universidade federal do rio grande do norte … · a minha mãe e ao meu companheiro, por estarem...
TRANSCRIPT
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE CIÊNCIAS EXATAS E DA TERRA
DEPARTAMENTO DE CIÊNCIAS ATMOSFÉRICAS E CLIMÁTICAS
BACHARELADO EM METEOROLOGIA
ALANDERSON FIRMINO DE LUCAS
ESTIMATIVA DE IRRADIAÇÃO SOLAR VIA MODELOS EMPÍRICOS COM BASE
NA TEMPERATURA DO AR PARA O NORDESTE BRASILEIRO
NATAL/RN
12/2017
ESTIMATIVA DE IRRADIAÇÃO SOLAR VIA MODELOS EMPÍRICOS COM BASE
NA TEMPERATURA DO AR PARA O NORDESTE BRASILEIRO
por
Alanderson Firmino de Lucas
Orientador: Prof. Dr. Bergson Guedes Bezerra
NATAL/RN
12/2017
Monografia apresentada à
Coordenação do Curso de
Meteorologia da Universidade
Federal do Rio Grande do Norte,
como requisito parcial à
obtenção do Título de Bacharel
em Meteorologia.
ii
ALANDERSON FIRMINO DE LUCAS
ESTIMATIVA DE IRRADIAÇÃO SOLAR VIA MODELOS EMPÍRICOS COM BASE
NA TEMPERATURA DO AR PARA O NORDESTE BRASILEIRO
Aprovada em: ____/____/____
BANCA EXAMINADORA
______________________________________________________________________________
Prof. Dr. Bergson Guedes Bezerra
Departamento de Ciências Atmosféricas e Climáticas - UFRN
Orientador
______________________________________________________________________________
Dra. Keila Rego Mendes
Programa Nacional de Pós-Doutorado – PNPD/PPGCC/UFRN
Examinador interno
______________________________________________________________________________
Prof. Me. Thiago Valentim Marques
Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte - IFRN
Examinador externo
Monografia apresentada à
Coordenação do Curso de
Meteorologia da Universidade
Federal do Rio Grande do Norte,
como requisito parcial à
obtenção do Título de Bacharel
em Meteorologia.
iii
Dedico este trabalho à minha mãe e ao meu companheiro, Rosaly Maria de Lucas e
Flávio Júnior da Silva Santos, a quem devo toda minha vida.
iv
Agradecimentos
A Deus pela alegria da vida e pela força de ter me ajudado a superar as
dificuldades que surgiram.
A minha mãe e ao meu companheiro, por estarem sempre me apoiando,
compreensíveis nos momentos em que precisei.
Aos meus amigos e colegas, inclusive os mais distantes, pelo companheirismo
e por terem contribuído para minha formação profissional e humana.
Agradeço grandemente ao Prof. Dr. Bergson Guedes Bezerra, meu orientador,
por ter acreditado em mim, e pelas oportunidades que me ofereceu.
Aos amigos e colegas de graduação, pela amizade e compartilhamento de
conhecimento ao longo do período de disciplinas.
Agradeço, especialmente Thiago Valentim e Ronabson Cardoso Fernandes,
pela ajuda no desenvolvimento deste trabalho, e a Moniki Melo, pela companhia
diária, pela amizade e pelos conhecimentos transmitidos.
À Universidade Federal do Rio Grande do Norte – UFRN, pela oportunidade
de estudo e disponibilização de infraestrutura.
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq
pelo suporte financeiro a partir da bolsa de Iniciação Científica, projeto de pesquisa
n° PVB12150-2015.
Ao Instituto Nacional de Meteorologia – INMET, pela disponibilidade dos
dados empregados nesta monografia.
v
A todos os professores do Departamento de Ciências Atmosféricas e
Climáticas que sempre estiveram dispostos a me ajudar.
A todos os funcionários do Centro de Ciências Exatas e da Terra – CCET, em
especial aos do Departamento de Ciências Atmosféricas e Climáticas: Adriana e Ana
Helena.
E a todas as demais pessoas que participaram de mais esse ciclo de minha
vida.
vi
RESUMO
Devido à extrema importância do uso da informação de radiação solar na
agricultura, recursos hídricos, elaboração de projetos arquitetônicos, estudos de
mudanças climáticas e nas energias renováveis através da avaliação do potencial do
recurso solar em áreas como o Nordeste Brasileiro (NEB) que apresenta alta
incidência de radiação solar ao longo do ano. A irradiação solar global (Rg) constitui
a principal fonte de energia para a vida em nosso planeta e impulsiona os ciclos
hidrológico, energético e de carbono no sistema Terra-Atmosfera. Entretanto, apesar
de toda a importância supramencionada, as medições de Rg são relativamente
escassas, ocasionando distribuição espacial irregular das observações, isso ocorre em
função dos elevados custos com a constante necessidade de manutenção e calibração
dos aparelhos de medição, conferindo maior propensão a erros na observação de
radiação solar global em comparação a outros elementos meteorológicos, sendo
necessário regularmente o controle de qualidade sobre os dados de Rg. Como
resultado, vários modelos empíricos têm sido propostos e usados com mais
frequência, em especial, os que realizam a estimativa tendo a temperatura do ar
como dado de entrada, mas para que esses modelos apresentem desempenho
satisfatório, os mesmos devem ser previamente calibrados, ou seja, seus respectivos
coeficientes empíricos devem ser determinados a partir de observações locais. Nesse
contexto, o presente trabalho tem como objetivo calibrar e avaliar o desempenho da
estimativa de Rg a partir de seis modelos com base na temperatura do ar observada
em 128 estações meteorológicas de superfície automática localizadas na região
Nordeste do Brasil, após o processo de calibração pretende-se comparar as
estimativas com valores observados de um período distinto ao que os modelos foram
calibrados, além de aplicar o melhor modelo em escala regional com um conjunto de
dados interpolados de alta resolução referente a temperatura máxima e mínima. A
estrutura do modelo original de Bristow e Campbell permite representar
satisfatoriamente a irradiação solar global tanto de áreas costeiras como do interior,
conforme observado na maioria das Plataformas de Coleta de Dados (PCD).
vii
Palavras-chave: Irradiação Solar Global. Modelos Empíricos. Coeficientes.
Calibração.
ABSTRACT
Due to the extreme importance of using solar radiation information in agriculture,
water resources, elaboration of architectural projects, climate change studies and in
renewable energies through the evaluation of the potential of the solar resource in
areas such as the Brazilian Northeast that presents high incidence of solar radiation
throughout the year. The global solar irradiance (Rg) constitutes the main source of
energy for life our planet and drives the hydrologic, energy and carbon cycles in the
Earth-Atmosphere system. However, despite all the above-mentioned importance,
the measurements of Rg are relatively scarce, causing irregular spatial distribution
of observations, this is due to the high costs with the constant need of maintenance
and calibration of the measuring devices, giving greater propensity to errors in the
observation of the global solar radiation compared to other meteorological elements,
being necessary regularly the quality control on the data of Rg. As a result, several
empirical models have been proposed and used more often, especially, those that
perform the estimative having the air temperature as input data, but for these
models present satisfactory performance, they must be previously calibrated, that is,
their respective empirical coefficients must be determined from local observations.
In this context, the present work aims to calibrate and evaluate the performance of
the Rg estimative from six models based on the air temperature observed in 128
automatic surface weather stations located in the Northeast region of Brazil, after
the calibration process is intended to compare the estimates with observed values
from a different period than the models were calibrated, in addition to apply the
best model on regional scale with a set of high resolution interpolated data for
maximum and minimum temperature. The structure of the original Bristow and
Campbell model allows satisfactory representation of global solar irradiation in both
coastal and inland areas, as observed in most Data Collection Platforms.
Keywords: Global Solar Irradiation. Empirical Models. Coefficients. Calibration.
viii
SUMÁRIO
1 – INTRODUÇÃO ....................................................................................................... 12
1.1 – Objetivos ........................................................................................................... 13
1.1.1 – Geral ........................................................................................................... 13
1.1.2 – Específicos .................................................................................................. 14
2 – REVISÃO DE LITERATURA ................................................................................. 11
2.1 – Radiação Solar .................................................................................................. 11
2.2 – Modelos Empíricos ........................................................................................... 12
3 – METODOLOGIA ..................................................................................................... 11
3.1 – Área de estudo .................................................................................................. 11
3.2 – Dados ................................................................................................................ 12
3.3 – Computação de Parâmetros Astronômicos ...................................................... 20
3.4 – Modelos baseados na temperatura do ar ......................................................... 20
3.5 – Desempenho dos modelos ................................................................................. 21
4 – RESULTADOS E DISCUSSÃO ............................................................................. 23
5 – CONCLUSÕES....................................................................................................... 29
REFERÊNCIAS ............................................................................................................ 31
ANEXOS
ix
Lista de Siglas e Abreviaturas
BSRN Baseline Surface Radiation Network
INMET Instituto Nacional de Meteorologia
MAE Erro Absoluto Médio
NEB Nordeste brasileiro
FV Fotovoltaica
MSE Erro quadrático médio
RMSE Raiz do erro quadrático médio
SONDA Sistema Nacional de Organização de Dados Ambientais
TOA Irradiância solar no topo da atmosfera
WMO Word Meteorological Organization
x
Lista de Símbolos
Rs Irradiância solar global
dj Dia juliano
r Coeficientes de correlação
So Constante Solar
R² Coeficiente de determinação
MJ/m² Megajoule por metro quadrado
λ Comprimento de onda
W/m² Watt por metro quadrado
kWh/m² Quilowatt-hora
°C Grau Celsius
μm Micrômetro
xi
Lista de Figuras
2.1.1 Balanço de energia global....................................................................................15
3.1.1 Divisão política da região Nordeste do território brasileiro............................ 18
3.2.1 Distribuição espacial de todas as estações localizadas no Nordeste Brasileiro
(NEB) que foram utilizadas. O número sinótico das estações inicia-se com 1 e
termina em 128. ............................................................................................................ 19
4.1 Raiz quadrada do erro quadrático médio (RMSE) entre os valores medidos e
estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD..........23
4.2 Coeficiente de correlação de Pearson (r) entre os valores medidos e estimados de
Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD................................24
4.3 Erro quadrático médio (MSE) entre os valores medidos e estimados de Rg pelo
modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD.............................................25
4.4 Erro médio absoluto (MAE) entre os valores medidos e estimados de Rg pelo
modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD............................................26
4.5 Modelos empíricos testados para a irradiação solar em MJ/m² para a PCD de
Recife/PE........................................................................................................................27
4.6 Modelos empíricos testados para a irradiação solar em MJ/m² para a PCD de
Correntina/BA................................................................................................................27
12
Capítulo 1
Introdução
O Nordeste do Brasil apresenta elevados valores de médias anuais de
temperatura do ar, que variam de 20°C a 28°C, em virtude da alta incidência de
radiação solar sobre a região, que lhe confere o maior potencial de energia solar
disponível em todo território brasileiro, com uma radiação média global estimada em
torno de 5,9 kWh/m², de acordo com o Atlas Brasileiro de Energia Solar (PEREIRA
et al., 2006). Para uma abordagem mais completa das características climatológicas
desta região do Brasil, indica-se a leitura de (LIMA, 2015).
A informação de radiação solar é necessária em uma variedade de aplicações
incluindo agricultura, recursos hídricos, elaboração de projetos arquitetônicos,
estudos de mudanças climáticas, entre outras. Então, o conhecimento da radiação
solar climática de uma região é de extrema importância na avaliação do potencial do
uso de energia solar, convertida para energia termal ou energia elétrica como uma
fonte de energia nessa região. Tal informação é um pré-requisito para o projeto de
tal sistema de conversão de energia solar (RAHMAN e ZAKARIA, 2005). E constitui
a principal fonte de energia do planeta Terra (TANG et al., 2014), sendo primordial
para a maioria dos processos físicos, químicos e biológicos presentes em nosso
planeta, como: a evaporação, fotossíntese, crescimento e desenvolvimento de cultivos
agrícolas, e também é um parâmetro fundamental em modelos biofísicos utilizados
na avaliação de incêndios florestais, bem como em modelos hidrológicos e
atmosféricos, pois a circulação atmosférica, que é responsável pelas condições
meteorológicas num certo instante, é definida por sua vez pela disponibilidade de
energia oriunda do Sol (QUEIROZ; NOGUEIRA; ASSIS, 2012; QUERINO et al.,
2006).
Entretanto, comparado a outros parâmetros meteorológicos, tais como:
temperatura, precipitação, duração do brilho solar (insolação), umidade relativa e
vento, dados observados de irradiação são escassos. Intensidades de irradiação solar
são medidas apenas em um número limitado de estações sobre todo o mundo, não
sendo diferente para o Brasil e para a região Nordeste do território brasileiro, pois a
maioria das estações de superfície não possuem medições de radiação solar global,
ocasionando distribuição espacial deficiente nas medições, em virtude das dimensões
continentais do país. Desta maneira, é necessário o registro das observações de
radiação solar, onde a medição da irradiação solar global requer o uso de
piranômetros ou actinógrafos. Contudo, os instrumentos que realizam a
quantificação da radiação solar são de custo elevado, além da operação requerem
calibração e manutenção constantes destes equipamentos, o que por sua vez não está
dentro das limitações orçamentárias de estações meteorológicas de vários locais
(DORNELAS et al., 2006; RAHMAN e ZAKARIA, 2005).
Além disso, a medição da radiação solar é mais propensa a erros em
comparação com as medições de outras variáveis meteorológicas, os quais muitas
vezes estão relacionados, principalmente, as insuficiências técnicas e operacionais
(MARADI, 2009; TANG et al., 2014). As fontes prováveis de problemas ou erros
referentes à medição da radiação solar podem ser classificadas meramente em duas
categorias: (1) erros e incertezas instrumentais; (2) problemas e erros relacionados à
operação (SHI et al., 2008). E ainda estudos recentes mostraram que erros
sistemáticos nas medições da radiação solar não são raros (DUTTON et al., 2001).
Portanto, é preciso empregar um processo de qualificação semelhante ao adotado
para estações participantes da BSRN (Baseline Surface Radiation Network),
coordenado pela WMO (World Meteorological Organization) (MARTINS; PEREIRA,
2011).
1.1 – Objetivos
1.1.1 – Geral
Determinar os coeficientes de todos os modelos empíricos usados para estimar
a irradiância solar global diária (Rg), os quais utilizam a temperatura do ar como
dado de entrada, e analisar estatisticamente o desempenho de cada um desses
modelos.
1.1.2 – Específicos
1. Determinar os coeficientes dos modelos empíricos usando dados de
temperatura máxima e mínima diária e a Rg;
2. Estimar a Rg com base nos modelos empíricos calibrados e, posteriormente,
comparar com dados observados;
3. Realizar a avaliação desses modelos por meio de uma análise de
desempenho;
4. Comparar e analisar estatisticamente as diferenças entre as estimativas e
os valores observados.
Capítulo 2
Revisão de Literatura
2.1 Radiação Solar
Segundo Lima (2015) radiação solar é a energia proveniente do Sol,
denominada radiação solar, é o fator mais importante para o desenvolvimento dos
processos físicos que influenciam as condições atmosféricas e climáticas. Essa
energia sofre várias interações com os diversos constituintes atmosféricos ao
atravessar a atmosfera. Parte da irradiação solar é espalhada e parte é absorvida
pelas partículas e moléculas presentes no ar, como vapor d’água, dióxido de carbono,
ozônio e compostos nitrosos.
Essa energia sofre várias interações com os diversos constituintes
atmosféricos ao atravessar a atmosfera. Parte da irradiação solar é espalhada e
parte é absorvida pelas partículas e moléculas presentes no ar, como vapor d’água,
dióxido de carbono, ozônio e compostos nitrosos.
A radiação solar tem a maior parte de sua energia contida em comprimentos
de onda entre 0,1 e 4 μm, correspondendo às bandas do ultravioleta, do visível e do
infravermelho próximo (BRUTSAERT, 1982). O espectro solar é comumente dividido
em três faixas principais: ultravioleta (0,1 ≤ λ ≤ 0,4 μm), visível (0,4 < λ ≤ 0,7 μm) e
infravermelho (> 0,7 μm) (IQBAL, 1983).
O fluxo de energia radiante, energia por unidade de tempo, que incide sobre
uma superfície de área unitária normal aos raios solares e a uma distância média
Terra-Sol é definida como constante solar (So) e seu valor recomendado pela WMO,
(Word Meteorological Organization), é de 1367 W/m². Devido às ligeiras variações da
distância Terra-Sol ao longo do ano, decorrentes da excentricidade da órbita
terrestre, a irradiância solar que atinge o topo da atmosfera (TOA) sofre alterações.
Embora a atmosfera seja muito 10 transparente estima-se que apenas 25% da
radiação incidente no topo da atmosfera (TOA) chegam à superfície terrestre sem
sofrer nenhuma interferência dos constituintes atmosféricos. Os 75% restantes são
absorvidos, refletidos de volta ao espaço ou espalhados e, neste caso, normalmente
atinge a superfície em uma direção diferente da direção de incidência no topo da
atmosfera. Esses complexos processos, os quais são mostrados na Figura 2.1.1,
dependem especialmente do comprimento de onda da radiação e do tamanho e
natureza do gás ou particulado atmosférico que interage com a radiação solar
(LIOU, 2002).
Figura 2.1.1 – Balanço de energia global. Fonte: Pereira et al. (2006).
A absorção da radiação solar por um gás é caracterizada por aumento no
movimento molecular interno do gás e, consequentemente, em sua temperatura,
favorecendo o aquecimento da atmosfera.
A radiação solar global que alcança a superfície é constituída pela radiação
solar difusa e direta, sendo influenciada por alguns fatores tais como elevação solar,
condições de profundidade ótica e grau de nebulosidade (ALVES, 1981). Quando o
céu está limpo, a radiação direta corresponde de 60 a 87% da radiação global
(LESTRADE et al. 1990). Na presença de nebulosidade, a radiação solar diminuir,
pois a nebulosidade e a elevação solar são fatores de primeira ordem na
determinação da variação da irradiação solar à superfície (KONDRATYEV, 1969).
As nuvens, que cobrem em média de 40 a 60% da superfície da Terra,
desempenham um papel fundamental no balanço de energia do planeta, (ECHER et
al. 2001). As condições de nebulosidade são um dos fatores que mais influenciam a
variação da radiação solar global, principalmente em locais de baixa latitude.
Diversos estudos têm sido propostos com o intuito de avaliar a variabilidade para
medidas pontuais da radiação solar global em relação aos efeitos das condições de
nebulosidade (transmitância atmosférica) e da sazonalidade.
2.2 Modelos Empíricos
Modelos empíricos utilizam equações lineares e não lineares, sendo que um
número significante de artigos tem sido publicado para a avaliação da eficiência de
vários tipos de modelos empíricos, sendo que esses modelos, geralmente, são
baseados em métodos empíricos que exigem o desenvolvimento de um conjunto de
equações empíricas para estimar com boa precisão a irradiância solar global por
meio de outras variáveis atmosféricas que estão mais disponíveis na maioria das
estações meteorológicas de superfície para locais onde não detêm de dados de
radiação solar (JÚNIOR et al., 2012). Esses modelos empíricos são divididos em: (1)
modelos baseados na duração do brilho solar (ANGSTRÖM, 1924; ALMOROX e
HONTORIA, 2004); (2) modelos baseados em nuvens, precipitação e umidade
relativa (SUPIT e VAN KAPPEL, 1998; MUNEER e GUL, 2000); e (3) modelos
baseados na temperatura do ar (HARGREAVES e SAMANI, 1982; BRISTOW e
CAMPBELL, 1984). Esses modelos vêm sendo frequentemente propostos e
utilizados, em especial, os modelos baseados na temperatura do ar como dado de
entrada, dado que é um elemento disponível em quase todas as estações
meteorológicas, além do alto nível de confiança de suas observações fornecidas pelos
sensores de temperatura.
Todavia, esses modelos necessitam de ajustes, pois nem sempre representam
de forma adequada a radiação solar global para determinado dia e localidade, desta
forma, o bom desempenho desses modelos está associado a sua calibração prévia, ou
seja, os coeficientes empíricos dos mesmos devem ser inferidos através de
observações locais, como foi feito por HUNT et al. (1998) para a Província de Ontario
(Canadá), KATIYAR e PANDEY (2010) para Jodhpur, Calcutá, Mumbai e Pune
(Índia), ALMOROX et al. (2011) para Madrid (Espanha) e SANTOS et al. (2014)
para o Estado de Alagoas (Brasil).
Capítulo 3
Metodologia
3.1 – Área de estudo
A região estudada compreende o Nordeste do Brasil, a qual possui uma área
de 1.558.196 km², correspondendo a 18% do território nacional, sendo essa a região
do país mais subdividida politicamente, com nove estados: Alagoas, Bahia, Ceará,
Maranhão, Paraíba, Pernambuco, Piauí, Rio Grande do Norte e Sergipe, como
mostrado na Figura 1.
Figura 3.1.1: Divisão política da região Nordeste do território brasileiro.
3.2 – Dados
O estudo utiliza dados horários instantâneos integrados para um valor diário
de temperatura máxima e mínima e irradiância solar global oriundos em cento e
vinte e sete estações meteorológicas de superfície automática ou também conhecidas
como Plataforma de Coleta de Dados (PCD’s) pertencentes à rede mantida e operada
pelo Instituto Nacional de Meteorologia (INMET) durante o período de 2009 – 2013,
sendo que as essas estações surgiram da necessidade de inúmeras empresas e
instituições em obter regularmente informações colhidas em lugares remotos ou
espalhadas por uma região muito extensa, onde a localização de cada estação
meteorológica automática (EMA) é apresentada na Figura 2.
Figura 3.2.1: Distribuição espacial de todas as estações localizadas no Nordeste
Brasileiro (NEB) que foram utilizadas. O número sinótico das estações inicia-se com
1 e termina em 128.
Dentro do período analisado foram verificadas lacunas de dias, meses e anos
na aquisição dos dados, por falhas nas medições. Desta forma, foram retiradas as
estações com séries de dados muito curtas.
3.3 – Computação de Parâmetros Astronômicos
A irradiância solar global diária no topo da atmosfera (H0) foi obtida pela
seguinte equação 01 (IQBAL, 1983; LIOU, 2002; VIANELO e ALVES, 2012):
𝐻0 = 37,6𝑑𝑟[𝐻 sin(∅) sin(𝛿) + cos(∅) cos(𝛿) sin(𝐻)] (01)
onde: dr é a excentricidade da órbita da Terra (Equação 02), H é o ângulo horário
(Equação 03), φ é a latitude da estação meteorológica e 𝛿 é a declinação solar
(Equação 04).
𝑑𝑟 = 1 + 0,0033 cos (2𝜋
365𝐽)
𝐻 = cos−1[− tan(∅) tan(𝛿)]
𝛿 = 23,45 sin [360
365(𝑑𝑛 + 284)]
onde: J/dn é o dia sequencial do ano, também chamado de dia Juliano.
3.4 – Modelos baseados na temperatura do ar
Serão determinados os coeficientes β1, β2 e β3 de seis modelos empíricos para
estimativa da Rg através do método de regressão não linear, utilizando como dado de
entrada a temperatura máxima e mínima diária, com as quais será determinada a
amplitude térmica diária (∆𝑇 = 𝑇𝑚𝑎𝑥 − 𝑇𝑚𝑖𝑛) (Hargreaves e Samani, 1982), além dos
valores diários da Rg, observados durante um período ininterrupto de dois anos. Os
seis modelos que serão calibrados e avaliados, assim como os seus respectivos
coeficientes empíricos estão listados na Tabela 1.
(03)
(02)
(04)
Tabela 3.4.1 – Modelos utilizados para estimativa da irradiância solar global. ID Modelo Coeficientes Fonte
1 Hg/Ho=β1[1-exp(-β2ΔT β3)] β1, β2 e β3 Bristow e Campbell (1984)
2 Hg/Ho=0,75[1-exp(-β2ΔT 2)] β2 Meza e Varas (2000)
6 Hg/Ho=β1(ΔT)1/2 β1 Hargreaves e Samani (1982)
7 Hg/Ho=β1(1+2,7𝑥10−5𝑥 𝑎𝑙𝑡𝑖𝑡𝑢𝑑𝑒)(ΔT) 1/2 β1 Annandale et al. (2002)
8 Hg/Ho= (β1 (ΔT) 1/2 + β2) β1 e β2 Hargreaves et al. (1985)
9 Hg/Ho=β1(ΔT) 1/2 +β2/Ho β1 e β2 Hunt et al. (1998)
Após determinados os coeficientes de cada modelo (calibração) será efetuada a
avaliação de cada modelo mediante a comparação entre os valores da Rg estimada
por cada modelo da tabela acima calibrado e os valores da Rg observados nas
estações meteorológicas em um período também de dois anos não coincidentes com
aqueles que foram utilizados na determinação dos coeficientes de cada modelo.
3.5 – Desempenho dos modelos
O desempenho dos modelos empíricos usados em termos de Hg será
averiguado por meio de algumas medidas de destreza, tais como: o RMSE (Root
Mean Square Error) (Equação 05) (Mostafavi et al., 2013), o MSE (Mean Square
Error) (Equação 06), o MAE (Mean Absolute Error) (Equação 07), o MAPE (Mean
Absolute Percentage Error) (Equação 08), além do coeficiente de correlação de
Pearson (WILKS, 2006) e o coeficiente de determinação (R²) em relação aos dados
observados, sendo esse uma medida de ajuste de um modelo estatístico generalizado,
cujo coeficiente varia entre 0 e 1, em percentagem, indica o quanto o modelo
consegue explicar os valores observados, de modo que quanto maior o R² mais
explicativo é o modelo, ou seja, melhor o mesmo se ajusta à amostra.
𝑅𝑀𝑆𝐸 = [1
𝑛∑ (𝑃𝑖 − 𝑀𝑖) 2𝑛
𝑖=1 ] 1
2
𝑀𝑆𝐸 =1
𝑛∑ (𝑃𝑖 − 𝑀𝑖) 2𝑛
𝑖=1
𝑀𝐴𝐸 =1
𝑛∑ |𝑃𝑖 − 𝑀𝑖|𝑛
𝑖=1
(05)
(06)
(07)
em que 𝑃 e 𝑀 são os valores preditos e medidos da irradiância solar global,
respectivamente, enquanto 𝑛 é o número de valores de dados usados.
O coeficiente de correlação mede a força relativa de uma relação linear ou
grau de associação entre duas variáveis numéricas. O coeficiente de correlação de
Pearson foi utilizado para calcular a relação entre a vazão simulada e a vazão
observada, com base na seguinte fórmula:
𝑟 =∑(xi−x).(𝑦𝑖−y)
√(∑(xi−x)2
)(∑(yi−y)2
)
sendo xi e yi os valores medidos, enquanto que x e y correspondem a média
aritmética de ambas as variáveis (MUKAKA, 2012).
E o seu teste de hipóteses é dito da seguinte forma:
H0: Não existe nenhuma relação entre as variáveis;
H1: Há uma relação entre as variáveis.
E o coeficiente de determinação, também chamado de R², é uma medida de
ajustamento de um modelo estatístico linear generalizado, como a regressão linear,
em relação aos valores observados. O R² varia entre 0 e 1, indicando, em
percentagem, o quanto o modelo consegue explicar os valores observados. Quanto
maior o R², mais explicativo é o modelo, melhor ele se ajusta aos dados observados.
𝑅² = 𝑆𝑄𝑅
𝑆𝑄𝑇 = 1 −
𝑆𝑄𝐸
𝑆𝑄𝑇
em que SQT é a Soma Total dos Quadrados, SQR é a Soma dos Quadrados do
Resíduos e SQE é a Soma dos Quadrados Explicada pelo modelo.
(08)
(09)
Capítulo 4
Resultados e Discussão
Figura 4.1: Raiz quadrada do erro quadrático médio (RMSE) entre os valores
medidos e estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada
PCD. Fonte: Autoria Própria.
Figura 4.2: Coeficiente de correlação de Pearson (r) entre os valores medidos e
estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD. Fonte:
Autoria Própria.
Figura 4.3: Erro quadrático médio (MSE) entre os valores medidos e estimados de Rg
pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD. Fonte: Autoria Própria.
Figura 4.4: Erro médio absoluto (MAE) entre os valores medidos e estimados de Rg
pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD. Fonte: Autoria Própria.
Figura 4.5: Modelos empíricos testados para a irradiação solar em MJ/m² para a
PCD de Recife/PE. Fonte: Autoria Própria.
Figura 4.6: Modelos empíricos testados para a irradiação solar em MJ/m² para a
PCD de Correntina/BA. Fonte: Autoria Própria.
0.0 0.5 1.0 1.5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Modelo 1
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.75
0.0 0.5 1.0 1.5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Modelo 2
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.7
0.0 0.5 1.0 1.5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Modelo 6
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.71
0.0 0.5 1.0 1.5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Modelo 7
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.71
0.0 0.5 1.0 1.5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Modelo 8
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.71
0.0 0.5 1.0 1.5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Modelo 9
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.72
0 5 10 15 20 25
0.0
0.2
0.4
0.6
0.8
Modelo 1
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.92
0 5 10 15 20 25
0.0
0.2
0.4
0.6
0.8
Modelo 2
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.89
0 5 10 15 20 25
0.0
0.2
0.4
0.6
0.8
Modelo 6
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.88
0 5 10 15 20 25
0.0
0.2
0.4
0.6
0.8
Modelo 7
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.88
0 5 10 15 20 25
0.0
0.2
0.4
0.6
0.8
Modelo 8
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.88
0 5 10 15 20 25
0.0
0.2
0.4
0.6
0.8
Modelo 9
Amplitude Térmica (ºC)
Hg/H
o
R² = 0.88
Nas Figuras 4.1 a 4.4 é possível notar que os modelos que apresentaram
melhor representatividade da irradiância solar global foram os modelos 1 e 2,
obtendo os menores erros, porém, o modelo 1 ainda foi capaz de explicar a variável
de interesse tanto em regiões úmidas como no interior da região nordeste, as quais
possuem características climáticas distintas, como pode ser visto nas Figuras 4.5 e
4,6. Ainda é possível afirmar que os modelos 6 e 7 são ligeiramente similares.
No que se refere aos coeficientes empíricos determinados para cada modelo
utilizado nesta pesquisa em todas as PCD, estes divergiram daqueles encontrados
por Santos et al. (2014) para algumas estações do Estado de Alagoas,
provavelmente, isso deve-se ao período de calibração distinto em cada estudo, além
destes autores também terem utilizado uma fonte de dados diferente da empregada
aqui.
De modo geral, há um melhoramento técnico bastante significativo dos
modelos empíricos através dessa técnica de solução em comparação aos resultados
anteriores quando aplicados apenas para o Estado do Rio Grande do Norte, como se
pode verificar na PCD de Macau/RN, onde modelos antes com baixo desempenho,
como o modelo de Meza e Varas (modelo 2) e o de Annandale (modelo 7) produziram
melhores estimativas a partir de um método de solução não linear. No entanto, para
a PCD do município de Pão de Açúcar no Estado de Alagoas possui desempenho
semelhante a estimativas feitas via regressão linear múltipla, conforme visto em
Santos et al. (2014), sendo que o resultado obtido nesse trabalho para a estação
mencionada fornece melhor estimativa por meio do modelo original de Bristow e
Campbell (1984) explicando em torno de 60% da observação da irradiância solar
global.
Ainda é possível constatar que o modelo candidato a melhor representação,
em outras palavras, a condição mais próxima da observação na maioria das
localidades analisadas do Nordeste Brasileiro é o modelo original de Bristow e
Campbell (modelo 1) em relação aos demais modelos empíricos aplicados, a
estrutura do modelo tradicional permite representar satisfatoriamente a irradiância
solar global tanto de áreas costeiras/úmidas como do interior. Sendo o modelo 1 que
originou os outros modelos, e pelo fato de ser o principal modelo empírico de
estimativa de radiação global existente na literatura também é o modelo comumente
mais usado. E até mesmo para regiões testadas que apresentaram piores
estimativas, o modelo 1 ainda representou razoavelmente a irradiância solar global
desses locais quando comparado com os demais modelos.
Desta forma, esses resultados corroboram com os que foram obtidos por
Santos et al. (2014) para o Estado de Alagoas no que se refere a destreza das
estimativas realizadas pelo modelo 1 conforme os aspectos climáticos da área
analisada, porém nesse trabalho houve uma abordagem ainda mais significativa do
mesmo modelo, em virtude do modelo tradicional de Bristow e Campbell ser mais
eficiente do que o modelo antes testado por esses autores em termos de
confiabilidade estatística e capacidade de representar de maneira adequada esse
elemento meteorológico para regiões com características climatologicamente
diferentes, isso pôde ser averiguado, provavelmente, em função do método de solução
não linear, o qual ocasionou aprimoramento do modelo discutido.
Capítulo 5
Conclusões
Os resultados revelaram que pelo menos o modelo 1, dentre os seis analisados,
apresenta confiabilidade suficiente, para que o mesmo seja adotado para estimar a
irradiância solar global diária em locais onde não há disponibilidade da mesma.
Portanto, o modelo original de Bristow e Campbell (modelo 1) é indicado tanto
para áreas úmidas e costeiras como para áreas do interior da região estudada,
diferente dos outros modelos empíricos, os quais têm melhor estimativa somente
para o interior. É de suma importância que haja continuamente o melhoramento
regional técnico desses modelos, como foi feito nesse trabalho, otimizando a
estimativa do recurso solar para a região com maior potencial do Brasil.
E ainda sugerem-se a comparação as diferenças entre as estimativas e os
valores observados em períodos distintos daquele em que os modelos foram
calibrados, aplicação do modelo de Bristow e Campbell em escala regional através de
dados de temperatura do ar disponibilizados por alguns sensores a bordo de
satélites, visto que o modelo 1 apresenta desempenho satisfatório independente das
características climáticas distintas encontradas no Nordeste Brasileiro.
Referências
ALMOROX, J.; HONTORIA, C. Global solar radiation estimation using sunshine
duration in Spain. Energy, Conversion & Management, v.45, p.1529-1535, 2004.
ALMOROX, J.; HONTORIA, C.; BENITO, M. Models for obtaining daily global solar
radiation with measured air temperature data in Madrid (Spain). Applied Energy,
v.88, p.1703- 1709, 2011.
ALVES, A. R. Irradiância solar global em superfície de diferentes inclinações e
azimutes para Viçosa, MG. 1981. 92 p. Dissertação ( Mestrado em Engenharia
Agrícola) – Universidade Federal de Viçosa: Viçosa, 1981.
ANGSTRÖM, A. Solar and terrestrial radiation. Quarterly Journal of the Royal
Meteorological Society, v.50, p.121–1255, 1924.
ANNANDALE, J. G.; JOVANOVIC, N. Z.; BANADÉ, N.; ALLEN, R. G. Software for
missing data error analysis of Penman-Monteith reference evapotranspiration.
Irrigation Science, v.21, p.57-67, 2002.
BRISTOW, K. L.; CAMPBELL, G. S. On the Relationship Between Incoming Solar
Radiation and Daily Maximum and Minimum Temperature. Agricultural and Forest
Meteorology, v.31, p.159-166, 1984.
BRUTSAERT, W. H. Evaporation into the atmosphere: theory, history and
applications. Dordrecht: Kluwer Academic, 1982. 316p.
Dornelas, K.D.S., Silva, C.L., Oliveira, C.A.S. 2006. Coeficientes médios da equação
de Angstrom - Prescott, radiação solar e evapotranspiração de referência em
Brasília. Pesquisa Agropecuária Brasileira 41: 1213-1219.
DUTTON, E. et al.. Measurement of Broadband Diffuse Solar Irradiance Using
Current Commercial Instrumentation with a Correction for Thermal Offset Errors.
Journal of Atmospheric and Oceanic Technology, v.18, p.297-314, 2001.
ECHER, E.; SOUSA M. P.; SCHUCH, N. J. Alei de Beer Aplicada na atmosfera
terrestre. Revista Brasileira de Física, São Paulo, v.23, n.3,p.276-283, 2001.
HARGREAVES, G. H.; SAMANI, Z. A. Estimating potential evapotranspiration.
Journal of the Irrigation and Drainage Division, v.108, n.3, p.225-230, 1982.
HARGREAVES, G. L.; HARGREAVES, G. H.; TILWY, J. P. Irrigation Water
Requirements for Senegal River Basin. Journal of Irrigation and Drainage
Engineering, v.111, p.265-275, 1985.
HUNT, L.A.; KUCHAR, L.; SWANTON, C. J. Estimation of solar radiation for use in
crop
modelling. Agricultural and Forest Meteorology, v.91, p.293-300, 1998.
IQBAL, M. An Introduction to Solar Radiation. Toronto: Academic Press, 1983. 390
p.
JÚNIOR, A. S. de A. et al.. Coeficientes da equação de Angström-Prescott para
Parnaíba, Piauí. Comunicata Scientiae, Teresina, v. 3, n. 1, p.50-54, nov. 2011.
KATIYAR, A. K.; PANDEY, C. K. Simple correction for estimating the global
radiation on horizontal surfaces in India. Energy, v.35, p.5043-5048, 2010.
KONDRATYEV K. YA. Radiation in the atmospheric. NewYork, USA: Academic
Press, 1969. 912p.
LESTRADE, J. P. The effect of cloud layer plane albedo on global and diffuse
isolation. Solar Energy. Elmsford, New York, v.44, n.22, p.115-121, 1990.
LIMA, Francisco José Lopes de. Previsão de Irradiação Solar no Nordeste do Brasil
empregando o Modelo WRF ajustado por Redes Neurais Artificiais (RNAs). 2015.
251 f. Tese (Doutorado) - Curso de Doutorado em Meteorologia, Instituto Nacional de
Pesquisas Espaciais, São José dos Campos, 2015.
LIOU, K. N. Introduction to Atmospheric Radiation, 2.ed. San Diego: Academic
Press, 2002. 583 p.
MARADI, I. Quality control of global solar radiation using sunshine duration hours.
Energy, v.34, p.1-6, 2009.
MARTINS, F. R., PEREIRA, E. B. Estudo comparativo da confiabilidade de
estimativas de irradiação solar para o sudeste brasileiras obtidas a partir de 207
dados de satélite e por interpolação/extrapolação de dados de superfície. Revista
Brasileira de Geofísica. v. 29, n 2, p. 265-276, 2011.
MEZA, F.; VARAS, E. Estimation of mean monthly solar radiation as a function of
temperature. Agricultural and Forest Meteorology, v.100, p.231-241, 2000.
MOSTAFAVI, E. S. et al.. A hybrid computational approach to estimate solar global
radiation: An empirical evidence from Iran. Energy, v.49, p.204-210, 2013.
MUKAKA, M. M.. A guide to appropriate use of Correlation coefficient in medical
research. Malawai Medical Journal, Lilongwe, v. 24, n. 3, p.69-71, set. 2012.
MUNEER, T.; GUL, M. S. Evaluation of sunshine and cloud cover based models for
generating solar radiation data. Energy, Conversion & Management, v.1, n.5, p.461–
482, 2000.
PEREIRA, E. B. et al.. Atlas brasileiro de energia solar. São José dos Campos:
INPE, 2006. 60p. ISBN 978-85-17- 00030-0.
QUEIROZ, M. R.; NOGUEIRA, C. B. R.; ASSIS, S. V. de. Avaliação de um método
empírico para estimativa da radiação solar global – Modelo de Bristow-Campbell. In:
Congresso Brasileiro de Meteorologia, 17, 2012, Pelotas. Anais. Gramado: SBMET,
2012. p. 194 - 199.
QUERINO, C. A. S. et al. Avaliação e comparação de radiação solar global e albedo
com ângulo zenital na região amazônica. Revista Brasileira de Meteorologia, Maceió,
v. 21, n. 3, p.42-49, ago. 2006.
RAHMAN, M. M.; ZAKARIA, M.. Modified Angstrom coefficients for the sunshine-
irradiation correlation. Indian Journal of Radio & Space Physics. Rajshahi, p. 33-41.
fev. 2005.
SANTOS, C. M. et al.. On modeling global solar irradiation using air temperature
for Alagoas State, Northeastern Brazil. Energy, v.71, p.388-398, 2014.
SHI, G-Y. et al.. Data Quality Assessment and the Long-Term Trend of Ground
solar Radiation in China. Journal of Applied Meteorology and Climatology, v.47,
p.1006-1016, 2008.
SUPIT, I.; VAN KAPPEL, R.R. A simple method to estimate global radiation. Solar
Energy, v.63, p.47–60, 1998.
TANG, W. et al.. Quality control and estimation of global solar radiation in China.
Solar Energy, v.84, p.466-475, 2006.
VIANELO, R. L.; ALVES, A. R. Meteorologia Básica e Aplicações. 2.ed. Viçosa:
Editora UFV, 2012. 460 p.
WILKS, D. S. Statistical Methods in the Atmospheric Sciences. 2.ed. San Diego:
Academic Press, 2006. 627 p.
ANEXOS
Anexo 1
Localização das estações usadas neste trabalho de pesquisa.
PCD Longitude (°W) Latitude (°S) Altitude (m) UF
São Luiz -44,21 -2,53 56 MA
Carolina -47,46 -7,34 192 MA
Chapadinha -43,35 -3,74 91 MA
Grajaú -46,16 -5,82 230 MA
Turiaçu -45,37 -1,66 41 MA
Bacabal -44,79 -4,23 28 MA
Barra do Corda -45,24 -5,51 153 MA
Colinas -44,23 -6,03 179 MA
Estreito -47,42 -6,65 180 MA
Caxias -43,34 -4,82 76 MA
Buriticupu -46,45 -4,32 175 MA
Recife -34,95 -8,05 10 PE
Maceió -35,77 -9,55 64,5 AL
Natal -35,2 -5,83 48,6 RN
Fortaleza -38,53 -3,8 41 CE
Sobral -40,35 -3,75 64 CE
Petrolina -40,8 -9,38 370,5 PE
Parnaíba -41,78 -3,07 79,5 PI
Arco Verde -37,08 -8,43 680,7 PE
Areia -35,68 -6,97 574,6 PB
Floriano -43,02 -6,77 132,3 PI
Teresina -42,8 -5,03 74 PI
Campina Grande -35,91 -7,23 548 PB
Guaramiranga -38,93 -4,26 38,2 CE
Barbalha -39,27 -7,3 409 CE
Caicó -37,08 -6,47 170 RN
Macau -36,72 -5,12 4 RN
Mossoró -37,37 -5,08 36 RN
Iguatú -39,27 -6,4 233 CE
João Pessoa -34,85 -7,14 44 PB
Patos -37,27 -7,07 249 PB
Garanhuns -36,5 -8,91 822 PE
Pão de Açúcar -37,45 -9,77 19 AL
Tauá -40,28 -6,02 415 CE
Quixeramobim -39,29 -5,17 79,5 CE
Bom Jesus do Piauí -44,33 -9,08 297 PI
Palmeira dos Índios -36,62 -9,42 275 AL
Surubim -35,8 -7,84 418 PE
Cabrobó -39,31 -8,5 342 PE
Paulistana -41,14 -8,13 374 PI
São João do Piauí -42,25 -8,36 235 PI
Morada Nova -38,36 -5,14 43,6 CE
São Gonçalo -38,31 -6,84 234 PB
Monteiro -37,12 -7,89 604 PB
Piripiri -41,79 -4,28 161 PI
Alvorada do Gurguéia -43,86 -8,44 270 PI
Caracol -43,32 -9,29 100 PI
Esperantina -42,26 -3,9 65 PI
Jaguaruana -37,78 -4,79 12 CE
Apodi -37,83 -5,63 150 RN
Caruaru -35,99 -8,24 550 PE
Cratéus -40,67 -5,19 291 CE
Picos -41,4 -7,07 233 PI
São Raimundo Nonato -42,7 -9,03 402 PI
Uruçu -44,33 -7,47 393 PI
Campos Sales -40,36 -7,08 572 CE
Cabaceiras -36,29 -7,48 436 PB
Ibimirim -37,71 -8,51 448 PE
Serra Talhada -38,29 -7,95 461 PE
Camaratuba -35,13 -6,61 136 PB
Arapiraca -36,62 -9,8 241 AL
Oeiras -42,15 -6,97 156 PI
Coruripe -36,29 -10,13 74 AL
São Luís do Quitunde -35,57 -9,29 19 AL
Palmares -35,57 -8,67 180 PE
Jaguaribe -38,63 -5,91 184 CE
Itapipoca -39,59 -3,48 102 CE
Acarau -40,09 -3,12 76 CE
Castelo do Piauí -41,51 -5,35 286 PI
São Pedro do Piauí -42,72 -5,91 287 PI
Valença do Piauí -41,74 -6,4 301 PI
Gilbués -45,35 -9,87 425 PI
Buriti -42,97 -8,12 308 PI
Ouricuri -40,1 -7,88 464 PE
Salvador -38,51 -13,01 51,4 BA
Barreira -45,02 -12,15 470,4 BA
Arembepe -38,17 -12,75 10,8 BA
Luiz Eduardo
Magalhães -45,82 -12,15 754 BA
Caravelas -39,25 -17,73 2,9 BA
Cruz das Almas -39,15 -12,67 225,9 BA
Itiruçu -40,12 -13,53 755,6 BA
Itaberaba -40,28 -12,52 249,9 BA
Aracajú -37,05 -10,95 4,7 SE
Ilhéus -39,17 -14,65 78 BA
Paulo Afonso -38,22 -9,37 252,6 BA
Macajuba -40,35 -12,12 380 BA
Feira de Santana -38,99 -12,2 231 BA
Santa Rita de Cássia -44,53 -11,02 450 BA
Correntina -44,62 -13,33 540 BA
Itabaianinha -37,79 -11,27 208 SE
Bom Jesus da Lapa -43,18 -13,42 440 BA
Poço Verde -38,11 -10,74 362 SE
Carira -37,75 -10,4 308 SE
Brejo Grande -36,48 -10,47 10 SE
Abrolhos -38,69 -17,96 25 BA
Remanso -42,08 -9,62 401 BA
Irecê -41,86 -11,33 755 BA
Lençóis -41,39 -12,56 439 BA
Guanambi -42,75 -14,21 882 BA
Porto Seguro -39,18 -16,39 85 BA
Senhor do Bonfim -40,15 -10,44 548 BA
Barra -43,14 -11,08 403 BA
Piatã -41,77 -13,16 1290 BA
Conde -37,62 -11,81 10 BA
Buritirama -43,65 -10,72 502 BA
Brumado -41,67 -14,18 470 BA
Amargosa -39,62 -13,01 407 BA
Uauá -39,5 -9,83 453 BA
Queimadas -39,62 -10,98 315 BA
Una -39,09 -15,28 82 BA
Marau -38,97 -13,91 10 BA
Ibotirama -43,21 -12,19 430 BA
Jacobina -40,47 -11,21 453 BA
Serrinha -39,02 -11,66 339 BA
Euclides da Cunha -39 -10,54 432 BA
Delfino -41,21 -10,46 637 BA
Ipiau -39,69 -14,17 125 BA
Itapetinga -40,23 -15,24 269 BA
Belmonte -39,22 -16,09 88 BA
Floresta -38,35 -8,36 316 PE
Balsas -46,01 -7,27 283 MA
Santana -43,37 -2,16 43 MA
Preguiças -42,42 -2,35 35 MA
Alto Parnaíba -45,55 -9,06 280 MA
Imperatriz -47,27 -5,33 95 MA
Vitória da Conquista -40,28 -14,53 870 BA
Valença -39,07 -13,20 105 BA
Calcanhar -35,49 -5,16 17 RN
Anexo 2
Coeficientes empíricos dos modelos utilizados
Modelo 1
PCD β1 β2 β3
CAROLINA/MA 0.608*** 1.495*** 2.203***
TURIAÇU/MA 0.554*** 3.219*** 3.243***
BACABAL/MA 0.667*** 0.983*** 2.291***
B DA COR/MA 0.577*** 1.647*** 2.709***
COLINAS/MA 0.662*** 0.917*** 2.152***
CAXIAS/MA 0.580*** 1.374*** 2.488***
BURITICUPU/MA 0.827*** 0.725** 1.100***
RECIFE/PE 0.554*** 2.378*** 3.143***
SOBRAL/CE 0.568*** 1.538*** 2.092***
PETROLINA/PE 0.702*** 1.415*** 2.822***
PARNAÍBA/PI 0.532*** 15.96* -3.65***
ARCO VER/PE 0.597*** 1.841*** 1.977***
AREIA/PB 0.551*** 2.326*** 2.227***
FLORIANO/PI 0.570*** 1.335*** 2.662***
TERESINA/PI 0.619*** 1.311*** 1.393***
CAMP GR/PB 0.587*** 2.329*** 3.024***
GUARAMIRANGA/CE 0.583*** 1.727*** 2.064***
CAICÓ/RN 0.762*** 0.049*** 1.439***
MACAU/RN 0.600*** 0.042*** 2.129***
MOSSORÓ/RN 0.808 0.753 0.260
GARANHUS/PE 0.695*** 1.248*** 1.981***
P DE AÇÚC/AL 0.776*** 0.213*** 0.764***
QUIXERAMOBIM/CE 0.505*** 1.331*** 1.736***
B J DO PIAUI/PI 0.647*** 1.050*** 2.288***
SURUBIM/PE 0.605*** 2.174*** 1.903***
CABROBRO/PE 0.665*** 1.306*** 2.781***
S J DO PIAUI/PI 0.667*** 1.221*** 2.876***
MORADA N/CE 0.496*** 1.239*** 1.424***
MONTEIRO/PB 0.671*** 1.493*** 2.252***
PIRIPIRI/PI 0.644*** 1.585*** 1.898***
CARACOL/PI 0.633*** 1.031*** 2.676***
ESPERANTINA/PI 0.637*** 1.520*** 2.279***
APODI/RN 0.710*** 0.059*** 1.539***
CRATÉUS/CE 0.585*** 1.343*** 2.463***
PICOS/PI 0.675*** 1.169*** 1.535***
URUÇU/PI 0.684*** 0.898*** 2.421***
C SALES/CE 0.635*** 1.340*** 2.592***
IBIMIRIM/PE 0.688*** 1.141*** 2.014***
S TALHADA/PE 0.621*** 1.292*** 2.505***
OEIRAS/PI 0.639*** 1.281*** 1.815***
CORURIPE/AL 1.358 0.205 0.451*
S L DO QUITUN/AL 0.627*** 0.345*** 0.644***
PALMARES/PE 0.539*** 1.480*** 2.709***
ITAPIPOCA/CE 0.523*** 36405 -13.402*
ACARAU/CE 0.612*** 2.134*** 3.744***
S P DO PIAUI/PI 0.667*** 1.221*** 2.876***
V DO PIAUI/PI 0.599*** 1.363*** 2.672***
GIUBUÉS/PI 0.695*** 1.325*** 1.775***
OURICURI/PE 0.617*** 1.228*** 2.895***
SALVADOR/BA 0.612*** 0.072*** 1.713***
BARREIRA/BA 0.618*** 0.007*** 2.372***
AREMBEPE/BA 0.571*** 297.84 16.54
L E MAGALHAES/BA 0.662*** 0.015*** 1.935***
CARAVELAS/BA 0.637*** 0.067*** 1.644***
C DAS ALMAS/BA 0.645*** 0.059*** 1.467***
MACAJUBA/BA 0.197*** 0.104 1.470*
S R DE CASSIA/BA 0.679*** 0.015*** 1.979***
CORRENTINA/BA 0.655*** 0.004*** 2.500***
ITABAIANINHA/SE 0.625*** 1.783*** 2.369***
B J DA LAPA/BA 0.642*** 0.010*** 2.248***
POÇO VERDE/SE 0.600*** 1.376*** 2.064***
CARIRA/SE 0.603*** 1.470*** 2.170***
BREJO GRANDE/SE 0.409*** 3.479*** 4.860***
ABROLHOS/BA 0.578*** 0.906*** 5.337***
REMANSO/BA 0.704*** 0.017* 2.105***
IRECÊ/BA 0.763*** 0.020*** 1.753***
LENÇÓIS/BA 0.640*** 0.026*** 1.760***
GUANAMBI/BA 0.706*** 0.014*** 2.139***
SR DO BONFIM/BA 0.103*** 0.059*** 1.074***
BARRA/BA 0.674*** 0.007*** 2.373***
PIATÃ/BA 0.701*** 0.021*** 1.928***
CONDE/BA 0.670*** 0.113*** 1.388***
BURITIRAMA/BA 0.662*** 0.007*** 2.259***
BRUMADO/BA 1.897 0.061 0.693***
AMARGOSA/BA 0.738*** 0.061*** 1.378***
QUEIMADAS/BA 0.906*** 0.041*** 1.243***
MARAU/BA 0.782*** 0.216*** 0.901***
IBOTIRAMA/BA 0.665*** 0.027*** 1.788***
JACOBINA/BA 0.690*** 0.032*** 1.549***
SERRINHA/BA 0.745*** 0.058*** 1.307***
E DA CUNHA/BA 0.701*** 0.062*** 1.329***
DELFINO/BA 0.683*** 0.016*** 1.841***
IPIAU/BA 0.792*** 0.046*** 1.268***
ITAPETINGA/BA 0.690*** 0.030*** 1.590***
BELMONTE/BA 0.656*** 0.034*** 1.631***
FLORESTA/PE 0.540*** 1.086*** 2.807***
BALSAS/MA 0.652*** 1.126*** 2.489***
ALTO PARNAÍBA/MA 0.566*** 1.295*** 2.961***
VIT DA CONQ/BA 1.035*** 0.059*** 1.174***
VALENÇA/PI 0.599*** 1.363*** 2.672***
CALCANHAR/RN 0.647*** 0.263*** 1.707***
Modelo 2
PCD β2
SÃO LUIZ/MA 1.629***
CAROLINA/MA 0.825***
CHAPADINHA/MA 1.063***
GRAJAÚ/MA 0.853***
TURIAÇU/MA 1.190***
BACABAL/MA 0.788***
B DA COR/MA 0.913***
COLINAS/MA 0.691***
ESTREITO/MA 1.101***
CAXIAS/MA 0.740***
BURITICUPU/MA 0.716***
RECIFE/PE 1.266***
MACEIÓ/AL 0.019***
NATAL/RN 0.012***
FORTALEZA/CE 1.217***
SOBRAL/CE 0.610***
PETROLINA/PE 1.253***
PARNAÍBA/PI 1.128***
ARCO VER/PE 0.897***
AREIA/PB 1.081***
FLORIANO/PI 0.681***
TERESINA/PI 0.714***
CAMP GR/PB 1.125***
GUARAMIRANGA/CE 1.044***
BARBALHA/CE 0.861***
CAICÓ/RN 0.013***
MACAU/RN 0.023***
MOSSORÓ/RN 0.019***
IGUATÚ/CE 0.905***
JOÃO PES/PB 1.704***
PATOS/PB 1.007***
GARANHUS/PE 1.054***
P DE AÇÚC/AL 0.013***
TAUÁ/CE 0.769***
QUIXERAMOBIM/CE 0.521***
B J DO PIAUI/PI 0.711***
P DOS INDIO/AL 0.014***
SURUBIM/PE 1.069***
CABROBRO/PE 1.035***
PAULISTANA/PE 1.321***
S J DO PIAUI/PI 0.966***
MORADA N/CE 0.454***
S GONÇALO/PB 0.676***
MONTEIRO/PB 1.076***
PIRIPIRI/PI 0.939***
A DO GURGUE/PI 1.321***
CARACOL/PI 0.690***
ESPERANTINA/PI 0.886***
JAGUARUANA/CE 1.117***
APODI/RN 0.017***
CARUARU/PE 0.699***
CRATÉUS/CE 0.731***
PICOS/PI 0.774***
S R NONATO/PI 1.322***
URUÇU/PI 0.771***
C SALES/CE 0.868***
CABACEIRAS/PB 0.981***
IBIMIRIM/PE 0.906***
S TALHADA/PE 0.796***
CAMARATUBA/PB 1.167***
ARAPIRACA/AL 0.013***
OEIRAS/PI 0.735***
CORURIPE/AL 0.025***
S L DO QUITUN/AL 0.012***
PALMARES/PE 0.679***
JAGUARIBE/CE 0.665***
ITAPIPOCA/CE 1.215***
ACARAU/CE 1.117***
C DO PIAUI/PI 1.976***
S P DO PIAUI/PI 0.966***
V DO PIAUI/PI 0.735***
GIUBUÉS/PI 1.026***
C BURITI/PI 0.778***
OURICURI/PE 0.812***
SALVADOR/BA 0.026***
BARREIRA/BA 0.009***
AREMBEPE/BA 0.227***
L E MAGALHAES/BA 0.009***
CARAVELAS/BA 0.023***
C DAS ALMAS/BA 0.013***
ITIRUÇU/BA 0.009***
ITABERABA/BA 0.003***
ARACAJÚ/SE 1.650***
ILHÉUS/BA 0.015***
P AFONSO/BA 0.013***
MACAJUBA/BA 0.002***
F DE SANTANA/BA 0.011***
S R DE CASSIA/BA 0.011***
CORRENTINA/BA 0.009***
ITABAIANINHA/SE 1.118***
B J DA LAPA/BA 0.010***
POÇO VERDE/SE 0.779***
CARIRA/SE 0.819***
BREJO GRANDE/SE 0.572***
ABROLHOS/BA 0.522***
REMANSO/BA 0.019***
IRECÊ/BA 0.011***
LENÇÓIS/BA 0.010***
GUANAMBI/BA 0.016***
P SEGURO/BA 0.008***
SR DO BONFIM/BA 0.0005***
BARRA/BA 0.012***
PIATÃ/BA 0.016***
CONDE/BA 0.026***
BURITIRAMA/BA 0.010***
BRUMADO/BA 0.010***
AMARGOSA/BA 0.015***
UAUA/BA 0.011***
QUEIMADAS/BA 0.009***
UNA/BA 0.017***
MARAU/BA 0.031***
IBOTIRAMA/BA 0.011***
JACOBINA/BA 0.009***
SERRINHA/BA 0.011***
E DA CUNHA/BA 0.011***
DELFINO/BA 0.009***
IPIAU/BA 0.008***
ITAPETINGA/BA 0.009***
BELMONTE/BA 0.011***
FLORESTA/PE 0.592***
BALSAS/MA 0.814***
SANTANA/MA 3.554***
PREGUIÇAS/MA 3.207***
ALTO PARNAÍBA/MA 0.629***
IMPERATRIZ/MA 0.648***
VIT DA CONQ/BA 0.018***
VALENÇA/PI 0.735***
CALCANHAR/RN 0.093***
Modelo 6
PCD β1
SÃO LUIZ/MA 0.518***
CAROLINA/MA 0.468***
CHAPADINHA/MA 0.519***
GRAJAÚ/MA 0.477***
TURIAÇU/MA 0.510***
BACABAL/MA 0.470***
B DA COR/MA 0.494***
COLINAS/MA 0.459***
ESTREITO/MA 0.464***
CAXIAS/MA 0.468***
BURITICUPU/MA 0.446***
RECIFE/PE 0.525***
MACEIÓ/AL 0.180***
NATAL/RN 7.937***
FORTALEZA/CE 0.489***
SOBRAL/CE 0.427***
PETROLINA/PE 0.561***
PARNAÍBA/PI 0.501***
ARCO VER/PE 0.485***
AREIA/PB 0.479***
FLORIANO/PI 0.439***
TERESINA/PI 0.447***
CAMP GR/PB 0.508***
GUARAMIRANGA/CE 0.456***
BARBALHA/CE 0.495***
CAICÓ/RN 0.180***
MACAU/RN 0.188***
MOSSORÓ/RN 0.189***
IGUATÚ/CE 0.482***
JOÃO PES/PB 0.557***
PATOS/PB 0.523***
GARANHUS/PE 0.505***
P DE AÇÚC/AL 0.169***
TAUÁ/CE 0.474***
QUIXERAMOBIM/CE 0.382***
B J DO PIAUI/PI 0.461***
P DOS INDIO/AL 0.170***
SURUBIM/PE 0.510***
CABROBRO/PE 0.526***
PAULISTANA/PE 0.562***
S J DO PIAUI/PI 0.516***
MORADA N/CE 0.357***
S GONÇALO/PB 0.471***
MONTEIRO/PB 0.533***
PIRIPIRI/PI 0.502***
A DO GURGUE/PI 0.516***
CARACOL/PI 0.460***
ESPERANTINA/PI 0.495***
JAGUARUANA/CE 0.522***
APODI/RN 0.189***
CARUARU/PE 0.438***
CRATÉUS/CE 0.460***
PICOS/PI 0.477***
S R NONATO/PI 0.506***
URUÇU/PI 0.477***
C SALES/CE 0.496***
CABACEIRAS/PB 0.503***
IBIMIRIM/PE 0.507***
S TALHADA/PE 0.476***
CAMARATUBA/PB 0.499***
ARAPIRACA/AL 0.169***
OEIRAS/PI 0.461***
CORURIPE/AL 0.198***
S L DO QUITUN/AL 0.157***
PALMARES/PE 0.434***
JAGUARIBE/CE 0.455***
ITAPIPOCA/CE 0.524***
ACARAU/CE 0.533***
C DO PIAUI/PI 0.513***
S P DO PIAUI/PI 0.516***
V DO PIAUI/PI 0.467***
GIUBUÉS/PI 0.511***
C BURITI/PI 0.477***
OURICURI/PE 0.481***
SALVADOR/BA 0.195***
BARREIRA/BA 0.152***
AREMBEPE/BA 0.257***
L E MAGALHAES/BA 0.156***
CARAVELAS/BA 0.188***
C DAS ALMAS/BA 0.163***
ITIRUÇU/BA 0.142***
ITABERABA/BA 0.076***
ARACAJÚ/SE 0.540***
ILHÉUS/BA 0.160***
P AFONSO/BA 0.172***
MACAJUBA/BA 0.056***
F DE SANTANA/BA 0.160***
S R DE CASSIA/BA 0.164***
CORRENTINA/BA 0.156***
ITABAIANINHA/SE 0.517***
B J DA LAPA/BA 0.165***
POÇO VERDE/SE 0.462***
CARIRA/SE 0.472***
BREJO GRANDE/SE 0.368***
ABROLHOS/BA 0.304***
REMANSO/BA 0.192***
IRECÊ/BA 0.172***
LENÇÓIS/BA 0.153***
GUANAMBI/BA 0.188***
P SEGURO/BA 0.126***
SR DO BONFIM/BA 0.016***
BARRA/BA 0.173***
PIATÃ/BA 0.177***
CONDE/BA 0.201***
BURITIRAMA/BA 0.162***
BRUMADO/BA 0.159***
AMARGOSA/BA 0.173***
UAUA/BA 0.170***
QUEIMADAS/BA 0.152***
UNA/BA 0.174***
MARAU/BA 0.210***
IBOTIRAMA/BA 0.164***
JACOBINA/BA 0.149***
SERRINHA/BA 0.162***
E DA CUNHA/BA 0.160***
DELFINO/BA 0.153***
IPIAU/BA 0.147***
ITAPETINGA/BA 0.152***
BELMONTE/BA 0.155***
FLORESTA/PE 0.409***
BALSAS/MA 0.470***
SANTANA/MA 0.660***
PREGUIÇAS/MA 0.646***
ALTO PARNAÍBA/MA 0.428***
IMPERATRIZ/MA 0.427***
VIT DA CONQ/BA 0.192***
VALENÇA/PI 0.467***
CALCANHAR/RN 0.257***
Modelo 7
PCD β1
SÃO LUIZ/MA 0.518***
CAROLINA/MA 0.466***
CHAPADINHA/MA 0.518***
GRAJAÚ/MA 0.474***
TURIAÇU/MA 0.509***
BACABAL/MA 0.470***
B DA COR/MA 0.492***
COLINAS/MA 0.457***
ESTREITO/MA 0.462***
CAXIAS/MA 0.467***
BURITICUPU/MA 0.444***
RECIFE/PE 0.525***
MACEIÓ/AL 0.180***
NATAL/RN 7.926***
FORTALEZA/CE 0.488***
SOBRAL/CE 0.427***
PETROLINA/PE 0.556***
PARNAÍBA/PI 0.500***
ARCO VER/PE 0.476***
AREIA/PB 0.471***
FLORIANO/PI 0.438***
TERESINA/PI 0.446***
CAMP GR/PB 0.501***
GUARAMIRANGA/CE 0.456***
BARBALHA/CE 0.490***
CAICÓ/RN 0.180***
MACAU/RN 0.188***
MOSSORÓ/RN 0.189***
IGUATÚ/CE 0.479***
JOÃO PES/PB 0.557***
PATOS/PB 0.520***
GARANHUS/PE 0.494***
P DE AÇÚC/AL 0.169***
TAUÁ/CE 0.469***
QUIXERAMOBIM/CE 0.381***
B J DO PIAUI/PI 0.458***
P DOS INDIO/AL 0.169***
SURUBIM/PE 0.504***
CABROBRO/PE 0.522***
PAULISTANA/PE 0.556***
S J DO PIAUI/PI 0.512***
MORADA N/CE 0.356***
S GONÇALO/PB 0.468***
MONTEIRO/PB 0.525***
PIRIPIRI/PI 0.500***
A DO GURGUE/PI 0.512***
CARACOL/PI 0.459***
ESPERANTINA/PI 0.494***
JAGUARUANA/CE 0.522***
APODI/RN 0.189***
CARUARU/PE 0.432***
CRATÉUS/CE 0.457***
PICOS/PI 0.474***
S R NONATO/PI 0.501***
URUÇU/PI 0.472***
C SALES/CE 0.489***
CABACEIRAS/PB 0.497***
IBIMIRIM/PE 0.501***
S TALHADA/PE 0.470***
CAMARATUBA/PB 0.497***
ARAPIRACA/AL 0.168***
OEIRAS/PI 0.459***
CORURIPE/AL 0.197***
S L DO QUITUN/AL 0.157***
PALMARES/PE 0.431***
JAGUARIBE/CE 0.453***
ITAPIPOCA/CE 0.522***
ACARAU/CE 0.532***
C DO PIAUI/PI 0.509***
S P DO PIAUI/PI 0.512***
V DO PIAUI/PI 0.463***
GIUBUÉS/PI 0.506***
C BURITI/PI 0.473***
OURICURI/PE 0.475***
SALVADOR/BA 0.195***
BARREIRA/BA 0.150***
AREMBEPE/BA 0.257***
L E MAGALHAES/BA 0.153***
CARAVELAS/BA 0.188***
C DAS ALMAS/BA 0.162***
ITIRUÇU/BA 0.139***
ITABERABA/BA 0.076***
ARACAJÚ/SE 0.540***
ILHÉUS/BA 0.160***
P AFONSO/BA 0.171***
MACAJUBA/BA 0.055***
F DE SANTANA/BA 0.159***
S R DE CASSIA/BA 0.162***
CORRENTINA/BA 0.153***
ITABAIANINHA/SE 0.514***
B J DA LAPA/BA 0.163***
POÇO VERDE/SE 0.458***
CARIRA/SE 0.468***
BREJO GRANDE/SE 0.368***
ABROLHOS/BA 0.303***
REMANSO/BA 0.190***
IRECÊ/BA 0.168***
LENÇÓIS/BA 0.151***
GUANAMBI/BA 0.183***
P SEGURO/BA 0.125***
SR DO BONFIM/BA 0.016***
BARRA/BA 0.171***
PIATÃ/BA 0.171***
CONDE/BA 0.201***
BURITIRAMA/BA 0.160***
BRUMADO/BA 0.157***
AMARGOSA/BA 0.171***
UAUA/BA 0.168***
QUEIMADAS/BA 0.150***
UNA/BA 0.174***
MARAU/BA 0.210***
IBOTIRAMA/BA 0.162***
JACOBINA/BA 0.148***
SERRINHA/BA 0.161***
E DA CUNHA/BA 0.159***
DELFINO/BA 0.150***
IPIAU/BA 0.147***
ITAPETINGA/BA 0.150***
BELMONTE/BA 0.155***
FLORESTA/PE 0.406***
BALSAS/MA 0.466***
SANTANA/MA 0.655***
PREGUIÇAS/MA 0.645***
ALTO PARNAÍBA/MA 0.424***
IMPERATRIZ/MA 0.423***
VIT DA CONQ/BA 0.188***
VALENÇA/PI 0.466***
CALCANHAR/RN 0.257***
Modelo 8
PCD β1 β2
SÃO LUIZ/MA 0.292*** 0.203***
CAROLINA/MA 0.570*** -0.11***
CHAPADINHA/MA 0.226*** 0.324***
GRAJAÚ/MA 0.656*** -0.20***
TURIAÇU/MA 0.673*** -0.16***
BACABAL/MA 0.686*** -0.24***
B DA COR/MA 0.694*** -0.22***
COLINAS/MA 0.677*** -0.26***
ESTREITO/MA 0.379*** 0.098***
CAXIAS/MA 0.498*** -0.036
BURITICUPU/MA 0.596*** -0.17***
RECIFE/PE 0.309*** 0.224***
MACEIÓ/AL 0.188*** -0.021
NATAL/RN 6.373*** 1.441*
FORTALEZA/CE 0.401*** 0.086***
SOBRAL/CE 0.381*** 0.058***
PETROLINA/PE 0.933*** -0.40***
PARNAÍBA/PI 0.106*** 0.417***
ARCO VER/PE 0.421*** 0.072**
AREIA/PB 0.730*** -0.24***
FLORIANO/PI 0.562*** -0.14***
TERESINA/PI 0.426*** 0.024
CAMP GR/PB 0.500*** 0.008
GUARAMIRANGA/CE 0.650*** -0.18***
BARBALHA/CE 0.477*** 0.021
CAICÓ/RN 0.217*** -0.12***
MACAU/RN 0.173*** 0.043***
MOSSORÓ/RN 0.099*** 0.285***
IGUATÚ/CE 0.439*** 0.049***
JOÃO PES/PB 0.051 0.496***
PATOS/PB 0.385*** 0.162***
GARANHUS/PE 0.889*** -0.40***
P DE AÇÚC/AL 0.157*** 0.042***
TAUÁ/CE 0.424*** 0.059**
QUIXERAMOBIM/CE 0.381*** 0.0005
B J DO PIAUI/PI 0.533*** -0.09***
P DOS INDIO/AL 0.158*** 0.040**
SURUBIM/PE 0.437*** 0.079***
CABROBRO/PE 0.789*** -0.29***
PAULISTANA/PE 0.516*** 0.050
S J DO PIAUI/PI 0.648*** -0.15***
MORADA N/CE 0.364*** -0.008
S GONÇALO/PB 0.419*** 0.068**
MONTEIRO/PB 0.572*** -0.044 .
PIRIPIRI/PI 0.399*** 0.122***
A DO GURGUE/PI 0.396*** 0.140***
CARACOL/PI 0.486*** -0.033
ESPERANTINA/PI 0.403*** 0.111***
JAGUARUANA/CE 0.505*** 0.018*
APODI/RN 0.183*** 0.021
CARUARU/PE 0.429*** 0.009
CRATÉUS/CE 0.573*** -0.13***
PICOS/PI 0.515*** -0.045*
S R NONATO/PI 0.368*** 0.163***
URUÇU/PI 0.719*** -0.29***
C SALES/CE 0.512*** -0.018
CABACEIRAS/PB 0.388*** 0.129***
IBIMIRIM/PE 0.679*** 0.198***
S TALHADA/PE 0.482*** -0.007
CAMARATUBA/PB 0.539*** -0.040
ARAPIRACA/AL 0.129*** 0.127***
OEIRAS/PI 0.429*** 0.039*
CORURIPE/AL 0.139*** 0.158***
S L DO QUITUN/AL 0.111*** 0.137***
PALMARES/PE 0.628*** -0.21***
JAGUARIBE/CE 0.368*** 0.107***
ITAPIPOCA/CE 0.481*** 0.045***
ACARAU/CE 0.719*** -0.20***
C DO PIAUI/PI 0.199*** 0.366***
S P DO PIAUI/PI 0.648*** -0.15***
V DO PIAUI/PI 0.486*** -0.022
GIUBUÉS/PI 0.542*** -0.036*
C BURITI/PI 0.512*** -0.042 .
OURICURI/PE 0.506*** -0.029
SALVADOR/BA 0.227*** -0.08***
BARREIRA/BA 0.155*** -0.011
AREMBEPE/BA 0.114*** 0.316***
L E MAGALHAES/BA 0.167*** -0.03***
CARAVELAS/BA 0.216*** -0.07***
C DAS ALMAS/BA 0.222*** -0.17***
ITIRUÇU/BA 0.160*** -0.05***
ITABERABA/BA 0.092*** -0.049*
ARACAJÚ/SE 0.391*** 0.143***
ILHÉUS/BA 0.163*** -0.009*
P AFONSO/BA 0.180*** -0.026**
MACAJUBA/BA 0.054*** 0.006
F DE SANTANA/BA 0.185*** -0.08***
S R DE CASSIA/BA 0.171*** -0.025*
CORRENTINA/BA 0.156*** -0.002
ITABAIANINHA/SE 0.602*** -0.08***
B J DA LAPA/BA 0.172*** -0.022*
POÇO VERDE/SE 0.510*** -1.92***
CARIRA/SE 0.526*** -2.23***
BREJO GRANDE/SE 0.392*** -0.909
ABROLHOS/BA 0.289*** 0.977***
REMANSO/BA 0.264*** -7.83***
IRECÊ/BA 0.238*** -8.36***
LENÇÓIS/BA 0.173*** -2.32***
GUANAMBI/BA 0.214*** -3.05***
P SEGURO/BA 0.199*** -7.92***
SR DO BONFIM/BA 0.019*** -0.28***
BARRA/BA 0.208*** -4.51***
PIATÃ/BA 0.249*** -7.99***
CONDE/BA 0.227*** -2.60***
BURITIRAMA/BA 0.172*** -1.22***
BRUMADO/BA 0.219*** -7.36***
AMARGOSA/BA 0.225*** -5.51***
UAUA/BA 0.223*** -6.45***
QUEIMADAS/BA 0.190*** -4.57***
UNA/BA 0.248*** -7.43***
MARAU/BA 0.229*** -1.80***
IBOTIRAMA/BA 0.182*** -2.38***
JACOBINA/BA 0.213*** -7.59***
SERRINHA/BA 0.212*** -5.81***
E DA CUNHA/BA 0.183*** -2.64***
DELFINO/BA 0.225*** -9.01***
IPIAU/BA 0.205*** -6.99***
ITAPETINGA/BA 0.181*** -3.45***
BELMONTE/BA 0.217*** -7.11***
FLORESTA/PE 0.600*** -7.79***
BALSAS/MA 0.482*** -0.546
SANTANA/MA -0.32*** 30.98***
PREGUIÇAS/MA -0.25*** 28.75***
ALTO PARNAÍBA/MA 0.426*** 0.081
IMPERATRIZ/MA 0.377*** 2.055***
VIT DA CONQ/BA 0.256*** -7.50***
VALENÇA/PI 0.379*** 3.769***
CALCANHAR/RN 0.209*** 4.206***
Modelo 9
PCD β1 β2
SÃO LUIZ/MA 0.308*** 6.779***
CAROLINA/MA 0.203*** 10.65***
CHAPADINHA/MA 0.216*** 11.88***
GRAJAÚ/MA 0.273*** 7.966***
TURIAÇU/MA 0.380*** 4.487***
BACABAL/MA 0.418*** 2.065*
B DA COR/MA 0.244*** 9.704***
COLINAS/MA 0.272*** 7.798***
ESTREITO/MA 0.232*** 9.098***
CAXIAS/MA 0.280*** 8.132***
BURITICUPU/MA 0.193*** 10.04***
RECIFE/PE 0.421*** 3.769***
MACEIÓ/AL 0.229*** -4.872***
NATAL/RN 7.571*** 12.007
FORTALEZA/CE 0.409*** 2.815***
SOBRAL/CE 0.365*** 2.805***
PETROLINA/PE 0.787*** -8.85***
PARNAÍBA/PI 0.148*** 13.262***
ARCO VER/PE 0.457*** 1.147 .
AREIA/PB 0.612*** -4.74***
FLORIANO/PI 0.481*** -1.732**
TERESINA/PI 0.347*** 4.198***
CAMP GR/PB 0.537*** -1.085
GUARAMIRANGA/CE 0.550*** -3.24***
BARBALHA/CE 0.445*** 2.184***
CAICÓ/RN 0.186*** -0.711
MACAU/RN 0.180*** 0.853*
MOSSORÓ/RN 0.119*** 7.916***
IGUATÚ/CE 0.439*** 1.779***
JOÃO PES/PB 0.453*** 3.687**
PATOS/PB 0.521*** 0.111
GARANHUS/PE 0.710*** -7.73***
P DE AÇÚC/AL 0.159*** 1.296***
TAUÁ/CE 0.403*** 3.024***
QUIXERAMOBIM/CE 0.394*** -0.510
B J DO PIAUI/PI 0.482*** -0.938
P DOS INDIO/AL 0.162*** 0.995**
SURUBIM/PE 0.458*** 2.054***
CABROBRO/PE 0.744*** -8.71***
PAULISTANA/PE 0.414*** 5.877***
S J DO PIAUI/PI 0.521*** -0.227
MORADA N/CE 0.331*** 1.064
S GONÇALO/PB 0.465*** 0.262
MONTEIRO/PB 0.646*** -4.65***
PIRIPIRI/PI 0.342*** 6.792***
A DO GURGUE/PI 0.347*** 7.051***
CARACOL/PI 0.428*** 1.441 .
ESPERANTINA/PI 0.360*** 5.837***
JAGUARUANA/CE 0.498*** 0.991***
APODI/RN 0.159*** 3.744***
CARUARU/PE 0.414*** 0.972 .
CRATÉUS/CE 0.470*** -0.409
PICOS/PI 0.492*** -0.660
S R NONATO/PI 0.380*** 5.362***
URUÇU/PI 0.609*** -5.70***
C SALES/CE 0.491*** 0.208
CABACEIRAS/PB 0.462*** 1.659**
IBIMIRIM/PE 0.646*** -5.76***
S TALHADA/PE 0.469*** 0.316
CAMARATUBA/PB 0.570*** -2.57***
ARAPIRACA/AL 0.156*** 1.538**
OEIRAS/PI 0.369*** 4.166***
CORURIPE/AL 0.193*** 0.462
S L DO QUITUN/AL 0.130*** 2.894***
PALMARES/PE 0.589*** -6.25***
JAGUARIBE/CE 0.423*** 1.453**
ITAPIPOCA/CE 0.438*** 3.213***
ACARAU/CE 0.406*** 4.929***
C DO PIAUI/PI 0.197*** 13.100***
S P DO PIAUI/PI 0.521*** -0.227
V DO PIAUI/PI 0.379*** 3.769***
GIUBUÉS/PI 0.554*** -1.819**
C BURITI/PI 0.435*** 1.833*
OURICURI/PE 0.554*** -3.071**
SALVADOR/BA 0.223*** -2.58***
BARREIRA/BA 0.166*** -1.81***
AREMBEPE/BA 0.143*** 9.087***
L E MAGALHAES/BA 0.168*** -1.57***
CARAVELAS/BA 0.236*** -4.53***
C DAS ALMAS/BA 0.202*** -4.19***
ITIRUÇU/BA 0.162*** -2.259***
ITABERABA/BA 0.089*** -1.462*
ARACAJÚ/SE 0.456*** 2.902***
ILHÉUS/BA 0.166*** -0.568***
P AFONSO/BA 0.181*** -1.044**
MACAJUBA/BA 0.054*** 0.246
F DE SANTANA/BA 0.184*** -2.917***
S R DE CASSIA/BA 0.176*** -1.628***
CORRENTINA/BA 0.158*** -0.342*
ITABAIANINHA/SE 0.631*** -4.254***
B J DA LAPA/BA 0.186*** -2.585***
POÇO VERDE/SE 0.502*** -0.04***
CARIRA/SE 0.514*** -0.04***
BREJO GRANDE/SE 0.354*** 0.015
ABROLHOS/BA 0.283*** 0.038***
REMANSO/BA 0.275*** -0.25***
IRECÊ/BA 0.250*** -0.27***
LENÇÓIS/BA 0.170*** -0.05***
GUANAMBI/BA 0.210*** -0.07***
P SEGURO/BA 0.192*** -0.19***
SR DO BONFIM/BA 0.019*** -0.009***
BARRA/BA 0.181*** -0.027*
PIATÃ/BA 0.270*** -0.287***
CONDE/BA 0.205*** -0.011
BURITIRAMA/BA 0.172*** -0.036***
BRUMADO/BA 0.185*** -0.089***
AMARGOSA/BA 0.249*** -0.224***
UAUA/BA 0.273*** -0.348***
QUEIMADAS/BA 0.190*** -0.129***
UNA/BA 0.231*** -0.160***
MARAU/BA 0.210*** -0.00005
IBOTIRAMA/BA 0.168*** -0.013
JACOBINA/BA 0.216*** -0.220***
SERRINHA/BA 0.224*** -0.201***
E DA CUNHA/BA 0.195*** -0.112***
DELFINO/BA 0.219*** -0.232***
IPIAU/BA 0.208*** -0.203***
ITAPETINGA/BA 0.174*** -0.072***
BELMONTE/BA 0.206*** -0.161***
FLORESTA/PE 0.673*** -0.300***
BALSAS/MA 0.563*** -0.114***
SANTANA/MA -0.60*** 1.114***
PREGUIÇAS/MA -0.45*** 0.978***
ALTO PARNAÍBA/MA 0.472*** -0.053**
IMPERATRIZ/MA 0.470*** -0.050**
VIT DA CONQ/BA 0.272*** -0.261***
VALENÇA/PI 0.486*** -0.022
CALCANHAR/RN 0.150*** 0.262***
*** nível de significância de 0,1%; ** nível de significância de 1%; * nível de
significância de 5% e . nível de significância de 10%.
Anexo 3
(Programa computacional desenvolvido na Linguagem R)
######################################################################
#####
# #
# On modeling global solar irradiation using air temperature #
# for Alagoas State, Northeastern Brazil #
# Dos Santos et al. (2014) - UFAL #
# DOI: 10.1016/j.energy.2014.04.116 #
######################################################################
#####
##ENCONTRAR OS COEFICIENTES PARA CALIBRAR##
#--------- LENDO OS DADOS ----------#
rm(list=ls(all=TRUE))
dados <- read.table("fortaleza_ce.txt",head=T,dec=",")
dados=na.omit(dados)
View(dados)
head(dados,5)
altitude = 41 #Aqui você deve inserir a altitude da estação (m)
names(dados)
dados2 <- cbind(dados,resposta = dados$Hg/dados$Ho)
head(dados2,5)
par(mfrow=c(1,1))
#------- MODELO 1 ---------#
func1 = nls(dados2$resposta~a*(1-exp(-b*(dados2$delta.t)^c)),data = dados2, start =
list(a=0.75, b=0.2, c=2))##Com base na Literatura (SANTOS et al., 2014)##
summary(func1)
coef(func1)
coef(summary(func1))
plot(dados2$delta.t,dados2$resposta,main="Modelo 1",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho")
curve(coef(func1)[1]*(1-exp(-coef(func1)[2]*(x)^coef(func1)[3])), col = "red", add =
TRUE,lwd=3)
#lines(dados2$delta.t, predict(func1), col = 2)
##install.packages("easynls")
##library(easynls)
##time=c(2,6,9,24,48,72,96)
##deg=c(20,33,46,55,66,72,76)
##data5=data.frame(time,deg)
##plot(dados2$delta.t,dados2$resposta)
##data5<-dados2[,c(4,3)] ##x e y??##
##nlsfit(data5, model=6)##Possível para os dados trabalhados?##
##nlsplot(data5, model=6,xlab="?T (ºC)",ylab="Hg/Ho (MJ/m²)")
### R^2
a_1 <- sum(residuals(func1)^2)
b_1 <- sum((dados2$resposta - mean(dados2$resposta))^2)
R_1 = 1 - (a_1/b_1)
legend("topright",paste ("R²", sep = " = ", round(R_1,2)), box.col=F,cex=1.3)
dados8 <- cbind(dados2,est1 = (0.554*(1-exp(-
2.378*(dados2$delta.t)^3.143)))*dados2$Ho)
attach(dados8)
names(dados8)
library(hydroGOF)
mae(est1,Hg)
#mbe(vaz_sim,vaz_obs)
rmse(est1,Hg)
#mape(vaz_sim,vaz_obs)
mse(est1,Hg)
cor(est1,Hg)
cor.test(est1,Hg)
#------- MODELO 2 ---------#
func2 = nls(dados2$resposta~0.75*(1-exp(-b*(dados2$delta.t)^2)),data = dados2,
start = list(b=0.1))
summary(func2)
coef(func2)
coef(summary(func2))
##nlsfit(func2)
##func2
##dados2
plot(dados2$delta.t,dados2$resposta,main="Modelo 2",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho (MJ/m²)")
curve(0.75*(1-exp(-coef(func2)[1]*(x)^2)), col = "red", add = TRUE,lwd=3)
#lines(dados2$delta.t, predict(func2), col = "blue")
### R^2
a_2 <- sum(residuals(func2)^2)
b_2 <- sum((dados2$resposta - mean(dados2$resposta))^2)
R_2 = 1 - (a_2/b_2)
legend("topright",paste ("R²", sep = " = ", round(R_2,2)), box.col=F,cex=1.3)
##ERROS e r##
##install.packages("hydroGOF")
require(hydroGOF)
library(hydroGOF)
dados3 <- cbind(dados2,est = (0.75*(1-exp(-0.093*(dados2$delta.t)^2)))*dados2$Ho)
attach(dados3)
names(dados3)
mae(est,Hg)
#mbe(vaz_sim,vaz_obs)
rmse(est,Hg)
#mape(vaz_sim,vaz_obs)
mse(est,Hg)
cor(est,Hg)
cor.test(est,Hg)
#------- MODELO 6 ---------#
func6 = nls(dados2$resposta~a*(dados2$delta.t)^(1/2),data = dados2, start =
list(a=0.5))
summary(func6)
coef(func6)
coef(summary(func6))
plot(dados2$delta.t,dados2$resposta,main="Modelo 6",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho")
curve(coef(func6)[1]*(x)^(1/2), col = "red", add = TRUE,lwd=3)
#lines(dados2$delta.t, predict(func6), col = "blue")
### R^2
a_6 <- sum(residuals(func6)^2)
b_6 <- sum((dados2$resposta - mean(dados2$resposta))^2)
R_6 = 1 - (a_6/b_6)
legend("topright",paste ("R²", sep = " = ", round(R_6,2)), box.col=F,cex=1.3)
dados4 <- cbind(dados2,est6 = (0.257*(dados2$delta.t)^(1/2))*dados2$Ho)
attach(dados4)
names(dados4)
mae(est6,Hg)
#mbe(vaz_sim,vaz_obs)
rmse(est6,Hg)
#mape(vaz_sim,vaz_obs)
mse(est6,Hg)
cor(est6,Hg)
cor.test(est6,Hg)
#------- MODELO 7 ---------#
func7 = nls(dados2$resposta~a*(1+2.7*(10^(-
5))*altitude)*(dados2$delta.t)^(1/2),data = dados2, start = list(a=0.5))
summary(func7)
coef(func7)
coef(summary(func7))
plot(dados2$delta.t,dados2$resposta,main="Modelo 7",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho")
curve(coef(func7)[1]*(1+2.7*(10^(-5))*altitude)*(x)^(1/2), col = "red", add =
TRUE,lwd=3)
#lines(dados2$delta.t, predict(func6), col = "blue")
### R^2
a_7 <- sum(residuals(func7)^2)
b_7 <- sum((dados2$resposta - mean(dados2$resposta))^2)
R_7 = 1 - (a_7/b_7)
legend("topleft",paste ("R²", sep = " = ", round(R_7,2)), box.col=F,cex=1.3)
dados5 <- cbind(dados2,est7 = (0.257*(1+2.7*(10^(-
5))*altitude)*(dados2$delta.t)^(1/2))*dados2$Ho)
attach(dados5)
names(dados5)
mae(est7,Hg)
#mbe(vaz_sim,vaz_obs)
rmse(est7,Hg)
#mape(vaz_sim,vaz_obs)
mse(est7,Hg)
cor(est7,Hg)
cor.test(est7,Hg)
#------- MODELO 8 ---------#
func8 = nls(dados2$resposta~a*(dados2$delta.t)^(1/2)+b,data = dados2, start =
list(a=0.5,b=0.2))
summary(func8)
coef(func8)
coef(summary(func8))
plot(dados2$delta.t,dados2$resposta,main="Modelo 8",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho")
curve(coef(func8)[1]*(x)^(1/2)+coef(func8)[2], col = "red", add = TRUE,lwd=3)
#lines(dados2$delta.t, predict(func8), col = "blue")
### R^2
a_8 <- sum(residuals(func8)^2)
b_8 <- sum((dados2$resposta - mean(dados2$resposta))^2)
R_8 = 1 - (a_8/b_8)
legend("topleft",paste ("R²", sep = " = ", round(R_8,2)), box.col=F,cex=1.3)
dados6 <- cbind(dados2,est8 = (0.150*((dados2$delta.t)^(1/2))+0.262)*dados2$Ho)
attach(dados6)
names(dados6)
mae(est8,Hg)
#mbe(vaz_sim,vaz_obs)
rmse(est8,Hg)
#mape(vaz_sim,vaz_obs)
mse(est8,Hg)
cor(est8,Hg)
cor.test(est8,Hg)
#------- MODELO 9 ---------#
func9 = nls(dados2$resposta~a*(dados2$delta.t)^(1/2)+b/dados2$Ho,data = dados2,
start = list(a=0.5,b=0.2))
summary(func9)
coef(func9)
coef(summary(func9))
plot(dados2$delta.t,dados2$resposta,main="Modelo 9",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho")
#curve(coef(func9)[1]*(x)^(1/2)+coef(func9)[2]/dados2$Ho, col = "red", add =
TRUE,lwd=3)
#lines(dados2$delta.t, predict(func9), col = "blue")
##plot(dados2$delta.t,dados2$resposta)
##abline(lm(dados2$resposta~dados2$delta.t),col="blue")
##summary(lm(dados2$resposta~dados2$delta.t))
##func10 = nls(dados2$resposta~a*(dados2$delta.t)+b,data = dados2, start =
list(a=0.5,b=0.2))
##summary(func10)
##coef(func9)
##coef(summary(func9))
### R^2
a_9 <- sum(residuals(func9)^2)
b_9 <- sum((dados2$resposta - mean(dados2$resposta))^2)
R_9 = 1 - (a_9/b_9)
##residuals(func9)^2
##a_9
##b_9
legend("topleft",paste ("R²", sep = " = ", round(R_9,2)), box.col=F,cex=1.3)
dados7 <- cbind(dados2,est9 =
(0.209*((dados2$delta.t)^(1/2))+(4.206/dados2$Ho))*dados2$Ho)
attach(dados7)
names(dados7)
mae(est9,Hg)
#mbe(vaz_sim,vaz_obs)
rmse(est9,Hg)
#mape(vaz_sim,vaz_obs)
mse(est9,Hg)
cor(est9,Hg)
cor.test(est9,Hg)
#---------- Todos os Gráficos -----------#
par(mfrow=c(2,3))
plot(dados2$delta.t,dados2$resposta,main="Modelo 1",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho (MJ/m²)")
curve(coef(func1)[1]*(1-exp(-coef(func1)[2]*(x)^coef(func1)[3])), col = "red", add =
TRUE,lwd=3)
legend("bottomright",paste ("R²", sep = " = ", round(R_1,2)), box.col=F,cex=1.3)
plot(dados2$delta.t,dados2$resposta,main="Modelo 2",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho (MJ/m²)")
curve(0.75*(1-exp(-coef(func2)[1]*(x)^2)), col = "red", add = TRUE,lwd=3)
legend("bottomright",paste ("R²", sep = " = ", round(R_2,2)), box.col=F,cex=1.3)
plot(dados2$delta.t,dados2$resposta,main="Modelo 6",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho (MJ/m²)")
curve(coef(func6)[1]*(x)^(1/2), col = "red", add = TRUE,lwd=3)
legend("bottomright",paste ("R²", sep = " = ", round(R_6,2)), box.col=F,cex=1.3)
plot(dados2$delta.t,dados2$resposta,main="Modelo 7",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho (MJ/m²)")
curve(coef(func7)[1]*(1+2.7*(10^(-5))*altitude)*(x)^(1/2), col = "red", add =
TRUE,lwd=3)
legend("bottomright",paste ("R²", sep = " = ", round(R_7,2)), box.col=F,cex=1.3)
plot(dados2$delta.t,dados2$resposta,main="Modelo 8",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho (MJ/m²)")
curve(coef(func8)[1]*(x)^(1/2)+coef(func8)[2], col = "red", add = TRUE,lwd=3)
legend("bottomright",paste ("R²", sep = " = ", round(R_8,2)), box.col=F,cex=1.3)
plot(dados2$delta.t,dados2$resposta,main="Modelo 9",xlab="Amplitude Térmica
(ºC)",ylab="Hg/Ho (MJ/m²)")
legend("bottomright",paste ("R²", sep = " = ", round(R_9,2)), box.col=F,cex=1.3)
rmse.t<-read.table("rmse.txt",header=T,dec=",")
cor.t<-read.table("r_correl.txt",header=T,dec=",")
mse.t<-read.table("mse.txt",header=T,dec=",")
mae.t<-read.table("mae.txt",header=T,dec=",")
m1.t<-read.table("est_m1.txt",header=T,dec=",")
View(m1.t)
est_m1
sun1<-rasterFromXYZ(rmse.t)
sun2<-rasterFromXYZ(cor.t)
sun3<-rasterFromXYZ(mse.t)
sun4<-rasterFromXYZ(mae.t)
sun5<-rasterFromXYZ(m1.t)
plot(sun1)
summary(sun1)
library(maptools)
neb.shape <- readShapePoly("nordeste.shp")
plot(neb.shape)
names(rmse.t)
rmse.t$rmse_m2
bra <- getData("GADM", country = "BRA", level = 1)
plot(bra)
b1<-bubble(sun1, "rmse_m2",main="(a)",sp.layout=neb.shape ,col = c(4),scales =
list(draw = T),ylab="Latitude", xlab="Longitude",maxsize =1.3, key.entries =
seq(0,10,by=2))
b2<-bubble(sun1, "rmse_m6",main="(b)",sp.layout=neb.shape ,col = c(4),scales =
list(draw = T),ylab="Latitude", xlab="Longitude",maxsize =1.3, key.entries =
seq(0,10,by=2))
b3<-bubble(sun1, "rmse_m7",main="(c)",sp.layout=neb.shape ,col = c(4),scales =
list(draw = T),ylab="Latitude", xlab="Longitude",maxsize =1.3, key.entries =
seq(0,10,by=2))
b4<-bubble(sun1, "rmse_m8",main="(d)",sp.layout=neb.shape ,col = c(4),scales =
list(draw = T),ylab="Latitude", xlab="Longitude",maxsize =1.3, key.entries =
seq(0,10,by=2))
b5<-bubble(sun1, "rmse_m9",main="(f)",sp.layout=neb.shape ,col = c(4),scales =
list(draw = T),ylab="Latitude", xlab="Longitude",maxsize =1.3, key.entries =
seq(0,10,by=2))
?rm
library(maps)
?classIntervals
library(raster)
library(classInt)
e<-drawExtent()
plot(bra,xlim=c(-40.00957,-33.49164),ylim=c(-19.13506,0.2836193))
plotvar <- rmse.t$rmse_m2
nclr <- 8
plotclr <- brewer.pal(nclr,"BuPu")
#plotclr <- plotclr[nclr:1] # reorder colors if appropriate
max.symbol.size=4
min.symbol.size=1
class <- classIntervals(plotvar, nclr, style="quantile")
colcode <- findColours(class, plotclr)
symbol.size <- ((plotvar-min(plotvar))/
(max(plotvar)-min(plotvar))*(max.symbol.size-min.symbol.size)
+min.symbol.size)
map("county", "oregon", xlim=c(-125,-114), ylim=c(42,47))
map.axes()
plot(bra,main="(a)",xlim=c(-40.00957,-33.49164),ylim=c(-19.13506,0.2836193))
spplot(neb.shape,axes=T)
points(rmse.t$lon, rmse.t$lat, pch=16, col=colcode,cex=symbol.size)
points(rmse.t$lon, rmse.t$lat, cex=symbol.size)
text(-120, 46.5, "Equal-Frequency Class Intervals")
legend(locator(1), legend=names(attr(colcode, "table")),
fill=attr(colcode, "palette"), cex=0.6, bty="n")
print(b1, split = c(1,1,3,2), more = TRUE)
print(b2, split = c(2,1,3,2), more = TRUE)
print(b3, split = c(3,1,3,2), more = TRUE)
print(b4, split = c(1,2,3,2), more = TRUE)
print(b5, split = c(2,2,3,2), more = FALSE)
print(b4, split = c(2,2,3,2), more = TRUE)
### RMSE
summary(sun1)
bubble(sun1, "rmse_m2",main="(a)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,80.080,by=10))
bubble(sun1, "rmse_m6",main="(b)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,80.080,by=10))
bubble(sun1, "rmse_m7",main="(c)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,80.080,by=10))
bubble(sun1, "rmse_m8",main="(d)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,80.080,by=10))
bubble(sun1, "rmse_m9",main="(e)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,80.080,by=10))
bubble(sun5, "rmse_m1",main="(f)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,80.080,by=10))
### R_M
summary(sun2)
bubble(sun2, "r_m2",main="(a)",sp.layout=bra,col = c(2,4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(-1,1,by=0.2))
bubble(sun2, "r_m6",main="(b)",sp.layout=bra,col = c(2,4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(-1,1,by=0.2))
bubble(sun2, "r_m7",main="(c)",sp.layout=bra,col = c(2,4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(-1,1,by=0.2))
bubble(sun2, "r_m8",main="(d)",sp.layout=bra,col = c(2,4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(-1,1,by=0.2))
bubble(sun2, "r_m9",main="(e)",sp.layout=bra,col = c(2,4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(-1,1,by=0.2))
bubble(sun5, "r_m1",main="(f)",sp.layout=bra,col = c(2,4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(-1,1,by=0.2))
### R_M
summary(sun3)
### PADRONIZAR OS LIMITES
bubble(sun3, "mse_m2",main="(a)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,6413.470,by=1000))
bubble(sun3, "mse_m6",main="(b)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,6413.470,by=1000))
bubble(sun3, "mse_m7",main="(c)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,6413.470,by=1000))
bubble(sun3, "mse_m8",main="(d)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,6413.470,by=1000))
bubble(sun3, "mse_m9",main="(e)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,6413.470,by=1000))
bubble(sun5, "mse_m1",main="(f)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries =
seq(0,6413.470,by=1000))
### R_M
summary(sun4)
### PADRONIZAR OS LIMITES
bubble(sun4, "mae_m2",main="(a)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(0,80,by=10))
bubble(sun4, "mae_m6",main="(b)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(0,80,by=10))
bubble(sun4, "mae_m7",main="(c)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(0,80,by=10))
bubble(sun4, "mae_m8",main="(d)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(0,80,by=10))
bubble(sun4, "mae_m9",main="(e)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(0,80,by=10))
bubble(sun5, "mae_m1",main="(f)",sp.layout=bra,col = c(4),scales = list(draw =
T),ylab="Latitude", xlab="Longitude",maxsize =1.7, key.entries = seq(0,80,by=10))