Revista Brasileira de Meteorologia, v.25, n.

1, 70 - 87, 2010

UM MODELO ESTOCSTICO COMBINADO DE PREVISO SAZONAL PARA A PRECIPITAO NO BRASIL PAULO SRGIO LCIO1, FABRCIO DANIEL DOS SANTOS SILVA2, LAURO TADEU GUIMARES FORTES 2, LUIZ ANDR RODRIGUES DOS SANTOS2, DANIELLE BARROS FERREIRA2, MOZAR DE ARAJO SALVADOR2, HELENA TURON BALBINO2, GABRIEL FONSECA SARMANHO2, LARISSA SAYURI FUTINO CASTRO DOS SANTOS2 EDMUNDO WALLACE MONTEIRO LUCAS2, TATIANE FELINTO BARBOSA2, PEDRO LEITE DA SILVA DIAS3 Departamento de Estatstica, Universidade Federal do Rio Grande do Norte (UFRN), Natal, RN 2 Coordenao de Desenvolvimento e Pesquisa, Instituto Nacional de Meteorologia (CDP/INMET), Braslia, DF. 3 Departamento de Cincias Atmosfricas, Instituto de Astronomia, Geofsica e Cincias Atmosfricas, Universidade de So Paulo (IAG/USP), So Paulo, SP.
pslucio@ccet.ufrn.br, {fabrcio.silva, lauro.fortes, luiz.santos, danielle.ferreira, mozar.salvador, helena.balbino}@ inmet.gov.br, gabriel.sarmanho@hotmail.com, {larissa.santos, edmundo.lucas, tatiane.barbosa}@inmet.gov.br, pldsdias@master.iag.usp.br
1

Recebido Novembro 2007 Aceito Setembro 2009

RESUMO Este artigo discute um modelo de previso combinada para a realizao de prognsticos climticos na escala sazonal. Nele, previses pontuais de modelos estocsticos so agregadas para obter as melhores projees no tempo. Utilizam-se modelos estocsticos autoregressivos integrados a mdias mveis, de suavizao exponencial e previses por anlise de correlaes cannicas. O controle de qualidade das previses feito atravs da anlise dos resduos e da avaliao do percentual de reduo da varincia no-explicada da modelagem combinada em relao s previses dos modelos individuais. Exemplos da aplicao desses conceitos em modelos desenvolvidos no Instituto Nacional de Meteorologia (INMET) mostram bons resultados e ilustram que as previses do modelo combinado, superam na maior parte dos casos a de cada modelo componente, quando comparadas aos dados observados. Palavras-chave: Previses sazonais, Modelos estocsticos; Correlaes cannicas, 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. Keywords: Seasonal forecasts, stochastic models, canonical correlations, cluster model.

Maro 2010

Revista Brasileira de Meteorologia

71

1. INTRODUO
As previses so naturalmente afetadas por incertezas, pois os sistemas dinmicos que controlam a evoluo climtica tm forte componente catica. Existem, contudo, controles de baixa freqncia, associados aos lentos processos ocenicos, que conferem certa previsibilidade ao clima na escala sazonal, principalmente na regio tropical (Shukla, 1981; Cavalcanti et al, 2002). Neste trabalho, uma anlise estocstica apresentada, visando reduzir o erro de projeo de sries cronolgicas no tempo. Cada situao, com seu conjunto nico de problemas, requer uma previso especfica, e a soluo para um caso no necessariamente a melhor para outras situaes. No obstante, certos princpios gerais so comuns para a maioria dos problemas e devem ser incorporados em qualquer sistema de previso. A finalidade desta pesquisa foi explorar o comportamento de sries temporais de precipitaes acumuladas trimestrais, visando a elaborao de previses sazonais, analisando as sries e os mecanismos (processos) que a geram, propondo um modelo estocstico de previso que combine resultados de previses por modelos clssicos de Box-Jenkins (Box e Jenkins, 1976), Holt-Winters (Holt, 1957; Winters, 1960), e fornecidos por Anlise de Correlaes Cannicas (ACC) (Barnston e Smith, 1996). Busca-se um modelo combinado que, para a maioria das estaes meteorolgicas, apresente um melhor skill (desempenho) (Coelho et al., 2003; Coelho et al., 2006; Stephenson et al., 2005) do que estes modelos individualmente,

por meio da anlise dos resduos e da maximizao da eficincia relativa.

2. DADOS EXPERIMENTAIS
Os mtodos de previso discutidos no artigo so aplicados a sries de precipitaes de 160 estaes meteorolgicas de superfcie, espacialmente distribudas no territrio brasileiro (Figura 1), que possuem sries histricas longas, do Instituto Nacional de Meteorologia (INMET) para gerar, mensalmente, previses sazonais de precipitao. Como ilustrao e estudo de caso, foram selecionadas sries temporais de precipitao mensal das seguintes capitais brasileiras: Manaus (AM), Belm (PA), Fortaleza (CE), Recife (PE), Vitria (ES), Goinia (GO), So Paulo (SP) e Porto Alegre (RS). Estas estaes foram escolhidas por sua representatividade do clima das regies em que se localizam, e pela boa qualidade dos dados, sendo sries mensais homogneas e contnuas (sem falhas ou valores esprios), iniciando em janeiro de 1961 (Tabela 1). Tais sries so acumuladas trimestralmente, para gerar previses climticas sazonais.

3. METODOLOGIA
Para o modelo agregado desenvolvido, so utilizados resultados de modelos estocsticos do tipo Auto Regressivo Integrado a Mdias Mveis (ARIMA), e um modelo de alisamento exponencial Holt-Winters. Estes modelos analisam a varivel-alvo dependente como funo do tempo. No caso

Figura 1 - Distribuio geogrfica das estaes meteorolgicas do INMET usadas para gerao de prognsticos sazonais de precipitao.

72

Lcio et al.

Volume 25(1)

das sries temporais de precipitao, para estes dois modelos, usam-se sries acumuladas trimestrais. Estes modelos so teis para previsibilidade de uma condio seca, normal ou chuvosa, porque a situao e, por conseguinte, a previso para um determinado trimestre muitas vezes segue uma tendncia de situaes anteriores, ou seja, geralmente existe uma memria do comportamento de trimestres anteriores em relao aos trimestres seguintes, e tais condies de memria podem ser analisadas por meio de funes de autocorrelao (ACF), que medem o grau de dependncia entre os valores de uma srie temporal em diferentes perodos sazonais, e por meio de funes de autocorrelaes parciais (PACF), que pode ser definida como a seqncia de correlaes de determinados termos de uma srie temporal e os elementos da srie mais recentes, medindo a influncia de trimestres recentes nos trimestres seguintes. Alm disso, as respostas as forantes dinmicas que influenciam na precipitao em vrias regies, aparecem em sries de precipitaes trimestrais como perodos de maior (ou menor) acumulo e geralmente persistem por alguns trimestres. Desta forma, so usadas sries trimestrais de precipitao nas previses, onde so consideradas as defasagens entre trimestres, com dados mensais totalmente observados, onde os trimestres com dados observados incompletos so preenchidos com as normais climatolgicas, reduzindo a maior varincia que ocorre naturalmente ms a ms, e que suavizada em acumulaes trimestrais. Como ilustrao, para se prever a chuva do trimestre junho-julho-agosto em maio, usam-se acumulados trimestrais com dados observados de toda a srie at o trimestre fevereiromaro-abril. O trimestre maro-abril-maio composto pelos dados observados de maro e abril e a climatologia de maio. O trimestre abril-maio-junho composto pelos dados observados de abril com a climatologia de maio e junho e por fim, o ltimo trimestre maio-junho-julho representado pela sua climatologia. Tal metodologia empregada tanto para o clculo das previses futuras, quanto para previses passadas, que possibilitam a comparao a dados observados, possibilitando a obteno das correlaes para os modelos individuais ARIMA e HOLTWINTERS.

Para a ACC, usado o software Climate Predictability Tool, fornecido pelo International Research Institute for Climate and Society (IRI). A varivel preditora utilizada para prever a precipitao acumulada trimestral, a Anomalia de Temperatura Superfcie do Mar (ATSM) observada, obtida do National Ocean and Atmospheric Administration (NOAA), com resoluo espacial de 1 x 1 (Reynolds et al, 2002), em uma janela que cobre boa parte das guas dos oceanos Pacfico e Atlntico (20N-40S, 135W-0E). Tais reas so capazes de captar as influncias das regies de Nios, como a variabilidade do volume de precipitao verificada em parte das Regies Norte, Nordeste e Sul, e dos oceanos Atlntico Tropical Norte (ATN) e Atlntico Tropical Sul (ATS), incorporando os efeitos de Dipolo, que um importante modo de variabilidade oceano-atmosfera dominante no Atlntico Tropical (Repelli e Nobre, 2004). Este modo de variabilidade caracteriza-se pelo aparecimento de um padro de anomalias de TSM, configurando-se especialmente com sinais opostos sobre as Bacias Norte e Sul do Atlntico Tropical (Moura e Shukla, 1981). A fase negativa do Dipolo do Atlntico Tropical, por exemplo, definida quando o Atlntico Sul se encontra com guas mais quentes do que a mdia histrica, e guas mais frias no Atlntico Norte. Para tanto, necessrio definir o nmero mnimo e o nmero mximo de modos da ACC, sendo estes limitados aos mesmos valores de mximos e mnimos das FOE (Funes ortogonais empricas) das variveis preditora (ATSM) e resposta (precipitao). Na prtica, o CPT tem apresentado melhores resultados com mximo de 10 modos para a FOE e at de 4 modos para a ACC. As vantagens da ACC so a fcil interpretao, a consistncia espacial e a alta sensibilidade nas respostas do preditando aos preditores.

3.1 Descrio e Identificao do Modelo Estocstico

Na prtica, uma srie temporal pode ser analisada como uma realizao parcial de um processo estocstico, cuja caracterstica principal se fundamenta no fato das variveis

Tabela 1 Estaes climatolgicas analisadas individualmente, a ttulo de ilustrao, com respectivos cdigos da OMM, coordenadas geogrficas. Perodo de dados disponveis: Jan/1961 Out/2008

Maro 2010

Revista Brasileira de Meteorologia

73

apresentarem uma estrutura de dependncia. Denota-se a srie temporal por { (t ) t T }, que em sua forma discretizada Y , se transforma em: { (t ) t T }= Y (1) Y (2),..., Y (n) , onde Y , , n o tamanho da srie. Neste trabalho estudam-se sries temporais discretas, onde os dados so coletados ou convertidos em observaes mensais ou trimestrais. O modelo clssico considera as sries temporais como sendo compostas de quatro elementos bsicos: tendncia, variaes cclicas, variaes sazonais, erros aleatrios ou sistemticos. Os modelos autorregressivos associam a varivel dependente Yt ou Y(t) com funes do tempo. Estes modelos so teis quando os parmetros que descrevem a srie temporal a ser

prevista permanecem constantes no tempo (srie estacionria). Algumas vezes pode-se descrever uma srie temporal Yt usando um modelo de tendncia. Tal modelo definido como Yt=m + at , onde Yt o valor da srie temporal no tempo t, mt o termo da tendncia no perodo t e at o erro aleatrio associado ao perodo de tempo t. O modelo de tendncia indica que a srie temporal pode ser representada pelo nvel mdio e pelo termo do erro sistemtico. As tendncias mais simples so aquelas obtidas atravs de um comportamento linear da srie observada (neste caso, mt o coeficiente angular da reta, m, multiplicado por t). Estimativas pontuais dos parmetros destes modelos

Figura 2 Sries temporais das mdias mveis (ordem 12) da precipitao mensal e respectivos desvios-padro. Nenhuma tendncia linear detectada, apenas mudanas estruturais em algumas sries de precipitao mdia anual.

74

Lcio et al.

Volume 25(1)

de tendncia, pelo mtodo dos mnimos quadrados, podem ser obtidas usando-se tcnicas de regresso. Neste caso, assume-se que os termos de erro at satisfazem s suposies de varincia constante, independncia e normalidade. As variaes cclicas so variaes peridicas de amplitude superior a um ano. Para isolar variaes cclicas das outras variaes (tendncia e sazonal) estas devem ser removidas dos dados da srie. Para remover tendncia, subtraise de cada observao o correspondente valor de tendncia. O resultado uma srie de desvios em relao tendncia, que ao ser representada graficamente revela ou no ciclos. As variaes sazonais so as que ocorrem regularmente dentro do perodo de um ano. H duas finalidades para se isolar a componente sazonal de uma srie temporal: remover determinado padro a fim de se estudar as variaes cclicas, e identificar os fatores sazonais de forma que eles tenham relevncia na modelagem e tomadas de decises. Para se retirar o componente sazonal, aplica-se uma transformao a Yt para obteno de Yt*, na forma de uma mdia mvel centrada de 12 elementos (Figura 2). Para verificar a existncia de tendncia significativa, aplica-se a Yt*, um teste no-paramtrico, baseado no coeficiente de correlao de Spearman, , que mede a relao linear entre duas variveis - no caso a significncia da tendncia em relao ao tempo (Box e Jenkins, 1976). No estudo das sries de precipitao utilizadas no modelo do INMET, Yt, a componente tendncia no se mostrou significativa (ao nvel de 5%) para nenhuma das estaes meteorolgicas analisadas, apesar das iluses provocadas pela inspeo visual (devido aos pontos de mudana ou de interveno heterogeneidades) evidenciadas atravs das mudanas estruturais detectadas pelo Teste de Chow (Chow, 1960) (Figura 2). Desta forma, no se rejeita a hiptese nula, H0: no existe componente tendncia! As sries livres do efeito sazonal so distinguidas por meio de um amortecimento usando uma mdia mvel centrada e de tamanho lag = 12 . Quanto ao teste para avaliao da sazonalidade, antes da estimao, utiliza-se o teste paramtrico com base no clculo da estatstica ES (Cordeiro, 2002) dada pela equao:

significativas (Figura 2 e Figura 3). Observa-se tambm, que as amplitudes da srie no variam com a mdia, sendo isto um forte indicativo para a modelagem aditiva da componente sazonal. As variaes sazonais referem-se a movimentos similares, que uma srie temporal obedece durante os mesmos meses de anos sucessivos. A Figura 3 (ndices de Sazonalidade) ilustra as sries temporais em funo da importncia dos fatores sazonais. O ndice de sazonalidade tem por objetivo analisar o comportamento tpico de uma srie temporal. Para tanto, esta anlise foi realizada em intervalos de tempos eqidistantes, onde se calcula a mdia da precipitao mensal observada dividida pela mdia centrada. Desta forma as cargas sazonais so assim determinadas em conjunto com as contribuies mensais (Figura 3 - Contribuio da Variabilidade Mensal). Estes resultados so mostrados em grficos do tipo Box e Whiskers (Wilks, 2006; Evans e Doswell, 2001). Atravs dos Box-Plot mensais (Figura 3 - Box-Plot da Precipitao Mensal) constata-se a contribuio da precipitao associada sua variabilidade intrasazonal, corroborada pelo clculo da estatstica ES. Uma vez retiradas s contribuies sazonais analisa-se os Box-Plot dos Resduos (Figura 3 Box-Plot dos Resduos), no intuito de se obter evidncias sobre os meses que mais contribuem para as incertezas das previses, devido alta variabilidade intrnseca do processo de precipitao.

3.2 Modelos Estocsticos Univariados 3.2.1 Modelagem Holt-Winters

Pode-se considerar o ajustamento exponencial como mais uma tcnica para predizer valores de sries temporais. O mtodo de Holt-Winters um dos mais utilizados para a previso de curto prazo, devido a sua simplicidade, baixo custo de operao, boa preciso e capacidade de ajustamento automtico e rpido a mudanas na srie. Este modelo isola na srie at trs fatores ou coeficientes de alisamento: nvel, tendncia linear, fator sazonal e um elemento residual no previsvel, chamado erro aleatrio. Na estimao desses fatores usa-se o mtodo de ajustamento exponencial, tambm chamado suavizao exponencial. O nome suavizao provm do fato de que a srie depois de reduzida a seus componentes estruturais ter menor nmero de variaes bruscas, mostrando um comportamento mais suave. O termo exponencial aparece, porque os processos de suavizao envolvem as mdias aritmticas ponderadas, onde os pesos decrescem exponencialmente na medida em que se avana no passado. As equaes de previso se arranjam de duas formas: aditiva ou multiplicativa, conforme a natureza da srie (Holt, 1957; Winters, 1960; Box e Jenkins, 1976). Para calcular as previses de valores futuros da srie necessrio estimar o nvel e a tendncia da srie no perodo atual, bem como

onde mt = 4 representa o nmero de estaes sazonais no ano e Yj* a srie livre da componente tendncia e L = lag = 12. Os valores das estatsticas de teste so comparados aos valores da distribuio F de Snedecor (Cordeiro, 2002), rejeitando-se a hiptese nula de que no existe fator sazonal, exceto para locais como Vitria, onde a sazonalidade da precipitao, embora presente seja fraca, e Porto Alegre, onde a sazonalidade inexistente, isto , as autocorrelaes no so

Maro 2010

Revista Brasileira de Meteorologia

75

os valores do fator sazonal correspondente ao ltimo perodo de sazonalidade. Estas estimativas so efetuadas por meio das seguintes equaes: Sazonalidade Aditiva Nestes modelos so utilizadas as seguintes equaes recursivas:

Sazonalidade Multiplicativa Nestes modelos so utilizadas as seguintes equaes recursivas:

nt = a

Yt + ( a )(nt 1 + bt 1 ) 1 f t s
Yt + ( g )f t s , 1 nt

nt = a (Yt f t s )+ ( a )(nt 1 + bt 1 ), 1 bt = b (nt nt 1 )+ ( b )bt 1 1 f t = g (Yt nt )+ ( g )f t s ; 1

bt = b (nt nt 1 )+ ( b )bt 1 , f t = g 1

onde a, b e g ,so constantes de amortecimento. Ao final de cada perodo t, a estimativa do passo (tendncia) e a componente

Figura 3 Decomposio sazonal para analisar as sries temporais em termos de componentes sazonais, tendncia linear e comportamento aleatrio (resduos). Emprega-se esta tcnica para examinar a natureza dos componentes. Observa-se que os resduos so maiores nas estaes do inverno e da primavera.

76

Lcio et al.

Volume 25(1)

sazonal so dadas por bt e ft., respectivamente. J nt. denota a componente de nvel. Bowerman (1987) e Chatfield (1988) sugerem que o melhor critrio de escolha entre os fatores multiplicativos ou aditivos calcular o valor do Desvio Absoluto Mdio (DAM), assim a opo recai no menor erro. Alternativamente pode-se utilizar como critrio de deciso o Desvio Quadrtico Mdio (DQM). Aps as anlises, tanto quantitativas quanto qualitativas, escolheu-se para as sries o amortecimento (ou suavizao) exponencial sazonal aditivo de Holt-Winters. O modelo teve um bom desempenho com base nas medidas do DAM e do DQM. Na anlise dos resduos no foi constatado qualquer comportamento sistemtico. Em suma, com base na estatstica de Box-Pierce, aceitou-se estatisticamente, ao nvel de significncia de 5%, a hiptese nula para as autocorrelaes residuais r () = 0 , para todas as defasagens mltiplas de k = 12.

3.2.2 Modelagem Box-Jenkins

Os modelos Box-Jenkins, denominados tambm de ARIMA (Autoregressive Integrated Moving Average), so modelos estocsticos lineares para anlise de sries temporais. A base deste tipo de modelagem consiste no fato de que uma srie temporal Y(t) apresenta correlaes seriais, e cada modelo pode ser considerado como gerado por uma seqncia de choques aleatrios independentes entre si, com determinada distribuio com mdia zero e varincia constante, um processo com rudo branco. A metodologia supe que o procedimento de filtragem do rudo branco pode ser decomposto em trs etapas: (1) mdia mvel, (2) auto-regressivo estacionrio e (3) diferenciao, caso no seja estacionrio. Os termos auto-regressivos correspondem a defasagens da srie transformada (srie estacionria induzida por diferenciao) e as mdias mveis correspondem a defasagens dos erros aleatrios. O termo integrado refere-se ao processo de diferenciao da srie original. A notao empregada para designao do modelo normalmente ARIMA (p,d,q), onde p representa o nmero de coeficientes (parmetros) autoregressivos, d representa o nmero de diferenciaes para que a srie torne-se estacionaria, e q o nmero de coeficientes de mdias mveis. As ferramentas fundamentais na modelagem de sries temporais, baseada na metodologia de Box-Jenkins, so as funes de autocorrelao (ACF) e funes de autocorrelao parcial (PACF). A ACF indica o grau de dependncia temporal existente, medindo o quanto os pares ordenados de observaes (Yt , Yt+k) esto relacionados, variando entre -1 e +1. No caso das sries de precipitao a no-estacionariedade provocada pela componente sazonal. Esse fato reforado pelo correlograma da srie livre da componente tendncia, em que se rejeita a hiptese

nula para as autocorrelaes rk ao longo dos lags k = 12. Na Figura 5, se as linhas vermelhas so limites de significncia para as autocorrelaes, a hiptese nula de autocorrelao nula rejeitada. Sendo assim, sugere-se uma transformao para a extrapolao da srie, considerando-se um regime noestacionrio, quanto ao nvel e sazonalidade, transformao esta, que possa induzir estacionariedade homognea, condio necessria e suficiente para modelar uma srie temporal. A PACF mede a intensidade da relao entre duas observaes da srie temporal, controlando (mantendo constante) o efeito das demais. Os modelos sazonais so identificados tanto na ACF, quanto na PACF, da mesma forma que os modelos auto-regressivos (AR) simples. Assim, se detecta um modelo sazonal puro, por exemplo de ordem k = 12 , onde a ACF ter um decrscimo rpido nas defasagens mltiplas de k = 12 e a PACF apresentar somente um pico, na defasagem k = 12. Como ilustrao, pode-se dissertar sobre as caractersticas tericas destas funes no que tange a alguns processos: 1 - AR(p), ACF infinita decrescente, exponencial e/ou senides amortecidas, PACF finita (nula para lags maiores que p); 2 - MA(q), ACF finita (nula para lags maiores que q), PACF infinita decrescente, exponencial e/ou senides amortecidas; 3 - ARMA(p,q), ACF infinita (exponencial e/ou senides amortecidas para lags maiores que p-q, PACF infinita (exponencial e/ou senides amortecidas para lags maiores que p-q). Os estgios dos ciclos iterativos usados no modelo ARIMA so: 1- Uma classe geral de modelos considerada para a anlise (especificao); 2 - Identificao de um modelo, com base na anlise de autocorrelaes (ACF), autocorrelaes parciais (PACF) e outros critrios; 3 - Estimao dos parmetros do modelo identificado; 4 - Verificaes do modelo ajustado, atravs de uma anlise de resduos, para se saber se este adequado para os fins em vista (previso, no caso); 5 - Previses ou projees no tempo. Como a maioria dos procedimentos de anlise estatstica de sries temporais supe que estas sejam estacionrias, fazse necessria a adoo de transformaes, principalmente para retificar problemas, devido variabilidade dos dados, ou seja, estabilizar a varincia, melhorando significativamente as estimativas dos parmetros do modelo. Este um critrio de deciso. Caso contrrio deve-se fazer uma ou mais diferenas, at que se consiga a estacionariedade. A estacionariedade verificada de forma primria, por inspeo visual. Desta forma, a transformao mais comum consiste em aplicar o operador de diferenas sucessivas srie original Y at se obter t uma srie estacionria. Com efeito, em geral, foi suficiente tomar at duas diferenas simples e uma diferena sazonal, estabilizando a varincia e tornando-a estacionria. Aps a transformao Y em X(t), deve-se verificar o correlograma da
t

Maro 2010

Revista Brasileira de Meteorologia

77

srie transformada X(t) (Figura 5a e Figura 5b). Aps a anlise das funes de autocorrelao das sries Yt (Figura 4) e X(t), nota-se claramente: 1 - Y - Existncia de uma componente t peridica de perodo ou comprimento sazonal; 2 - Y - As t autocorrelaes estimadas apresentam picos decrescentes senide amortecida por uma exponencial nos lags mltiplos de k = 12 ; 3 - X(t) - As autocorrelaes estimadas apresentam pico apenas no lag k = 12, alguns dos demais podem ser vistos como acmulos residuais, que provavelmente sero reduzidos a partir do processo de modelagem. Nos casos descritos neste trabalho, detectou-se que a diferena deve ser sazonal e de ordem 12 para se atingir a estacionariedade: na ACF da srie das diferenas h um pico na defasagem um (1) e outro na defasagem doze (12);

na PACF h um pico na defasagem de ordem doze (12) com decaimento exponencial em seus mltiplos. Desta forma, h evidncias de que o modelo de previso a ser ajustado seja um ARIMA(1,0,0)(0,1,0)12. No caso dos estudos realizados, os modelos funcionaram de forma satisfatria, com relao condio de estacionariedade, e atravs da estatstica de Portemanteau anlise de adequao (Ljung e Box, 1978), com base nos resduos no se rejeita a hiptese nula relativa s autocorrelaes; isto , considera-se r () = 0 para todas as defasagens mltiplas de k = 12. Torna-se importante salientar que a inspeo grfica da srie uma ferramenta poderosa para se fazer inferncia e para uma melhor prospeco do modelo. Nestes termos, imputou-se ao modelo inicial um teste de sobre-fixao, cujo objetivo verificar

Figura 4 A autocorrelao a correlao entre observaes da srie temporal com defasagem de k unidades de tempo. O grfico de autocorrelao a funo de autocorrelao (ACF). A ACF um guia para a escolha dos parmetros para o modelo ARIMA.

78

Lcio et al.

Volume 25(1)

se o nmero de parmetros correto. Optou-se pela incluso do parmetro referente mdia mvel: ARIMA(1,0,0)(0,1,1)12, cuja estrutura da equao parcimoniosa no modelo BoxJenkins. A Figura 6 exibe as previses para o ano 2008 e seu respectivo intervalo de confiana a 95%. Com efeito, estes modelos alm de atenderem s condies de estacionariedade e invertibilidade apresentam todas as qualidades estatsticas do modelo anterior ARIMA(1,0,0)(0,1,0)12, porm, com melhor desempenho, com base na anlise dos resduos, bem como, na varincia residual que minimizada.

uma extenso da regresso mltipla. Na ACC existem duas ou mais variveis dependentes. O principio bsico consiste em desenvolver uma combinao linear em cada um dos conjuntos de variveis, de tal forma que a correlao entre os dois conjuntos seja maximizada. Na metodologia de correlao cannica no existe a distino entre varivel independente e dependente, existem somente dois conjuntos de variveis em que se busca a mxima correlao entre ambos. A equao bsica pode ser expressa por:
b1 PREC1 + ... + b PREC = a 1 X 1 + a 2 X 2 + a 3 X 3 + .... + a n X n .

3.3 Modelos Estocsticos Multivariados

A ACC (Johnson e Wichern, 2007) pode ser vista como

Salvador et al. (2006) corroboram, atravs da aplicao do mtodo de ACC utilizando o CPT, a existncia de uma forte

Figura 5a O grfico da funo de autocorrelao (ACF) das diferenas sazonais (ordem 12). As diferenas sazonais so utilizadas para simplificar a estrutura de correlao na identificao de padres como guia para a escolha dos parmetros para o modelo ARIMA.

Maro 2010

Revista Brasileira de Meteorologia

79

correlao direta entre a temperatura da superfcie do mar (varivel explicativa) no Oceano Atlntico Sul e a precipitao pluviomtrica (varivel dependente) na costa leste do Nordeste do Brasil (Oliveira, 2005 e Pezzi et al., 1998). Por exemplo, a anlise de correlao cannica do CPT apresentou um nico modo das Funes Ortogonais Empricas (FOE), com o significativo valor da correlao de aproximadamente 0,73 entre a TSM e a precipitao total durante a quadra chuvosa do leste do NEB (Nordeste Brasileiro). Isso indica que o CPT consegue captar de forma eficiente a correlao entre a variabilidade da precipitao e a TSM do Atlntico. Ferreira et al. (2006) aplicaram a ACC do CPT para a verificao de correlaes entre a TSM dos Oceanos Pacfico e Atlntico (sries trimestrais de 1989 a 2005), e a produtividade

de soja no estado do Paran. Notou-se claramente uma evoluo dos valores dos coeficientes de correlao entre a TSM e a produtividade a partir do trimestre outubro-novembro-dezembro, e um decaimento a partir do trimestre fevereiro-maro-abril, principalmente no que tange TSM do Oceano Atlntico Sul. Os resultados mostraram que os trimestres dezembro-janeirofevereiro, janeiro-fevereiro-maro e fevereiro-maro-abril apresentaram coeficientes de correlao de 0,75 para o Atlntico e de 0,62 para o Pacfico na regio conhecida como Nio 3.

3.4 Modelo Combinado de Previso

Para cada trimestre em foco e para cada ponto de estao, so geradas previses passadas (hindcasts), para um perodo de

Figura 5b O grfico da funo de autocorrelao parcial (PACF) das diferenas sazonais (ordem 12). A PACF uma tcnica de identificao de padres que serve como guia para a escolha dos parmetros para o modelo ARIMA.

80

Lcio et al.

Volume 25(1)

treze anos, 1995 a 2007, comparando-as aos dados observados e possibilitando obter um valor de correlao associado (skill) a cada um dos trs modelos (ARIMA, Holt-Winters e ACC). A agregao dos resultados dos modelos feita, ponto a ponto, por uma mdia ponderada, onde so atribudos pesos proporcionais ao quadrado das correlaes obtidas por cada modelo individual, sendo desconsideradas as previses com correlao inferior a um limite de significncia, a fim de realar os resultados dos melhores modelos. Os valores finais previstos para a precipitao trimestral acumulada so classificados em categorias, de muito seca a muito chuvosa, segundo os quantis em que se enquadrem dentro da distribuio de freqncias climatolgicas correspondentes. Utiliza-se um procedimento de aproximao, baseado na hiptese de

normalidade das distribuies climatolgicas, gerando uma previso probabilstica dos desvios de precipitao acumulada para cada trimestre. A formulao de modelos combinados foi inicialmente proposta por Bates e Granger (1969), atravs da combinao linear de previses pontuais calculadas por meio de modelos com caractersticas distintas. Esta tcnica foi aprimorada nos trabalhos de Bunn (1985) e Granger (1980), e foi amplamente revista por Clemen (1989). A metodologia proposta para a agregao dos resultados dos modelos individuais baseia-se no argumento cientfico de que a combinao de duas ou mais previses pontuais, prezando pela mxima eficincia, podero resultar em uma previso final consensual com melhores resultados (Granger, 1980). Este argumento estende-se

Figura 6 Previses ARIMA, com limites de confiana de 95%. A sazonalidade domina os perfis ou padres de previso.

Maro 2010

Revista Brasileira de Meteorologia

81

Figura 7 Mapas de correlaes dos modelos individuais para os trimestres JFM (a, b, c) e JAS (d, e, f).

82

Lcio et al.

Volume 25(1)

facilmente para qualquer caso multivariado, ou seja, mais de dois modelos (Krishnamurti et al., 2000a, Krishnamurti et al., 2000b, Coelho et al., 2004, Coelho et al., 2005, Stephenson et al., 2005). Na agregao dos modelos, para um nvel de significncia de 95%, uma srie de 13 elementos, como as atualmente utilizadas para os modelos ARIMA, Holt-Winters e CPT, no INMET, tem-se um valor para a correlao de corte, rmin 0,48. 0,4 8

4. RESULTADOS E DISCUSSES
Apresentam-se, a seguir, resultados obtidos pelo modelo combinado para os trimestres janeiro-fevereiro-maro (JFM)

de 2008, representativo do perodo de vero, e julho-agostosetembro (JAS) de 2008, representativo do perodo de inverno. As Figuras 7a 7f mostram os mapas de destreza dos modelos individuais para os trimestres JFM e JAS, respectivamente. No trimestre JFM, os modelos ARIMA e de ACC mostram boas destrezas nas regies norte, nordeste e sul. O modelo de ACC ainda apresenta em algumas reas das regies centro-oeste e sul, apesar de no serem altas, correlaes variando entre 0,4 e 0,6, e em outras correlaes inferiores a 0,3. Do modelo de alisamento exponencial HOLT-WINTERS destaca-se a baixa destreza na regio central do Brasil, com os maiores valores na regio sul, partes da regio norte e faixa do litoral norte da regio nordeste. No trimestre JAS

Figura 8 Mapas de correlaes do modelo agregado para precipitao dos trimestres JFM (a) e JAS (b).

Figura 9 Mapas das previses classificadas em quantis de precipitao para os trimestres JFM (a) e JAS (b).

Maro 2010

Revista Brasileira de Meteorologia

83

apresentam-se as menores destrezas que no perodo JFM, os modelos ARIMA e de HOLT-WINTERS apresentam melhores correlaes na regio norte, leste do nordeste e extremo sul, o modelo de ACC mostra boas correlaes apenas em partes da regio norte e nordeste, e em pequenas reas do centro-oeste

e sudeste. As Figuras 8a 8f mostram o mapa de destreza do modelo agregado das anlises dos trs modelos individuais, para os trimestres JFM e JAS, respectivamente. Nestes dois trimestres, a agregao conseguiu captar bem a variabilidade sazonal, ou seja, apresenta bom skill na maior parte das regies

Figura 10 Mapas de previses probabilsticas da precipitao acumulada para os trimestres JFM (a) e JAS (b).

Figura 11 Mapas de previses probabilsticas da precipitao acumulada categorizadas em tercis para os trimestres JFM (a) e JAS (b).

84

Lcio et al.

Volume 25(1)

brasileiras. Mapas de destreza, para outros trimestres (no mostrados), indicam que os resultados obtidos pela agregao final dos resultados, podem ser usados com confiana para gerar previses climticas sazonais. Uma vez obtidos os valores previstos para a precipitao acumulada trimestral, estimativas pontuais para cada srie climatolgica utilizada, estes so confrontados com os respectivos valores quantlicos (Xavier et al., 2002), onde chuvas entre os percentis 15 a 35 caracterizam o estado

seco, chuvas entre os percentis 35 e 65 caracterizam o estado normal, chuvas entre os percentis 65 a 85 caracterizam o estado chuvoso e chuvas acima do percentil 85, caracterizam o estado muito chuvoso. A Figura 9A mostra a previso classificada por quantis para o trimestre JFM de 2008; A Figura 9B faz o mesmo para JAS de 2008. Levando-se em conta a mdia e varincia da distribuio climatolgica, e as correlaes entre valores observados e previstos pelo modelo, para cada srie temporal de cada estao

Figura 12 Mtricas mostrando os valores previstos e observados, para os trimestres JFM (a) e JAS (a), para o ano de 2008 em (mm/ms), projetados nos quantis Q1(15%), Q2(35%), Q3(65%) e Q4(85%), para Belm.

Tabela 2 Coeficientes de correlao entre valores observados e previstos pelos modelos para o perodo de 1995 a 2007, para o trimestre JaneiroFevereiro-Maro.

Maro 2010

Revista Brasileira de Meteorologia

85

Tabela 3 Coeficientes de correlao entre valores observados e previstos pelos modelos para o perodo de 1995 a 2007, para o trimestre JunhoAgosto-Setembro.

usada (SUGI, 2005; FORTES, 2007), podem-se calcular as probabilidades previstas, em cada ponto, para cada tercil da distribuio climatolgica, e produzir mapas como os das Figuras 10A e 10B, que, por conseguinte, servem como base para a gerao de uma previso climtica mais subjetiva por tercis (Figuras 11A e 11B). As Figuras 12A e 12B mostram rguas (mtricas) que so confeccionadas, mostrando as quantidades de precipitao prevista e observada. So mostrados tais resultados para a cidade de Belm afim de melhor explicitar como as mtricas so obtidas e auxiliam na avaliao do desempenho das previses. Nas Tabelas 2 e 3 apresentam-se, para os mesmos postos, a avaliao da performance das previses, com base no coeficiente de correlao entre valores observados e previstos. Ressalta-se que estas correlaes so calculadas para todas as sries temporais, para que se obtenha a melhor combinao linear para a previso final. Embora alguns modelos para determinados casos apresentem uma melhor correlao em relao ao resultado do modelo agregado, usa-se a previso final do modelo agregado, pelo fato da maior parte das estaes utilizadas apresentarem as melhores correlaes no caso do modelo agregado.

5. CONCLUSES
A proposta de se usar um modelo final que agregue o potencial de previso de mais de um modelo, levando-se em

conta o skill relativo de cada um deles, vem sendo utilizada no mbito do INMET para realizar previses climticas sazonais de precipitao (e mais recentemente tambm de temperatura mdia). A combinao de previses mostrou-se mais robusta, para a maioria das 160 sries de pluviometrias acumuladas trimestrais utilizadas, do que as previses de modelos isolados. A anlise das sries temporais pelos modelos estocsticos ARIMA e Holt-Winters, permite extrapolar o comportamento das sries trimestrais de precipitao segundo um processo com poucas oscilaes. Tais valores, ao serem combinados com previses provenientes da ACC, incorporam a influncia dinmica imposta pelos efeitos da TSM nas circulaes atmosfricas de grande escala, que so as principais responsveis pelos regimes de chuvas verificados no Brasil, em diferentes pocas do ano. Em sntese, constata-se, que todas as abordagens metodolgicas imputadas s sries de interesse (Modelo de Alisamento Exponencial e Modelo de Box-Jenkins) revelaram que as estimativas da precipitao so aceitveis dentro do mbito meteorolgico. Com efeito, tanto no caso dos modelos individuais, quanto no do modelo combinado, os resultados das previses so factveis, permitindo extrapolar o comportamento das sries trimestrais de precipitao. As sries tendem a convergir para uma estabilidade em relao componente sazonal. Saliente-se que essa estabilizao deixaria de existir em casos extremos. Com efeito, a reincidncia de eventos

86

Lcio et al.

Volume 25(1)

associados a fortes anomalias, em qualquer ano posterior a 2008, propiciaria, sem dvida, um desequilbrio entre as componentes das sries. Observa-se que, no caso das sries que sofrem bruscas interferncias, a componente sazonal contribui de forma importante no reconhecimento do seu padro temporal, pois os valores das suas observaes ficam muito sensveis s variaes em torno da mdia. Nesse caso, o efeito sazonal passa a funcionar como vetor contaminador redutor de longo prazo.

6. REFERNCIAS BIBLIOGRFICAS
BARNSTON, A. G., SMITH, T. M. Specification and prediction of global surface temperature and precipitation from global SST using CCA. Journal of Climate, 9: 26602697, 1996. BATES, J. M., GRANGER, C. W. J. The combination of forecasts. Operational Research Quarterly, 20, 451468, 1969. BOX, G. E. P., JENKINS, G. M. Time Series Analiysis: Forescasting and Control. San Francisco: Holden Day, 1976. BOWERMAN, B. L. Times Series Forecasting: unified concepts and computer implementation: Duxbury, Boston, 1987. BUNN, D. W. Statistical Efficiency in the Linear Combination of Forecasting. International Journal of Forecast, v.1, p. 151163, 1985. CAVALCANTI, I. F. A., MARENGO, J. A., SATYAMURTY, P., NOBRE, C. A., TROSNIKOV, I., BONATTI,J. P., MANZI, O., TARASOVA, T., PEZZI, L. P., DALMEIDA, C., SAMPAIO, G., CASTRO, C. C., SANCHES,M. B., CAMARGO, H. Global Climatological features in a simulation using the CPTEC-COLA AGCM. Journal of Climate, 15(21), 2965-2988, 2002. CHATFIELD, C. The future of time-series forecasting. International Journal of Forecasting, 4, 411-419, 1988. CHOW, G. C. Tests of Equality Between Sets of Coefficients in Two Linear Regressions. Econometrica, 28(3): 591605, 1960. CLEMEN, R. T. Combining forecasts: A review and annotated bibliography. International Journal of Forecasting, 5, 559-583, 1989. COELHO, C. A. S., S. PEZZULLI, M. BALMASEDA, F. J. DOBLAS-REYES e D. B. STEPHENSON. Skill of coupled model seasonal forecasts: A Bayesian assessment of ECMWF ENSO forecasts. ECMWF Technical Memorandum, No. 426, 16pp, 2003. COELHO, C. A. S., S. PEZZULLI, M. BALMASEDA, F. J. DOBLAS-REYES e D. B. STEPHENSON. Forecast calibration and combination: A simple Bayesian approach for ENSO. Journal of Climate, Vol. 17, No. 7, 1504-1516, 2004.

COELHO, C. A. S., D. B. STEPHENSON, F. J. DOBLASREYES e M. BALMASEDA. From multi-model ensemble predictions to well-calibrated probability forecasts: Seasonal rainfall forecasts over South America 1959-2001. CLIVAR Exchanges No.32. Vol. 10, No. 1, 14-20, 2005. COELHO, C. A. S., D. B. STEPHENSON, M. BALMASEDA, F. J. DOBLAS-REYES., G. J. van OLDENBORGH. Towards an Integrated Seasonal Forecasting System for South America. Journal of Climate, 19(15), 3704-3721, 2006. CORDEIRO, D. M. Sries temporais, anlise quantitativa: teoria e aplicaes. Local: EDUPE, p. 91-124 (Srie Cincia e Tecnologia), 2002. EVANS, J. S.; DOSWELL, C. A. Examination of Derecho Environments using proximity soundings. Weather and Forecasting, 16: p.329-342, 2001. FERREIRA, D. B., MELLO, L.T. A., LUCIO, P. S., FORTES, L. T. G., BALBINO, H. T., SALVADOR, M. A., SANTOS, L. A. R., SILVA, F. Anlise da influncia da variabilidade da temperatura da superfcie do mar sobre a produtividade de soja no estado do Paran utilizando o Climate Predictability Tool. XIV CBMET - Congresso Brasileiro de Meteorologia - Florianpolis - SC, 2006. FORTES, L. T. Relao entre a Destreza da Previso Climtica da Precipitao Sazonal e a Probabilidade do Tercil Mdio. Nota Tcnica. CDP/INMET. Braslia, fevereiro, 2007. GRANGER, C. W. J. Forecasting in business and economics. In: New York, Academic Press, p. 131-147, 1980. HOLT, C. C. Forecasting seasonals and trends by exponentially weighted moving averages, ONR Research Memorandum, Carnigie Institute 52, 1957. JOHNSON, R. A., e WICHERN, D. W. Applied multivariate statistical analysis. Prentice Hall, 792 pp, 2007. KRISHNAMURTI, T. N., KISHTAWAL, C. M., SHIN, D. W. e WILLIFORD, C. E.. Improving tropical precipitation forecasts from a multi-analysis superensemble. Journal of Climate, 13, 4217-4227, 2000a. KRISHNAMURTI, T. N., C. M. KISHTAWAL, C. M., LAROW, T., BACHIOCHI, D., ZHANG, Z., WILLIFORD, C. E., GADGIL, S. e SURENDRAN, S. Multi-model superensemble forecasts for weather and seasonal climate. Journal of Climate, 13, 4196-4216, 2000b. LJUNG, G. M, e BOX, G. E. P. On a Measure of Lack of Fit in Time Series Models, Biometrika 65, pp.6772, 1978. OLIVEIRA, A. C. de. Relaes entre a TSM nos oceanos Atlntico e Pacfico e as condies climticas nas regies Sul e Sudeste do Brasil. Tese de Doutorado em Meteorologia - IAG-USP, 2005. REPELLI, C. A.; NOBRE, P. Statistical prediction of seasurface temperature over the tropical Atlantic. International Journal of Climatology, v. 24, n. 1, p. 45-55, 2004.

Maro 2010

Revista Brasileira de Meteorologia

87

REYNOLDS, R.W., N.A. RAYNER, T.M. SMITH, D.C. STOKES, AND W. WANG. An Improved In Situ and Satellite SST Analysis for Climate. Journal of Climate, 15, 1609-1625, 2002. SALVADOR, M. A., BALBINO, H. T., LUCIO, P. S., MELLO, L. T. A., FERREIRA, D. B., SILVA, F., FORTES, L. T. G., REBELLO, E, SALES, N. D., PAULA, T. P., RAPOSO, K. Avaliao do aplicativo Climate Predictability Tool na caracterizao e previso do regime de precipita o da costa leste do Nordeste Brasileiro. XIV CBMET - Congresso Brasileiro de Meteorologia, Florianpolis - SC, 2006. STEPHENSON, D. B., C. A. S. COELHO, F. J. DOBLASREYES e M. BALMASEDA. Forecast Assimilation: A unified framework for the combination of multi-model weather and climate predictions. Tellus A , 57, 253-264, 2005. SHUKLA, J. Dynamical predictability of monthly means. Journal of Atmospheric Sciences, 38. 2547-2572, 1981.

SUGI, M. Toward better probabilistic seasonal prediction for decision making. Proceedings of the WMO Technical Conference on Climate as a Resource. Beijing, China, November, 2005. WILKS, D. D. Statistical Methods in the Atmospheric Sciences. 2a Edio, 627 p, 2006. WINTERS, P. R. Forecasting sales by exponentially weighted moving averages, Management Science. 6: 324342, 1960. XAVIER, T. de M. B. S.; SILVA, J. de F. ; REBELLO, E. R. G. A Tcnica dos Quantis e suas Aplicaes em Meteorologia, Climatologia e Hidrologia, com nfase para as Regies Brasileiras. Thesaurus Editora de Braslia Ltda, BrasliaDF, pp144, 2002.