geoprocessamento e analise multivariada de uma série ... · geoprocessamento e analise...

8
Geoprocessamento e analise multivariada de uma série histórica de precipitação no Estado da Bahia Neilon Duarte da Silva 1 Aureo Silva de Oliveira 2 Tatyana Keyty de Souza Borges 3 1,3 Universidade Federal do Recôncavo da Bahia - UFRB Caixa Postal 44380-000 Cruz das Almas BA, Brasil [email protected] [email protected] 2 Professor Associado III, Universidade Federal do Recôncavo da Bahia - UFRB Caixa Postal 44380-000 Cruz das Almas BA, Brasil [email protected] Abstract. The objective of work is to apply combined techniques of geoprocessing and multivariate statistics to check the trend and spatial distribution of rainfall in the State of Bahia, Brazil. We used data from 452 weather stations of the National Institute of Meteorology well distributed across the entire territory. The making of maps of precipitation was done with the ArcGIS 9.3 software with the use of Kriging as the interpolation method. Through techniques of multivariate statistical analysis grouping (cluster analysis) and discriminant analysis were performed. The smallest variation in rainfall was observed in the Far West region in the months from November to March. The highest values of precipitation are observed in the metropolitan region of Salvador and Bahia South. There was a formation of three distinct groups for the distribution of rainfall in the state of Bahia. Group 1: represents part of the North Central, South Central, Northeast and São Francisco Valley, Group 2, West Bahia, part of the São Francisco and the South Central region’s Bahia coast. Part of the semiarid region showed no uniform monthly distribution of rainfall volume. The groups represented the trend and distribution of rainfall in the state of Bahia. The particularity of the distribution of rainfall in the state of Bahia is confirmed by multivariate analysis by studying the formation of homogeneous groups. It was possible to separate the distribution and concentration of rainfall from the multivariate analysis. Palavras-chave: SIG, normal climatológica, estatística, distribuição espacial 1. Introdução Compreender a dinâmica temporal e espacial do volume das chuvas é importante tanto do ponto de vista ambiental, quanto no ponto de vista do planejamento de ações em áreas urbanas, principalmente no que se refere a enchentes e problemas de erosão (CARDOSO et al, 2011). A alternância na distribuição da precipitação tanto em escala mensal quanto anual determina o potencial de exploração e do uso da terra na agricultura. Um bom planejamento feito previamente quantifica a distribuição das chuvas de forma a verificar a necessidade de abastecimento de água para a irrigação e outros fins (MARTINS et al, 2008). A fim de maximizar o uso de informações, bem como verificar sua distribuição espacial, os Sistemas de Informações Geográficas (SIG) e as técnicas de geoprocessamento, vem sendo utilizados com freqüência na agrometeorologia, principalmente visando solucionar a falta de informações regionalizadas. A principal função dessas ferramentas é transformar dados obtidos em pontos georreferenciados e através de técnicas de interpolação representar assim seus valores estimados para localidades da região de estudo (PELLEGRINO et al., 1998). Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE 7313

Upload: vukiet

Post on 25-Jan-2019

225 views

Category:

Documents


1 download

TRANSCRIPT

Page 1: Geoprocessamento e analise multivariada de uma série ... · Geoprocessamento e analise multivariada de uma série histórica de precipitação no Estado da Bahia . Neilon Duarte

Geoprocessamento e analise multivariada de uma série histórica de precipitação no

Estado da Bahia

Neilon Duarte da Silva1

Aureo Silva de Oliveira2

Tatyana Keyty de Souza Borges3

1,3Universidade Federal do Recôncavo da Bahia - UFRB

Caixa Postal 44380-000 – Cruz das Almas – BA, Brasil

[email protected]

[email protected]

2Professor Associado III, Universidade Federal do Recôncavo da Bahia - UFRB

Caixa Postal 44380-000 – Cruz das Almas – BA, Brasil

[email protected]

Abstract. The objective of work is to apply combined techniques of geoprocessing and multivariate statistics to

check the trend and spatial distribution of rainfall in the State of Bahia, Brazil. We used data from 452 weather

stations of the National Institute of Meteorology well distributed across the entire territory. The making of maps

of precipitation was done with the ArcGIS 9.3 software with the use of Kriging as the interpolation method.

Through techniques of multivariate statistical analysis grouping (cluster analysis) and discriminant analysis were

performed. The smallest variation in rainfall was observed in the Far West region in the months from November

to March. The highest values of precipitation are observed in the metropolitan region of Salvador and Bahia

South. There was a formation of three distinct groups for the distribution of rainfall in the state of Bahia. Group

1: represents part of the North Central, South Central, Northeast and São Francisco Valley, Group 2, West Bahia,

part of the São Francisco and the South Central region’s Bahia coast. Part of the semiarid region showed no

uniform monthly distribution of rainfall volume. The groups represented the trend and distribution of rainfall in

the state of Bahia. The particularity of the distribution of rainfall in the state of Bahia is confirmed by

multivariate analysis by studying the formation of homogeneous groups. It was possible to separate the

distribution and concentration of rainfall from the multivariate analysis.

Palavras-chave: SIG, normal climatológica, estatística, distribuição espacial

1. Introdução

Compreender a dinâmica temporal e espacial do volume das chuvas é importante tanto

do ponto de vista ambiental, quanto no ponto de vista do planejamento de ações em áreas

urbanas, principalmente no que se refere a enchentes e problemas de erosão (CARDOSO et

al, 2011).

A alternância na distribuição da precipitação tanto em escala mensal quanto anual

determina o potencial de exploração e do uso da terra na agricultura. Um bom planejamento

feito previamente quantifica a distribuição das chuvas de forma a verificar a necessidade de

abastecimento de água para a irrigação e outros fins (MARTINS et al, 2008).

A fim de maximizar o uso de informações, bem como verificar sua distribuição

espacial, os Sistemas de Informações Geográficas (SIG) e as técnicas de geoprocessamento,

vem sendo utilizados com freqüência na agrometeorologia, principalmente visando solucionar

a falta de informações regionalizadas. A principal função dessas ferramentas é transformar

dados obtidos em pontos georreferenciados e através de técnicas de interpolação representar

assim seus valores estimados para localidades da região de estudo (PELLEGRINO et al.,

1998).

Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE

7313

Page 2: Geoprocessamento e analise multivariada de uma série ... · Geoprocessamento e analise multivariada de uma série histórica de precipitação no Estado da Bahia . Neilon Duarte

Como auxilio e estudo da tendência e distribuição de variáveis, principalmente em

analises de agrupamentos, as técnicas de analises estatística multivariadas permitem combinar

as múltiplas informações (CRUZ & REGAZZI, 1994).

Objetivou-se a partir desse trabalho, aplicar técnicas de geoprocessamento aliadas as

de estatística multivariada e verificar a espacialização e tendência do volume das chuvas no

Estado da Bahia.

2. Material e Métodos

2.1 Região de estudo

O Estado da Bahia tem uma superfície de 566.237 km², correspondente a 6,6% do

território nacional e a 36,3% da Região Nordeste. Apresenta grande variabilidade e

complexidade do seu território em termos de recursos naturais com quatro grandes regiões

naturais (Cerrados, Semi-Árido, Serras e Chapadas e Mata Atlântica) (IBGE 2010).

2.2 Dados meteorológicos

Foram utilizados dados de normais climatológicas do período de 1970 a 2013 do

Instituto Nacional de Meteorologia (INMET) e da Agência Nacional de Águas (ANA),

perfazendo assim, um total de 452 estações bem distribuídas ao longo de todo território

baiano (Figura 1).

Figura 1: Localização das estações meteorológicas

!A

!A

!A

!A

!A

!A

!A

!A

!A

!A

!A

!A

!A

!A

!A

!A!A

!A

!A

!A

!A

!A!A

!A

!A

!A

!A

!A

!A

!A

40°0'0"W

40°0'0"W

44°0'0"W

44°0'0"W

10°0'0"S 10°0'0"S

14°0'0"S 14°0'0"S

18°0'0"S 18°0'0"S

0 500250Km

ª!A Estações Meteorológicas do INMET

Estações Meteorológicas da ANA

Bahia

Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE

7314

Page 3: Geoprocessamento e analise multivariada de uma série ... · Geoprocessamento e analise multivariada de uma série histórica de precipitação no Estado da Bahia . Neilon Duarte

2.3 Técnicas Geoestatísticas

Os mapas mensais de precipitação foram gerados a partir de técnicas geoestatísticas

com o software ArcGIS 9.3. Utilizou-se o método de interpolação Krigagem, este apontado

por Alves et al. (2008) como sendo o que apresenta melhor desempenho quando comparado

com outros métodos. Esse método de interpolação se baseia na estimativa de valores médios a

partir de pesos calculados baseados na distância entre a amostra e o ponto no qual será

estimado (BETTINI, 2007). O estimador da Krigagem é calculado como se segue (Equação

1).

vi

n

i

iv ZZ

1

' (1)

em que,

Zv – estimador de Krigagem ordinária para o ponto v

λi – i-ésimo peso

Zvi – valor da i-ésima observação da variável regionalizada, coletada nos pontos xi

n – número de pesos

2.4 Análise multivariada

O tratamento de um grande conjunto de dados feito através da análise multivariada

permite a distinção e interpretação de medidas múltiplas para cada variável ou objeto em

análise (MONTEIRO et al., 2010).

O tratamento foi feito com auxílio do software R v. 3.1.1 e do pacote de análises

multivariadas FactoMineR. Para observar melhor o comportamento e tendências espaciais e

mensais da precipitação, fez-se o uso assim de duas ferramentas importantes na estatística

multivariada: a análise de agrupamento (cluster analysis) e a análise discriminante.

3. Resultados e Discussão

A Tabela 1 apresenta a variação entre valores mínimos e máximos do volume das

chuvas, para cada mesorregião do Estado da Bahia, de forma a verificar o grau de amplitude

de cada mesorregião. A menor variação entre o volume máximo e mínimo é verificada na

região do Extremo Oeste baiano nos meses de novembro a março. Nessa mesma região, é

observado um longo período de estiagem, de maio a setembro. A região metropolitana de

Salvador e o Sul baiano são aquelas que apresentam maiores volumes de chuvas e de forma

mais bem distribuída quando comparada com outras regiões.

Tabela 1: Amplitude da precipitação mensal nas mesorregiões do Estado da Bahia

Meses

Vale do

são

Francisco

Sul

baiano

Nordeste

baiano

Metropolitana

de Salvador

Extremo

oeste

baiano

Centro

sul

baiano

Centro

norte

baiano

Precipitação (mm)

Janeiro Min 51.1 102.3 38.5 59.8 134.3 79.1 58.3

Max 158.4 164.4 82.0 126.2 255.2 160.0 152.2

Fevereiro Min 50.4 85.2 40.4 62.3 115.1 71.6 57.6

Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE

7315

Page 4: Geoprocessamento e analise multivariada de uma série ... · Geoprocessamento e analise multivariada de uma série histórica de precipitação no Estado da Bahia . Neilon Duarte

Max 152.6 178.7 104.0 139.5 209.7 135.4 131.2

Março Min 75.2 102.4 59.8 74.4 109.2 67.0 66.0

Max 155.7 221.1 137.5 167.6 214.8 160.7 135.9

Abril Min 43.3 77.9 46.6 68.5 56.4 39.5 37.9

Max 91.6 243.2 235.1 297.6 127.5 189.4 163.7

Maio Min 3.7 51.5 20.4 53.5 7.1 4.8 4.0

Max 60.1 248.6 295.1 322.6 20.6 179.7 187.6

Junho Min 0.8 51.7 16.0 62.2 0.8 0.4 1.9

Max 55.5 228.1 209.5 238.6 7.1 172.3 147.9

Julho Min 0.3 60.2 11.6 60.1 0.4 0.2 1.0

Max 51.7 222.3 167.1 210.1 4.0 178.4 126.3

Agosto Min 0.0 41.1 6.5 43.7 0.1 0.4 0.6

Max 29.1 166.0 128.6 153.1 9.6 132.1 88.8

Setembro Min 2.3 49.1 6.3 33.5 9.2 5.5 4.4

Max 18.6 144.8 87.8 122.1 26.8 108.1 65.6

Outubro Min 7.6 78.3 10.1 37.4 54.8 35.1 17.1

Max 80.4 162.7 96.6 127.7 132.6 117.3 67.2

Novembro Min 20.4 116.6 22.0 66.1 155.8 70.5 43.4

Max 181.5 181.2 111.2 139.6 227.5 187.0 168.0

Dezembro Min 35.8 115.0 36.9 60.0 155.2 79.7 53.4

Max 218.2 167.1 105.4 131.6 273.0 217.6 145.9

A Figura 2 apresenta os mapas mensais de precipitação. No litoral da Bahia durante

um período de seis meses é observado uma tendência de maior distribuição e de volume das

chuvas. No Oeste Baiano, a maior distribuição da precipitação acontece entre os meses de

novembro a março. A região semiárida é aquela que não apresenta homogeneidade na

distribuição das chuvas.

Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE

7316

Page 5: Geoprocessamento e analise multivariada de uma série ... · Geoprocessamento e analise multivariada de uma série histórica de precipitação no Estado da Bahia . Neilon Duarte

Figura 2: Mapas mensais de distribuição da precipitação no território baiano.

P Jan (mm)

38.5 - 62.3

62.4 - 76.8

76.9 - 88.7

88.8 - 99.7

99.8 - 117

118 - 127

128 - 140

141 - 153

154 - 179

180 - 254

P Fev (mm)

40.4 - 67.6

67.7 - 77.6

77.7 - 82.9

83 - 88.9

89 - 96.2

96.3 - 107

108 - 121

122 - 145

146 - 166

167 - 210

P Mar (mm)

59.8 - 78.7

78.8 - 86.3

86.4 - 92.7

92.8 - 100

101 - 109

110 - 116

117 - 129

130 - 146

147 - 165

166 - 221

P Abr (mm)

37.9 - 53.1

53.2 - 58.2

58.3 - 63.3

63.4 - 68.4

68.5 - 74.5

74.6 - 82.7

82.8 - 88.8

88.9 - 96.9

97 - 118

119 - 298

P Dez (mm)

35.8 - 63.7

63.8 - 82.3

82.4 - 99.1

99.2 - 112

113 - 126

127 - 137

138 - 151

152 - 183

184 - 223

224 - 273

P Mai (mm)

3.72 - 7.47

7.48 - 9.97

9.98 - 12.5

12.6 - 16.2

16.3 - 26.2

26.3 - 38.7

38.8 - 52.5

52.6 - 73.7

73.8 - 109

110 - 323

P Jun (mm)

0.377

0.378 - 1.31

1.32 - 2.25

2.26 - 4.11

4.12 - 11.6

11.7 - 29.3

29.4 - 46.2

46.3 - 63

63.1 - 97.5

97.6 - 239

P Jul (mm)

0.249

0.25 - 1.12

1.13 - 2.86

2.87 - 8.96

8.97 - 22.9

23 - 36.8

36.9 - 50.8

50.9 - 74.3

74.4 - 107

108 - 222

P Ago (mm)

0 - 0.65

0.651 - 2.27

2.28 - 4.96

4.97 - 6.35

6.36 - 10.4

10.5 - 20.8

20.9 - 31.3

31.4 - 47.5

47.6 - 71.6

71.7 - 166

P Set (mm)

2.31 - 5.66

5.67 - 8.45

8.46 - 10.7

10.8 - 14

14.1 - 16.8

16.9 - 20.2

20.3 - 24.1

24.2 - 36.4

36.5 - 70.5

70.6 - 144

P Out (mm)

7.56 - 20.9

21 - 28.2

28.3 - 38

38.1 - 48.3

48.4 - 57.5

57.6 - 65.4

65.5 - 75.7

75.8 - 95.8

95.9 - 115

116 - 163

P Nov (mm)

20.4 - 53.7

53.8 - 74

74.1 - 95.1

95.2 - 112

113 - 133

134 - 149

150 - 158

159 - 169

170 - 190

191 - 227

0 1,000500Km

³

Janeiro Fevereiro Março

Abril Maio Junho

Julho Agosto Setembro

Outubro Novembro Dezembro

Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE

7317

Page 6: Geoprocessamento e analise multivariada de uma série ... · Geoprocessamento e analise multivariada de uma série histórica de precipitação no Estado da Bahia . Neilon Duarte

A Figura 3 apresenta os principais resultados das análises de agrupamento e tendência

espacial e mensal do volume de chuvas. Há uma distinção de três grupos formados a partir da

precipitação mensal (Figura 3C). A distribuição do volume das chuvas no território baiano é

facilmente separada de acordo com os parâmetros de agrupamento. Associados a essa

distribuição, estão ainda seus respectivos meses. Foi observado uma forte tendência de maior

ocorrência das chuvas para o grupo 2 nos meses de novembro, dezembro e janeiro, em

segundo plano. Mais ainda correlacionado a esse grupo, estão os meses de outubro, fevereiro

e março (Figura 3B).

Para o grupo 3, a distribuição das chuvas é explicada de maneira significativa pelos

meses de maio, junho, julho e agosto. Os meses de setembro e abril também se correlacionam

de maneira a explicar essa distribuição.

O grupo 1 não apresentou correlação forte a algum mês do ano. Entre si, se mostraram

bem correlacionados, mas uma possível irregularidade das chuvas não permitiu a distinção de

acordo aos meses do ano (Figura 3B).

A análise de componentes principais mostrada na Figura 3A explica os resultados com

precisão de 87,64% e mostra de forma geral a divisão das chuvas quanto ao meses. A técnica

permitiu distinguir em seis meses, assim separados pelos pesos da segunda componente

principal. Existe uma correlação fortemente positiva entre os meses de maio, junho, julho e

agosto, o que coincide no período de chuvas em algumas regiões do território.

Figura 3: Analises de agrupamento

-1.0 -0.5 0.0 0.5 1.0

-1.0

-0.5

0.0

0.5

1.0

Variables factor map (PCA)

Dim 1 (53.35%)

Dim

2 (3

4.29

%)

PJan

PFev

PMar

PAbr

PMai PJunPJulPAgo

PSet

POut

PNovPDez

-0.20 -0.15 -0.10 -0.05 0.00 0.05 0.10

-0.2

0-0

.15

-0.1

0-0

.05

0.00

0.05

0.10

Comp.1

Com

p.2

11

111111

11 11 111 1111111

1

1

111 11

1

111 11 111

1111111

111

11

1111

2

22

11 113 1

11 13 1111 11

1

11

11

1

111

11

11

1111

11

1

1

11

11

11

1

2

11

112

11

1

222

2

33 13

3

11

11

3 111

11

11

111

1

1

1

11 111

11

1

1113

1111

11 111

1

1112

11

22

2

22

2

2

2

2

2

1

22

2222

222

2222

333 3

3

3

33 3

1

1

33

31

3 1

311

111

1 11

1 11

111

111 11

11

2

2

2

2

2

1

1

1

22

1 1

12

222

1222

2

2

22

2

22

2

22

22

2

22222

22

2

3

3

3

3

3

2

3

11

3

11

111

1 1

1

1

11

11

1

11

11

2

1

22

2 1

1

22

1

2

1

2

22

2

2

22

2222

2

2

2

22

2

2

2

222

2

2

22

3 3

33 23

33

33

1

3

322

1

111

1 11

1

12

1

2

1

12

111

2

11

1

1

2

22

2

2222

22

22

2

22222

2

2

2

2

22

2

2

3

3 33

22

111

21

2 222

2

2

3 32 22

3

1

2

22

3

33

2

3

2

2

3

111 11

2

1

1

1

13

2

11

2

-1000 -500 0 500

-100

0-5

000

500

PAbr

PAgo

PDez

PFev

PJan

PJulPJunPMai

PMar

PNov

POut

PSet

-5 0 5 10 15

-50

510

Factor map

Dim 1 (53.35%)

Dim

2 (3

4.29

%)

3739724

110

75

953

15945100

2130

236

440

11

297343639294

20215

359

19355

85

103

184144

22171

151

72162942322

104

5289826

3748

9136

58

305214

24099

13

436

387

80

96

25

78

50

76

362369164360157

7

77133

156101371374

332848

372308

23134

29847

81

27

170160

291

132

147146

162158

223

106304165

226

13014

218

3104952

220

15

35

137

313

290

241379

60

211

358

318

246

31283

367376

71

377

228353

392

1095346436

8286

54161365315

357

249424242

288

163

285

312176

394

105239

167

217296

210

248386361334

368

107396

212

370

22538

389

293

381247366327

442444

172

90

380391378

235108

12

245

411

258

238243388251

122131

445

354227

68

89

169323255

281

140

295

125

375102

219

83

397

128

166

51

63

414325237256

10

5617757319

326

300439

413416

398431

244382

61

356216

450

390

74

66

8488

155153

154443

55314

6970

417320321426

221

259

148

437

363

141

307

152144

127

111329427

393

21379

316317

222

253

303410409

299

183178

262113384

292

73

408

171179

415

250

87

399

138

383

208

112309

189

139

385174254328184324

120

407

364

224

395

234

276

200

209

182252

143

230

289

206

333

204

440

261188

129448142287438

181180

331

91

260

406

257185447168

335175

412

135

302

336433

126

263265

123

150

229

44992

59

282

65

267264

286

269

64

322186332187

121

94

425

352

268266173

117

279

62

233

351

93

199

114

347

306

311

350

432

330

421

145278

67124

301232422420

149

205203

341405

434

201

207

202

419

195423

231

118

441

400

345349340342

275

430344

270

116

346

404339

115

401

119193

277403

190

198

348

191

343429

271

418

402

192

194428

197

435338

196446

273

280337

274

272

cluster 1 cluster 2 cluster 3

A

B

C

Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE

7318

Page 7: Geoprocessamento e analise multivariada de uma série ... · Geoprocessamento e analise multivariada de uma série histórica de precipitação no Estado da Bahia . Neilon Duarte

Para cada localidade estudada foi adicionado pela análise de agrupamento de

tendência o número respectivo de cada grupo. A Figura 4 mostra a localização dos grupos

formados. Há uma clara separação contínua dos grupos ao longo do território, com exceção de

algumas localidades representadas pelo grupo 3 ficando no meio as localidades do grupo1.

Isso se deve ao fato de essas apresentarem características semelhantes ou ainda devido ao

fator altitude.

O grupo 1 é representado por boa parte da região Centro Norte, Centro Sul, Nordeste e

do Vale do São Francisco. O grupo 2 é representado por todo o Oeste baiano, parte do Vale

do São Francisco e da região Centro Sul. O litoral baiano é representado pelo grupo 3.

Figura 4: Espacialização dos grupos formados via analise multivariada

4. Conclusões

A região litorânea apresenta maior distribuição e volume das chuvas. Boa parte da

região semiárida não apresenta distribuição mensal homogênea do volume das chuvas.

A particularidade da distribuição das chuvas no Estado da Bahia é comprovada pela

análise multivariada através do estudo da formação de grupos homogêneos. Foi possível

separar a distribuição e concentração das chuvas a partir das técnicas de análise multivariada.

CENTRO SUL BAIANO

SUL BAIANO

EXTREMO OESTE BAIANO

CENTRO NORTE BAIANO

VALE SÃO-FRANCISCANO DA BAHIA

NORDESTE BAIANO

METROPOLITANA DE SALVADOR

40°0'0"W

40°0'0"W

44°0'0"W

44°0'0"W

10°0'0"S 10°0'0"S

14°0'0"S 14°0'0"S

18°0'0"S 18°0'0"S

0 500250Km

³Agrupamento

1

2

3

Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE

7319

Page 8: Geoprocessamento e analise multivariada de uma série ... · Geoprocessamento e analise multivariada de uma série histórica de precipitação no Estado da Bahia . Neilon Duarte

5. Referencias

CARDOSO, M. R. D.; MARCUZZO, F. F. N.; MELO, D. C. R. Mapeamento temporal e

espacial da precipitação pluviométrica da região metropolitana de Goiânia. Anais XV

Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05

de maio de 2011, INPE p.4594

CRUZ, C.D.; REGAZZI, A.J. Modelos biométricos aplicados ao melhoramento genético.

2. ed. Viçosa: UFV, 1994. 390p.

IBGE - Instituto Brasileiro de Geografia e Estatística. Contagem de população 2007.

Disponível no endereço da internet: <www.ibge.gov.br>. Acesso em 22/10/2014.

MARTINS, C. A. S.; BORGES, T. S.; CASTRO, F. S.; CECÍLIO, R. A. Caracterização

da precipitação na bacia hidrográfica do Rio Benevente. XII Encontro Latino Americano

de Iniciação Científica e VIII Encontro Latino Americano de Pós-Graduação – Universidade

do Vale do Paraíba. 2008.

MONTEIRO, A. B.; CORREIA FILHO, F. L.; FREIRE, P. K. C.; DE SOUZA, N. G.;

SOARESFILHO, A. R. (2010).“Análise Estatística Multivariada de Dados Hidroquímicos

do Aquífero Cabeças – Sudeste da Bacia Sedimentar do Parnaíba– PI .” In Anais doXVI

Congresso Brasileiro de Águas Subterrâneas e XVII Encontro Nacional de Perfuradores

de Poços. São Luís, MA.

PELLEGRINO, G. Q.; PINTO, H. S.; ZULLO JÚNIOR, J.; BRUNINI, O. O uso de sistemas

de informações geográficas no mapeamento de informações agrometeorológicas. In:

ASSAD, E. D.; SANO, E. E. Sistemas de informações geográficas aplicações na agricultura.

Brasília, DF: Embrapa-SPI/Embrapa-CPAC, 1998.

Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE

7320