Downscaling Estocstico para Extremos Climticos via Regresso

Quantlica e Interpolao Espacial dos Parmetros das

Distribuies de Valores Extremos (GEV e GPD)
Daniel M. de Carvalho1, Paulo S. Lucio1,2
1

Programa de Ps-Graduao em Matemtica Aplicada e Estatstica UFRN

danielmatosc@hotmail.com.
2
Programa de Ps-Graduao em Cincias Climticas UFRN pslucio@ccet.ufrn.br

RESUMO: Em diversos segmentos da sociedade, os resultados de previses meteorolgicas

tm sido utilizados para a tomada de deciso, exigindo a melhoria da qualidade das previses
de variveis tanto na escala espacial quanto temporal. Na comunidade cientifica aceito que o
processo mais adequado de se obter cenrios dos fenmenos meteorolgicos atravs dos
Modelos de Circulao Global (GCM). Entretanto, os resultados destas previes so
fornecidos em redes com espaamentos de nos da grade de algumas centenas de km. Visando
obter solues para este problema foram desenvolvidas tcnicas de ps-processamento de
sadas de modelos dinmicos. Uma delas chamada de Downscaling, que nada mais que
uma metodologia de refinamento da escala espacial de um Modelo de Circulao Global. Este
trabalho apresenta um metdo de Downscaling que proporciona a obteno de modelos de
eventos extremos onde os GCM no fornecem informao relevante. Para isto, foi realizada a
unificao da Teoria dos Valores Extremos e o mtodo Geoestatstico denominado Krigagem.
Para validao do mtodo proposto, ser realizada uma comparao com os resultados do
mtodo proposto e o mtodo de Downscaling utilizando Regresso Quantlica. Os ajustes aos
modelos GEV e GPD apresentaram-se satisfatrios para as 72 sries dos dados do
NCEP/NCAR. A interpolao espacial utilizando a Krigagem mostrou um certa discrepncia
entre a intensidade dos parmetros de forma para o modelo GEV. Levando em considerao
que a dificuldade no conhecimento do comportamento da estrutura climtica e que os dados
do NCEP/NCAR so as melhores formas de obteno de observacionais para o globo.
Podemos concluir que os resultados apresentados so eficientes devido toda esta
problemtica, e que, com a melhoria na qualidade dos dados fornecidos pelo NCEP/NCAR a
obteno dos modelos de eventos extremos ser tambm aprimorada.
Palavras-Chave: Distribuio Generalizada de Valores Extremos, Distribuio Generalizada
de Pareto, Krigagem, LOWESS, Regresso Quantlica
ABSTRACT: In this work we explicitly model the tail regions of the air-surface temperature,
using the recent developments of extreme value theory. There are different approaches to
characterize the spatial behaviour of climatological phenomenon, and a particular elegant
formulation is derived from the theory of Kriging. The aim of this study is to verify whether
extreme values related to weather attributes over a regional scale show any structural
alteration, which can reflect the global changing so for this proposal one use empirical
downscaling that relies on the presence of global climate models, which themselves represent
recent advances in the climate science community. Methodologies for statistical downscaling
or modelling extremes are often invalid under changing conditions, but one suggests an
approach involving computation of a set of percentiles that seems useful.
Key-words: GEV, GPD, Kriging, LOWESS, Quantile Regression

1. INTRODUO
Em diversos seguimentos da sociedade, os resultados de previses climatolgicas tm sido
utilizados para a tomada de deciso, exigindo a melhoria da qualidade das previses de
variveis tanto na escala espacial quanto temporal. Na comunidade cientifica aceito que o
processo mais correto de se obter cenrios de fenmenos meteorolgicos atravs dos
modelos de circulao global - GCM. Os GCMs consistem em formulaes matemticas dos
processos atmosfricos e de superfcies terrestre e ocenica, baseadas nos princpios fsicos
clssicos da hidrodinmica (GALVO, 1999). Tais modelos constituem o nico meio
disponvel para considerao simultnea da grande quantidade de processos fsicos interativos
que caracterizam o sistema climtico. Entretanto, estes modelos apresentam atualmente redes
muitos esparsas, com espaamentos tpicos entre os ns da rede de algumas dezenas de km.
Desta forma, existe a necessidade de se obter uma informao mais detalhada no
tempo e no espao dos produtos de previso numrica de clima. Devido baixa resoluo
horizontal da malha desses GCM, variveis relevantes escala local, que influenciam o clima
de uma regio, so mal representadas levando a resultados irreais se, aplicados diretamente
em pequena escala. Para solucionar este problema surgiram tcnicas de transferncia de
informao climatolgicas para escalas menores, chamadas tcnicas de Downscaling,
desagregao espacial ou refinamento estatstico. Na literatura so encontrados diversos
estudos que utilizam o Downscaling Estocstico para a previso de variveis meteorolgicas.
Entretanto, em determinadas variveis, a aplicao do mtodo no agrega a variabilidade da
intensidade ou at mesmo a sua continuidade em toda a regio sob estudo. Visando solucionar
este problema, este trabalho tem como objetivo introduzir a teoria dos valores extremos e o
mtodo de interpolao espacial como ferramenta de Downscaling Estocstico, realizando um
estudo de caso com a varivel Temperatura do Ar sobre o Nordeste Brasileiro. O objetivo
principal desta aplicao a obteno de nveis de retorno (EVT) de mximos de Temperatura
do Ar do Nordeste Brasileiro, em regies onde os GCM no fornecem informaes relevantes.
Para isto pretende-se interpolar espacialmente os parmetros da GEV e GPD, atravs da
Krigagem, e assim obter a modelagem dos extremos climticos nas regies onde o GCM no
apresenta dados relevantes. Para realizar uma validao do mtodo proposto, ser realizada
um comparao com os resultados do Downscaling Estocstico via Regresso Quantlica,
mtodo mais tradicional de Dowscaling. utilizando dados observacionais e dados de reanlise
do NCEP/NCAR.
2. DOWNSCALING
Cenrios de mudanas climticas so representaes plausveis do futuro, que so
consistentes com as tendncias de emisso de gases de efeito estufa e outros poluentes, e com
o entendimento cientfico atual sobre o efeito desses gases sobre o clima global (IPCCTGCIA, 1999). Os Modelos de Circulao Global - GCM so ferramentas poderosas, com
grande potencial para o estudo dos cenrios de mudanas climticas, descrevendo o clima
utilizando "grid" tridimensional sobre o planeta, tendo resoluo global variando entre 250 e
600 km. Assim, os GCM oferecem informaes sobre mudanas de clima de grande utilidade
para a escala continental. Devido baixa resoluo horizontal da malha desses GCM,
variveis relevantes escala local, que influenciam o clima de uma regio, so mal
representadas levando a resultados irreais se aplicados diretamente em pequena escala. Para
solucionar este problema surgiram tcnicas de transferncia de informao meteorolgicas
chamadas tcnicas de Downscaling, tambm chamadas de desagregao espacial ou
refinamento estatstico. As tcnicas de Downscaling classificam-se em dois grupos (Hewiston
e Crane, 1996): (1) Mtodos Dinmicos, que so modelos numricos semelhantes aos GCMs,
mas com resoluo mais fina, usando como dados iniciais e condies de contorno advindos
de um GCM (Giorgi, 1990) e (2) Mtodos Empricos, que transferem a previso

meteorolgica fornecida pelo GCM estatisticamente.

As tcnicas de Downscaling visam refinar as informaes obtidas por GCM, atravs
de mtodos estatsticos, matemticos ou fsicos. Os mtodos estatsticos mais empregados na
literatura so referentes : tcnicas lineares de Regresso Multivariada, Anlise de Correlao
Cannica, Decomposio de Vetores Singulares; e alguns mtodos no-lineares como
Mtodos de Classificao e Modelos Analgicos. Dentre os mtodos hbridos estatsticomatemticos, destacam-se as Redes Neurais Artificiais. Recentemente, o mtodo de
Regresso Quantlica foi utilizado como ferramenta de Downscaling apesar desta abordagem
ter mais de 25 anos.
3. KRIGAGEM
Em diversas reas do conhecimento, seja em sade, em meio ambiente, em geologia, em
agronomia entre outras, existe a necessidades de compreender a distribuio espacial de
fenmenos ocorridos no espao. O Geoprocessamento denota a disciplina do conhecimento
que utiliza tcnicas estatsticas, matemticas e computacionais para o tratamento da
informaes georefernciadas (CMARA, 2004). As ferramentas computacionais para
Geoprocessamento, chamadas de Sistemas de Informao Geogrfica (SIG), permitem
realizar anlises complexas, ao integrar dados de diversas fontes e ao criar bancos de dados
geo-referenciados. Alm da compreeso da distribuio espacial do problema, deve-se
considerar tambm os padres existentes com consideraes objetivas e mensurveis. O
objetivo da Anlise Espacial mensurar propriedades e relacionamentos, levando em conta a
localizao espacial do fenmeno em estudo de forma explcita. A Anlise Espacial engloba
basicamente trs tipos de dados:
1.
Eventos Pontuais - fenmenos expressos por ocorrncias identificadas como pontos
localizados no espao, denominados processos pontuais. Ex - Localizaes de ocorrncias de
doenas, crimes e espcies vegetais.
2.
Dados de Superfcies Contnuas - dados de amostra de campo, que podem estar
regularmente ou irregularmente distribudas. Geralmente, este tipo de dado resultante de
levantamentos de recursos naturais.
3.
Dados de reas com Contagens e Taxas Agregadas - dados que so agregados em
unidades de anlise, usualmente delimitadas por polgonos fechados (municpios, setores
censitrios, zonas de endereamento postal, municpios).
Neste trabalho foi utilizado exclusivamente a Anlise Espacial voltada para dados de
superfcies contnuas, denominada Geoestatstica. O objetivo da anlise de superfcies
reconstruir a superfcies da qual se realizou a amostragem levando em considerao a
informao baseada na variabilidade espacial.
4. REGRESSO QUANTLICA
A regresso quantlica consiste em uma extenso natural do modelo de regresso linear.
Enquanto que o modelo de regresso linear trata a mdia condicional da varivel dependente
associada com as mudanas em suas co-variveis, o modelo de regresso quantlica trata as
mudanas em uma funo quantlica condicional. Koenker e Basset (1978) listam algumas
vantagens na utilizao nos modelos de regresso quantlica:
1. A tcnica de regresso quantlica permite caracterizar toda distribuio
condicional de uma varivel resposta a partir de um conjunto de
regressores;
2. A regresso quantlica pode ser usada quando a distribuio no
gaussiana;
3. A regresso quantlica robusta a outliers.
O trabalho apresentado por Koenker e Basset (1978), sobre Regresses Quantlicas, pode ser

visto como uma tentativa de estender para o modelo linear a idia de quantil amostral. Um
caso particular importante de regresso quantlica a regresso L1, isto , a minimizao dos
desvios absolutos (PINHEIRO, 1992). No modelo de posio o estimador de norma L1 a
mediana, que sabermos ser um estimado melhor do que a mdia, quando os dados provm de
distribuies com caudas alongadas ou quando temos outileirs no conjunto dos dados. O
mtodo de regresso quantlica ser comparado como forma de validao do mtodo
proposto.
5. RESULTADOS
A grade NCEP\NCAR formada por 72 pontos sendo assim, para a krigagem foram
produzidos amostras de tamanho 72 para cada parmetro da distribuio em questo.
Considerando que todos os ajustes realizados via GEV e GPD obtiveram modelos de
extremos satisfatrios, espera-se tambm que a Krigagem produza resultados vlidos.
Para cada parmetro foram estabelecidos modelos de vairografia que definem a
estrutura de dependncia espacial dos parmetros. Com os modelos finais estabelecidos,
foram calculadas as predies espaciais para as 5 estimativas dos modelos GEV e GPD em
uma malha de 1000 localizaes, tendo como base a estimativa paramtricas dos modelos
variografia. A Figura 1 mostra os mapas preditivos dos processos estocsticos. As imagens
esto condizentes com os dados observados, ou seja, localizaes com menores valores para a
coordenada possuem valores preditivos menores em sua vizinhana. Na Tabela 1 apresentamse os intervalos de variao das varincias preditivas. Os valores so relativamente baixos
indicando que a preciso da krigagem apresenta-se satisfatria.
Parmetros

Tabela 1: Varincias Preditivas

Distribuio
Varincia Mnima

Varincia Mxima

GEV

0,084129

0,115050

GEV

0,000317

0,012735

GEV

0,000127

0,012218

GPD

0,000317

0,012735

GPD

0,003330

0,004260

6. CONSIDERAES FINAIS
Este trabalho tem como objetivo a produo de modelos de eventos extremos de temperatura
do ar para MGC, em localizaes onde os Modelos de Circulao Globais no fornecem
informao. Como vimos, a primeira etapa consistiu em ajustar modelos GEV e GPD sobre os
dados de reanlise de Temperatura do Ar do NCEP/NCAR, e a partir dos parmetros ajustados
obter superfcies interpoladas destes parmetros. Com esta interpolao conheceremos a
funo distribuio GEV e GPD de localizaes aonde no possuamos informao, podendo
assim, obter os nveis de retorno para qualquer Modelo Global de Circulao. Os ajustes aos
modelos GEV e GPD apresentaram-se satisfatrios para as 72 sries dos dados do
NCEP/NCAR. A interpolao espacial utilizando a Krigagem mostrou um certa discrepncia
entre a intensidade dos parmetros de forma para o modelo GEV. Vale ressaltar a falha na
suposio dos erros aleatrios imposta pelo modelo Gaussiano de Krigagem levam a
inconsistncia dos resultados das estimativas em comparao aos parmetros estimados a
partir dos dados observados. Tal falha possibilita a utilizao de outra abordagem
Geoestatstica para a produo da superfcie interpolada. Para o mtodo de Regresso
Quantlica, curiosamente, o parmetro de forma igual ao estimado atravs da Krigagem
tanto para o quantl 95% quanto para o quantil 99%. Para os outros parmetros a mdia e o

limiar foram os que mais se distanciaram do valor ajustado por dados observacionais com
uma diferena de aproximadamente 4C tanto para o limiar quanto para mdia. Esta diferena
se deve ao fato da menor variabilidade espacial com uma menor intensidade da mdia e
limiar. Tais discrepncias podem ser explicadas tambm devido a qualidade da informao
fornecida pelos dados do NCEP/NCAR. A Regresso Quantlica apresentada foi aplicada
apenas com a obteno da relao dos dados do NCEP/NCAR e os dados observacionais do
Recife. A idia inicial seria a aplicao para todas as capitais do Nordeste Brasileiro,
entretanto, a qualidade da informao dos dados observacionais dirios no permitiram esta
anlise. Uma considerao importante a ser realizada acerca da abordagem Quantlica se deve
ao fato desta abordagem necessitar de uma srie na localizao de interesse, o que inviabiliza
o processo de obteno de distribuies de eventos extremos em localizaes onde os
Modelos Globais de Circulao no fornecem informao relevante. O tratamento aqui
baseou-se fundamentalmente na filosofia do pensamento Baeysiano, entretanto, os mtodos
utilizados so construes da teoria clssica. Assim, como sugesto de trabalhos futuros,
podemos pensar em aplicaes voltadas para teoria Baeysiana.

Figura 1 Krigagem para as estimativas dos parmetros da GEV - a) b) c) e GPD d) e)

AGRADECIMENTOS
Daniel Matos de Carvalho Bolsista de Mestrado do CNPq (Proc.566050/2008-0) e Paulo Srgio
Lucio Bolsista de Produtividade em Pesquisa (PQ2) do CNPq (Proc.302493/2007-7). Os dados das
estaes climatolgicas do NEB foram gentilmente cedidos pelo INMET.
REFERNCIAS BIBLIOGRFICAS
FISHER, R. A.; TIPPETT, L.H.C. Limiting forms of the frequency distribution of the largest or
smallest number of the sample. Proc. Cambridge Philos. Soc. 4 , 180-190, 1928 .
HEWISTON, B. C. ; CRANE, R. G. "Climate downscaling: techniques and application"', Clim. Res.,
Vol. 7, pg. 85-95, 1996.
IPCC-TGCIA, Guidelines on the Use of Scenario Data for Climate Impact and Adaptation
Assessment. Version 1. In. Intergovernmental Panel on CLimate Change, Task Group ons Scenarios
for Climate Impact Assessment, p.66, 1999.
KOENKER, R., Quantile Regression. Cambridge University Press. 349P, 2005
WILBY, R. L., et. al. "Statistical downscaling of general circulation model output: a comparison of
methods". Water Resources Research, Washington, v.34, n.11 p.2995-3008, 1998.
PIELKE, R. A., et. al. "A comprehensive meteorological modeling system RAMS". Meteorology
Atmospheric Physics, v.49, p.69-91, 1992.
SMITH, R.L; Extreme Value Analysis of Environmental Times Series: An Aplication to Trend
Detection in Ground-Level ozone. Statistical Science, Hayward, v. 4, n. 4, p. 367-393,1989.