Guarda Chuvas: programa de acceso y visualización de datos históricos de precipitaciones del Estado de Pernambuco
DOI:
https://doi.org/10.33448/rsd-v9i11.9858Palabras clave:
Pernambuco; Precipitación; Visualización interactiva; Métodos de interpolación.Resumen
La precipitación en el noreste de Brasil (NE) se caracteriza por una alta variabilidad temporal y espacial. Sin embargo, la disponibilidad de datos de precipitación todavía es limitada en esta región, por varias razones. El acceso a los datos de las precipitaciones proporciona información útil para comprender mejor la distribución de las lluvias y respaldar la gestión del ecosistema. En este artículo presentamos el programa Guarda Chuvas, que permite acceder y visualizar datos pasados sobre precipitaciones en el estado de Pernambuco, NE, Brasil, a través de una interfaz fácil de usar. Se utilizó el método de interpolación de análisis de superficies de tendencia para estimar la precipitación mensual () para el estado de Pernambuco en una cuadrícula con una resolución de 0.01 grados, totalizando 81,544 series de precipitación mensual distribuida espacialmente al estado de Pernambuco. El programa se implementó en lenguaje C, con una interfaz gráfica construida usando una interfaz de programación de aplicaciones para Windows. La serie histórica proporcionada por el programa puede utilizarse como insumo para modelos de simulación y estudios de apoyo orientados al desarrollo de políticas agrícolas, hídricas, ambientales y socioeconómicas para el estado de Pernambuco. Además del interés regional en la información proporcionada por el programa, el enfoque actual debe considerarse útil para aplicaciones en otras partes de Brasil y del mundo.
Citas
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
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Antonio Samuel Alves da Silva; Rômulo Simões Cezar Menezes; Borko Stosic
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
