance
unknown. Journal of the American Statistical Association, v. 62.
LILLIEFORS, H.W. On the Kolmogorov–Smirnov test on the exponential distribution with
mean unknown .Journal of the American Statistical Association, v. 64, p. 387–389, 1969.
53
LUIZ, A.R.M; PIRES, J.L.F; CUNHA, G.R; FERNANDES, M.C; PASINATO, A; DEL
PONTE, E; BAETHGEN, W.E; GIMENEZ, A. MAGRIN, G; TRAVASSO, M.I. Impactos de
mudanças climáticas/variabilidade nos sistemas de produção de trigo e estratégias para a
adaptação da cultura no sul do Brasil. Disponível em:
<http://www.cnpt.embrapa.br/biblio/do/p_do71_tc32-1.PDF>. Acesso em 05/05/2014.
MAIA, A. H. N.; MEINKE, H.; LENNOX, S.; STONE, R.C. Inferential, non-parametric
statistics to assess quality of probabilistic forecast systems. Monthly Weather Review, v. 135,
n. 2, p. 351-362, 2007.
MANN, H.B. Non-parametric tests against trend, Econometrica, Nova York, v. 13, p. 245-
259, 1945.
MANTON, M.J.; DELLA-MARTA, P.M.; HAYLOCK, M.R.; HENNESSY, K.J.;
NICHOLLS, N.; CHAMBERS, L.E.; COLLINS, D.A.; DAW, G.; FINET, A.; GUNAWAN,
D.; INAPE, K.; ISOBE, H.; KESTIN, T. S.; LEFALE, P.; LEYU, C. H.; LWIN, T.;
MAITREPIERRE, L.; OUPRASITWONG, N.; PAGE, C.M.; PAHALAD, J.; PLUMMER,
N.; SALINGER, M.J.; SUPPIAH, R.; TRAN, V.L.; TREWIN, B.; TIBIG, I.; YEE, D. Trends
in extreme daily rainfall and temperature in Southeast Asia and the South Pacific: 1961-1998.
International. Journal of Climatology, Bracknell, v.21, p.269-284, 2001.
MARENGO, J.; NOBRE, C.; RAIGOZA, D.; VALVERDE, M.; PISNITCHENKO, I.A.;
OLIVEIRA, J.C.M. Boletim do Projeto: uso de cenários de mudanças climáticas regionais em
estudos de vulnerabilidade e adaptação no Brasil e na América do Sul (GOF-UK-CPTEC),
2007.
MARQUES, J.R.Q.; STEINMETZ, S.; DINIZ, G.; SIQUEIRA, O.J.W. de; WREGE, M.S.;
HERTER, F.G.; REISSER JÚNIOR, C. Aumento da temperatura mínima do ar no Rio
Grande do Sul, sua relação com o aquecimento global e possíveis impactos no arroz irrigado.
In: CONGRESSO BRASILEIRO DE ARROZ IRRIGADO, 4. Santa Maria. Anais. Santa
Maria. Universidade Federal de Santa Maria, 2005. p.224-226.
MÉNDEZ, F.J.; MENÉNDEZ, M.; LUCEÑO, A.; LOSADA, I.J. Analyzing Monthly
Extreme Sea Levels with a Time-Dependent GEV Model. Journal of Atmospheric and
Oceanic Technology .v.24, p.894–911, 2007.
MEZZOMO, D. Análise da temperatura média mínima mensal numa região homogênea do
estado do Rio Grande do Sul que contém a estação meteorológica de Pelotas. Pelotas-RS.
2004. 79f. Dissertação de Mestrado, Universidade Federal de Pelotas, Faculdade de
Meteorologia, 2004.
MINUZZI, R. B.; CARAMORI, P. H.; BORROZINO, E. Tendências na variabilidade
climática sazonal e anual das temperaturas máxima e mínima do ar no Estado do Paraná.
Bragantia, v. 70, n. 2, p. 471-479, 2011.
MINUZZI, R. B.; CARAMORI, P. H. Variabilidade climática sazonal e anual da chuva e
veranicos no Estado do Paraná. Rev. Ceres. Viçosa, v. 58 n.5, p. 593-602, set/out, 2011.
MORETTIN, P. A. ; TOLOI, C. M. C. Análise de Séries Temporais. Edgar Blücher, São
Paulo, SP, 2006.
54
NADARAJAH, S.; CHOI, D. Maximum daily rainnfall in South Korea. Journal of Earth
System Science, Nova Deli, v.116, n.4, p. 311-320, 2007.
PENALBA, O.C.; ROBLEDO, F. A. Spatial and temporal variability of the frequency of
extreme daily rainfall regime in the La Plata Basin during the 20th century. Climatic Change.
v. 98. p.531-550. 2010.
PINHEIRO, A.; GRACIANO, R. L. G.; SEVERO, D. L. Tendência das séries temporais de
precipitação da região sul do Brasil. Revista Brasileira de Meteorologia. v.28. n.3. 281-290.
2013.
PUJOL, N.; NEPPEL, L., SABATIER, R. Regional tests for trend detection in maximum
precipitation series in the French Mediterranean region, Hydrological Sciences Journal, v.52,
p.952-973, 2007.
RAYNAL, J.A., Sobre el uso del dominio de atracción para la identificación de valores
extremos para máximos. Ingenieria Hidrólica en Mexico, v.12, p.57-62, 1997.
RICHARDS, G. R. Change in global Temperature: A statistical analysis, Journal of Climate,
Washington, v.6, p. 556-559, 1993.
SANSIGOLO, C.S.; NERY, J.T. Distribuição de extremos de temperatura mínima no Estado
do Paraná. Revista Brasileira de Agrometeorologia. Santa Maria. v.8, n.2, p.247-253, 2000.
SANSIGOLO, C. A. Distribuições de extremos de precipitação diária, temperatura máxima e
mínima e velocidade do vento em Piracicaba, SP (1917-2006). Revista Brasileira de
Meteorologia, v. 23, n. 3, p. 341-346, 2008.
SANSIGOLO, C. A.; KAYANO, M. T. Trends of seasonal maximum and minimum
temperatures and precipitation in Southern Brazil for the 1913–2006 period. Theoretical and
Applied Climatology, v. 101, n. 101, p. 209–216, 2010.
SENTELHAS, P.C.; Ortolani, A.A.; Pezzopane, J.R.M. Estimativa da temperatura mínima de
relva e da diferença de temperatura entre o abrigo e a relva em noites de geada. Bragantia,
v.54, p.437-445, 1995.
SHIN, H.; JUNG, Y.; JEONG, C. Assessment of modified Anderson–Darling test statistics
for the generalized extreme value and generalized logistic distributions Stochastic
Environmental Research Risk Assessment, v.26, n. 1, p.105-114, 2012.
SNEYERS, R Sur l'analys estatistique des series d'observations. Organisation Météorologique
Mondial, Genève, p 192 (OMM. Note Technique, 143), 1975.
STEINSKOG, D. J.; Tjøstheim, D. B.; Kvamstø, N. G.A cautionary note on the use of the
Kolmogorov–Smirnov test for normality. Monthly Weather Review, v. 135, n. 3, p. 1151–
1157, 2007.
STEINMETZ, S. Risco de frio em arroz irrigado na região de Pelotas e sua relação com o
55
aquecimento global. In: CONGRESSO BRASILEIRO DE ARROZ IRRIGADO, 5.
REUNIÃO DA CULTURA DO ARROZ IRRIGADO, 27. Pelotas. Anais. Pelotas. Embrapa
Clima Temperado, 2007. v. 1, p.377-379.
STEINMETZ, S.; MALUF, J.R.T.; MATZENAUER, R.; FERREIRA,J.S.A. Temperatura do
solo desnudo durante o período de implantação do arroz irrigado no estado do Rio Grande do
Sul. Revista brasileira de agrometeorologia. Piracicaba. v.15, n.12, p. 184-191. 2007.
STRECK, N. A.; GABRIEL, L. F.; HELDWEIN, A. B.; BURIOL, G. A.; DE PAULA, M. G.
Temperatura mínima de relva em Santa Maria, RS: climatologia, variabilidade interanual e
tendência histórica.Bragantia, v. 70, n. 3, p. 696-706, 2011.
SUGAHARA, S.; DA ROCHA, R. P.; SILVEIRA, R. Non-stationary frequency analysis of
extreme daily rainfall in Sao Paulo, Brazil. International Journal of Climatology, v. 29, n. 9, p.
1339–1349, 2009.
THORNTHWAITE, C.W. An approach toward a rational classification of climate. Geogr.
Rev., 38 (1948), pp. 55–94.
THORNTHWAIT, C.W.; MATHER, J.R. The water balance. Climatol. Lab, Climatol. Dresel
Inst.Technol., 8 (1955), pp1-104.
VINCENT, L.A.; PETERSON, T.C.; BARROS, V.R.; MARINO, M.B.; RUSTICUCCI, M.;
CARRASCO, G.; RAMIREZ, E.; ALVES, L.M.; AMBRIZZI, T.; BERLATO, M.A.;
GRIMM, A.M.; MARENGO, J.A.; MOLION. L.; MONCUNILL, D.F.; REBELLO, E.;
ANUNCIAÇÃO, Y.M.T.; QUINTANA, J.; SANTOS, J.L.; BAEZ, J.; CORONEL, G.;
GARCIA, J.; TREBEJO, I.; BIDEGAIN, M.; HAYLOCK, M.R.; KAROLY, D. Observed
trends in indices of daily temperature extremes in South America 1960-2000. Journal of
Climate, v.18, p.5011-5023, 2005.
VLČEK, O.; HUTH R. Is daily precipitation Gamma-distributed? Adverse effects of an
incorrect application of the Kolmogorov-Smirnov test. Atmospheric Research, v. 93, p. 759-
766, 2009.
WANG, X. L., ZWIERS, F.W.; SWAIL, V. North Atlantic Ocean wave climate scenarios for
the 21st century. Journal of Climate, v.17, p.2368– 2383, 2004.
WENG, S. Changes of Diurnal Temperature Range in Taiwan and Their Large-Scale
Associations: Univariate and Multivariate Trend Analyses. Journal of the Meteorological
Society of Japan, v.88, p.203-226, 2010.
WILKS, D. S. Statistical methods in the atmospheric sciences, San Diego: Academic Press,
2011, 668p.
WILKS, D.S. Statistical methods in the atmospheric sciences, San Diego: Academic Press,
2nd
ed, 2006, 629p.
YUE, S.; PILON, P. J.; PHINNEY, B.; CAVADIAS, G. The influence of autocorrelation on
the ability to detect trend in hydrological series. Hydrogical Processes, v.16, n. 16, p. 1807–
1829, 2002.
56
YUE, S., PILON, P.A comparison of the power of the t test, Mann-Kendall and bootstrap
tests for trend detection. Hydrological Sciences Journal, v. 49, n. 49, p. 53-37, 2004.
YUE, S., PILON, P., PHINNEY, B. Canadian stream flow trend detection: impacts of serial
and cross-correlation. Hydrogical Sciences Journal, v. 48, n. 1, p. 51–64, 2003.
YUE, S.; HASHINO, M. Probability distribution of annual, seasonal and monthly
precipitation in Japan. Hydrological Sciences Journal, v. 52, n. 5, p.863-877, 2003.