Análise da complexidade temporal de variáveis climáticas no bioma Caatinga

Authors

  • José Rodrigo Santos Silva Universidade Federal de Sergipe
  • Antonio Samuel Alves da Silva Universidade Federal Rural de Pernambuco
  • Diego Vicente de Souza Ferreira Universidade Federal do Cariri
  • Hérica Santos da Silva Universidade Federal Rural de Pernambuco
  • Rosilda Benício de Souza Universidade Federal do Cariri
  • Lázaro de Souto Araújo Universidade Federal da Paraíba

DOI:

https://doi.org/10.22478/ufpb.1981-1268.2017v11n2.31766

Abstract

O clima no Brasil é diversificado em consequência de diversos fatores, como a extensão territorial, o relevo e a dinâmica das massas de ar. Em séries temporais, entropia é uma medida da quantidade de incerteza (ou regularidade) com diversas aplicações em séries climáticas. Com o objetivo de compreender a evolução temporal do grau de regularidade em séries temporais climáticas no Bioma Caatinga, e compará-las com o observado por Santos et al. (2015) no bioma Mata Atlântica, aplicamos o método Sample Entropy (SampEn) para analisar a entropia em séries históricas de médias diárias da temperatura do ar, umidade relativa do ar e velocidade do vento, registradas no município de Poço Redondo, no estado de Sergipe, no período de 2005 a 2014. Observamos maiores regularidades para as séries de temperatura do ar (média de 1,12) e umidade relativa do ar (média de 1,28), ou seja, estas variáveis são as que apresentam maior facilidade na realização de previsões climáticas, tal resultado é associado à caracterização climática da região (semiárido). Os valores da entropia observados para a velocidade do vento foram predominantemente maiores que os observados para as demais variáveis (média de 2,18). Não foram observadas tendências nas séries entrópicas, onde todas foram caracterizadas como estacionárias para a janela estudada. Em comparação com os resultados obtidos por Santos et al.(2015), foi possível observar a influência da maritimidade e das massas de ar sobre a entropia da temperatura do ar e umidade relativa do ar.

Author Biographies

  • José Rodrigo Santos Silva, Universidade Federal de Sergipe
    Departamento de Estatística e Ciências Atuariais
  • Antonio Samuel Alves da Silva, Universidade Federal Rural de Pernambuco
    Departamento de Estatística e Informática
  • Diego Vicente de Souza Ferreira, Universidade Federal do Cariri
    Centro de Ciências e Tecnologia
  • Hérica Santos da Silva, Universidade Federal Rural de Pernambuco
    Programa de Pós-Graduação em Biometria e Estatística Aplicada
  • Rosilda Benício de Souza, Universidade Federal do Cariri
    Centro de Ciências e Tecnologia
  • Lázaro de Souto Araújo, Universidade Federal da Paraíba
    Departamento de Ciências Fundamentais e Sociais, Laboratório de Matemática e Estatística

References

Balzter H, Tate N, Kaduk J, Harper D, Page S, et al. 2015. Multi-Scale Entropy Analysis as a Method for Time-Series Analysis of Climate Data. Climate, 3(1): 227–240.

Benicio RB de, Stošić T, Figueirêdo PH de, Stošić BD. 2013. Multifractal behavior of wild-land and forest fire time series in Brazil. Physica A: Statistical Mechanics and Its Applications, 392(24): 6367–6374.

Cruz MAS. 2009. Regionalização de precipitações médias e prováveis mensais e anuais no estado de Sergipe. Aracaju-SE: EMBRAPA.

Figueirêdo BCL de, Moreira GR, Stosic B, Stosic T. 2014. Multifractal analysis of hourly wind speed records in Petrolina, Northeast Brazil. Revista Brasileira de Biometria, 32(4): 599–608.

Filho AC, Maluf JRT, Matzenauer R. 2008. Coordenadas geográficas na estimativa das temperaturas máxima e média decendiais do ar no Estado do Rio Grande do Sul. Ciência Rural, 38(9): 2448–2456.

IBGE. 2002. Atlas Geográfico Escolar. Rio de Janeiro - RJ: Instituto Brasileiro de Geografia e Estatística.

IBGE. 2014. IBGE -Downloads. Instituto Brasileiro de Geografia e Estatística. http://downloads.ibge.gov.br/downloads_geociencias.htm.

Ismael-Filho A, Borges P de F, Araújo L de S, Pereira RA, Lima EM de, et al. 2015. Influência das variáveis climáticas sobre a evapotranspiração. Gaia Scientia, 9(1): 62–66.

Jongejans E, Telenius A. 2001. Field experiments on seed dispersal by wind in ten umbelliferous species (Apiaceae). Plant Ecology, 152(1): 67–78.

Jönsson P. 1992. Wind erosion on sugar beet fields in Scania, southern Sweden. Agricultural and Forest Meteorology, 62(3–4): 141–157.

Kossobokov V, Mouël J-L Le, Allègre C. 2012. Spatial and Temporal Variations of Climate in Europe. Atmospheric and Climate Sciences, 2(4): 568–581.

Li T, Zheng X, Dai Y, Yang C, Chen Z, et al. 2014. Mapping near-surface air temperature, pressure, relative humidity and wind speed over Mainland China with high spatiotemporal resolution. Advances in Atmospheric Sciences, 31(5): 1127–1135.

Li-Hao G, Zun-Tao F. 2013. Multi-fractal Behaviors of Relative Humidity over China. Atmospheric and Oceanic Science Letters, 6(2): 74–78.

Mendonça F, Danni-Oliveira IM. 2007. Climatologia: noções básicas e climas do Brasil. São Paulo: Oficina de Textos.

Mihailovic DT, Nikolic-Djoric E, Dreskovic N, Mimic G. 2014. Complexity analysis of the turbulent environmental fluid flow time series. Physica A: Statistical Mechanics and Its Applications, 26: 96–104.

Pereira AR, Costa A de S, Oliveira VG de, Borges P de F, Filho AI. 2015. Análise do comportamento das médias anuais da precipitaçãoa pluvial e temperatura da cidade de Areia, Paraíba. Gaia Scientia, 9: 241–260.

Pimenta F, Kempton W, Garvine R. 2008. Combining meteorological stations and satellite data to evaluate the offshore wind power resource of Southeastern Brazil. Renewable Energy, 33(11): 2375–2387.

Pincus SM, Viscarello RR. 1992. Approximate entropy: a regularity measure for fetal heart rate analysis. Obstetrics and Gynecology, 79(2): 249–55.

Quadro MFL de, Dias MAF da S, Herdies DL, Gonçalves LGG de. 2012. Análise climatológica da precipitação e do transporte de umidade na região da ZCAS através da nova geração de reanálises. Revista Brasileira de Meteorologia, 27(2): 152–162.

Richman JS, Moorman JR. 2000. Physiological time-series analysis using approximate entropy and sample entropy. American Journal of Physiology. Heart and Circulatory Physiology, 278(6): H2039-49.

Santos ALS, Araújo L de S, Silva JRS, Farias P de B. 2015. Evolução temporal da entropia de variáveis climáticas em Estância-SE. Gaia Scientia, 9(1): 146–150.

Shuangcheng L, Qiaofu Z, Shaohong W, Erfu D. 2006. Measurement of climate complexity using sample entropy. International Journal of Climatology, 26(15): 2131–2139.

Silva JRS. 2014. Avaliação de autocorrelações e complexidade de séries temporais climáticas no Brasil. Recife - PE: Tese (Doutorado em Biometria e Estatística Aplicada) - Universidade Federal Rural de Pernambuco.

Slate JE, Johnson TC, Moore TC. 2013. Impact of pre-Columbian agriculture, climate change, and tectonic activity inferred from a 5,700-year paleolimnological record from Lake Nicaragua. Journal of Paleolimnology, 50(1): 139–149.

Tang X, Tian X, Yang Z, Zhang T. 2004. Complexity measurements of electroencephalograph recordings using sample entropy algorithm in patients with temporal lobe epilepsy. Acta Biophysica Sinica, 20: 382–392.

Torres FTP, Machado PJO. 2008. Introdução à Climatologia. Santo André - SP: Geographica.

Varejão-Silva MA. 2006. Meteorologia e Climatologia (2nd ed.). Recife - PE: Versão Digital.

Zhao ZQ, Li SC, Gao JB, Wang YL. 2011. Identifying spatial patterns and dynamics of climate change using recurrence quantification analysis: a case study of qinghai–tibet plateau. International Journal of Bifurcation and Chaos, 21(4): 1127–1139.

Published

29/07/2017

Issue

Section

Ciências Ambientais

How to Cite

SILVA, J. R. S. et al. Análise da complexidade temporal de variáveis climáticas no bioma Caatinga. Gaia Scientia, v. 11, n. 2, 29 July2017.

Most read articles by the same author(s)