Upload
vukiet
View
224
Download
1
Embed Size (px)
Citation preview
Geoprocessamento e analise multivariada de uma série histórica de precipitação no
Estado da Bahia
Neilon Duarte da Silva1
Aureo Silva de Oliveira2
Tatyana Keyty de Souza Borges3
1,3Universidade Federal do Recôncavo da Bahia - UFRB
Caixa Postal 44380-000 – Cruz das Almas – BA, Brasil
2Professor Associado III, Universidade Federal do Recôncavo da Bahia - UFRB
Caixa Postal 44380-000 – Cruz das Almas – BA, Brasil
Abstract. The objective of work is to apply combined techniques of geoprocessing and multivariate statistics to
check the trend and spatial distribution of rainfall in the State of Bahia, Brazil. We used data from 452 weather
stations of the National Institute of Meteorology well distributed across the entire territory. The making of maps
of precipitation was done with the ArcGIS 9.3 software with the use of Kriging as the interpolation method.
Through techniques of multivariate statistical analysis grouping (cluster analysis) and discriminant analysis were
performed. The smallest variation in rainfall was observed in the Far West region in the months from November
to March. The highest values of precipitation are observed in the metropolitan region of Salvador and Bahia
South. There was a formation of three distinct groups for the distribution of rainfall in the state of Bahia. Group
1: represents part of the North Central, South Central, Northeast and São Francisco Valley, Group 2, West Bahia,
part of the São Francisco and the South Central region’s Bahia coast. Part of the semiarid region showed no
uniform monthly distribution of rainfall volume. The groups represented the trend and distribution of rainfall in
the state of Bahia. The particularity of the distribution of rainfall in the state of Bahia is confirmed by
multivariate analysis by studying the formation of homogeneous groups. It was possible to separate the
distribution and concentration of rainfall from the multivariate analysis.
Palavras-chave: SIG, normal climatológica, estatística, distribuição espacial
1. Introdução
Compreender a dinâmica temporal e espacial do volume das chuvas é importante tanto
do ponto de vista ambiental, quanto no ponto de vista do planejamento de ações em áreas
urbanas, principalmente no que se refere a enchentes e problemas de erosão (CARDOSO et
al, 2011).
A alternância na distribuição da precipitação tanto em escala mensal quanto anual
determina o potencial de exploração e do uso da terra na agricultura. Um bom planejamento
feito previamente quantifica a distribuição das chuvas de forma a verificar a necessidade de
abastecimento de água para a irrigação e outros fins (MARTINS et al, 2008).
A fim de maximizar o uso de informações, bem como verificar sua distribuição
espacial, os Sistemas de Informações Geográficas (SIG) e as técnicas de geoprocessamento,
vem sendo utilizados com freqüência na agrometeorologia, principalmente visando solucionar
a falta de informações regionalizadas. A principal função dessas ferramentas é transformar
dados obtidos em pontos georreferenciados e através de técnicas de interpolação representar
assim seus valores estimados para localidades da região de estudo (PELLEGRINO et al.,
1998).
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
7313
Como auxilio e estudo da tendência e distribuição de variáveis, principalmente em
analises de agrupamentos, as técnicas de analises estatística multivariadas permitem combinar
as múltiplas informações (CRUZ & REGAZZI, 1994).
Objetivou-se a partir desse trabalho, aplicar técnicas de geoprocessamento aliadas as
de estatística multivariada e verificar a espacialização e tendência do volume das chuvas no
Estado da Bahia.
2. Material e Métodos
2.1 Região de estudo
O Estado da Bahia tem uma superfície de 566.237 km², correspondente a 6,6% do
território nacional e a 36,3% da Região Nordeste. Apresenta grande variabilidade e
complexidade do seu território em termos de recursos naturais com quatro grandes regiões
naturais (Cerrados, Semi-Árido, Serras e Chapadas e Mata Atlântica) (IBGE 2010).
2.2 Dados meteorológicos
Foram utilizados dados de normais climatológicas do período de 1970 a 2013 do
Instituto Nacional de Meteorologia (INMET) e da Agência Nacional de Águas (ANA),
perfazendo assim, um total de 452 estações bem distribuídas ao longo de todo território
baiano (Figura 1).
Figura 1: Localização das estações meteorológicas
!A
!A
!A
!A
!A
!A
!A
!A
!A
!A
!A
!A
!A
!A
!A
!A!A
!A
!A
!A
!A
!A!A
!A
!A
!A
!A
!A
!A
!A
40°0'0"W
40°0'0"W
44°0'0"W
44°0'0"W
10°0'0"S 10°0'0"S
14°0'0"S 14°0'0"S
18°0'0"S 18°0'0"S
0 500250Km
ª!A Estações Meteorológicas do INMET
Estações Meteorológicas da ANA
Bahia
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
7314
2.3 Técnicas Geoestatísticas
Os mapas mensais de precipitação foram gerados a partir de técnicas geoestatísticas
com o software ArcGIS 9.3. Utilizou-se o método de interpolação Krigagem, este apontado
por Alves et al. (2008) como sendo o que apresenta melhor desempenho quando comparado
com outros métodos. Esse método de interpolação se baseia na estimativa de valores médios a
partir de pesos calculados baseados na distância entre a amostra e o ponto no qual será
estimado (BETTINI, 2007). O estimador da Krigagem é calculado como se segue (Equação
1).
vi
n
i
iv ZZ
1
' (1)
em que,
Zv – estimador de Krigagem ordinária para o ponto v
λi – i-ésimo peso
Zvi – valor da i-ésima observação da variável regionalizada, coletada nos pontos xi
n – número de pesos
2.4 Análise multivariada
O tratamento de um grande conjunto de dados feito através da análise multivariada
permite a distinção e interpretação de medidas múltiplas para cada variável ou objeto em
análise (MONTEIRO et al., 2010).
O tratamento foi feito com auxílio do software R v. 3.1.1 e do pacote de análises
multivariadas FactoMineR. Para observar melhor o comportamento e tendências espaciais e
mensais da precipitação, fez-se o uso assim de duas ferramentas importantes na estatística
multivariada: a análise de agrupamento (cluster analysis) e a análise discriminante.
3. Resultados e Discussão
A Tabela 1 apresenta a variação entre valores mínimos e máximos do volume das
chuvas, para cada mesorregião do Estado da Bahia, de forma a verificar o grau de amplitude
de cada mesorregião. A menor variação entre o volume máximo e mínimo é verificada na
região do Extremo Oeste baiano nos meses de novembro a março. Nessa mesma região, é
observado um longo período de estiagem, de maio a setembro. A região metropolitana de
Salvador e o Sul baiano são aquelas que apresentam maiores volumes de chuvas e de forma
mais bem distribuída quando comparada com outras regiões.
Tabela 1: Amplitude da precipitação mensal nas mesorregiões do Estado da Bahia
Meses
Vale do
são
Francisco
Sul
baiano
Nordeste
baiano
Metropolitana
de Salvador
Extremo
oeste
baiano
Centro
sul
baiano
Centro
norte
baiano
Precipitação (mm)
Janeiro Min 51.1 102.3 38.5 59.8 134.3 79.1 58.3
Max 158.4 164.4 82.0 126.2 255.2 160.0 152.2
Fevereiro Min 50.4 85.2 40.4 62.3 115.1 71.6 57.6
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
7315
Max 152.6 178.7 104.0 139.5 209.7 135.4 131.2
Março Min 75.2 102.4 59.8 74.4 109.2 67.0 66.0
Max 155.7 221.1 137.5 167.6 214.8 160.7 135.9
Abril Min 43.3 77.9 46.6 68.5 56.4 39.5 37.9
Max 91.6 243.2 235.1 297.6 127.5 189.4 163.7
Maio Min 3.7 51.5 20.4 53.5 7.1 4.8 4.0
Max 60.1 248.6 295.1 322.6 20.6 179.7 187.6
Junho Min 0.8 51.7 16.0 62.2 0.8 0.4 1.9
Max 55.5 228.1 209.5 238.6 7.1 172.3 147.9
Julho Min 0.3 60.2 11.6 60.1 0.4 0.2 1.0
Max 51.7 222.3 167.1 210.1 4.0 178.4 126.3
Agosto Min 0.0 41.1 6.5 43.7 0.1 0.4 0.6
Max 29.1 166.0 128.6 153.1 9.6 132.1 88.8
Setembro Min 2.3 49.1 6.3 33.5 9.2 5.5 4.4
Max 18.6 144.8 87.8 122.1 26.8 108.1 65.6
Outubro Min 7.6 78.3 10.1 37.4 54.8 35.1 17.1
Max 80.4 162.7 96.6 127.7 132.6 117.3 67.2
Novembro Min 20.4 116.6 22.0 66.1 155.8 70.5 43.4
Max 181.5 181.2 111.2 139.6 227.5 187.0 168.0
Dezembro Min 35.8 115.0 36.9 60.0 155.2 79.7 53.4
Max 218.2 167.1 105.4 131.6 273.0 217.6 145.9
A Figura 2 apresenta os mapas mensais de precipitação. No litoral da Bahia durante
um período de seis meses é observado uma tendência de maior distribuição e de volume das
chuvas. No Oeste Baiano, a maior distribuição da precipitação acontece entre os meses de
novembro a março. A região semiárida é aquela que não apresenta homogeneidade na
distribuição das chuvas.
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
7316
Figura 2: Mapas mensais de distribuição da precipitação no território baiano.
P Jan (mm)
38.5 - 62.3
62.4 - 76.8
76.9 - 88.7
88.8 - 99.7
99.8 - 117
118 - 127
128 - 140
141 - 153
154 - 179
180 - 254
P Fev (mm)
40.4 - 67.6
67.7 - 77.6
77.7 - 82.9
83 - 88.9
89 - 96.2
96.3 - 107
108 - 121
122 - 145
146 - 166
167 - 210
P Mar (mm)
59.8 - 78.7
78.8 - 86.3
86.4 - 92.7
92.8 - 100
101 - 109
110 - 116
117 - 129
130 - 146
147 - 165
166 - 221
P Abr (mm)
37.9 - 53.1
53.2 - 58.2
58.3 - 63.3
63.4 - 68.4
68.5 - 74.5
74.6 - 82.7
82.8 - 88.8
88.9 - 96.9
97 - 118
119 - 298
P Dez (mm)
35.8 - 63.7
63.8 - 82.3
82.4 - 99.1
99.2 - 112
113 - 126
127 - 137
138 - 151
152 - 183
184 - 223
224 - 273
P Mai (mm)
3.72 - 7.47
7.48 - 9.97
9.98 - 12.5
12.6 - 16.2
16.3 - 26.2
26.3 - 38.7
38.8 - 52.5
52.6 - 73.7
73.8 - 109
110 - 323
P Jun (mm)
0.377
0.378 - 1.31
1.32 - 2.25
2.26 - 4.11
4.12 - 11.6
11.7 - 29.3
29.4 - 46.2
46.3 - 63
63.1 - 97.5
97.6 - 239
P Jul (mm)
0.249
0.25 - 1.12
1.13 - 2.86
2.87 - 8.96
8.97 - 22.9
23 - 36.8
36.9 - 50.8
50.9 - 74.3
74.4 - 107
108 - 222
P Ago (mm)
0 - 0.65
0.651 - 2.27
2.28 - 4.96
4.97 - 6.35
6.36 - 10.4
10.5 - 20.8
20.9 - 31.3
31.4 - 47.5
47.6 - 71.6
71.7 - 166
P Set (mm)
2.31 - 5.66
5.67 - 8.45
8.46 - 10.7
10.8 - 14
14.1 - 16.8
16.9 - 20.2
20.3 - 24.1
24.2 - 36.4
36.5 - 70.5
70.6 - 144
P Out (mm)
7.56 - 20.9
21 - 28.2
28.3 - 38
38.1 - 48.3
48.4 - 57.5
57.6 - 65.4
65.5 - 75.7
75.8 - 95.8
95.9 - 115
116 - 163
P Nov (mm)
20.4 - 53.7
53.8 - 74
74.1 - 95.1
95.2 - 112
113 - 133
134 - 149
150 - 158
159 - 169
170 - 190
191 - 227
0 1,000500Km
³
Janeiro Fevereiro Março
Abril Maio Junho
Julho Agosto Setembro
Outubro Novembro Dezembro
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
7317
A Figura 3 apresenta os principais resultados das análises de agrupamento e tendência
espacial e mensal do volume de chuvas. Há uma distinção de três grupos formados a partir da
precipitação mensal (Figura 3C). A distribuição do volume das chuvas no território baiano é
facilmente separada de acordo com os parâmetros de agrupamento. Associados a essa
distribuição, estão ainda seus respectivos meses. Foi observado uma forte tendência de maior
ocorrência das chuvas para o grupo 2 nos meses de novembro, dezembro e janeiro, em
segundo plano. Mais ainda correlacionado a esse grupo, estão os meses de outubro, fevereiro
e março (Figura 3B).
Para o grupo 3, a distribuição das chuvas é explicada de maneira significativa pelos
meses de maio, junho, julho e agosto. Os meses de setembro e abril também se correlacionam
de maneira a explicar essa distribuição.
O grupo 1 não apresentou correlação forte a algum mês do ano. Entre si, se mostraram
bem correlacionados, mas uma possível irregularidade das chuvas não permitiu a distinção de
acordo aos meses do ano (Figura 3B).
A análise de componentes principais mostrada na Figura 3A explica os resultados com
precisão de 87,64% e mostra de forma geral a divisão das chuvas quanto ao meses. A técnica
permitiu distinguir em seis meses, assim separados pelos pesos da segunda componente
principal. Existe uma correlação fortemente positiva entre os meses de maio, junho, julho e
agosto, o que coincide no período de chuvas em algumas regiões do território.
Figura 3: Analises de agrupamento
-1.0 -0.5 0.0 0.5 1.0
-1.0
-0.5
0.0
0.5
1.0
Variables factor map (PCA)
Dim 1 (53.35%)
Dim
2 (3
4.29
%)
PJan
PFev
PMar
PAbr
PMai PJunPJulPAgo
PSet
POut
PNovPDez
-0.20 -0.15 -0.10 -0.05 0.00 0.05 0.10
-0.2
0-0
.15
-0.1
0-0
.05
0.00
0.05
0.10
Comp.1
Com
p.2
11
111111
11 11 111 1111111
1
1
111 11
1
111 11 111
1111111
111
11
1111
2
22
11 113 1
11 13 1111 11
1
11
11
1
111
11
11
1111
11
1
1
11
11
11
1
2
11
112
11
1
222
2
33 13
3
11
11
3 111
11
11
111
1
1
1
11 111
11
1
1113
1111
11 111
1
1112
11
22
2
22
2
2
2
2
2
1
22
2222
222
2222
333 3
3
3
33 3
1
1
33
31
3 1
311
111
1 11
1 11
111
111 11
11
2
2
2
2
2
1
1
1
22
1 1
12
222
1222
2
2
22
2
22
2
22
22
2
22222
22
2
3
3
3
3
3
2
3
11
3
11
111
1 1
1
1
11
11
1
11
11
2
1
22
2 1
1
22
1
2
1
2
22
2
2
22
2222
2
2
2
22
2
2
2
222
2
2
22
3 3
33 23
33
33
1
3
322
1
111
1 11
1
12
1
2
1
12
111
2
11
1
1
2
22
2
2222
22
22
2
22222
2
2
2
2
22
2
2
3
3 33
22
111
21
2 222
2
2
3 32 22
3
1
2
22
3
33
2
3
2
2
3
111 11
2
1
1
1
13
2
11
2
-1000 -500 0 500
-100
0-5
000
500
PAbr
PAgo
PDez
PFev
PJan
PJulPJunPMai
PMar
PNov
POut
PSet
-5 0 5 10 15
-50
510
Factor map
Dim 1 (53.35%)
Dim
2 (3
4.29
%)
3739724
110
75
953
15945100
2130
236
440
11
297343639294
20215
359
19355
85
103
184144
22171
151
72162942322
104
5289826
3748
9136
58
305214
24099
13
436
387
80
96
25
78
50
76
362369164360157
7
77133
156101371374
332848
372308
23134
29847
81
27
170160
291
132
147146
162158
223
106304165
226
13014
218
3104952
220
15
35
137
313
290
241379
60
211
358
318
246
31283
367376
71
377
228353
392
1095346436
8286
54161365315
357
249424242
288
163
285
312176
394
105239
167
217296
210
248386361334
368
107396
212
370
22538
389
293
381247366327
442444
172
90
380391378
235108
12
245
411
258
238243388251
122131
445
354227
68
89
169323255
281
140
295
125
375102
219
83
397
128
166
51
63
414325237256
10
5617757319
326
300439
413416
398431
244382
61
356216
450
390
74
66
8488
155153
154443
55314
6970
417320321426
221
259
148
437
363
141
307
152144
127
111329427
393
21379
316317
222
253
303410409
299
183178
262113384
292
73
408
171179
415
250
87
399
138
383
208
112309
189
139
385174254328184324
120
407
364
224
395
234
276
200
209
182252
143
230
289
206
333
204
440
261188
129448142287438
181180
331
91
260
406
257185447168
335175
412
135
302
336433
126
263265
123
150
229
44992
59
282
65
267264
286
269
64
322186332187
121
94
425
352
268266173
117
279
62
233
351
93
199
114
347
306
311
350
432
330
421
145278
67124
301232422420
149
205203
341405
434
201
207
202
419
195423
231
118
441
400
345349340342
275
430344
270
116
346
404339
115
401
119193
277403
190
198
348
191
343429
271
418
402
192
194428
197
435338
196446
273
280337
274
272
cluster 1 cluster 2 cluster 3
A
B
C
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
7318
Para cada localidade estudada foi adicionado pela análise de agrupamento de
tendência o número respectivo de cada grupo. A Figura 4 mostra a localização dos grupos
formados. Há uma clara separação contínua dos grupos ao longo do território, com exceção de
algumas localidades representadas pelo grupo 3 ficando no meio as localidades do grupo1.
Isso se deve ao fato de essas apresentarem características semelhantes ou ainda devido ao
fator altitude.
O grupo 1 é representado por boa parte da região Centro Norte, Centro Sul, Nordeste e
do Vale do São Francisco. O grupo 2 é representado por todo o Oeste baiano, parte do Vale
do São Francisco e da região Centro Sul. O litoral baiano é representado pelo grupo 3.
Figura 4: Espacialização dos grupos formados via analise multivariada
4. Conclusões
A região litorânea apresenta maior distribuição e volume das chuvas. Boa parte da
região semiárida não apresenta distribuição mensal homogênea do volume das chuvas.
A particularidade da distribuição das chuvas no Estado da Bahia é comprovada pela
análise multivariada através do estudo da formação de grupos homogêneos. Foi possível
separar a distribuição e concentração das chuvas a partir das técnicas de análise multivariada.
CENTRO SUL BAIANO
SUL BAIANO
EXTREMO OESTE BAIANO
CENTRO NORTE BAIANO
VALE SÃO-FRANCISCANO DA BAHIA
NORDESTE BAIANO
METROPOLITANA DE SALVADOR
40°0'0"W
40°0'0"W
44°0'0"W
44°0'0"W
10°0'0"S 10°0'0"S
14°0'0"S 14°0'0"S
18°0'0"S 18°0'0"S
0 500250Km
³Agrupamento
1
2
3
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
7319
5. Referencias
CARDOSO, M. R. D.; MARCUZZO, F. F. N.; MELO, D. C. R. Mapeamento temporal e
espacial da precipitação pluviométrica da região metropolitana de Goiânia. Anais XV
Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05
de maio de 2011, INPE p.4594
CRUZ, C.D.; REGAZZI, A.J. Modelos biométricos aplicados ao melhoramento genético.
2. ed. Viçosa: UFV, 1994. 390p.
IBGE - Instituto Brasileiro de Geografia e Estatística. Contagem de população 2007.
Disponível no endereço da internet: <www.ibge.gov.br>. Acesso em 22/10/2014.
MARTINS, C. A. S.; BORGES, T. S.; CASTRO, F. S.; CECÍLIO, R. A. Caracterização
da precipitação na bacia hidrográfica do Rio Benevente. XII Encontro Latino Americano
de Iniciação Científica e VIII Encontro Latino Americano de Pós-Graduação – Universidade
do Vale do Paraíba. 2008.
MONTEIRO, A. B.; CORREIA FILHO, F. L.; FREIRE, P. K. C.; DE SOUZA, N. G.;
SOARESFILHO, A. R. (2010).“Análise Estatística Multivariada de Dados Hidroquímicos
do Aquífero Cabeças – Sudeste da Bacia Sedimentar do Parnaíba– PI .” In Anais doXVI
Congresso Brasileiro de Águas Subterrâneas e XVII Encontro Nacional de Perfuradores
de Poços. São Luís, MA.
PELLEGRINO, G. Q.; PINTO, H. S.; ZULLO JÚNIOR, J.; BRUNINI, O. O uso de sistemas
de informações geográficas no mapeamento de informações agrometeorológicas. In:
ASSAD, E. D.; SANO, E. E. Sistemas de informações geográficas aplicações na agricultura.
Brasília, DF: Embrapa-SPI/Embrapa-CPAC, 1998.
Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, 25 a 29 de abril de 2015, INPE
7320