Geoprocessamento em Recursos Hídricos - HIP 23 - Aluno: Rafael Siqueira Souza Análise geoestatística para interpolação de chuva: integração entre dados.

Apresentação em tema: "Geoprocessamento em Recursos Hídricos - HIP 23 - Aluno: Rafael Siqueira Souza Análise geoestatística para interpolação de chuva: integração entre dados."— Transcrição da apresentação:

1 Geoprocessamento em Recursos Hídricos - HIP 23 - Aluno: Rafael Siqueira Souza Análise geoestatística para interpolação de chuva: integração entre dados de postos pluviométricos e satélite TRMM pelo método da cokrigagem

2 Motivação Estimar dados, variáveis ou atributos em locais não amostrados a partir de dados amostrados e conhecidos na mesma região de interesse. Por que interpolar? Sem viabilidade para amostrar um número infinito de pontos no espaço para criar uma superfície contínua de uma variável de interesse; Mais barato realizar uma boa campanha de amostragem e criar uma superficie a partir dela; Criar isolinhas do atributo para melhor analise espacial, ou seja, modelar a variabilidade espacial; Calcular outras propriedades ou variáveis em função superfície gerada em qualquer local; Modificar a resolução de mapas numéricos, etc.

3 Justificativa Daniel Krige – estimativa de reservas minerais Matheson (1962) – Geoestatística – Variável Regionalizada (VR) Principio: - Variáveis naturais possuem propriedades intermediárias entre variáveis puramente aleatórias e as completamente determinísticas. - Variáveis regionalizadas possuem dependência espacial, e esta correlação deve ser considerada no procedimento de interpolação. SemiovariogramaDependência espacial

4 Avaliar a variabilidade espacial da chuva estimada por cokrigagem utilizando dados de postos pluviométricos e do satélite TRMM. Objetivos Comparar com demais métodos utilizados para interpolar chuva: IDQ e Kriging.

5 Lim.Cont. Área de Estudo: – Bacia Hidrográfica do Rio Quaraí Metodologia

6 Metodologia (cont.) Satélite TRMM (Tropical Rainfall Measuring Mission): - NASA e Agência Japonesa se Exploração Aeroespacial (JAXA) - Monitorar e estudar a precipitação nos trópicos - Resolução espacial – 0.25 º - Resolução temporal – 3 horas

7 Dados Disponíveis: – Satélite TRMM e postos pluviométricos Metodologia (cont.) Evento Chuvoso

8 Procedimento: Metodologia (cont.)

9 6.1. Postos Pluviométricos Média133.57 D.P.80.99 Resultados

10 6.1. Postos Pluviométricos - IDW Resultados (cont.)

11 6.1. Postos Pluviométricos - Kriging Modelo Esférico Modelo Linear Resultados (cont.)

12

13 Postos Pluviométricos - IDW Postos Pluviométricos - Kriging 265 285 Resultados (cont.)

14 6.2. Satélite TRMM Média95.60 D.P.69.38 Resultados (cont.)

15 6.2. Satélite TRMM - IDW Resultados (cont.)

16 6.2. Satélite TRMM - Kriging Modelo Gaussiano Modelo Linear Resultados (cont.)

17

18 TRMM - IDW TRMM - Kriging Resultados (cont.)

19 6.2. Satélite TRMM - Kriging Resolução Espacial – 0.25º Resolução Espacial – 0.05º Resultados (cont.)

20 6.3. Cokriging Resultados (cont.)

21 6.3. Cokriging Caso 1: Postos Pluviométricos X TRMM (postos) Caso 2: Postos Pluviométricos X Krigagem TRMM (0.05º) Resultados (cont.)

22 Caso 1 Variograma Cruzado Caso 2 Variograma Cruzado Modelo de Potência Kr_TRMM Modelo de Potência Resultados (cont.)

23 Kriging_plu CoKr plu x TRMM Resultados (cont.)

24 (IDW – Kriging_plu) (IDW – cokriging) (cokrig – Kriging_plu) Resultados (cont.)

25 IDW_plu cokriging Resultados (cont.)

26 IDW_plu Kr_plu Kr_TRMM CoKr Resultados (cont.)

27 MétodoMédiaDesvio-PadrãoCorrelação ObsC.V.Simul.ObsC.V.Simul C.V. IDW_plu 133.57-139.7780.99-50.691.0- Kr_plu 133.57139.59138.9580.9968.3664.040.960.47 Kr_TRMM 95.6095.76130.7469.3862.3746.201.00.77 Cokriging 133.57147.0141.080.9948.7953.961.00.38 Resultados (cont.)

28 Conclusões Quanto à área de Estudo: - Bacia com maiores dimensões, com maior densidade de pluviômetros, possibilitando um melhor ajuste do semiovariograma.

29 Quanto à metodologia: - Baixa correlação – correlação deve ser alta, é um pré- requisito para o método de cokrigagem. - Sensibilidade nos resultados em função do modelo. - (IDW = cokrigagem) – pesos atribuídos podem ser parecidos. - Não houve diferença nos resultados ao usar os dados do TRMM como vetor ou raster (0.25º e 0.05º). - Destaque para krigagem dos dados do TRMM, apresentou elevada correlação para a validação cruzada. Além de uma melhor representação espacial do evento em relação ao IDW. Conclusões (cont.)

30 Recomendações para estudos posteriores: - Variograma dos dados do TRMM para interpolar postos. - Avaliar isotropia – cokriging MNT x chuva. - Avaliar a sensibilidade dos parâmetros. - Desenvolver algoritimos para interpolar séries de dados de chuva de postos e de satélite por métodos geoestatísticos. - Simulação hidrológica com base em dados de precipitação interpolada por métodos geoestátisticos.

31