Preenchimento de falhas em série de dados meteorológicos e evolução temporal de índices bioclimáticos na bacia hidrográfica do Alto Paranapanema

• Ano de defesa: 2024
• Autor(a) principal: Silva, Thassio Monteiro Menezes da [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Predição de dados; Dados meteorológicos; Série histórica; Comportamento climático; Machine learning
• Link de acesso: https://hdl.handle.net/11449/255236

Devido a inconsistência dos padrões climáticos tem-se observado alterações nos regimes hídricos e, por este motivo, são esperados nas próximas décadas impactos ambientais e socioeconômicos consideráveis. Neste sentido, os índices bioclimáticos vêm sendo empregados em diversos países do mundo por permitirem a interpretação conjunta das variáveis climáticas, a exemplo da relação existente entre a temperatura e a evapotranspiração de referência. A evolução temporal dos índices tem permitido identificar padrões climáticos além da avaliação de tendências dentro das séries avaliadas. Para isso, é necessário o registro de dados climáticos, porém, é frequente a ocorrência de lacunas nos dados devido a inúmeros fatores, resultando na demanda por métodos de preenchimento de falhas ao longo do tempo. O presente trabalho teve como objetivo avaliar o desempenho de técnicas de preenchimento de falhas, bem como a evolução e a tendência temporal de índices bioclimáticos na Bacia Hidrográfica do Alto Paranapanema. Os dados utilizados foram obtidos em escala diária junto ao Instituto Nacional de Meteorologia (INMET) compreendendo o período de 2007 a 2020. As estações automáticas estão localizadas nos municípios de Bauru, Barra Bonita, Avaré e Itapeva, no estado de São Paulo. Após a tabulação, os dados foram convertidos para a escala mensal e separados aleatoriamente em dois grupos, calibração (70%) e validação (30%). Para o preenchimento das falhas foram analisados métodos estatísticos e métodos baseados em machine learning (Suport Vector Machine, Random Forest, Bagged Tree e Gradient Boosting Machine). Após o preenchimento das falhas, foram calculados os índices bioclimáticos: Martonne Aridity Index (IDM), UNEP Aridity Index (UNEP AI), Self-calibrating Palmer Drought Severity Index (scPDSI) e Normalized Ecosystem Drought Index (NEDI). Os resultados apontam que em cenários com tendências de aumento da temperatura, a Regressão Linear Multipla (RLM) tende a subestimação. No empregado do Suporte Vector Machine (SVM) para precipitação, foi observado que o método contempla o padrão de distribuição mesmo em períodos com maior número de falhas. Como observado, a temperatura média tem se mantido constante ao longo dos anos, já a precipitação total e efetiva, gradativamente vêm apresentando redução. Desta maneira, o IDM tende a aproximar-se cada vez mais do IDMe. Mediante os resultados é possível concluir que para elementos com menor variância como temperatura, pressão atmosférica e evapotranspiração de referência (ETo) os métodos estatísticos são capazes de predizer com elevado grau de assertividade. Em contra partida, para elementos com alta variância recomenda-se o uso de técnicas de machine learning devido a capacidade dos modelos em compreender distribuições complexas, como regimes pluviométricos e de radiação global. Em relação ao comportamento dos índices bioclimáticos é possível afirmar que as maiores mudanças ocorreram no periodo de menor disponibilidade hídrica. Entre os índices avaliados é possível afirmar que existe uma tendência de redução ao longo da série analisada, principalmente nas médias anuais. Em relação aos meses do ano, os índices tentem a apresentar maior redução nos primeiros três meses do ano (período chuvoso).