ANLISE ESTATSTICA E ESPECTRAL DE DADOS METEOROLGICOS DE SUPERFCIE Ernesto Luiz Casares Pinto1 , Nisia Krusche2 , Humberto Camargo Piccoli3

1. Dep. de Fsica 2. Dep. de Geocincias 3. Dep. de Materiais e Construo Fundao Universidade do Rio Grande (FURG) ABSTRACT This article discusses the spectral analysis of daily meteorological data, extracted from the Meteorological Center of the University of Rio Grande (FURG). The time series corresponds to temperature, atmospheric pressure, humidity and evaporation, measured at Rio Grande city, from January 1990 to August 1995. The spectral approach was made using the professional version of MATLAB Software, mainly the Signal Processing Toolbox. Initially, tests were made for stationarity, periodicity and normality of the time series. Afterwards, the spectral and cross-spectral estimation was computed as well as the autocorrelation, cross-correlation and coherence spectrum of the data analysed. During processing of the time series the Hanning Window, and the low-pass and high-pass Butterworth filters were used. Despite the low frequency data aquisition (one value per day), the spectral analysis shows satisfactory results. _____________________________ 1. INTRODUO O estudo corresponde a anlise estatstica e espectral de dados meteorolgicos de presso atmosfrica, temperatura de bulbo seco, temperatura de bulbo mido, umidade relativa do ar e taxa de evaporao, relativos a cidade de Rio Grande/RS, coletados na Estao Meterolgica da Fundao Universidade do Rio Grande (FURG) situada no Campus Carreiros. As sries temporais foram recebidas, j digitalizadas, sendo que cada srie discreta consta de 2096 dados dirios, compreendendo o perodo de janeiro de 1990 a agosto de 1995. Para o sinal discreto, foi adotado T para a durao do sinal e N para o nmero de dados (amostras). Definindo como o intervalo amostrado pode ser obtida a relao: N=T/ valores amostrados. A frequncia fundamental do sinal corresponde a f1=1/N (primeira harmnica). A segunda harmnica corresponde a f2=2/N e, assim sucessivamente at a e-nsima harmnica. Pelo critrio de Nyquist, para evitar o efeito aliasing ou efeito de dobragem (Newland, 1975), fundamental que sejam realizadas, no mnimo, duas observaes por ciclo. O perodo mnimo de observao 2 e, como consequncia, a frequncia mxima que pode ser observada 1/2. Esta frequncia corresponde a frequncia de corte ou de Nyquist (e-nsima harmnica), sendo igual a fc=1/2=N/2T (Jenkins & Watts, 1968). Deve ser ressaltado, portanto, que a escolha do tempo que separa duas medidas, corresponde a uma etapa extremamente importante na anlise espectral, pois ela determinar o tipo de fenmeno que poder ser observado. Para o presente estudo somente podem ser observados fenmenos com frequncia at 0.5 cpd. O objetivo deste trabalho refere-se anlise estatstica e espectral das sries temporais, correspondentes aos dados meteorolgicos de superfcie, utilizando a linguagem computacional MATLAB.

2. METODOLOGIA

As etapas correspondentes coleta, gravao, transmisso e preparao dos dados (edio e digitalizao) no foram analisadas, uma vez que estas j tinham sido realizadas na Estao Meteorolgica. Preliminarmente, foi feita uma depurao dos dados, estabelecendo os valores limites atravs da visualizao grfica e analtica das sries temporais. A qualificao dos dados foi feita atravs da anlise de estacionaridade, normalidade e periodicidade (Bendat & Piersol, 1971). A estimativa da densidade espectral de potncia foi determinada diretamente a partir da srie temporal, em termos da mdia quadrtica ou da varincia pois a mdia das sries foi zerada, atravs da aplicao da Transformada Rpida de Fourier (FFT), (Press et al, 1992). Para exemplificar, a estimativa da densidade espectral pode ser obtida, na sua forma mais simples, atravs da aplicao direta da expresso, em linguagem MATLAB: pxx=abs(fft(x,n)).^2/n, sendo x a srie temporal e n o nmero de valores amostrados. Ao gerar o vetor frequncia, foi considerada a taxa de amostragem, para que a anlise espectral ficasse restrita a mxima frequncia que pode ser observada (Nyquist), que no caso das sries analisadas igual a 0.5 cpd (ciclos por dia). Para reduzir a varincia do espectro, inicialmente as sries foram divididas em sees superpostas e, logo aps, foi determinada a mdia dos periodogramas destas sees. As sries foram janeladas atravs da aplicao da janela de Hanning e filtradas atravs de um filtro tipo butter de nona ordem. A autocorrelao e a correlao cruzada foram obtidas atravs da aplicao da Transformada Rpida de Fourier Inversa (IFFT) ao resultado da estimativa do espectro. A coerncia foi obtida utilizando a expresso em linguagem MATLAB: Cxy= (abs(Pxy).^2)./(Pxx .*Pyy), sendo Pxy o espectro cruzado e Pxx e Pyy os autoespectros das sries em anlise.

Para determinao da coerncia, foi fundamental a diviso dos dados em sees e a consequente realizao da mdia para determinao dos espectros, pois se for utilizado toda a srie o resultado ser o valor constante unitrio. 3. RESULTADOS Inicialmente, para exemplificar, foi plotada a srie correspondente a presso (fig. 1).

Fig. 1. Srie temporal da presso atmosfrica.

A qualificao dos dados evidenciou a existncia de estacionaridade, periodicidade e normalidade em todas as sries. A presso atmosfrica serviu como exemplo para evidenciar a existncia de estacionaridade nas sries. A tabela 1 demonstrou que as propriedades estatsticas das amostras anuais tenderam a se manter. tabela 1.
Dados de Press o 1990 1991 1992 1993 1994 1015.4 1015.0 1046.0 1014.5 1015.0 Mdia (mbar) Desvio padro (mbar) 5.813 6.029 6.147 5.697 5.9894
Varinci a (mbar
2

Mdia Quadrtica (mbar)2 (106) 1.031 1.030 1.029 1.029 1.0302

) 33.793 36.359 37.791 32.459 35.872

A figura 2 demonstrou, claramente, para a presso atmosfrica, uma tendncia para a normalidade na distribuio dos dados; fato este evidenciado em todas as sries.

2048 dados o valor discretizado, correspondente a frequncia anual, no existe pois f(0)=0, f(1)=1/2048, f(2)=2/2048, f(3)=3/2048, f(4)=4/2048, f(5)=5/2048 e f(6)=0.0029 cpd. Tendo em vista que quase toda a energia est concentrada nas baixas frequncias, foi aplicado as sries o filtro digital passa baixa tipo butter(9,0.02), que indica que o filtro de nona ordem com frequncia de corte de 0.02 cpd. A figura 4 justificou a utilizao da funo filtfilt ao invs da funo filter do toolbox do MATLAB, pois a primeira eliminou as distores de fase no processo de filtragem.

Fig. 2. Teste de normalidade para a srie da presso atmosfrica.

A figura 3 corresponde a Estimativa da Densidade Espectral da Presso Atmosfrica, em escala logaritimica.

Fig. 4. Demonstrao da aplicao do filtro passa baixa butter(9,0.02) e comparao entre a utilizao da funo filtfilt e filter do toolbox do MATLAB.

Fig. 3. Estimativa de Densidade Espectral (mbar 2) para 2048 dados de presso atmosfrica.

Ao serem utilizados 1825 dados de presso (5 anos), foi obtida como frequncia do espectro fesp=0.0027 cpd e, consequentemente, o perodo tesp=365 dias. Isto indica que a frequncia predominante no espectro a anual. Pode ser observado ainda, nas baixas frequncias, um outro pico que corresponde a frequncia semianual. Logo aps foram utilizados 2048 dados sendo obtido o resultado: fesp=0.029 cpd e tesp= 341.333 dias. Isto no correspondeu a erro na determinao da frequncia do espectro, simplesmente com

O espectro entre a presso e a temperatura resultou em uma densidade espectral de potncia negativa, mas no caso de temperatura e evaporao o espectro cruzado deu origem a uma potncia do espectro positiva (fig. 5).

Fig. 5. Espectro Cruzado com aplicao do filtro passa baixa tipo butter(9,0.02).

Fig. 7. Espectro anual (mbar2) da presso atmosfrica (filtro passa alta tipo butter(9,0.08,high)).

A figura 8 demonstrou os resultados para a autocorrelao e correlao cruzada entre a presso atmosfrica e a temperatura, mostrando uma correlao negativa para defasagem zero.

Fig. 6. Espectro da presso atmosfrica (mbar 2) nas altas frequncias (2048 dados).

Logo aps foram analisados os picos de energia do espectro nas altas frequncias para 2048 e 365 dados. Para isto foi feito um zoom nas altas frequncias do espectro da presso atmosfrica com 2048 dados (fig. 6). Nesta figura, foi constatada a presena de energia significativa nas frequncias correspondentes a 8.2, 7.8, 7.0, 6.7 e 5.8 dias. Estes picos podem corresponder a passagens de sistemas frontais na cidade de Rio Grande, j que o trabalho de Britto e Krusche (1996) encontrou, para esta regio, uma perodo de passagem de frentes entre 6 e 10 dias. Outrossim, frequncias entre 5 e 8 frentes por ms j foram observadas para esta regio (Climanlise, 1986). Alm disto foi utilizado um filtro passa alta tipo butter(9,0.08,high) que retira as frequncias abaixo de 0.08 cpd. Atravs da anlise da figura 7 constata-se a presena de picos com energia significativa nas frequncias correspondentes a 7.9 e 10.4 dias.

Fig. 8. Autocorrelao e Correlao Cruzada entre a presso atmosfrica e a temperatura com aplicao do filtro passa baixa tipo butter(9,0.02)

Com relao ao tempo correspondente a distncia entre dois picos positivos e sucessivos das curvas, na direo do eixo da fase, este indicou uma periodicidade anual. Resultou tambm em correlao negativa, para a fase zero, os sinais de presso e evaporao, temperatura e umidade relativa do ar e, umidade relativa do ar e evaporao. As maiores correlaes foram obtidas entre, em ordem decrescente, presso atmosfrica e temperatura e entre temperatura e umidade relativa do ar. As correlaes entre temperatura e evaporao, presso atmosfrica e evaporao e umidade relativa do ar e evaporao tenderam para um mesmo valor, sendo a primeira um pouco maior.

Fig. 9. Coerncia entre a presso atmosfrica e a temperatura (filtro passa baixa tipo butter(9,0.02)) .

A coerncia confirmou a existncia de correlao alta entre as sries nas frequncias anual e semianual (fig. 9). 4. CONCLUSES Os resultados da anlise espectral, na escala temporal de cinco anos, indicam fortemente que as variveis meteorolgicas de superfcie em anlise contm uma frequncia caracterstica. Ao serem observadas as estimativas de densidade espectral, praticamente toda a energia est concentrada na frequncia anual. A distncia entre os picos, na direo paralela ao eixo da fase, nos grficos da correlao confirmaram a existncia de um perodo anual nas sries. O estudo da correlao e do espectro cruzado demonstrou que as propriedades que esto em oposio de fase correspondem a: presso e temperatura, presso e evaporao, temperatura e umidade relativa do ar e, umidade relativa do ar e evaporao. Os picos de energia que aparecem nas figuras 6 e 7 induzem a que seja estabelecida uma relao com a passagem de sistemas frontais. O fato do perodo correspondente a passagem de frentes no ficar perfeitamente definido, talvez seja devido ao fato do trabalho ter sido realizado utilizando dados meteorolgicos de superfcie com uma taxa de amostragem muito baixa (um dado por dia). Outrossim, no de se esperar que a passagem de frentes ocorram em um ciclo peridico regular.

Certamente o estudo que foi desenvolvido pode ser melhorado significativamente, para isto podem ser citadas, como sugestes, por exemplo, a realizao de: a. Aumento da frequncia de amostragem; b. Estudo da preciso dos resultados obtidos, principalmente atravs de definio de intervalo de confiana, sem o qual fica difcil fazer alguma afirmao categrica; c. Anlise de fase das grandezas estudadas, com o objetivo de ser realizado estudo sobre as variveis determinantes em um determinado fenmeno; d. Anlise espectral para diferentes escalas com o objetivo de identificar, por exemplo, processos sazonais e alteraes climticas. 5. REFERNCIAS BIBLIOGRFICAS Bendat, J.S. and Piersol, A.G.. Procedures Random Data: Analysis and Measurement, John Wiley, New York, p.407, 1971. Britto, F. e N. Krushe, Frequncia e Intensidade das Frentes Frias em Rio Grande, IX Congresso Brasileiro de Meteorologia, Campos do Jordo, 1996. Climanlise, Boletim de Monitoramento e Anlise Climtica, Nmero Especial, Instituto de Pesquisas Espaciais, So Jos dos Campos, 1986. Jenkins, G. M. and Watts, D. G.. Spectral Analysis and its Aplications, HoldenDay, San Francisco, Califrnia, p.525, 1968. MATLAB. High-Performance Numerical Computation and Visualization Software, The Math Works, United States, 1993. Newland, D.E. . Random Vibration and Spectral Analysis, Longman Group Limited, New York, p.285,1975. Willian H. Press, Saul A. Teukolsky, William T. Vetterling, Brian P. Flannery. Numerical Recipes in Fortran, The Art of Scientific Computing, Cambridge University Press, p.963, New York, 1992.