Regionalização bayesiana de vazões mínimas em condições de não estacionariedade
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/51160 https://orcid.org/0000-0002-3649-6250) |
Resumo: | A água tem se tornado cada vez mais um ativo de interesse para a sociedade devido ao aumento da demanda hídrica. A gestão de recursos hídricos, por meio de estabelecimentos de outorga, torna-se uma ferramenta importante para evitar conflitos e garantir o uso sustentável da água. O sistema de monitoramento de vazões é limitado a poucos postos de medição e, portanto, hidrólogos frequentemente recorrem a técnicas de regionalização para fazer estimativas em bacias não monitoradas. Nesse contexto, estimativas regionais de vazões mínimas de referência, indicadores para outorgas, e sua incerteza preditiva tornam-se objeto de interesse. Este estudo visou desenvolver um modelo hierárquico Bayesiano para regionalização de vazões mínimas condicionado à covariáveis temporais, no caso, à temperatura da superfície do mar (TSM) e avaliar os benefícios dessa abordagem frente a um modelo estacionário de referência. Partindo de um modelo estacionário mais simples, sob a hipótese de independência espacial dos parâmetros e de independência condicional das observações, a representação da variabilidade espacial do modelo foi inicialmente capturada por meio de covariáveis espaciais. Posteriormente, foram investigados os possíveis ganhos na predição por meio do aprofundamento da descrição espacial sob os dados e sob o processo. Em seguida, a TSM foi introduzida no nível do processo do modelo sob a forma de um índice climático customizado, inferido a partir de um campo de valores de TSM. Foram elaborados modelos que avaliassem a inclusão do índice climático customizado nos parâmetros da distribuição de probabilidade empregada. O modelo foi aplicado na bacia do rio Itajaí-Açu (SC) e na bacia do rio Doce (MG/ES). Os resultados mostraram que o modelo não estacionário apresentou melhor desempenho, em termos do critério DIC, do que o modelo estacionário de referência e que os quantis estimados (como a Q7,10) são fortemente influenciados pela variabilidade climática. Além disso, uma descrição mais complexa da dependência espacial do processo traz benefícios para a predição em regiões densamente monitoradas, enquanto a interdependência nas observações dos dados, quando considerada, pode também trazer benefícios para a predição. |
id |
UFMG_de047cdd50c148d943fbf4f529a27fb2 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/51160 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Veber Afonso Figueiredo Costahttp://lattes.cnpq.br/8019969928283008Carlos Henrique Ribeiro LimaFrancisco Eustáquio Oliveira e SilvaLuiz Rafael Palmierhttp://lattes.cnpq.br/2709662769006501Júlio César Lôbo Sampaio2023-03-23T17:51:37Z2023-03-23T17:51:37Z2021-03-05http://hdl.handle.net/1843/51160https://orcid.org/0000-0002-3649-6250)A água tem se tornado cada vez mais um ativo de interesse para a sociedade devido ao aumento da demanda hídrica. A gestão de recursos hídricos, por meio de estabelecimentos de outorga, torna-se uma ferramenta importante para evitar conflitos e garantir o uso sustentável da água. O sistema de monitoramento de vazões é limitado a poucos postos de medição e, portanto, hidrólogos frequentemente recorrem a técnicas de regionalização para fazer estimativas em bacias não monitoradas. Nesse contexto, estimativas regionais de vazões mínimas de referência, indicadores para outorgas, e sua incerteza preditiva tornam-se objeto de interesse. Este estudo visou desenvolver um modelo hierárquico Bayesiano para regionalização de vazões mínimas condicionado à covariáveis temporais, no caso, à temperatura da superfície do mar (TSM) e avaliar os benefícios dessa abordagem frente a um modelo estacionário de referência. Partindo de um modelo estacionário mais simples, sob a hipótese de independência espacial dos parâmetros e de independência condicional das observações, a representação da variabilidade espacial do modelo foi inicialmente capturada por meio de covariáveis espaciais. Posteriormente, foram investigados os possíveis ganhos na predição por meio do aprofundamento da descrição espacial sob os dados e sob o processo. Em seguida, a TSM foi introduzida no nível do processo do modelo sob a forma de um índice climático customizado, inferido a partir de um campo de valores de TSM. Foram elaborados modelos que avaliassem a inclusão do índice climático customizado nos parâmetros da distribuição de probabilidade empregada. O modelo foi aplicado na bacia do rio Itajaí-Açu (SC) e na bacia do rio Doce (MG/ES). Os resultados mostraram que o modelo não estacionário apresentou melhor desempenho, em termos do critério DIC, do que o modelo estacionário de referência e que os quantis estimados (como a Q7,10) são fortemente influenciados pela variabilidade climática. Além disso, uma descrição mais complexa da dependência espacial do processo traz benefícios para a predição em regiões densamente monitoradas, enquanto a interdependência nas observações dos dados, quando considerada, pode também trazer benefícios para a predição.Water has increasingly become an asset of interest to society due to the increase in water demand. The management of water resources, by means of grant establishments, becomes an important tool to avoid conflicts and guarantee the sustainable use of water. The streamflow monitoring system is limited to a few measurement gages and, therefore, hydrologists often use regionalization techniques to make estimates in unmonitored basins. In this context, regional estimates of low flows, grant indicators, and their predictive uncertainty become object of interest. This study aimed to develop a Bayesian hierarchical model for regionalization of low flows conditioned to temporal covariables, in this case, the sea surface temperature (SST) and to evaluate the benefits of this approach compared to a stationary reference model. Starting from a simpler stationary model, under the hypothesis of spatial independence of the parameters and conditional independence of the observations, the representation of the spatial variability of the model was initially captured by means of spatial covariates. Subsequently, possible gains in prediction were investigated by further describing the spatial description under the data and under the process. Then, the SST was introduced at the process level of the model in the form of a customized climate index, inferred from a field of SST values. Models were developed to assess the inclusion of the customized climate index in the parameters of the probability distribution employed. The model was applied in the Itajaí-Açu river basin (SC) and in the Doce river basin (MG / ES). The results showed that the non-stationary model performed better, in terms of the DIC criterion, than the reference stationary model and that the estimated quantiles (such as Q7,10) are strongly influenced by climatic variability. In addition, a more complex description of the spatial dependence of the process brings benefits to prediction in densely monitored regions, while interdependence in data observations, when considered, can also bring benefits to prediction.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Saneamento, Meio Ambiente e Recursos HídricosUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA HIDRÁULICAhttp://creativecommons.org/licenses/by-nc-nd/3.0/pt/info:eu-repo/semantics/openAccessEngenharia sanitáriaRecursos hídricos - DesenvolvimentoTeoria bayesiana de decisão estatísticaSecasModelo hierárquico BayesianoRegionalizaçãoVazão mínimaNão estacionariedadeRegionalização bayesiana de vazões mínimas em condições de não estacionariedadeinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALDissertacao_Sampaio_2021_rev.pdfDissertacao_Sampaio_2021_rev.pdfapplication/pdf29503621https://repositorio.ufmg.br/bitstream/1843/51160/3/Dissertacao_Sampaio_2021_rev.pdf819281ec0c96bb4acbf6c382d36864e3MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufmg.br/bitstream/1843/51160/4/license_rdfcfd6801dba008cb6adbd9838b81582abMD54LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/51160/5/license.txtcda590c95a0b51b4d15f60c9642ca272MD551843/511602023-03-23 14:51:37.419oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-03-23T17:51:37Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Regionalização bayesiana de vazões mínimas em condições de não estacionariedade |
title |
Regionalização bayesiana de vazões mínimas em condições de não estacionariedade |
spellingShingle |
Regionalização bayesiana de vazões mínimas em condições de não estacionariedade Júlio César Lôbo Sampaio Modelo hierárquico Bayesiano Regionalização Vazão mínima Não estacionariedade Engenharia sanitária Recursos hídricos - Desenvolvimento Teoria bayesiana de decisão estatística Secas |
title_short |
Regionalização bayesiana de vazões mínimas em condições de não estacionariedade |
title_full |
Regionalização bayesiana de vazões mínimas em condições de não estacionariedade |
title_fullStr |
Regionalização bayesiana de vazões mínimas em condições de não estacionariedade |
title_full_unstemmed |
Regionalização bayesiana de vazões mínimas em condições de não estacionariedade |
title_sort |
Regionalização bayesiana de vazões mínimas em condições de não estacionariedade |
author |
Júlio César Lôbo Sampaio |
author_facet |
Júlio César Lôbo Sampaio |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Veber Afonso Figueiredo Costa |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/8019969928283008 |
dc.contributor.referee1.fl_str_mv |
Carlos Henrique Ribeiro Lima |
dc.contributor.referee2.fl_str_mv |
Francisco Eustáquio Oliveira e Silva |
dc.contributor.referee3.fl_str_mv |
Luiz Rafael Palmier |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/2709662769006501 |
dc.contributor.author.fl_str_mv |
Júlio César Lôbo Sampaio |
contributor_str_mv |
Veber Afonso Figueiredo Costa Carlos Henrique Ribeiro Lima Francisco Eustáquio Oliveira e Silva Luiz Rafael Palmier |
dc.subject.por.fl_str_mv |
Modelo hierárquico Bayesiano Regionalização Vazão mínima Não estacionariedade |
topic |
Modelo hierárquico Bayesiano Regionalização Vazão mínima Não estacionariedade Engenharia sanitária Recursos hídricos - Desenvolvimento Teoria bayesiana de decisão estatística Secas |
dc.subject.other.pt_BR.fl_str_mv |
Engenharia sanitária Recursos hídricos - Desenvolvimento Teoria bayesiana de decisão estatística Secas |
description |
A água tem se tornado cada vez mais um ativo de interesse para a sociedade devido ao aumento da demanda hídrica. A gestão de recursos hídricos, por meio de estabelecimentos de outorga, torna-se uma ferramenta importante para evitar conflitos e garantir o uso sustentável da água. O sistema de monitoramento de vazões é limitado a poucos postos de medição e, portanto, hidrólogos frequentemente recorrem a técnicas de regionalização para fazer estimativas em bacias não monitoradas. Nesse contexto, estimativas regionais de vazões mínimas de referência, indicadores para outorgas, e sua incerteza preditiva tornam-se objeto de interesse. Este estudo visou desenvolver um modelo hierárquico Bayesiano para regionalização de vazões mínimas condicionado à covariáveis temporais, no caso, à temperatura da superfície do mar (TSM) e avaliar os benefícios dessa abordagem frente a um modelo estacionário de referência. Partindo de um modelo estacionário mais simples, sob a hipótese de independência espacial dos parâmetros e de independência condicional das observações, a representação da variabilidade espacial do modelo foi inicialmente capturada por meio de covariáveis espaciais. Posteriormente, foram investigados os possíveis ganhos na predição por meio do aprofundamento da descrição espacial sob os dados e sob o processo. Em seguida, a TSM foi introduzida no nível do processo do modelo sob a forma de um índice climático customizado, inferido a partir de um campo de valores de TSM. Foram elaborados modelos que avaliassem a inclusão do índice climático customizado nos parâmetros da distribuição de probabilidade empregada. O modelo foi aplicado na bacia do rio Itajaí-Açu (SC) e na bacia do rio Doce (MG/ES). Os resultados mostraram que o modelo não estacionário apresentou melhor desempenho, em termos do critério DIC, do que o modelo estacionário de referência e que os quantis estimados (como a Q7,10) são fortemente influenciados pela variabilidade climática. Além disso, uma descrição mais complexa da dependência espacial do processo traz benefícios para a predição em regiões densamente monitoradas, enquanto a interdependência nas observações dos dados, quando considerada, pode também trazer benefícios para a predição. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-03-05 |
dc.date.accessioned.fl_str_mv |
2023-03-23T17:51:37Z |
dc.date.available.fl_str_mv |
2023-03-23T17:51:37Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/51160 |
dc.identifier.orcid.pt_BR.fl_str_mv |
https://orcid.org/0000-0002-3649-6250) |
url |
http://hdl.handle.net/1843/51160 https://orcid.org/0000-0002-3649-6250) |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Saneamento, Meio Ambiente e Recursos Hídricos |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ENG - DEPARTAMENTO DE ENGENHARIA HIDRÁULICA |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/51160/3/Dissertacao_Sampaio_2021_rev.pdf https://repositorio.ufmg.br/bitstream/1843/51160/4/license_rdf https://repositorio.ufmg.br/bitstream/1843/51160/5/license.txt |
bitstream.checksum.fl_str_mv |
819281ec0c96bb4acbf6c382d36864e3 cfd6801dba008cb6adbd9838b81582ab cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589536142327808 |