O Uso da Geoestatística Espaço-Temporal na Predição da Temperatura Máxima do Ar (The Use of Space-Temporal Geostatistics in the Prediction of Maximum Air Temperature)

Rosane Soares Moreira Viana, Gérson Rodrigues dos Santos, Demerval Soares Moreira, João Marcos Louzada, Lidiane Maria Ferraz Rosa

Resumo


Processos estocásticos de natureza espaço-temporais consistem de fenômenos que são caracterizados por meio da variabilidade espacial e temporal. Atualmente, é uma das áreas de maior crescimento com diversas aplicações em ciências ambientais, geográficas, biológicas, epidemiológicas, entre outras. Certamente, os métodos da estatística convencional não são adequados para modelar estruturas autocorrelacionadas no espaço e no tempo. De fato, ainda há grandes desafios no tange à implementação computacional da metodologia geoestatística para análise de processos espaços-temporais, com destaque para o pacote spacetime do programa R, utilizado neste estudo. Assim, este trabalho tem como objetivo aplicar a metodologia geoestatística espaço-temporal de funções de covariância a fim de inferir acerca da temperatura máxima do ar do Estado de Minas Gerais de 1996 a 2016, visando contribuir com desafios, tais como aquecimento global, urbanização descontrolada, escassez de recursos naturais, epidemias e catástrofes naturais. Utilizando os dados de 61 estações meteorológicas foi realizada a análise geoestatística espaço-temporal, no qual o modelo de covariância soma-métrico foi o mais adequado, considerando-se o critério do Erro Quadrático Médio. Dessa forma, foi possível elaborar mapas de predições das temperturas máximas do ar no estado de Minas Gerais por meio da krigagem ordinária, assumindo-se estacionariedade de primeira ordem do processo estocástico avaliado. Pode-se observar que os modelos da geoestatística espaço-temporal mostraram ser eficientes nos estudos espaço-temporais das temperaturas máximas do ar.

 

 A B S T R A C T

 

Stochastic processes of spatio-temporal nature consist of phenomenons that are characterized by spatial and temporal variability. Currently, it is one of the great growing areas with diverse applications in environmental, geographic, biological, epidemiological sciences, among others. Certainly, conventional statistical methods are not adequate to modeling self-correlated structures in space and time. In fact, there are still major challenges regarding the computational implementation of the geostatistical methodology for the analysis of space-time processes, with emphasis on the spacetime package of the R program used in this study. Thus, this work aims to apply the geostatistical methodology of covariance functions in order to infer about the maximum air temperature of the State of Minas Gerais from 1996 to 2016, aiming to contribute with challenges such as heating uncontrolled urbanization, scarcity of natural resources, epidemics and natural disasters. Using the data from 61 meteorological stations, the geostatistical space-time analysis was performed, in which the sum-metric covariance model was the most adequate, considering the criterion of the Mean Squared Error. Thus, it was possible to prepare maps of predictions of maximum air temperatures in the state of Minas Gerais through of ordinary kriging, assuming first order stationarity of the evaluated stochastic process. It can be observed that the models of space-time geostatistics have shown to be efficient in the space-time studies of maximum air temperatures.

Keywords: Spatial-temporal Data Modeling, Covariance, Variogram, Ordinary Kriging.


Palavras-chave


Modelagem de Dados Espaço-Temporal, Covariância, variograma, Krigagem Ordinária.

Texto completo:

PDF

Referências


Bivand, R., Lewin-Koh, N., 2013. maptools: Tools for reading and handling spatial objects. R package version 0.8-29.

Bivand, R., Keitt, T., Rowlingson, B., 2014. rgdal: Bindings for the geospatial data abstraction library. R package version 0.8-16.

Christakos, G., 2000. Modern spatiotemporal geostatistics, Vol. 6. Oxford University Press, New York.

Cressie, N. , Wikle, C.K., 2011. Statistics for spatio-temporal data. John Wiley e Sons, Hoboken, New Jersey.

Doty, B., Kinter, J. L. III, 1993. The grid analysis and display system (GrADS): a desktop tool for earth science visualization., In AmericanGeophysical Union. Fall Meeting, San Fransico, CA, 6–10 December Disponível: http://cola.gmu.edu/grads/.

De Cesare, L., Myers, D. E., Posa, D., 1997. Spatial-temporal modeling of SO2 in Milan district. In 5th International Geostatistical Congress.. Kluwer Academic Press Vol. 2, p. 1031-1042.

De Cesare, L., Myers, D. E., Posa, D., 2001. Estimating and modeling space–time correlation structures. Statistics e Probability Letters,v. 51, n. 1, p. 9-14.

De Iaco, S., Myers, D. E., Posa, D., 2001. Space–time analysis using a general product–sum model. Statistics e Probability Letters, v. 52, n. 1, p. 21-28.

De Iaco, S., Myers, D. E., Posa, D., 2002. Nonseparable space-time covariance models: some parametric families. Mathematical Geology, v. 34, n. 1, p. 23-42.

Dimitrakopoulos, R., Luo, X., 1994. Spatiotemporal modelling: covariances and ordinary kriging systems. In Geostatistics for the next century. Springer, Dordrecht. p. 88-93

Ferreira, D. F., 2009. Estatística básica. 2. ed. rev. Ed. UFLA, Lavras.

Gesch, D. B., Verdin, K. L., Greenlee, S. K., 1999. New land surface digital elevation model covers the Earth. EOS, Transactions American Geophysical Union, 80(6), 69-70.

Gneiting, T., 2002. Nonseparable, stationary covariance functions for space-time data. Journal of the American Statistical Association, v. 97, n. 458, p. 590-600.

Gräler, B., Pebesma, E., Heuvelink, G., 2016. Spatio-temporal interpolation using gstat. RFID Journal, v. 8, n. 1, p. 204-218.

Goovaerts, P., 1997. Geostatistics for natural resources evaluation. Applied Geostatistics Series. Oxford Univ. Press, Oxford. 483 pp.

Huang, B., Sun, W., Zhao, Y., Zhu, J., Yang, R., Zou, Z., Ding, F. and Su, J., 2007. Temporal and spatial variability of soil organic matter and total nitrogen in an agricultural ecosystem as affected by farming practices. Geoderma, 139(3-4), pp.336-345.

IBGE. Instituto Brasileiro de Geografia e Estatística, 2016. Disponível: https://portaldemapas.ibge.gov.br/portal.php#homepage. Acesso: 23 jun. 2017.

IPCC - Intergovernmental Panel in Climate Change, 2014: Summary for policymakers. In: Climate Change 2014: Impacts, Adaptation, and Vulnerability. Part A: Global and Sectoral Aspects. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Field, C.B., V.R. Barros, D.J. Dokken, K.J. Mach, M.D. Mastrandrea, T. E. Bilir, M. Chatterjee, K.L. Ebi, Y.O. Estrada, R.C. Genova, B. Girma, E.S. Kissel, A.N. Levy, S. MacCracken, P.R. Mastrandrea, and L.L. White (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, pp. 1-32. Disponível em: https://www.ipcc.ch/pdf/assessment-report/ar5/wg2/ar5_wgII_spm_en.pdf . Acesso em: 21 jun. 2018.

INMET. Instituto Nacional de Meteorologia, 2018. Banco de Dados Meteorológicos para Ensino e Pesquisa (BDMEP). Disponível: http://www.inmet.gov.br/portal. Acesso: 02 abr. 2018.

Jerszurki, D., Souza, J. L. M., 2010. Estimativa da temperatura média diária do ar em distintas regiões brasileiras empregando métodos alternativos. Scientia Agraria, v. 11, n. 5, p. 407-416.

MG.GOV.BR. Governo de Minas Gerais, 2017. Governo do Estado de Minas Gerais. conheça Minas Gerais – geografia. Disponível: http://mg.gov.br/conheca-minas/geografia. Acesso: 12 jun. 2018.

Montero, J.M., Fernández‐Avilés, G., Mateu, J., 2015. Spatial and spatio‐temporal geostatistical modeling and kriging. John Wiley e Sons, Chennai, India.

Pebesma, E. J., 2004. Multivariable geostatistics in S: the gstat package. Computers e Geosciences, v. 30, n. 7, p. 683-691.

Pebesma, E. J., Bivand, R. S., 2005. Classes and methods for spatial data in R. R news, v. 5, n. 2, p. 9-13.

Pebesma, E., 2012. spacetime: spatio-temporal data in r. Journal of Statistical Software, v. 51, n. 7, p. 1-30.

Pezzopane, J. E. M., Santos, E. A., Eleutério, M. M., Reis, E. D., Santos, A. D., 2004. Espacialização da temperatura do ar no Estado do Espírito Santo. Revista Brasileira de Agrometeorologia, 12(1), 151-158.

Pimentel-Gomes, F., 2009. Curso de Estatística Experimental, 15ºed. Editora FEALQ, 451p.

Schabenberger, O. and Gotway, C. A., 2005. Statistical methods for spatial data analysis. Chapman and Hall/CRC, New York.

Ramos, C., da Silva, A. F., Sartori, A. A. D. C., Zimback, C. R. L., Bassoi, L. H., 2011. Modelagem da variação horária da temperatura do ar em Petrolina, PE, e Botucatu, SP. Revista Brasileira de Engenharia Agrícola e Ambiental, 959-965.

Ribeiro Jr, P. J., Diggle, P. J., 2001. geoR: a package for geostatistical analysis. R news, v. 1, n. 2, p. 14-18.

Rodríguez‐Iturbe, I., Mejía, J. M., 1974. The design of rainfall networks in time and space. Water Resources Research, v. 10, n. 4, p. 713-728.

Rouhani, S., Hall, T. J., 1989. Space-time kriging of groundwater data. In Geostatistics Springer, Dordrecht. p. 639-650.

Ryan, J. A., Ulrich, J. M., 2011. xts: Extensible time series. R package version 0.8-2.

Sarkar, D., 2008. lattice: multivariate data visualization with R. Springer Science e Business Media.

Snepvangers, J. J. J. C., Heuvelink, G. B. M., Huisman, J. A. , 2003. Soil water content interpolation using spatio-temporal kriging with external drift. Geoderma, 112(3-4), 253-271.

Team, R. C., 2018. R: A language and environ-ment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Dis-ponível: https://www.R-project.org/.

Tonietto, J., Vianello, R. L., Regina, M. D. A., 2006. Caracterização macroclimática e potencial enológico de diferentes regiões com vocação vitícola em Minas Gerais. Informe Agropecuário, 27(234), 32-55.

Yamamoto, J. K., Landim, P. M. B., 2015. Geoestatística: conceitos e aplicações. Oficina de Textos, São Paulo.




DOI: https://doi.org/10.26848/rbgf.v12.1.p096-111

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.

      

Revista Brasileira de Geografia Física - ISSN: 1984-2295

Creative Commons License
Esta obra está licenciada com uma Licença Creative Commons Attribution-NonCommercial 4.0 International License