Analise de índice de seca para Nordeste do Brasil

Gabriel Rivas de Melo∗, Carlos A. M. de Souza∗ ,

Dennis M. O. R. de Souza∗ , Tatijana Stosic† e Borko Stosic†
(rivas@deinfo.ufrpe.br, augustomelo86@gmail.com, dennismarinho@bol.com.br,
tastosic@gmail.com, borkostosic@gmail.com)

Abril, 2010

Resumo
A região Nordeste do Brasil, apesar de chover tanto quanto em muitas
outras regiões do mundo, em particular na parte semiárida, é periodicamente
afetada pela ocorrência de secas com perdas parciais ou totais na agropecuária.
Este fenômeno compromete o abastecimento de água devido principalmente à
irregularidade da estação chuvosa na região, com predominância de chuvas in-
tensas e de curta duração. O índice de severidade de seca de Palmer é um
quanticador importante desse fenômeno e para avaliar a existência de utu-
ações não-estacionárias e de correlações de longo alcance em uma série histórica
deste índice, neste trabalho foi utilizado o método Detrend Fluctuation Anal-
ysis (DFA) para tendências polinomiais de graús 1 a 4, signicativas à 1%,
e visualização dos resultados de forma espacialmente contínua é apresentada
usando técnica NURBS. A série se mostrou persistente e crescente em faixas a
partir do estado de Sergipe até o Maranhão.
Abstract
Despite having average yearly rainfall comparable to many other regions in
the world, the semiarid northeastern region of Brazil suers periodic droughts
with partial or total losses in agricultural production. This phenomenon com-
promises water supply mainly due to the irregularity of the rainy season in
the region, with concentration of intense rains in a short time interval. The
Palmer drought severity index is an important quantier of this phenomenon,
and to assess the existence of non-stationary uctuations and long-range corre-
lations in a historical series of this index, in this work the Detrend Fluctuation
Analysis (DFA) method is used with polynomial trends of degrees from 1 to
4, signicant at 1%, and a continuous spatial representation of the results is
presented using the NURBS technique. The series was found to be persistent,
with a tendency of increase from the state of Sergipe to Maranhão.
Key words: Índice de Severidade de Seca de Palmer, Detrended Fluctuation Analysis, Séries
Temporais, NURBS.

∗
Alunos do Programa da Pós Graduação em Biometria e Estatística Aplicada − UFRPE
†
Programa da Pós Graduação em Biometria e Estatística Aplicada − UFRPE

1
Introdução
Vários estudos têm sido feitos para compreender o comportamento climático da
região nordeste do Brasil, que compreende os estados federativos do Maranhão, Piauí,
Ceará, Rio Grande do Norte, Paraíba, Pernambuco, Alagoas, Sergipe e Bahia, e
principalmente quanto ao aspecto do fenômeno da seca, baixa precipitação de chuva
por um longo tempo. A região Nordeste do Brasil, apesar de chover tanto quanto em
muitas outras regiões do mundo, em particular na parte semiárida, é periodicamente
afetada pela ocorrência de secas com perdas parciais ou totais na agropecuária, além
de comprometer o abastecimento de água devido principalmente à irregularidade da
estação chuvosa na região, com predominância de chuvas intensas e de curta duração
(Silva et al.,1998). Alguns pesquisadores têm propostos índices para quanticar e
representar esse fenômeno.
Em 1965, W.C. Palmer desenvolveu um índice para medir a partida de oferta de
umidade (Palmer, 1965). Palmer baseou seu índice no conceito de oferta e demanda
da equação do balanço hídrico, tendo em conta mais do que apenas o décit de pre-
cipitação em locais especícos. O objetivo do Índice de Severidade de Seca de Palmer
(PDSI), como este índice é chamado agora, era fornecer medidas das condições de
umidade que foram padronizadas para que comparações usando o índice possam ser
feitas entre locais e entre os meses (Palmer, 1965).
O PDSI é um índice de seca meteorológica, e ele responde às condições climatéri-
cas que têm sido anormalmente secas ou anormalmente úmidas. Quando mudam
as condições de seco a normal ou molhado, por exemplo, a seca, medida pelo PDSI
termina sem levar em conta vazão, níveis de reservatórios e lago, e outros impactos
hidrológicos de longo prazo (Karl e Knight, 1985; J. Mika et al, 2005).
Diversos métodos para estudar correlações em séries temporais têm sido desen-
volvidos nos últimos anos (Taqqu et al, 1995), atualmente tem sido utilizado, com
sucesso, o método denominado análise de utuações sem tendência - Detrend Fluc-
tuation Analysis - DFA ( Peng et al, 1994).
O DFA é uma evolução da análise R/S clássica (Hurst et al, 1965) e como car-
acterística é importante destacar a identicação de existência de utuações não-
estacionárias e de correlações de longo alcance em sinais com tendências polinomiais
(Kantelhardt et al, 2001).
Nesse método uma determinada medida de utuação da série, denominada de
F, com escala de tamanho n da janela de tempo considerada, comporta-se como
lei de potência em relação aos valores escolhidos para n, ou seja, F ∝ nα . Para as
séries monofractais o expoente α coincide com o expoente de Hurst. Para valores de
α = 1/2 representa uma série de dados aleatória, em contraste a valores diferentes
de 1/2, a série apresenta correlação, em particular α > 1/2 a série apresenta um
comportamento persistente e para α < 1/2 a série apresenta um comportamento
antipersistente.
O expoente de utuação pode ser classicado de acordo com uma faixa dinâmica
de valores (Kantelhardt et al.,2001), como apresentado na tabela 1.
Em anos recentes, tem sido dedicado esforço considerável na análise de corre-
lações que caracterizam a persistência em regimes climáticos, e o método DFA tem

2
 Tabela 1: Classicação da faixa dinâmica de valores do expoente de utuação
α < 1/2 anti-correlacionado, sinal anti-persistente
α∼= 1/2 sem correlação, ruído branco, não apresenta memória
α > 1/2 apresenta correlações de longo alcance
α∼=1 1/f noise ou ruído rosa
α>1 random walk, não estacionário
α∼= 3/2 ruído browniano, integração do ruído branco

se mostrado instrumento bastante útil na análise e quanticação desse fenômeno (Pe-

dron, I. T.,2007). Indicações dessa persistência por meses ou locais são conhecidas
(Shukla, 1998).
O objetivo desse trabalho é determinar o DFA expoente α, para cada célula, do
nordeste, representativa de valores de PDSI e visualizar espacialmente esses valores.

Dados e Metodologia
Os dados de PDSI para a região Nordeste foram extraídos de uma base de dados
◦
global com quadrantes de 2, 5 de longitude e latitude, compreendendo os anos de
1870 à 2005 (Dai, A., et al, 2004; NCAR, 2010). A região Nordeste é caracterizada
◦ ◦ ◦ ◦
pelo quadrante −50, 0 à 32, 50 de longitude e −20, 0 à 0, 0 de latitude perfazendo
um total de 56 células, das quais 23 são representativas, geogracamente, de valores
de PDSI, as demais células ou representavam uma área de mar ou uma área de
dimensão pouco expressiva para a região em estudo.
O procedimento de DFA, descrito a seguir, será aplicado em cada uma das séries
de PDSI nas 23 células representativas da região nordeste.

1. A série temporal original xi , i = 1, ..., N é integrada para produzir y(k) =

Xk
(xi − x̄) onde x̄ é o valor médio de xi e k = 1, ..., N.
i=1

2. A série integrada y(k) é dividida dentre Nn janelas de tamanhos iguais a n, e em

cada janela s = 1, ....., Nn a regressão linear de mínimos quadrados ordinários
(ou polinômio de ordem superior) é calculado para capturar a tendência lo-
cal, onde a linha ajustada (ou do polinomial superior) obtida pela regressão é
yn,s (k).

3. A série integrada y(k) é então destendida pela subtração da tendência local

yn,s (k) dos dados, dentro de cada janela.

4. Calcular a variância destendida (quadrado médio da utuação) da seguinte

Nn −1 n(s+1)
2 1 X X
forma F (n) = (y(k) − yn,s+1 (k))2 .
nNn s=0 k=ns+1

5. Repetir as etapas de 2 a 4 para todos os tamanhos de janelas.

3
 A medida de utuação F (n) aumenta com n através de uma lei de potência
F (n) ∝ nα . O expoente α é obtido pelo coeciente angular da regressão linear de
log(F (n)) versus log(n).
Serão construídos tendências locais em polinômios de gráus 1, 2 , 3 e 4, gerando
respectivamente FDF A1 (n), FDF A2 (n), FDF A3 (n) e FDF A4 (n) e analisados os seus
efeitos na obtenção do α através do poder de explicação dos ajustes (análise de
variância). Uma superfície geográca representativa da imensidade do expoente α na
região nordeste é construído com a técnica NURBS (David F. R., 2001) em linguagem
de programação C.

Resultados e Discussão
Nas séries temporais do PDSI das células representativas da região Nordeste,
foram realizados o cálculo do valor de α para todas as células, no caso 23(vinte e
três), e obtidos comportamentos semelhantes com relação a FDF A1 (n), FDF A2 (n),
FDF A3 (n) e FDF A4 (n) em cada célula.
◦
A gura 1 representa uma área central do Estado da Bahia (quadrante −42, 5
◦ ◦ ◦
à −40, 0 longitude e −12, 5 à −10, 0 de latitude) e uma intersecção dos estados
◦ ◦ ◦
da Paraíba e Rio Grande do Norte (quadrante −37, 5 à −35, 0 longitude e −7, 5
◦
à −5, 0 ), e ilustra genericamente o que ocorreu nas demais células. As regressões
lineares para obtenção direta do expoente α nas tendências polinomiais de graus
de 1 a 4, foram todas signicativas à 1%. É interessante ressaltar que para janelas
menores que 100 meses o comportamento tipo lei de potência para a medida de
utuação torna-se mais evidente.

a) DFA1 Y = -0.85 + 1.08*X

b) 3,0
2,0 DFA1 Y = -0.95 + 1.27*X
DFA2 Y = -1.31 + 1.22*X 2,5 DFA2 Y = -1.31 + 1.31*X
DFA3 Y = -1.58 + 1.28*X DFA3 Y = -1.56 + 1.35*X
1,5 DFA4 Y = -1.83 + 1.35*X DFA4 Y = -1.73 + 1.37*X
2,0

1,0 1,5
Log( F(n) )
Log(F(n))

1,0
0,5

0,5
0,0
0,0

-0,5
-0,5

-1,0 -1,0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 0,0 0,5 1,0 1,5 2,0 2,5 3,0

Log(n) Log(n)

Figura 1: Lei de Potência na a) área central do estado da Bahia e b) uma área de intersecção dos
estados da Paraíba e Rio Grande do Norte

A tabela 2 apresenta alguns descritores do expoente α para a região nordeste

onde vemos desde uma persistência da série do índice de seca com ruído rosa até
um caminho aleatório não estacionário, indicando que o balanço hidráulico da umi-
dade do solo proposto por Palmer se comporta nessa região de forma a preservar
periodicamente as suas características ao longo do tempo.

4
 Tabela 2: Medidas descritivas do expoente de Hurst
Mínimo 0,9515
Máximo 1,2989
Média 1,1530
Desvio Padrão 0,1021

A gura 2 nos permite visualizar de forma contínua o comportamento da dis-

tribuição do expoente de α na região nordeste, caracterizando a presença diferenci-
ada de três grandes partições (áreas) de persistência do índice, que tem seu menor
valor a partir do estado de Sergipe e vai crescendo em faixas até o Maranhão. A
distribuição dos expoentes α sugerem que a localização geográca, principalmente
distância dos oceanos e altitude, sejam componentes importantes de dependência do
índice de Palmer, conforme foi visto para temperaturas (Kurnaz, M. L. ,2004).

Figura 2: Distribuição contínua do expoente α na região Nordeste

Referências
[1] Dai, A., K. E. Trenberth, and T. Qian, 2004: A global data set of Palmer
Drought Severity Index for 1870-2002: Relationship with soil moisture and ef-
fects of surface warming. J. Hydrometeorology, 5, 1117-1130.

[2] David F. Roger: An Introduction to NURBS with Historical Perspective, Mor-

gan Kaufmann Publishers 2001.

5
 [3] E. L. Sequeira Jr., T. Stosic, L.Bejan, B. Stosic: Correlations and cross-
correlations in the Brazilian agrarian commodities and stochs. Physica A, in
press, doi:10.1016/jphysa.2010.01.040.

[4] H. E. Hurst, Trans. Am. Soc. Civ. Eng. 116 (1951) 770; H. E. Hurst, R. P. Black,
and Y. M. Simaika, Long-Term Storage: An Experimental Study, Constable,
London, 1965.

[5] J. Mika, Sz. Horváth, L. Makra, Z. Dunkel: The Palmer Drought Severity Index
(PDSI) as an indicator of soil moisture. Physics and Chemistry of the Earth 30
(2005) 223-230.

[6] J.W. Kantelhardt, E. Koscielny-Bunde, H.H.A. Rego, S. Havlin, A. Bunde: De-

tecting Long-Range Correlations with Detrended Fluctuation Analysis. Physica
A 295 441-454 (2001).

[7] Karl, T.R.; and R.W. Knight. 1985. Atlas of Monthly Palmer Hydrological
Drought Indices (1931-1983) for the Contiguous United States. Historical Cli-
matology Series 3-7, National Climatic Data Center, Asheville, North Carolina.

[8] Kurnaz, M.L. Detrended uctuation analysis as a statistical tool to monitor the
climate. Journal of Statistical Mechanics: Theory and Experiment. 2004.

[9] NCAR - National Center for Atmospheric Research, Climate & Global Dynam-
ics Database. http://www.cgd.ucar.edu/cas/catalog/climind/pdsi.html Ultima
visita em 04/2010.

[10] Palmer, W.C., 1965. Meteorological Drought. Research Paper, US Weather Bu-
reau, Washington, DC, 45, p. 58.

[11] Pedron, I. T.:Correlação em séries temporais de temperatura na região de Cas-

cavel, Estado do Paraná. Acta Scientiarum : Technology vol 29, p. 205-208
(2007).

[12] Peng C-K, Buldyrev SV, Havlin S, Simons M, Stanley HE, Goldberger AL.
Mosaic Organizations of DNA Nucleotides, Phys. Rev. E 49 1685-1689 (1994).

[13] Shukla, J. Predictability in the Midst of Chaos: A scientic basis for climate
forecasting. Science, Washington, D.C., v. 282, p. 728-731, 1998.

[14] Taqqu, M.S. et al. Estimators for long-range dependence: an empirical study.
Fractals, London, v. 3, n. 4, p. 785-798, 1995.