Um modelo estocástico combinado de previsão sazonal para a precipitação no Brasil

Abstract

RESUMOEste artigo discute um modelo de previsão combinada para a realização de prognósticos climáticos na escala sazonal. Nele, previsões pontuais de modelos estocásticos são agregadas para obter as melhores projeções no tempo. Utilizam-se modelos estocásticos autoregressivos integrados a médias móveis, de suavização exponencial e previsões por análise de correlações canônicas. O controle de qualidade das previsões é feito através da análise dos resíduos e da avaliação do percentual de redução da variância não-explicada da modelagem combinada em relação às previsões dos modelos individuais. Exemplos da aplicação desses conceitos em modelos desenvolvidos no Instituto Nacional de Meteorologia (INMET) mostram bons resultados e ilustram que as previsões do modelo combinado, superam na maior parte dos casos a de cada modelo componente, quando comparadas aos dados observados. Palavras-chave: Previsões sazonais, Modelos estocásticos; Correlações canônicas, Modelo agregado. ABSTRACT A COMBINED STOCHASTIC MODEL FOR SEASONAL PREDICTION OF PRECIPITATION IN BRAZIL.This article discusses a combined model to perform climate forecast in a seasonal scale. In it, forecasts of specific stochastic models are aggregated to obtain the best forecasts in time. Stochastic models are used in the auto regressive integrated moving average, exponential smoothing and the analysis of forecasts by canonical correlation. The quality control of the forecast is based on the residual analysis and the evaluation of the percentage of reduction of the unexplained variance of the combined model with respect to the individual ones. Examples of application of those concepts to models developed at the Brazilian National Institute of Meteorology (INMET) show good results and illustrate that the forecast of the combined model exceeds in most cases each component model, when compared to observed data.

Comparação do desempenho dos modelos estatísticos aplicados a séries temporais de umidade relativa do ar

“…O método de Alisamento Exponencial de Holt-Winters (AEHW) é um dos mais utilizados para a previsão de curto prazo, devido a sua simplicidade, baixo custo de operação, boa precisão e capacidade de ajustamento automático rápido a mudanças na série, de acordo com Lúcio et al(2010).…”

“…Modelos de previsão de prognósticos em escala sazonal da variável precipitação são discutidos por Lúcio et al (2010).…”

Desempenho Termoenergético de Edificações Sob a Ótica das Mudanças Climáticas: Uma Revisão Sistemática

“…Diante dessa realidade, faz-se necessário conhecer o comportamento das condições de tempo atmosférico, impulsionando estudos climatológicos, para fins de diagnósticos e prognósticos, e incentivar o avanço de modelos que atendam as previsões de tempo e clima (REPELLI e ALVES, 1996;XAVIER et al, 2000;LUCIO et al, 2010).…”

Modelagem estocástica: previsão das temperaturas para a localidade de Pelotas/RS/Brasil.

“…A diferença entre o índice que um elemento adquire na série original e o que este mesmo elemento assume na série ordenada, denotada por di, determina a variável chave do teste. O coeficiente de correlação de Spearman (r 3 ) é calculado através da expressão (LÚCIO et al, 2010): Para grandes amostras, a verificação da hipótese nula é feita sobre a distribuição t, calculada através da Equação ().…”

“…Entre os modelos tradicionais de previsão existentes se destacam os modelos da classe ARIMA, modelos Box e Jenkins e os algoritmos de alisamento exponencial, os quais sempre foram largamente utilizados pelas ciências econômicas (MORETTIN;TOLOI, 2006). Um processo estocástico que tem recebido grande atenção é o chamado autorregressivo, cujos modelos da classe ARIMA, que buscam representar o comportamento da série são: (a) autorregressivo integrado e de média móvel -ARIMA (p, q, d), utilizado em séries com características de não-estacionariedade (d), que possui dois parâmetros, regressivo (p) e média móvel (q); o autorregressivo média móvel -ARMA (p, q) com os mesmos parâmetros citados, mas utilizado para séries estacionárias; e o processo autorregressivo -AR (p) (BOX;JENKINS, 1976;LUCAS et al, 2009;CALGARO et al, 2009;LÚCIO et al, 2010). A seleção dos parâmetros "p" e "q" é obtida a partir das funções de autocorrelação -que medem o grau de dependência entre os valores das séries temporais em diferentes períodos, ou seja, o quanto um valor observado no tempo t é influenciado pelo valor observado no tempo t -k, representando a memória do processo estocástico -e autocorrelação parcial -que pode ser definida como o último termo autorregressivo de um modelo AR (p).…”