Simulação geoestatística espaçotemporal com deriva externa temporal local
A geoestatística gera mapas ou modelos 3D estimados a partir de amostras pontuais distribuídas no espaço e, de maneira similar, a geoestatística espaçotemporal utiliza os mesmos princípios para dados obtidos no decorrer de uma época. Os métodos tradicionais de geoestatística espaçotemporal não consi...
| Autor: | |
|---|---|
| Tipo de documento: | tese |
| Estado: | Versão publicada |
| Data de publicação: | 2020 |
| País: | Brasil |
| Recursos: | Universidade de São Paulo (USP) |
| Repositório: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | português |
| OAI Identifier: | oai:teses.usp.br:tde-01102020-095352 |
| Acesso em linha: | https://www.teses.usp.br/teses/disponiveis/44/44137/tde-01102020-095352/ |
| Access Level: | Acceso aberto |
| Palavra-chave: | Data Modeling Forecasting (Time Series Analysis) Geoestatística Geostatistics Mapa estatístico Modelagem de dados Previsão (Análise de Séries Temporais) Séries Espaço-Temporais Space-Time Series Statistical Map |
| Resumo: | A geoestatística gera mapas ou modelos 3D estimados a partir de amostras pontuais distribuídas no espaço e, de maneira similar, a geoestatística espaçotemporal utiliza os mesmos princípios para dados obtidos no decorrer de uma época. Os métodos tradicionais de geoestatística espaçotemporal não consideram a variabilidade espacial das séries temporais. Isto ocorre em regiões grandes onde cada local seja possuidor de uma característica que altera a sua oscilação temporal. Para resolver este problema, propõe-se aqui um método de previsão de mapas mesclando a abordagem geoestatística com as decomposições de deriva externa temporais utilizados nas análises de séries temporais. Estas decomposições são necessárias para remover a tendência e sazonalidade dos dados estudados e, assim, garantir a estacionariedade de segunda ordem - necessária para a aplicação da geoestatística - na dimensão tempo. A decomposição de séries temporais é definida por alguns parâmetros como amplitude da oscilação sazonal, o coeficiente angular da reta, fase da oscilação e valor de intercepto. Estes parâmetros podem ser estimados no espaço para criar mapas de seus valores, sendo possível gerar modelos temporais determinísticos em cada ponto da área estudada. Paralelamente, os resíduos das decomposições (e.g. aleatoriedade, oscilações de diversas escalas, variabilidades espaçotemporais intrínsecas e outros) podem ser estimados ou simulados e, posteriormente, adicionados aos padrões espaçotemporais determinísticos. Os modelos temporais locais serão utilizados como deriva externa na geoestatística, permitindo conhecer seus resultados em qualquer local e data desejada, inclusive para o futuro (longo prazo). O estudo de caso para apresentar o método utiliza dados de temperatura da região da Patagônia, que foi selecionada, pois é uma região de mais de 1 mi km2 e apenas 18 estações meteorológicas. Foram selecionados os dados mensais de janeiro de 2002 a dezembro de 2016 para simular mapas de todos os meses do ano de 2017. Para validar os resultados, eles foram comparados com métodos propostos pela literatura (geoestatística espaçotemporal com e sem análise de tendências) e com os resultados de imagens de satélites (Land Surface Temperature). Os resultados mostram que o método proposto é mais robusto e preciso que os outros métodos encontrados na literatura, pois ele apresenta menor suavização e menor erro. |
|---|