Revisão bibliográfica dos principais métodos de preenchimento de falhas em dados de precipitação / Bibliographic review of the main methods of filling in precipitation data

Camila Bermond Ruezzene, Renato Billia de Miranda, Adriano Rogerio Bruno Tech, Frederico Fabio Mauad

Resumo


O objetivo deste estudo foi de realizar levantamento bibliográfico dos principais métodos de preenchimentos de falhas em dados de precipitação. Os métodos de preenchimento contribuem para a geração de dados mais confiáveis e nesta revisão foram abordados os métodos de regressão linearem queestima-se os parâmetros da regressão para determinar dados em falta; ponderação regional preenchea série por ponderação com pelo menos três postos vizinhos; interpolação do inverso da distância é definido a vizinhança e os parâmetros de ponderação e calcula-se os dados ausentes por interpolação utilizando ponderação; razão normal é realizado a ponderação dos dados registrados pelas estações vizinhas e redes neurais artificiais determina-se a arquitetura da rede e estima-se parâmetros e dados perdidos. A reconstrução de séries históricas por esses métodos possibilita arealização deestudos detalhados das alterações climáticas e fornecem subsídios para oplanejamento de gestão de recursos hídricos nas diversas regiões do país.


Palavras-chave


Regressão linear, Ponderação regional, Redes neurais artificiais.

Texto completo:

PDF

Referências


AISSIA, M.-A. B.; CHEBANA, F.; OUARDA, T. B. M. J. Multivariate missing data in hydrology – Review and applications. Advances in Water Resources, v. 110, 2017. p. 299-309.

BERTONI, J. C.; TUCCI, C.E.M. Precipitação. In.: Hidrologia: Ciência e Aplicação, Org. Carlos E. M. Tucci, 4ª ed., 5. Reimpr., Porto Alegre: Ed. Universidade/UFRGS: ABRH, 2013. 943 p.

BIELENKI JUNIOR, C. et al. Alternative methodology to gap filling for generation of monthly rainfall series with GIS approach. RBRH, v. 23, 2018. p. 1-10.

BIER, A. A.; FERRAZ, S. E. T. Comparação de metodologias de preenchimento de falhas em dados meteorológicos para estações no sul do Brasil. Revista Brasileira de Meteorologia, v. 32, n. 2, 2017.p. 215-226.

CORREIA, T.P. et al. Aplicação de redes neurais artificiais no preenchimento de falhas de precipitação mensal na região serrana do Espírito Santo. Geociências, v. 35, n. 4, 2016. p. 560-567.

COUTINHO, E. R. et al. Application of artificial neural networks (ANNs) in the gap filling of meteorological time series. Revista Brasileira de Meteorologia, v. 33, n. 2, 2018. p. 317-328.

DEPINÉ, H. et al. Preenchimento de falhas de dados horários de precipitação utilizando redes neurais artificiais. Revista Brasileira de Recursos Hídricos, v. 19, n. 1, 2014. p. 51-63.

DIAZ, C. C. F.; PEREIRA, J. A. S.; NÓBREGA, R. S. Comparação de dados estimados por dois diferentes métodos para o preenchimento de falhas de precipitação pluvial na bacia do Rio Pajeú, Pernambuco, Brasil. RevistaBrasileira de Climatologia, v. 22, n. 14, 2018. p. 324-339.

HEMA, N.; KANT, K. Reconstructing missing hourly real-time precipitation data using a novel intermittent sliding window period technique for automatic weather station data. Journal of Meteorological Research, v. 31, n. 4, 2017. p. 774-790.

HUANG, Q. X.; WANG, J. l.; XUE, X. Interpreting the influence of rainfall and reservoir infilling on a landslide. Landslides, v. 13, n. 5, 2015. p. 1139-1149.

HUBBARD, K.G. Spatial variability of daily weather variables in the high plains of the USA. Agricultural and Forest Meteorology, v. 68, n. 1, 1994. p. 29-41.

HYDROLOGY handbook. New York: ASCE, 1996.

JUNQUEIRA, R.; AMORIM, J. S.; OLIVEIRA, A. S. Comparação entre diferentes metodologias para preenchimento de falhas em dados pluviométricos. Sustentare, v. 2, n. 1, 2018. p. 198-210.

KHOSRAVI, G. et al. A Modified distance-weighted approach for filling annual precipitation gaps: application to different climates of Iran. Theoretical and Applied Climatology, v. 119, n. 1-2, 2015. p. 33-42.

KULIGOWSKI, R. J.; BARROS, A. P. Using artificial neural networks to estimate missing rainfall data 1. JAWRA – Journal American Water Resources Association, v. 34, n. 6, 1998. p. 1437-1447.

LY, S.; CHARLES, C.; DEGRÉ, A. Different methods for spatial interpolation of rainfall data for operational hydrology and hydrological modeling at watershed scale. A review. Biotechnology, Agronomy, Society and Environment, v.17, n. 2, p. 392-406, dez. 2013.

MAQSOOD, I.; ABRAHAM, A. Weather analysis using ensemble of connectionist learning paradigms. Applied Soft Computing, v. 7, n. 3, 2007. p. 995-1004.

MELLO, Y. R.; KOHLS, W.; OLIVEIRA, T. M. N. Uso de diferentes métodos para o preenchimento de falhas em estações pluviométricas. Boletim de Geografia, v. 35, n. 1, 2017. p. 112-121.

NAGHETTINI, M.; PINTO, E.J.A. Hidrologia Estatística. Belo Horizonte. CPRM, 2007.

OLIVEIRA JÚNIOR, J. F. et al. Análise da precipitação e sua relação com sistemas meteorológicos em Seropédica, Rio de Janeiro. Floresta e Ambiente, v. 21, n. 2, 2014. p. 140-149.

OLIVEIRA, L. F. C. et al. Comparação de metodologias de preenchimento de falhas de séries históricas de precipitação pluvial anual. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 14, n. 11, 2010. p. 1186-1192.

PAULHUS, J. L. H.; KOHLER, M.A. Interpolation of missing pre-cipitation records. Monthly Weather Review, v. 80, n. 5, p. 129-133, 1952.

RAMAN, H.; SUNILKUMAR, N. Multivariate modelling of water resources time series using artificial neural networks. Hydrological Science Journal, v. 40, n. 2, 1995. p. 145-163.

RHA. Recursos Hídricos e Ambientais. Qualificação de Dados Hidrológicos e Reconstituição de Vazões Naturais no País. Relatório Final do Contrato N° 016/ANA/2009. Agência Nacional de Águas. 2011. 442 p.

SHEPARD, D. A two-dimensional interpolation function for irregularly spaced data. In: Proceedings of the Twenty-Third National Conference of the Association for Computing Machinery, 1968. p. 517–524.

SIMOLO, C. et al. Improving estimation of missing values in daily precipitation series by a probability density function-preserving approach. International Journal of Climatology, v. 29, n. 11, 2009. p. 1564-1576.

TEEGAVARAPU, Ramesh S.v.; CHANDRAMOULI, V. Improved weighting methods, deterministic and stochastic data-driven models for estimation of missing precipitation records. Journal Of Hydrology, [s.l.], v. 312, n. 1-4, 2005. p. 191-206.

WANDERLEY, H. S.; AMORIM, R. F. C.; CARVALHO, F. O. Interpolação espacial de dados médios mensais pluviométricos com redes neurais artificiais. RevistaBrasileira de Meteorologia, v. 29, n. 3, 2014. p. 389-396.

YOUNG, K.C. A Three-way model for interpolating for monthly precipitation values. Monthly Weather Review, v. 120, n. 11, 1992. p. 2561-2569.




DOI: https://doi.org/10.34140/bjbv2n3-015

Apontamentos

  • Não há apontamentos.