Revisão bibliográfica dos principais métodos de preenchimento de falhas em dados de precipitação

Ruezzene, Camila Bermond; Miranda, Renato Billia de; Tech, Adriano Rogério Bruno; Mauad, Frederico Fábio

doi:10.34140/bjbv2n3-015

Cited by 3 publications

(2 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…It is necessary to note that the filling possibilities extend beyond the ones employed here. Other methodologies include Splines interpolation, artificial neural networks, the natural neighbor method, kriging, the least squares method, and regional weighting by correlation, among others (Brubacher et al, 2020;Giovanella et al, 2021;Rahman et al, 2023;Ruezzene et al, 2020). Regarding the method investigated in this study, the suitability of ETO estimation aligns with findings from other researchers (Giovanella et al, 2021;Mardikis et al, 2005;Rahman et al, 2023).…”

Section: Resultssupporting

confidence: 72%

Reference Evapotranspiration for Sparse Data and Data Gap Filling in Python: A Study Case at Urucuia River Basin, Brazil

Corrêa,

Silva,

Scariot

et al. 2024

Preprint

View full text Add to dashboard Cite

Despite the several existing initiatives to obtain evapotranspiration data for several scientific analysis, it remains a challenge when dealing with data scarcity, especially when it is coupled with many data gaps of long-time climatological data series. In this study, we developed two Python scripts to perform reference evapotranspiration calculations in data scarcity conditions, filling potential data gaps, and testing them in the Urucuia River watershed.The first script (ETO_calc.py) is able to calculate evapotranspiration both by the Penman-Monteith method, adapting it according to user data availability, and by the Hargreaves-Samani method. The second script (Filling_gaps.py) fills out potential data gaps based on input from neighboring stations and tests the adequacy of the filling. The first script was tested by comparing the data generated by it with the online calculator 'ETCalc', while the second was tested by filling in a station's data from five neighboring stations, comparing the original data with the filled data. The output of the first script was practically identical to the online calculator used for comparison, which confirms the adequacy of the estimation made by ETO_calc.py. As for the second script, the regional weighting method and both linear and multiple regression methods were the methods that best filled in the missing data for the main station. This is due to their better fit to the historical variation of the data compared to the other tested methods. The results allow us to conclude that both scripts proved to be suitable tools for estimating evapotranspiration data.

show abstract

Section: Resultssupporting

confidence: 72%

Reference Evapotranspiration for Sparse Data and Data Gap Filling in Python: A Study Case at Urucuia River Basin, Brazil

Corrêa,

Silva,

Scariot

et al. 2024

Preprint

View full text Add to dashboard Cite

show abstract

“…A literatura recente demonstra que há um amplo conjunto de técnicas consagradas como o uso das Médias (MILANESI e GALVANI, 2006;VENTURA, et al 2016;JUNQUEIRA et al 2018), das Médias Móveis (VENTURA, et al 2016;CABRAL JÚNIOR e LUCENA, 2019;CABRAL JUNIOR et al 2019), da Regressão Linear (NASCIMENTO, et al 2009;OLIVEIRA, et al 2010;SANCHES et al 2014a;2014b; PECHUTTI e SANT'ANNA NETO, 2016;VENTURA, et al 2016;JUNQUEIRA et al 2018;RUEZZENE et al 2020), da Regressão Linear Múltipla (VENTURA, et al 2016;MELLO et al 2017;JUNQUEIRA et al 2018), da Ponderação Regional (MILANESI e GALVANI, 2006;OLIVEIRA, et al 2010; PECHUTTI e SANT'ANNA NETO, 2016;MELLO et al 2017;DIAZ, et al 2018;JUNQUEIRA, et al 2018;AMADOR e SILVA, 2020;RUEZZENE et al 2020), da Ponderação Regional com base em Regressão Linear (OLIVEIRA, et al 2010;MELLO et al 2017;JUNQUEIRA et al 2018), do Inverso Ponderado da Distância (IDW) (JUNQUEIRA et al 2018;RUEZZENE et al 2020) Ao se analisar os totais pluviométricos mensais da Estação de Juiz de Fora observou-se falhas nos meses de janeiro a dezembro nos anos de 1956, 1957, 1958, 1959, 1960, 1961 e 1962. Já nos anos de 1964 e 1965, as falhas foram observadas apenas nos meses de março, bem como no ano de 1967 (mês de abril), 1971 (mês de fevereiro), 1972 (de janeiro à julho), 1973 (de março à julho), 1991 (de março à abril), 1992 (de março à julho) e 1997 (de agosto à dezembro), correspondendo ao todo, cerca de 13,3% do conjunto total de dados para Juiz de Fora.…”

Section: Introductionunclassified

Aplicação e avaliação de técnicas para o preenchimento de falhas de dados pluviométricos em anos habituais, secos e chuvosos

2021

View full text Add to dashboard Cite

Séries de dados climáticos geralmente apresentam eventuais falhas em seus conjuntos. Este trabalho objetivou preencher falhas de dados pluviométricos em Juiz de Fora avaliando sua consistência e qual técnica melhor representou o comportamento das chuvas mensais. Dados das estações de Lima Duarte, Chapéu D’Uvas e Mar de Espanha foram utilizados no preenchimento das falhas de Juiz de Fora. No preenchimento foram utilizadas técnicas de Regressão Linear Simples e de Ponderação Regional. Após, os conjuntos de dados foram avaliados pelos Coeficientes de Determinação (R²) e pela Correlação de Pearson (r). Testes Dupla-Massa foram aplicados para avaliar possíveis erros sistemáticos. A etapa seguinte avaliou a capacidade das técnicas em sintetizar dados observados e para isso, foram selecionados anos Habituais, Secos e Chuvosos. Os dados sintetizados foram comparados aos observados e avaliados em sua homogeneidade pelo Teste t de Student, e sua dispersão pelo Erro Médio Absoluto, Erro Relativo Médio e da Raiz do Erro Quadrado Médio. Os resultados demonstraram elevada qualidade no preenchimento por todas as técnicas utilizadas, destacando a Ponderação Regional por ter apresentado os menores erros sistemáticos para os anos Habituais, Secos e Chuvosos.

show abstract

Técnicas individuais e combinadas para preenchimento de falhas em dados diários de precipitação no município de São Gonçalo (RJ)

Corbo,

Santos,

Bertolino

et al. 2024

RBClima

View full text Add to dashboard Cite

A precipitação é uma variável importante na caracterização climatológica de uma localidade. A existência de registros faltantes em uma série temporal de chuva reduz a quantidade de informações disponíveis para a análise, muitas vezes limitando a utilidade da série. O presente trabalho tem como objetivo avaliar as técnicas individuais de preenchimento: ponderação pelo inverso da distância (IDW), razão normal (RN), regressão linear múltipla (RLM) e a combinação destas mesmas técnicas utilizando média simples (CMS) e a combinação ótima com variância mínima (CVM) para dados diários de chuva da Estação Climatológica da UERJ/FFP, no município de São Gonçalo – RJ. Para isto, foram utilizadas observações de cinco estações vizinhas para preenchimento de séries temporais com 35, 87 ou 351 dias seguidos de falhas. As simulações indicaram que a estimativa individual obtida pela regressão linear múltipla foi a mais ajustada com R2 > 0.9 nas três configurações de período de falha analisadas. Já dentre os métodos combinados, a combinação por média simples foi a mais acurada com R2 = 0.97 e RMSE de 0.55mm. Os resultados indicam que a superestimação obtida pelos métodos de preenchimento não é estatisticamente significativa para α=5%. Este estudo visa a levantar dados locais disponibilizados por diferentes órgãos e a analisar os métodos de preenchimento mais indicados de modo a minimizar os impactos causados por séries parcialmente completas em estudos climatológicos para o município.

show abstract

Revisão bibliográfica dos principais métodos de preenchimento de falhas em dados de precipitação

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

Cited by 3 publications

References 7 publications

Reference Evapotranspiration for Sparse Data and Data Gap Filling in Python: A Study Case at Urucuia River Basin, Brazil

Reference Evapotranspiration for Sparse Data and Data Gap Filling in Python: A Study Case at Urucuia River Basin, Brazil

Aplicação e avaliação de técnicas para o preenchimento de falhas de dados pluviométricos em anos habituais, secos e chuvosos

Técnicas individuais e combinadas para preenchimento de falhas em dados diários de precipitação no município de São Gonçalo (RJ)

Contact Info

Product

Resources

About