Distribuição espacial de valores prováveis de precipitação pluvial para períodos quinzenais, em Guiné-Bissau

Abstract

RESUMONeste trabalho se estimaram os valores prováveis de precipitação pluvial para períodos quinzenais e suas respectivas distribuições espaciais, em Guiné-Bissau. Utilizou-se a distribuição log-normal a dois parâmetros para estimar os valores prováveis de precipitação associados ao nível de probabilidade de 75%, entre os meses de junho a outubro. A variabilidade espacial foi estimada pela modelagem dos semivariogramas experimentais e expressa com o emprego do interpolador espacial krigagem. Em média pode-se esperar, para períodos quinzenais em 3 de cada 4 anos pelo menos 100mm de chuvas, excetuando-se a 1ª quinzena de junho e a 2ª quinzena de outubro, cujos valores estimados estão abaixo de 50mm. Essas duas quinzenas correspondem, respectivamente ao início e ao fim do período de chuvas sinalizando, portanto, a necessidade de uso de irrigação suplementar para os cultivos agrícolas, visto que, em junho ocorre a semeadura e outubro antecede a colheita para culturas de ciclo longo. Quanto à variabilidade espacial, ela é elevada, com evidente decréscimo dos índices pluviométricos do eixo sul-sudoeste, exceto no mês de setembro, quando há homogeneidade espacial nas duas quinzenas. Palavra-chave: variabilidade espacial de precipitação, mapeamento de chuvasSpatial distribution of probable rainfall in Guinea-Bissau ABSTRACT The aim of this study was to estimate the probable values of rainfall in the first and second halves of the months and its spatial distribution in Guinea-Bissau. Distribution functions Log-normal 2 parameters were used to estimate the probable values of rainfall adopting the probability level of 75%. The spatial interpolation (kriging) was applied by semi-variogram modeling demonstrating that the probable rainfall estimates have high spatial variability, except in the month of September, when the behavior is homogeneous for both first and second halves. The lowest probable values of rainfalls under 50 mm occur in June and October throughout the country, supporting the use of supplemental irrigation to avoid compromising the periods of sowing (June) and minimize damage at harvest (October, November) for long cycle crops.

Precipitação Mensal Provável No Noroeste Do Paraná

“…Com relação aos meses de junho, julho e agosto (estação de inverno) são os que possuem menores valores de precipitação provável, respectivamente, com precipitação média esperada em torno de 35, 24 e 15 mm, variando de 7 a 57 mm, sendo o mês de agosto o mais seco do ano (máxima de 27 mm), denotando que a irrigação nessa região apresenta caráter suplementar (DANFÁ et al,2011). Segundo Santos et al (2017), mesmo que o noroeste de Paraná possua a menor incidência de precipitação do estado, o mesmo não apresenta risco de déficit hídrico.…”

“…A disponibilidade hídrica no solo de uma região é essencial no desenvolvimento de atividades de preparo e manejo do solo e para a adoção de um sistema irrigado de cultivo visando o sucesso na produtividade agrícola (DANFÁ et al, 2011). Conforme Longo et al (2006), na agricultura irrigada, a precipitação pluviométrica é parâmetro fundamental para o manejo e dimensionamento de sistemas de irrigação.…”

Determinação dos parâmetros da distribuição gama e média pluviométrica decendial para estações do estado de Mato Grosso

“…Diversos autores utilizaram ou recomendaram a precipitação mínima esperada em três anos de cada quatro, isto é, a precipitação esperada com 75% de probabilidade, ou terceiro quantil, como o sendo o total de chuva que deve ser considerado para o planejamento de atividades agrícolas (Medina e Leite, 1984;Rebello e Almeida, 1986;Gomes, 2001;Bernardo et al, 2008, Danfá et al, 2011.…”

Previsão da concentração de material particulado inalável, através de modelos estatísticos de séries temporais para o município de Canoas, Rio Grande do Sul

“…Esses modelos, genericamente conhecidos por ARIMA ou Autorregressivos Integrados de Médias Móveis são modelos estatísticos que visam captar o comportamento da correlação seriada ou autocorrelação entre os valores da série temporal e, com base nesse comportamento, realizar previsões futuras, segundo Morettin e Toloi (2004) e Danfá (2009). De acordo com Morettin e Toloi ( 2004), essa classe de modelos vem sendo largamente utilizada.…”