Pluviometric forecast in Campina Grande via modeling Box-Jenkins

Autores/as

  • Sílvio Fernando Alves Xavier Junior Universidade Estadual da Paraíba - UEPB Departamento de Estatística, CCT, Campina Grande, PB. https://orcid.org/0000-0002-4832-0711
  • Leando Valter Gomes Universidade Federal de Lavras, PGEEA/DEX, Lavras, MG
  • Alisson De Lima Brito Universidade Federal de Pernambuco, PPGE/DE, Recife, PE.
  • Tiago Almeida De Oliveira Universidade Estadual da Paraíba, Depto de Estatística, Campina Grande, PB, Brasil
  • Nyedja Fialho Morais Barbosa Universidade Estadual da Paraíba, CCBSA, João Pessoa, PB
  • Érika Fialho Morais Xavier Center of Data and Knowledge Integration for Health (CIDACS), Fiocruz, Salvador. https://orcid.org/0000-0002-8217-7891

DOI:

https://doi.org/10.29150/jhrs.v12.5.p204-215

Palabras clave:

Precipitation, Campina Grande, SARIMA

Resumen

Precipitation is a variable that has been constantly studied over time to describe the characteristics of the rainfall regime in a given region. The precipitation values in northeastern Brazil have high variability presenting a high volatile behavior with long dry periods and short periods of high rainfall precipitation. For this reason, this hydrologic variable has been a crucial object of study in Climatology and Hydrology. Thus, rainfall studies in this region have been constantly developed to investigate its behavior over the years. The SARIMA model class has good behavior when used for modeling meteorological data. The present study aimed to analyze the behavior of a series of precipitation in the city of Campina Grande, Paraíba, using the class of models developed by Box and Jenkins to investigate the behavior of precipitation values in this locality and evaluate the predictions. The model that best described the behavior of the variable was SARIMA(3,0,1) x (2,1,1)12 modeling the precipitation data with high variability.

Previsão pluviométrica em Campina Grande via modelagem Box-Jenkins

A precipitação é uma variável que vem sendo constantemente estudada ao longo do tempo para descrever as características do regime pluviométrico de uma determinada região. Os valores de precipitação no nordeste do Brasil possuem alta variabilidade apresentando um comportamento altamente volátil com longos períodos de seca e curtos períodos de alta precipitação pluviométrica. Por esta razão, esta variável hidrológica tem sido um objeto de estudo crucial em Climatologia e Hidrologia. Assim, estudos de precipitação nessa região têm sido constantemente desenvolvidos para investigar seu comportamento ao longo dos anos. A classe de modelo SARIMA tem bom comportamento quando usada para modelar dados meteorológicos. O presente estudo teve como objetivo analisar o comportamento de uma série de precipitações na cidade de Campina Grande, Paraíba, utilizando a classe de modelos desenvolvida por Box e Jenkins para investigar o comportamento dos valores de precipitação nesta localidade e avaliar as previsões. O modelo que melhor descreveu o comportamento da variável foi 〖SARIMA(3,0,1)x(2,1,1)〗_12 modelando os dados de precipitação com alta variabilidade.
Palavras-chave: Precipitação, Campina Grande, SARIMA


Citas

Akaike, H. A., 1978 Bayesian analysis of the minimum AIC procedure. Ann. Inst. Statist. Math., 30, 9-14.

Akaike, H., 1998. Information theory and extension of the maximum likelihood principle. In: Selected Papers of Hirotugu Akaike. New York: Springer, 199-213. DOI: https://doi.org/10.1007/978-1-4612-1694-0_15

Bertoni, J. C.; Tucci, C. E. M., 1993. Precipitação. Hidrologia: ciência e aplicação, 2, 177-242.

Bicalho, C. C.; Sáfadi, T.; Charret, I. C., 2014. The influence of climatic factors on dengue epidemies in the cities Cuiabá (Mato Grosso state) and Lavras (Minas Gerais state), Brazil, using statistical methods, Rev. Bras. Biom, 32 (2), 308 – 322.

Box, G. E. P.; Gwilym, M. J.; Gregory, C. R.; Greta, M. L., 2015. Time series analysis: forecasting and control. 5ed. John Wiley & Sons.

Camelo, H. N.; Lucio, P. S.; Leal Junior, J. B. V.; Carvalho, P. C. M., 2018. A hybrid model based on time series models and neural network for forecasting wind speed in the Brasilian northeast region. Sustainable Energy Technologies and Assessments. 28, 65 – 72. DOI: https://doi.org/10.1016/j.seta.2018.06.009

Costa, E. S., 2019. Análise da Série Temporal de Precipitação Total Mensal do Município de Cruz das Almas-BA. UFRB.

Costa, A. S.; Oliveira, V. G.; Pereira, A. R.; Borges, P. F.; Araújo, L. F., 2015. Estudo do Clima na Região do Brejo Paraibano Utilizando Técnicas de Séries Temporais, para Previsão com o Modelo Sarima, Gaia Scientia, 9 (1), 127-133.

Dantas, L. G.; Santos, C. A. C. dos; Olinda, R. A. de., 2015. Tendências anuais e sazonais nos extremos de temperatura do ar e precipitação em Campina Grande–PB. Revista Brasileira de Meteorologia, 30 (4), 423-434.

Dickey, D. A; Fuller, W. A., 1979. Distribution of the estimator for auto-regressive time series with a unit root, Journal of the American Statistical Association, 74, 427-431. DOI: https://doi.org/10.1080/01621459.1979.10482531

Galvincio, J. D.; Pereira, J. A. dos S.; França, L. M. de A.; Lins, T. M. P., 2017. Análise da variação da vegetação dos períodos secos e chuvosos através do savi e albedo de superfície no município de Belo Jardim–PE. REDE-Revista Eletrônica do PRODEMA, 10 (2).

Gastmans, D.; Santos, V.; Galhardi, J. A.; Gromboni, J. F.; Batista, L. V.; Miotlinski, K.; Chang, H. K.; Govone, J. S., 2017. Controls over spatial and seasonal variations on isotopic composition of the precipitation along the central and eastern portion of Brazil. Isotopes in Environmental and Health Studies, 53 (5), 518 – 538. DOI: https://doi.org/10.1080/10256016.2017.1305376

Goossens, C.; Berger, A., 1986. Annual and seasonal climatic variations over the northern hemisphere and Europe during the last century, Annales Geophysicae, 4 (4), 385-400. DOI: http://hdl.handle.net/2078.1/66385

Haylock, M. R.; Peterson, T. C.; Alves, L. M.; Ambrizzi, T.; Anunciação, T. M. T.; Baez, J.; Barros, V. R.; Berlato, M. A.; Bidegain, M.; Coronel, G.; Garcia, V. J.; Grimm, A. M.; Karoly, D.; Marengo, J. A.; Marino, M. B.; Moncunill, D. F.; Nechet, D.; Quintana, J.; Rebello, E.; Rusticucci, M.; Santos, J. L.; Trebejo, I.; Vincent, L. A., 2006. Trends in total and extreme South American rainfall 1960-2000 and links with sea surface temperature. Journal of Climate, 19, 1490-1512.

Henrique, F. de A. N.; Renilson, T. D., 2007. Estimate of reference evapotranspiration in the city of Campina Grande, Paraíba state, Brazil. Revista Brasileira de Engenharia Agrícola e Ambiental, 11 (6), 594-599.

Hounsou-GBO, G. A.; Servain, J.; Araujo, M.; Martins, E. S.; Bourles, B.; Caniaux, G., 2016. Oceanic Indices for Forecasting Seasonal Rainfall over the Northern Part of Brazilian Northeast. American Journal of Climate Change, 5, 261 – 274.DOI: http://dx.doi.org/10.4236/ajcc.2016.52022

Germano, E., 2018. Chuvas ultrapassam média esperada para o mês de abril em JP e CG. Jornal da Paraíba. 26 de Abril de 2018. Available at:

http://www.jornaldaparaiba.com.br/vida_urbana/

chuvas-ultrapassam-media-esperada-para-o-mes-de-abril-em-jp-e-cg.html. Accessed October 4, 2019.

Kendall, M. G. Rank correlation methods. London: Charles Griffin, 1975.

Liska, G. R.; Bortolini, J.; Sáfadi, T.; Beijo, L.A., 2013. Estimativas da velocidade máxima de vento em Piracicaba – SP via séries temporais e teoria de valores extremos. Rev. Bras. Biom., 31 (2), 295 – 309.

Ljung, G. M.; Box, G. E. P., 1978. On a measure of lack off it in time series models. Biometrika, 65, 297-303.DOI: https://doi.org/10.1093/biomet/65.2.297

Lucio, P. S.; Silva, F. D. dos S.; Fortes, L. T. G.; Santos, L. A. R.; Ferreira, D. B.; Salvador, M. A.; Balbino, H. T.; Sarmanho, G. F.; Santos, L. S. F.; Lucas, E. W. M.; Barbosa, T. F.; Dias, P. L. S., 2010. Um modelo estocástico combinado de previsão sazonal para a precipitação no Brasil. Rev. bras. meteorol., São Paulo, 25 (1), 70 – 87. DOI: http://dx.doi.org/10.1590/S0102-77862010000100007

Marengo, J. A.; Valverde, M. C., 2007. Revista Multiciência, v. 8.

Marengo, J. A., 2010. Vulnerabilidade, impactos e adaptação à mudança do clima no semiárido do Brasil. Parcerias estratégicas, 13 (27), 149-176.

Minuzzi, R. B., 2017. Probabilidade de transição e condicional para chuva mensal e extremos diários em Santa Catarina. Ceres, 63 (6).

Murat, M.; Malinowska, I.; Gos, M.; Krzyszczak, J., 2018. Forecasting daily meteorological time series using ARIMA and regression models. Int. Agrophys. 32 (2), 253 – 264. DOI: https://doi.org/10.1515/intag-2017-0007

Nisar, N.; Badar, N.; Aamir, U. B.; Yaqoob, A.; Tripathy, J. P.; Laxmeshwar, C.; Munir, F.; Zaidi, S. S. Z., 2019. Seasonality of influenza and its association with meteorological parameters in two cities of Pakistan: A time series analysis. Plos One. 14 (7), 1 – 13. DOI: https://doi.org/10.1371/journal.pone.0219376

Oliveira, M. R. G.; Cantalice, J. R. B.; Ferreira, T. A. E.; Filho, M. C.; Cruz, D. V.; Falacão, A. P. S. T., 2015. Estudo estatístico do coeficiente de escoamento da bacia hidrográfica do Riacho Jacu no Sertão do Pajeu – PE. Rev. Bras. Biom, 33 (3), 277 – 290.

Pereira, A. R.; Costa, A. S.; Oliveira, V. G.; Borges, P. F.; Filho, A. I., 2015. Análise do comportamento das médias anuais da precipitação pluvial e temperatura da cidade de Areia, Paraíba. Gaia Scientia, 9 (1). DOI: http://www.periodicos.ufpb.br/ojs2/index.php/gaia/article/view/24080/13287

Phillips, P. C. B.; Perron, P., 1988. Testing for a unit root in time series regression. Biometrika, 75, 335–346.DOI: https://doi.org/10.1093/biomet/75.2.335

R Development Core Team., 2018. R: A language and enviroment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, available at: http://cran.r-project.org/index.html

Rao, V. B.; Franchito, S. H.; Santo, C. M. E.; Gan, M. A., 2016. Na update on the rainfall characteristics of Brazil: seasonal variations and trens in 1979-2011. International Journal of Climatology, 36 (1), 291 – 302. DOI: https://doi.org/10.1002/joc.4345

Rocha, J. V. de C., 2011. Modelagem de dados meteorológicos da cidade de Recife utilizando a metodologia da análise de séries temporais. Dissertação de mestrado (Mestre em Desenvolvimento de Processos Ambientais) – Universidade Católica do Pernambuco, Recife.

Rocha, L. C. B.; Bernardo, S. de O., 2002. Uma revisão da dinâmica das chuvas no nordeste brasileiro. Revista Brasileira de Meteorologia, 17 (1), 1-10.

Santos, , C. A. C.; Brito, J. I. B., 2007. Análise dos índices de extremos para o semi-árido do Brasil e suas relações com TSM e IVDN. Revista Brasileira de Meteorologia, 22, 303-312.

Shapiro, S. S.; Wilk, M. B., 1965. An analysis of variance test for normality (complete samples). Biometrika, 52, (3/4), 591-611. DOI: https://doi.org/10.1093/biomet/52.3-4.591

Sharma, P.; Chandra, A.; Kaushik, S. C., 2009. Forecasts using Box–Jenkins models for the ambient air quality data of Delhi City, Environ Monit Assess, 157, 105 – 112.

Stagge, J. H.; Tallaksen, L. M.; Gudmundsson, L.; Loon, A. F. V.; Stahld, K., 2016. Response to comment on “Candidate Distributions for Climatological Drought Indices (SPI and SPEI)”. Int. J. Climatol. 36, 2132 – 2138. DOI: https://doi.org/10.1002/joc.4564

Tablada, C. J.; Ramirez, F. A. P.; Vieira, G. I. A.; Vasconcelos, J. M. 2016. Modelagem e previsão de exportações do Brasil fazendo uso de séries temporais. Rev. Bras. Biom. 34 (1), 33 – 48.

Wald, A.; Wolfowitz, J., 1943. An exact test for randomness in the non-parametric case based on serial correlation. The Annals of Mathematical Statistics, 14 (4), 378-388.

Xavier, E. F. M.; Barbosa, N. F. M.; Júnior, S. F. A. X., 2018. Análise da Produção Brasileira de Biodiesel por meio de Séries Temporais, Gaia Scientia, 12 (3), 1-13.

Descargas

Publicado

2022-12-28

Cómo citar

Xavier Junior, S. F. A., Gomes, L. V., Brito, A. D. L., De Oliveira, T. A., Barbosa, N. F. M., & Xavier, Érika F. M. (2022). Pluviometric forecast in Campina Grande via modeling Box-Jenkins. Journal of Hyperspectral Remote Sensing, 12(5), 204–215. https://doi.org/10.29150/jhrs.v12.5.p204-215

Número

Vol. 12 Núm. 5 (2022): Journal of Hyperspectral Remote Sensing

Sección

Hyperspectral remote sensing and Atmosphere

Licencia

Derechos de autor 2022 Journal of Hyperspectral Remote Sensing

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Material protegido por direitos autorais e plágio. No caso de material com direitos autorais a ser reproduzido no manuscrito, a atribuição integral deve ser informada no texto; um documento comprobatório de autorização deve ser enviado para a Comissão Editorial como documento suplementar. É da responsabilidade dos autores, não da RBGF ou dos editores ou revisores, informar, no artigo, a autoria de textos, dados, figuras, imagens e/ou mapas publicados anteriormente em outro lugar. Se existir alguma suspeita sobre a originalidade do material, a Comissão Editorial pode verificar o manuscrito por plágio. Nos casos em que o plágio for confirmado, o manuscrito será devolvido sem revisão adicional e sem a possibilidade de re-submissão. Auto-plágio (ou seja, o uso de frases idênticas de documentos publicados anteriormente pelo mesmo autor) também não é aceitável.