Escolar Documentos
Profissional Documentos
Cultura Documentos
ANGICOS-RN
2013
VALCIANO CAMILO GURGEL
ANGICOS-RN
2013
VALCIANO CAMILO GURGEL
A todos que durante este processo me ouviram dizendo que conseguiria. Em especial aos que
acreditaram.
Instruiu-me na terceira.
Agradeço a Luzia Camilo Gurgel: mãe; inspiração de onde retiro forças; a quem quero
retribuir todo amor; em quem acredito e junto a quem tenho esperança de um mundo melhor.
Aos meus irmãos: Valcélio Camilo Gurgel, Vandeilson Camilo Gurgel e Valdinéia Camilo
Gurgel. Matheus, sobrinho, presente de Deus que trouxe renovação de espírito ao nosso lar.
Aos meninos que moraram comigo desejo prosperidade: Fellipe Fonseca Bastos, Matheus
Fonseca Bastos e Achilles Pinheiro Bastos Júnior (Vermelho); e Josinaldo Rocha.
Agradeço a todos os docentes, porém, destaco alguns cujo contato foi fundamental para o
amadurecimento de minha postura: Francisco Edcarlos Alves Leite e Marcos Vinícius
Cândido Henriques, orientadores de iniciação cientifica e desta monografia; ao Matheus
Menezes, também por valiosas orientações, trocas de experiências e incentivo à pesquisa.
É injusto ter somente uma folha para agradecer. Tanto quanto, é tentar lembrar-se de todos os
nomes e fatos marcantes. Por isso, busco ser grato a todo tempo pelas coisas boas que me
acontecem e pelas pessoas que fazem parte delas.
O presente trabalho aborda a teoria das wavelets aplicada no processamento de sinais e séries
temporais para análise em tempo-escala, também demonstra uma aplicação da técnica da
Coerência Wavelet na detecção de correlação e semelhança entre duas séries temporais
meteorológicas. Em contraste com os métodos clássicos de processamento de sinais, um sinal
representado no espaço das wavelets tem suas estruturas e características representadas em
frequências localizadas temporalmente. As grandezas de interesse foram selecionadas dentre
várias a disposição; as séries meteorológicas temporais em questão são o módulo da
velocidade do vento e a direção do vento. A pesquisa demonstra a importância do estudo de
sinais para a ciência e tecnologia, denotando suas vastas aplicações e assim, a importância de
se ter a disposição técnicas eficientes de análise. Para a nossa análise selecionamos dados
meteorológicos de quatro estações de coleta de dados situadas em diferentes localidades e
mantidas pelo Instituto Nacional de Meteorologia (INMET) do Brasil. Aplicamos a
transformada Wavelet a esses dados para obter seus coeficientes wavelets. Com essa
transformação, os dados meteorológicos são representados em um espaço dual caracterizado
por dois parâmetros: tempo e escala. Em seguida aplicamos a técnica da Coerência Wavelet
para obter a relação de coerência entre as duas séries. Os resultados podem ser visualizados
por meio de um mapa de cores (ou escalograma) no qual se denotam a ocorrência de
coincidência no tempo e escala; como também a fase entre os sinais.
1 INTRODUÇÃO ................................................................................................................................................ 12
1 REVISÃO DA LITERATURA........................................................................................................................ 15
3 METODOLOGIA ............................................................................................................................................ 49
4 RESULTADOS E DISCUSSÃO.................................................................................................................... 52
6 REFERÊNCIAS ............................................................................................................................................... 62
12
1. INTRODUÇÃO
Em todo o momento e em diversas áreas da ciência estamos nos deparando com sinais
ou séries temporais. A definição específica de um sinal tem relação direta com a área ou
aplicação prática no contexto da pergunta. Podemos encontrar em Haykin e Veen (2001, p.22)
que “há sempre um sistema associado à geração de cada sinal, e outro associado à extração da
informação do sinal”. Para Oppenheim e Willsky (2010, p.22), “os conceitos de sinais e
sistemas surgem em diversos campos, e as ideias e técnicas associadas a esses conceitos
desempenham um papel importante em áreas diversificadas da ciência e tecnologia, como
comunicações, aeronáutica e astronáutica, projeto de circuitos, acústica, sismologia,
engenharia biomédica, sistemas de geração e distribuição de energia, controle de processos
químicos e processamento de voz”.
Uma série temporal é uma classe de sinal colhida sequencialmente no tempo de
maneira discreta. A ordem temporal dos coeficientes é de fundamental importância para o
estudo da série. Ao se analisar uma série temporal, geralmente, estamos interessados em
investigar de maneira gráfica e, ou, numérica a ocorrência de eventos passados com o objetivo
de prever eventos futuros, assim como correlacionar estes eventos com outros, podendo
assim, identificar, descrever, explicar e até mesmo controlar processos envolvidos na geração
deste sinal. Para o estudo de sinais temporais tem-se a disposição métodos paramétricos
(determinísticos) e métodos não paramétricos, como é o caso da transformada de Fourier e da
transformada Wavelet.
No processamento de sinais busca-se extrair informações que descrevam a grandeza
em questão. Informações sobre a(s) frequência(s) de um sinal e a localização dessas estruturas
frequências é de fundamental importância. Em termos de análise no domínio de frequência a
ferramenta mais difundida entre os profissionais que trabalham com sinais é a transformada
de Fourier, porém, quando se trata de sinais não estacionários, ou seja, quando as
componentes frequências de um sinal sofrem variações em seu comportamento ao longo no
tempo, esta ferramenta tão difundida torna-se ineficaz. A maioria dos processos da natureza,
modelados em termos de um sinal, e das aplicações tecnológicas envolvendo sinais, são de
natureza não estacionaria ou transitória. Daí a necessidade de se chegar a um método capaz de
preservar a informação temporal dos sinais. Para esta finalidade desenvolveu-se as Wavelets.
O inicio de seu surgimento data de 1910, dos estudos de Alfred Haar e vem sendo formalizada
e aplicada por profissionais de áreas diversificadas.
13
1.1. JUSTIFICATIVA
Os sinais nada mais são que funções de uma ou duas variáveis que irão conter
informações sobre o comportamento ou natureza de algum fenômeno. Associado à geração,
tanto quanto à recepção, de um sinal teremos um sistema correspondente capaz de produzir
outro sinal ou um comportamento desejado. As Wavelets apresentam um método inovador de
descrição de sinais em tempo-escala (onde as escalas estão relacionadas com as frequências
presentes no sinal). Inúmeros trabalhos recentes podem ser encontrados com aplicações
wavelets em áreas diversas. A Coerência Wavelet é uma técnica baseada na Transformada
Wavelet Contínua e permite detectar semelhanças e correlações entre duas grandezas em
termos de tempo - escala, ou seja, dadas duas grandezas é possível analisar por meio desta
técnica como suas respectivas ocorrências estão correlacionadas (neste trabalho utiliza-se a
visualização gráfica por meio do mapa de cores). Em meteorologia é de extrema importância
obter informações que correlacionem grandezas meteorológicas para a predição de estados
futuros, uma vez que se têm muitas variáveis envolvidas na ocorrência de um único evento.
Um bom exemplo é a previsão climática onde esta técnica apresenta-se como ferramenta de
grande potencial para as análises.
1.2. OBJETIVOS
Esta pesquisa visa apresentar aspectos práticos e teóricos dos sinais e séries temporais
das análises de Fourier, tais como a série de Fourier e a transformada de Fourier; aspectos
práticos e teóricos da análise em Wavelet, tais como a transformada Contínua e a Coerência
Wavelet em busca de correlações de dados temporais. Busca-se sempre que necessário, incluir
exemplos analíticos e computacionais das técnicas mencionadas. Será demonstrado que a
transformada em Wavelet é um método de análise capaz de bem processar dados
estacionários, não estacionários e transitórios, ela se consolidou como ferramenta inovadora
no contexto atual do processamento de sinais com a sua representação em tempo-frequência.
O objetivo principal é aplicar a Coerência Wavelet, para analise e detecção de correlação e
semelhança em tempo-escalas, entre duas grandezas, a velocidade e a direção do vento para
quatro diferentes localizações do nordeste brasileiro. Discutem-se os resultados obtidos
14
utilizando mapas de cores nos quais é possível visualizar a intensidade da energia contida nas
correlações e compará-las.
2. REVISÃO DA LITERATURA
2.1. CONTEXTUALIZAÇÃO
Em linhas gerais, um sinal é uma grandeza física variável no tempo que contém algum
tipo de informação mensurável relevante sobre o estado ou comportamento adicional de um
sistema físico.
Formalmente falando, um sinal pode ser representado matematicamente através de
uma função e esta notação, no entanto, pode ser com uma ou mais de uma variável.
Quando o sinal reflete dependência em uma única variável, diz-se que o sinal é
unidimensional.
A fala é um exemplo de sinal unidimensional cuja amplitude varia com o tempo em
dependência da palavra falada e de quem fala. Quando o sinal depende de duas ou mais
variáveis diz-se que ele é multidimensional. Uma imagem é um exemplo de sinal
multidimensional onde as coordenadas, horizontal e vertical da imagem representam as duas
dimensões.
A variável em uma função pode ser contínua ou discreta. Chama-se de sinal
contínuo no tempo quando a variável em questão está definida para um intervalo contínuo de
tempo. O sinal é discreto no tempo quando o seu domínio está definido por uma sequência de
números inteiros , ou seja, são observações feitas sequencialmente, onde cada valor de
correspondente constitui uma observação do fenômeno. O formalismo matemático para um
sinal discreto geralmente se utiliza , com (conjunto dos números inteiros).
Os processos físicos podem ou não possuírem características relacionadas diretamente
com o tempo, em termos de sua estacionaridade. Um determinado processo pode ser de
natureza estacionaria, isto é, se certas propriedades estatísticas não apresentarem variação no
tempo considerando um intervalo finito, caso contrário ele é dito não estacionário, ou ainda,
ele pode ter natureza transiente. Segundo Morettin (1981, p.6), “uma das suposições mais
frequentes que se faz a respeito de uma série temporal é a de que ela é estacionaria,ou seja, ela
se desenvolve no tempo aleatoriamente ao redor de uma média constante, refletindo alguma
forma de equilíbrio estável.
Um sinal em tempo discreto pode representar um fenômeno para o qual a variável
independente é inerentemente discreta como também podem decorrer de amostragem de
sinais de tempo contínuo, constituindo amostras sucessivas do fenômeno observado. As
representações gráficas dos dois tipos de sinais podem ser vistas na Figura 1.
16
banco de dados;
temporal.
Figura 2 – Séries temporais da velocidade do vento (m/s) nos anos de 2009 e 2010 em
(a) Natal, (b) Fortaleza e (c) João Pessoa.
Nos gráficos acima, observa-se que as representações dos sinais são semelhantes,
porém não são iguais. Se aumentarmos a quantidade de localizações onde são feitas
observações da mesma grandeza no mesmo período teremos sempre curvas parecidas, mas
todas elas terão aspectos diferentes entre si. O mesmo ocorrerá se a analise for estendida para
anos anteriores a 2009 ou posteriores a 2010, dificilmente teremos a mesma curva.
Portanto, cada série temporal é uma trajetória, ou parte de uma trajetória dentre várias
possíveis, de um mesmo processo físico, Morettin (1981). Estes processos são estudados por
meio de modelos governados por leis probabilísticas, isto é, as variáveis são definidas em um
espaço de probabilidades. Esses processos são denominados de Processos Estocásticos.
Introduzida a noção de processo estocástico pode agora ser dito que uma série
temporal é um sinal aleatório, , de um processo estocástico. Observa-se então que sendo
o sinal uma variável aleatória, a sua modelagem matemática é probabilística, não-
determinística como ocorre no caso de sinais analisados por funções pré-determinadas (na
literatura chamados de sinais determinísticos).
Encontra-se em Cataldo (2012, v.68, p.13) a seguinte afirmação sobre a abrangência
de processos estocásticos, “existem inúmeras aplicações de tais modelos nas mais diferentes
áreas de conhecimento. Nas comunicações via telefone celular, no processamento digital de
sinais (voz, imagem, vídeo,...), nos sistemas de radar, nos investimentos na bolsa de valores,
19
De acordo com a Definição 2.1, o que se tem apresentado na Figura 2 são três
trajetórias de um mesmo processo estocástico.
Para mais informações sobre processos estocásticos recomendam-se as obras de
Morettin (1999), Morettin e Toloi (1981), as notas em matemática aplicada de Sampaio,
Ferreira e Brandão (2012), referenciadas na presente pesquisa.
Existem modelos de processos estocásticos de variáveis contínuas e discretas. Neste
trabalho serão analisadas séries temporais de dados meteorológicos reais em tempo discreto
com a finalidade de investigar a ocorrência de correlação, semelhança e regularidades entre as
séries temporais da velocidade e da direção do vento no período de tempo e na mesma
localidade.
20
o processamento de sinais digitais com dados discretos no tempo. Para o tratamento de ambos
os tipos existem diferentes técnicas matemáticas de transformação de sinais.
Hoje em dia existem diversos dispositivos que podem ser usados no processamento
digital de sinais. Por exemplo, têm-se os rápidos e versáteis DSPs (Digital Signal Processor)
que são microprocessadores especializados em processamento digital de sinal e usados para
processar sinais de áudio, vídeo, etc, em tempo real ou em off-line, eles são capazes de
calcular rapidamente a Transformada Rápida Fourier; têm-se os microcontroladores que se
trata de um microprocessador contendo processador, memória e periféricos, podendo ser
programado para funções específicas contrastando com outros microprocessadores de
propósito gerais; e os FPGAs (Field Programmable Gate Array) dispositivos que podem ser
programados de acordo com as aplicações dos usuários, largamente utilizado para o
processamento de informações digitais. Têm-se alguns softwares que possuem rotinas prontas
e permite a construção facilitada de algoritmos para o processamento de dados em um PC.
Fourier ficou órfão de pai e mãe aos nove anos de idade, quando foi internado no
colégio militar beneditino de Auxerre (uma comuna francesa na região administrativa da
Borgonha, no departamento Yonne), onde nasceu. Bem cedo já era considerado um menino
prodígio, demonstrando sua vocação para a ciência foi convidado a lecionar com apenas
dezesseis anos. Em 1789 aderiu à causa da Revolução Francesa. O ativismo político o fez
passar por muitas turbulências, porém o jovem era apaixonado pelas ideias de igualdade. Sua
produção intelectual vai além das famosas e difundidas análises de Fourier. Geralmente ele é
creditado também pela formalização de uma teoria do efeito estufa; ele mostrou que o efeito
de aquecimento do ar dentro das estufas de vidro, utilizadas para manter plantas
de climas mais quentes no clima mais frio da Europa, se repetiria na atmosfera terrestre.
Durante sua vida Fourier teve como professores Joseph Louis de Lagrange, Pierre Simon
Laplace e Gaspard Monge, os maiores físico-matemáticos da época, com quem manteve
excelentes contatos por intermédio da Écòle Polytechnique, onde lecionou em 1794. Em 1822
escreveu sua obra “Theorie Analytique de La Chaleur" (Teoria Analítica do Calor) realizando
um marco na física-matemática. Seu trabalho contribuiu com os fundamentos da
termodinâmica e constituiu uma melhoria ainda hoje muito importante para a modelagem
matemática de fenômenos físicos. Em seguida outros cientistas e matemáticos deram suas
contribuições formalizando a demonstração da tão utilizada Transformada de Fourier.
Quatro representações distintas de Fourier são bem conhecidas na literatura, cada uma
delas é apropriada a uma classe diferente de sinais e são definidas pelas suas propriedades
temporais. Os sinais periódicos tem representação pela série de Fourier: a série de Fourier
(SF) se aplica a sinais periódicos de tempo contínuo; e a série de Fourier de tempo discreto
(SFTD) se aplica a sinais periódicos de tempo discreto. Sinais não periódicos tem
representação pela transformada de Fourier: se o sinal for não periódico de tempo contínuo
sua representação se denomina de transformada de Fourier (TF); se o sinal for não periódico
de tempo discreto sua representação se dá pela transformada de Fourier de tempo discreto
(TFTD). A Tabela 1 faz uma relação entre as características do sinal e sua respectiva
representação pela análise de Fourier.
24
Definição 2.2 Diz-se que uma função tem período ou que é periódica com período
, se, para todo t, ,e , é uma constante positiva. O menor valor
de é chamado período mínimo de .
Observa-se que uma função periódica, conforme a Definição 1.2, admite a notação de
iteração da seguinte maneira: , onde para denotar a
periodicidade.
A seguir procura-se realizar uma abordagem breve, mas suficiente, sobre a série e a
transformada de Fourier, tal que possibilite uma compreensão genericamente introdutória da
análise de Fourier, e de suas variantes, como ferramentas poderosas de representação
frequêncial, portanto, suficiente para análise de sinais estacionários.
Por intermédio da série de Fourier, qualquer função periódica, por mais complicada
que seja, tem sua representação equivalente como uma soma de componentes senoidais de
frequências distintas.
Sabemos que a frequência é definida como o número de ocorrência de um
determinado evento durante o tempo de um período unitário. Em outras palavras, ela é dada
pelo inverso do período, , e se este for medido em segundo a frequência será dada em Hz,
conforme a seguinte equação:
(1)
(2)
∑ * ( ) ( )+ (3)
∫ (4)
∫ ( ) (5)
∫ ( ) (6)
Observa-se que conhecido , dado pela equação (3), e os coeficientes dados pelas
equações (4), (5) e (6), pode ser reconstruída temporalmente.
(7)
∫ ( ) ∫ (8)
27
Tem-se então, uma integral por partes. É possível separar o produto da equação (8) em
duas funções, chamá-las de e e assim aplicar o método da “integração por
tabulação” que é um método simplificado de solucionar integrais deste tipo com agilidade,
Thomas (2002):
Obtemos:
[( ) ( ) ]
∫ ( ) ∫
[( ) ( ) ]
Assim, a função mostrada pela equação (7) tem sua representação pela série de Fourier
dada pela seguinte equação:
∑ * + (9)
Então, para cada índice n a equação (9) irá gerar uma componente de onda. A soma de
todas as ondas, ou seja, , sintetiza o gráfico da função (7).
28
A reconstituição gráfica para a função da equação (7) no domínio temporal é dada pela
soma das componentes de frequência. Uma aproximação para de até é apresentada na
Figura 7.
∑ (10)
∫ (11)
Essa nova função é uma função periódica e pode ser representada por uma série de
Fourier.
Sabemos que se o período tende a ser infinito, tende a ser , de modo que a série de
Fourier que representa também representará .
30
Em outras palavras, quando o sinal não apresenta periodicidade, ele pode ser expresso
por uma soma contínua, ou seja, uma integral, de sinais exponenciais, generalizando a série de
Fourier na forma exponencial:
∫ (12)
∫ (13)
(14)
A representação gráfica para a função da equação (14 ) pode ser vista na Figura 8 a
seguir.
[ ]
(15)
Vemos que a expressão (15) é uma função de números complexos. Para visualizar o
seu gráfico é necessário decompor o sinal em módulo e fase.
Facilmente verificamos que o módulo da equação (15) é dado pela seguinte expressão:
| |
√
Figura 12 – Sinais componentes de frequências 200 Hz, 350 Hz e 500 Hz, que
compõem .
O método de “Janelamento” é uma proposta inicial para efetuar análises em sinais não
estacionários feita pelo engenheiro elétrico Denis Gabor, em 1946, para cobrir a deficiência
na transformada de Fourier. Ele adaptou a transformada de Fourier adicionando uma janela,
ou seja, uma função de análise auxiliar no integrando da transformada de Fourier capaz de
analisar o sinal dividindo-o em seções de tamanhos iguais. Essa função é conhecida como
“átomo de Gabor” e o método como Transformada de Fourier-Gabor, Leite (2007). Este
método é apropriado para identificar aspectos temporais de uma determinada região do sinal.
Neste esquema, o sinal ou serie temporal é dividido em intervalos iguais e a transformada de
Fourier é aplicada em cada um destes trechos por uma janela de tamanho fixo e constante por
todo o sinal. Vale ressaltar que o fato de a análise de sinal ser completamente feita por uma
janela invariável impede que sejam descritas as altas e as baixas frequências simultaneamente.
A Figura 13 representa a transformada de Fourier – Gabor que proporciona
informações sobre as localizações temporais das estruturas de frequências de acordo com o
tamanho da janela definida para efetuar a análise por todo o sinal. Percebe-se que os tamanhos
de janelas, uma vez escolhido um tamanho, eles são iguais por todo o tempo do sinal.
35
I. A condição de admissibilidade:
∫ (16)
∫ | | (17)
∫ (18)
Onde,
( ). (19)
√
literatura é conhecida como “Chapéu Mexicano” devido a sue formato visual. Na Figura 18(a)
é ilustrada a wavelet para os valores de e O parâmetro significa que a
wavelet está centrada em isto é, na origem. A wavelet é gerada pela contração no
Figura 18 – (a) Ilustração de dilatação e translação de uma função wavelet para valores
dos parâmetros e . (b) Transformada de Fourier (espectro na frequência) para as wavelets
ilustradas em (a).
Agora considere o gráfico da série temporal mostrada na Figura 19(a). Esta série é a
mesma analisada com a Transformada de Fourier-Gabor para extrair informações temporais
das localizações das três diferentes componentes de frequência (Figura 16). A Figura 19(b)
apresenta a decomposição em tempo-escala deste mesmo sinal utilizando a Transformada
Wavelet Contínua e seus coeficientes são mostrados em mapa de cores. Percebe-se a
localização com maior precisão e visibilidade das ocorrências destas frequências durante o
tempo do sinal.
∫ ∫
| ( )|
( | | ) ( | | )
Figura 20 – Em (a) e (b) tem-se dois sinais temporais senoidais (c) e (d) suas
respectivas transformada wavelet em mapa de cores.
Transformada Wavelet Contínua foi realizado conforme a equação (18). Dessa análise
percebe-se que a os coeficientes da Transformada Wavelet Contínua possuem valores
significativos para cada sinal próximo (em volta) a escala 105. Portanto, são necessárias
poucas escalas para descrever os sinais e no espaço das wavelets.
Figura 21 – Em (a) tem-se os dois sinais (superpostos, pois são iguais) temporais senoidais
iguais e (b) o espectro wavelet cruzada, para os dois sinais, em mapa de cores.
Figura 23 – Em (a) tem-se os dois sinais (superpostos, pois são iguais) temporais
senoidais adicionados de ruído gaussiano e em (b) o Espectro Wavelet Cruzada, para os dois
sinais, em mapa de cores.
Figura 24 – Coerência Wavelet, para os dois sinais acrescidos do ruído gaussiano, em mapa
de cores.
3. METODOLOGIA
As séries temporais são de acesso livre e foram obtidas do banco de dados do Instituto
Nacional de Meteorologia (INMET), no qual se encontram disponíveis séries temporais
meteorológicas com medições diárias desde o ano de 1961 aos dias atuais. Os dados
disponíveis são referentes a 291 localidades do território brasileiro, INMET (2013). Para
analisar os dados foram escolhidas cinco estações meteorológicas localizadas na região do
nordeste para aferir suas grandezas físicas. Os dados aqui analisados têm suas medidas
realizadas diariamente, em estações meteorológicas em análise estão localizadas nas seguintes
cidades: Natal-RN, João Pessoa-PB, Cruzeta-RN e Patos-PB. O período analisado refere-se a
todo o ano de 2009 e de 2010. As medições foram efetuadas a partir das zero horas, sendo três
medições por dia em intervalos de oito horas.
A Figura 26, abaixo, mostra a disposição geográfica para as localizações das estações
meteorológicas.
4. RESULTADOS E DISCUSSÃO
setas estão orientadas para a esquerda indicando uma diferença de fase de 180°. Isto indica
uma anti-correlação entre os sinais.
Percebemos também, uma localização temporal mais localizada de onde a correlação
entre as séries merece destaque. É a localização temporal de 1800 até 2190 e para todas as
escalas que existe um grau considerável na correlação para intervalos de tempo longos
(escalas maiores) e curtos (escalas menores).
As Figuras 28(a) e 28(b) mostram, respectivamente, os dados meteorológicos e os
coeficientes da Coerência Wavelet em mapa de cores. Esses dados analisados
foram coletados da estação meteorológica localizada na cidade de João Pessoa-PB. O que
podemos verificar, na figura 28(b), visualmente, (cor vermelha intensa) é a existência de uma
grande correlação compreendida para as escalas maiores que 890 (aproximadamente) e em
todo o domínio temporal (semelhante ao ocorrido em natal para escalas maiores 910).
Portanto, é conveniente afirmarmos que pode existir uma correlação entre a intensidade da
velocidade e a direção do vento quando consideramos, na análise, intervalos de tempo
maiores (semanas ou meses). Nesta mesma região, percebemos que as setas indicam que não
existe diferença de fase entre os sinais em suas respectivas escalas e localizações temporais.
Portanto, entre os sinais da intensidade da velocidade do vento e a direção do vento existe
uma correlação e ela é denotada pela faixa de escalas, isto é, existe a predominância de uma
direção do vento correlacionada com um determinado módulo de velocidade ocorrendo
durante todo o tempo do sinal. Analogamente ao que se constata em Natal, podemos afirmar
que a velocidade média e a direção média do vento não variam (em média) para intervalos de
tempo longos.
Para as escalas menores (abaixo de 890) percebemos, em uma região bem centrada na
figura 28(b), que a correlação começa a deixar de existir e passa a existir uma diferença de
fase entre os sinais analisados (cor amarela para a cor azul). Nesta mesma região, as setas
estão orientadas para a esquerda indicando uma diferença de fase de 180°. Isto indica uma
anti-correlação entre os sinais, porém, ainda não caracteriza uma correlação negativa e sim
uma imprecisão da técnica para este trecho. Começamos a constatar que a relação entre as
grandezas em estudo têm descrições (análises) semelhantes embora pertençam a localidades
geográficas diferentes.
Agora, vamos analisar os dados meteorológicos representados nas Figuras 29(a) e
30(a). Estes dados foram coletados da estação meteorológica localizadas nas cidades de
Cruzeta-RN e Patos-PB, respectivamente. Diferentemente das estações para as cidades de
Natal-RN e João Pessoa-PB, as estações de Cruzeta e Patos estão a uma altitude superior a
55
226 metros, como mostra a Tabela 02. Nas Figuras 29(b) e 30(b) temos os coeficientes da
Coerência Wavelet em mapa de cores para as respectivas séries, analogamente
aos outros dados discutidos até aqui.
Podemos observar, na figura 29(b), visualmente, (cor vermelha intensa) a existência de
uma grande correlação em um intervalo pequeno nas escalas compreendidas entre 1045 a
1351 (aproximadamente) e em todo o domínio temporal, sem diferença de fase. Para as
escalas fora desse intervalo percebemos que os coeficientes da Coerência Wavelets são
pequenos (cor em azul) e desconsideráveis em comparação a faixa de correlação bem
caracterizada nas escalas superiores.
Já para a Figura 30(b), as correlações predominantes, em todo o domínio temporal,
aparecem para dois intervalos de escalas. O primeiro compreende o intervalo da escala 610 a
escala 1051 e o segundo para escalas maiores que 1201. Percebemos que as correlações destes
sinais aparecem com uma intercalação de anti-correlação no decorrer do tempo para as escalas
(abaixo de 650 aproximadamente). Esta mesma intercalação pode ser percebida na estação de
Cruzeta, porém, nas escalas de 901.
56
5. CONSIDERAÇÕES FINAIS
recentes como, por exemplo, eficientes algoritmos computacionais de interesse de uma ampla
gama de profissionais, pesquisadores e fácil acessibilidade por meio de rotinas prontas, sendo
necessário apenas um PC.
Destaca-se também, que a escolha da wavelet-mãe, ou função geradora, é de
fundamental importância para o bom desempenho da análise wavelet algumas funções
geradoras mais conhecidas são: Haar, a primeira função a surgir com as características que
hoje definem as wavelet; função de Daubechies; Mexican Hat (ou chapéu mexicano); Meyer e
a de Morlet, utilizada neste trabalho. Critérios como suporte e formato das wavelets são
considerados na escolha da função geradora. Conclui-se que a utilidade primordial da análise
em Wavelet está na sua possibilidade atuar como função base para a decomposição de outras
funções pertencentes ao espaço das funções de quadrados integráveis. As funções wavelets
cobrem e descrevem completamente este espaço de uma forma mais sofisticada que as bases
senoidais dos métodos de Fourier.
62
6. REFERÊNCIAS
MISITI, M. et al. Wavelet Toolbox User’s Guide: for use with matlab. The MathWorks,
version 3, 2013. Disponível em:
<http://www.mathworks.com/access/helpdesk/help/pdf_doc/wavelet/wavelet_ug.pdf>.
Acesso em: 20 mai. 2013.
OPPENHEIM, A. V.; WIILSKY, A. S. Sinais e Sistemas. 2. ed. São Paulo: Pearson Prentice
Hall, 2010.
63