Guarda Chuvas: programa para acesso e visualização de dados históricos de chuvas no Estado de Pernambuco
DOI:
https://doi.org/10.33448/rsd-v9i11.9858Palavras-chave:
Pernambuco; Precipitação; Visualização interativa; Métodos de interpolação.Resumo
A precipitação no Nordeste do Brasil (NE) é caracterizada por apresentar alta variabilidade temporal e espacial. No entanto, a disponibilidade de dados de precipitação ainda é limitada nesta região, por vários motivos. O Acesso a dados de precipitação fornece informações úteis para melhor entender a distribuição da chuva e apoiar gerenciamento do ecossistema. Neste artigo, apresentamos o programa Guarda Chuvas, o qual viabiliza o acesso e visualização de dados passados de precipitação pluviométrica do estado de Pernambuco, NE, Brasil, por meio de uma interface de fácil uso. O método de interpolação, trend surface analysis, foi utilizado para estimar a precipitação mensal () para o estado de Pernambuco em uma grade com resolução de 0,01 grau, totalizando 81.544 séries mensais de precipitação distribuídas espacialmente para estado de Pernambuco. O programa foi implementado em linguagem C, com uma interface gráfica construída utilizando interface de programação de aplicativos para o Windows. As séries históricas fornecidas pelo programa podem ser usadas como insumo para modelos de simulação e apoiar estudos direcionados ao desenvolvimento de políticas agrícolas, hídricas, ambientais e socioeconômica para o estado de Pernambuco. Além do interesse regional nas informações fornecidas pelo programa, a abordagem atual deve ser considerada útil para aplicações em outras partes do Brasil e do mundo.
Referências
Bier, A. A., & Ferraz, S. E. T. (2017). Comparação de Metodologias de Preenchimento de Falhas em Dados Meteorológicos para Estações no Sul do Brasil. Revista Brasileira de Meteorologia, 32(2), 215–226. https://doi.org/10.1590/0102-77863220008
Black, T. L. (1994). The New NMC Mesoscale Eta Model: Description and Forecast Examples. Weather and Forecasting, 9(2), 265–278. https://doi.org/10.1175/1520-0434(1994)009<0265:TNNMEM>2.0.CO;2
Borges, P. de A., Franke, J., da Anunciação, Y. M. T., Weiss, H., & Bernhofer, C. (2016). Comparison of spatial interpolation methods for the estimation of precipitation distribution in Distrito Federal, Brazil. Theoretical and Applied Climatology, 123(1–2), 335–348. https://doi.org/10.1007/s00704-014-1359-9
Cavalcanti, E. P., Silva, V. de P. R., & Sousa, F. de A. S. de. (2006). Programa computacional para a estimativa da temperatura do ar para a região Nordeste do Brasil. Revista Brasileira de Engenharia Agrícola e Ambiental, 10(1), 140–147. https://doi.org/10.1590/S1415-43662006000100021
Chen, J., Brissette, F. P., & Leconte, R. (2012). WeaGETS – a Matlab-based daily scale weather generator for generating precipitation and temperature. Procedia Environmental Sciences, 13, 2222–2235. https://doi.org/10.1016/j.proenv.2012.01.211
Ebert, E. E., Janowiak, J. E., & Kidd, C. (2007). Comparison of Near-Real-Time Precipitation Estimates from Satellite Observations and Numerical Models. Bulletin of the American Meteorological Society, 88(1), 47–64. https://doi.org/10.1175/BAMS-88-1-47
Fornberg, B., Larsson, E., & Wright, G. (2006). A new class of oscillatory radial basis functions. Computers & Mathematics with Applications, 51(8), 1209–1222. https://doi.org/10.1016/j.camwa.2006.04.004
Franke, R., & Nielson, G. (1980). Smooth interpolation of large sets of scattered data. International Journal for Numerical Methods in Engineering, 15(11), 1691–1704. https://doi.org/10.1002/nme.1620151110
Gebbers, R., & Bruin, S. (2010). Application of Geostatistical Simulation in Precision Agriculture. In Geostatistical Applications for Precision Agriculture (pp. 269–303). Springer Netherlands. https://doi.org/10.1007/978-90-481-9133-8_11
Gomes, O. M., Santos, C. A. C. dos, Souza, F. de A. S. de, Paiva, W. de, & Olinda, R. A. de. (2015). Análise comparativa da precipitação no estado da Paraíba utilizando modelos de regressão polinômial. Revista Brasileira de Meteorologia, 30(1), 47–58. https://doi.org/10.1590/0102-778620120454
Li, J., & Heap, A. D. (2011). A review of comparative studies of spatial interpolation methods in environmental sciences: Performance and impact factors. Ecological Informatics, 6(3–4), 228–241. https://doi.org/10.1016/j.ecoinf.2010.12.003
Luo, W., Taylor, M. C., & Parker, S. R. (2008). A comparison of spatial interpolation methods to estimate continuous wind speed surfaces using irregularly distributed data from England and Wales. International Journal of Climatology, 28(7), 947–959. https://doi.org/10.1002/joc.1583
Martin, T. N., Neto, D. D., Junior, P. A. V., & Manfron, P. A. (2008). Homogeneidade espaçotemporal e modelos de distribuição para a precipitação pluvial no estado de São Paulo. Ceres, 55(5).
Paredes-Trejo, F. J., Barbosa, H. A., & Lakshmi Kumar, T. V. (2017). Validating CHIRPS-based satellite precipitation estimates in Northeast Brazil. Journal of Arid Environments, 139, 26–40. https://doi.org/10.1016/j.jaridenv.2016.12.009
Parton, W. J., Schimel, D. S., Cole, C. V., & Ojima, D. S. (1987). Analysis of Factors Controlling Soil Organic Matter Levels in Great Plains Grasslands. Soil Science Society of America Journal, 51(5), 1173–1179. https://doi.org/10.2136/sssa j1987.03615995005100050015x
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica. Santa Maria, RS: UFSM, NTE. https://repositorio.ufsm.br/bitstream/ handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1
Semenov, M. A., & Barrow, E. M. (1997). Use of a stochastic weather generator in the development of climate change scenarios. Climatic Change, 35(4), 397–414. https://doi.org/10.1023/A:1005342632279
Shepard, D. (1968). A two-dimensional interpolation function for irregularly-spaced data. Proceedings of the 1968 23rd ACM National Conference On -, 517–524. https://doi.org/10.1145/800186.810616
Sibson, R. (1980). A vector identity for the Dirichlet tessellation. Mathematical Proceedings of the Cambridge Philosophical Society, 87(1), 151–155. https://doi.org/10.1017/S0305004100056589
Silva, A. S. A., Borko, S., Cezar, M. R. S., & P., S. V. (2019). Comparison of Interpolation Methods for Spatial Distribution of Monthly Precipitation in the State of Pernambuco, Brazil. Journal of Hydrologic Engineering, 24(3), 4018068. https://doi.org/10.1061/(ASCE)HE.1943-5584.0001743
Silva, V. P. R., Sousa, F. A. S., Cavalcanti, E. P., Souza, E. P., & Silva, B. B. (2006). Teleconnections between sea-surface temperature anomalies and air temperature in northeast Brazil. Journal of Atmospheric and Solar-Terrestrial Physics, 68(7), 781–792. https://doi.org/10.1016/j.jastp.2005.12.002
Stöckle, C. O., Campbell, G., & Nelson, R. (1999). ClimGen Manual. Biological Systems Engineering Department. Washington State University Pullman, WA.
Tabios, G. Q., & Salas, J. D. (1985). A comparative analysis of techniques for spatial interpolation of precipitation. Journal of the American Water Resources Association, 21(3), 365–380. https://doi.org/10.1111/j.1752-1688.1985.tb00147.x
Thiessen, A. H. (1911). Precipitation averages for large areas. Monthly Weather Review, 39(7), 1082–1089. https://doi.org/10.1175/1520-0493(1911)39<1082b:PAFLA>2.0.CO;2
Vicente-Serrano, S., Saz-Sánchez, M., & Cuadrat, J. (2003). Comparative analysis of interpolation methods in the middle Ebro Valley (Spain): application to annual precipitation and temperature. Climate Research, 24, 161–180. https://doi.org/10.3354/cr024161
Virgens Filho, J. S., Oliveira, R. B. de, Leite, M. de L., & Tsukahara, R. Y. (2013). Desempenho dos modelos CLIGEN, LARS-WG e PGECLIMA_R na simulação de séries diárias de temperatura máxima do ar para localidades do estado do Paraná. Engenharia Agrícola, 33(3), 538–547. https://doi.org/10.1590/S0100-69162013000300010
Wang, S., Huang, G. H., Lin, Q. G., Li, Z., Zhang, H., & Fan, Y. R. (2014). Comparison of interpolation methods for estimating spatial distribution of precipitation in Ontario, Canada. International Journal of Climatology, 34(14), 3745–3751. https://doi.org/10.1002/joc.3941
Webster, R., & Oliver, M. A. (2007). Geostatistics for Environmental Scientists. John Wiley & Sons, Ltd. https://doi.org/10.1002/9780470517277
Xie, Y., Chen, T., Lei, M., Yang, J., Guo, Q., Song, B., & Zhou, X. (2011). Spatial distribution of soil heavy metal pollution estimated by different interpolation methods: Accuracy and uncertainty analysis. Chemosphere, 82(3), 468–476. https://doi.org/10.1016/j.chemosphere.2010.09.053
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2020 Antonio Samuel Alves da Silva; Rômulo Simões Cezar Menezes; Borko Stosic
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
