Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia Estocástica

Detalhes bibliográficos
Autor(a) principal: Luiz, Thiago Boeno Patricio
Data de Publicação: 2019
Outros Autores: Schröder, Thomas, Silva, José Luiz Silvério da
Tipo de documento: Artigo
Idioma: por
Título da fonte: Anuário do Instituto de Geociências (Online)
Texto Completo: https://revistas.ufrj.br/index.php/aigeo/article/view/24929
Resumo: O presente estudo busca modelar e analisar o comportamento natural de uma série temporal de nível estático de água subterrânea e precipitação com o intuito de fazer previsões dos níveis para um horizonte de 6 meses. Para tanto, aplicou-se um modelo estocástico da classe ARMA (autorregressivo e de médias móveis) em dados semanais de nível estático de água subterrânea e precipitação. O ambiente geológico do poço estudado é caracterizado por formações sedimentares da borda da Bacia do Paraná, localizado no município de Alegrete no Estado do Rio Grande do Sul. O poço de monitoramento é dotado de registrador automático de nível onde o espaço temporal considerado foi de pouco mais de 2 anos de medições sem falhas. Testaram-se modelos autorregressivos e de médias móveis até a terceira ordem de autocorrelação. Selecionou-se o melhor modelo com base nos valores de AIC (Akaike Information Criterion) e BIC (Bayesian Information Criterion), onde escolheu-se o ARMA (2, 0) o qual obteve o melhor ajuste. A análise de erros permitiu observar o bom desempenho da modelagem a partir do gráfico de resíduos normalizados, atestando a qualidade preditiva do modelo escolhido. A avaliação dos coeficientes do modelo permitiu estabelecer uma relação em milímetros aproximada de 0,31:1 para as variáveis nível estático e precipitação respectivamente.
id UFRJ-21_5aa9925219652fbf2b9429a1a6731dc1
oai_identifier_str oai:www.revistas.ufrj.br:article/24929
network_acronym_str UFRJ-21
network_name_str Anuário do Instituto de Geociências (Online)
repository_id_str
spelling Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia EstocásticaSéries Temporais; Modelos Estocásticos; ARMAO presente estudo busca modelar e analisar o comportamento natural de uma série temporal de nível estático de água subterrânea e precipitação com o intuito de fazer previsões dos níveis para um horizonte de 6 meses. Para tanto, aplicou-se um modelo estocástico da classe ARMA (autorregressivo e de médias móveis) em dados semanais de nível estático de água subterrânea e precipitação. O ambiente geológico do poço estudado é caracterizado por formações sedimentares da borda da Bacia do Paraná, localizado no município de Alegrete no Estado do Rio Grande do Sul. O poço de monitoramento é dotado de registrador automático de nível onde o espaço temporal considerado foi de pouco mais de 2 anos de medições sem falhas. Testaram-se modelos autorregressivos e de médias móveis até a terceira ordem de autocorrelação. Selecionou-se o melhor modelo com base nos valores de AIC (Akaike Information Criterion) e BIC (Bayesian Information Criterion), onde escolheu-se o ARMA (2, 0) o qual obteve o melhor ajuste. A análise de erros permitiu observar o bom desempenho da modelagem a partir do gráfico de resíduos normalizados, atestando a qualidade preditiva do modelo escolhido. A avaliação dos coeficientes do modelo permitiu estabelecer uma relação em milímetros aproximada de 0,31:1 para as variáveis nível estático e precipitação respectivamente.Universidade Federal do Rio de JaneiroLuiz, Thiago Boeno PatricioSchröder, ThomasSilva, José Luiz Silvério da2019-05-13info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistas.ufrj.br/index.php/aigeo/article/view/2492910.11137/2017_2_53_60Anuário do Instituto de Geociências; Vol 40, No 2 (2017); 53-60Anuário do Instituto de Geociências; Vol 40, No 2 (2017); 53-601982-39080101-9759reponame:Anuário do Instituto de Geociências (Online)instname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJporhttps://revistas.ufrj.br/index.php/aigeo/article/view/24929/13679/*ref*/Alves, F. S. & Robaina L. E. S. 2010. Estudo morfolitológico na bacia hidrográfica do Arroio Lajeado Grande – Oeste do RS. Ciência e Natura, UFSM, 32(2): 141-162 Box, G.E.P.; Jenkins, G.M. & Reinsel, G.C. 2008. Time Series Analysis: Forecasting and Control. Editora Wiley. 784 p. Companhia de Pesquisa de Recursos Minerais – CPRM. 2006. Mapa Geológico do Estado do Rio Grande do Sul, Escala 1:750.000. CPRM: Brasília. Hyndman, R.J. 2016. Forecast: Forecasting functions for time series and linear models. R package version 7.1. Disponível em: http://github.com/robjhyndman/forecast. Acesso em: 03 de abril de 2016. Lavina, E.L.C. 1991. Geologia sedimentar e paleogeografia do Neopermiano e Eotriássico (intervalo Kazaniano - Scitiano) da Bacia do Paraná. Programa de Pós-Graduação em Geociências, Universidade Federal do Rio Grande do Sul. Tese de Doutorado, 336 p. Machado, J.L.F. & Freitas, M.A. 2005. Projeto Mapa Hidrogeológico do Rio Grande do Sul: relatório final. Porto Alegre: CPRM. Moon, S.; Woo, N.C. & Kwang, G.L. 2004. Statistical analysis of hydrographs and water-table fluctuation to estimate groundwater recharge. Journal of Hydrology, 292: 198-209. Morettin, P.A. & Toloi, C.M.C. 2004. Modelos para previsão de séries temporais. São Paulo: Egard Blucher. 535 p. Organização dos Estados Americanos - OEA - GEF - Global Environment Facility. 2009. Projeto de proteção ambiental e desenvolvimento sustentável do Sistema Aquífero Guarani. Programa Estratégico de Ação – PEA. [S.l.], 424 p. R Core Team. 2016. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Disponível em: <http://www.R-project. org>. Acesso em: 5 de junho de 2016. Rede Integrada de Monitoramento de Águas Subterrâneas - RIMAS. Disponível em: http://rimasweb.cprm.gov.br/ > Acesso em: 20 de setembro de 2015. Salas, J.D. & Obeysekera, J.T.B. 1982. ARMA model identification of hydrologic time series. Water Resources Research. 18(4): 1011-1021. Shiri, J.; Kisi, O.; Yoon, H.; Lee, K.K & Nazemi, A.H. 2013. Predicting groundwater level fluctuations with meteorological effect implications - A comparative study among soft computing techniques. Computers & Geosciences, 56: 32-44. Shirmohammadi, B.; Vafakhah, M.; Moosavi, V. & Moghaddamnia, A. 2013. Application of several data-driven techniques for predicting groundwater level. Water Resources Management, 27(2): 419-432. Sistema de Informações Hidrológicas - HIDROWEB. Disponível em: <http://hidroweb.ana.gov.br>. Acesso em: 23 de setembro de 2015. Stoffer, D. 2014. ASTSA: Applied Statistical Time Series Analysis. R package version 1.3. Disponível em: https://cran.r-project. org/package=astsa. Acesso em: 23 Abril de 2016. United States Geological Survey - USGS. 2004. Shuttle Radar Topography Mission. Unfilled Unfinished 2.0. Global Land Cover Facility, University of Maryland, College Park, Maryland. Acesso em: 2 de fevereiro de 2016.Copyright (c) 2019 Anuário do Instituto de Geociênciashttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccess2019-05-13T18:35:04Zoai:www.revistas.ufrj.br:article/24929Revistahttps://revistas.ufrj.br/index.php/aigeo/indexPUBhttps://revistas.ufrj.br/index.php/aigeo/oaianuario@igeo.ufrj.br||1982-39080101-9759opendoar:2019-05-13T18:35:04Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia Estocástica
title Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia Estocástica
spellingShingle Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia Estocástica
Luiz, Thiago Boeno Patricio
Séries Temporais; Modelos Estocásticos; ARMA
title_short Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia Estocástica
title_full Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia Estocástica
title_fullStr Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia Estocástica
title_full_unstemmed Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia Estocástica
title_sort Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia Estocástica
author Luiz, Thiago Boeno Patricio
author_facet Luiz, Thiago Boeno Patricio
Schröder, Thomas
Silva, José Luiz Silvério da
author_role author
author2 Schröder, Thomas
Silva, José Luiz Silvério da
author2_role author
author
dc.contributor.none.fl_str_mv
dc.contributor.author.fl_str_mv Luiz, Thiago Boeno Patricio
Schröder, Thomas
Silva, José Luiz Silvério da
dc.subject.por.fl_str_mv Séries Temporais; Modelos Estocásticos; ARMA
topic Séries Temporais; Modelos Estocásticos; ARMA
description O presente estudo busca modelar e analisar o comportamento natural de uma série temporal de nível estático de água subterrânea e precipitação com o intuito de fazer previsões dos níveis para um horizonte de 6 meses. Para tanto, aplicou-se um modelo estocástico da classe ARMA (autorregressivo e de médias móveis) em dados semanais de nível estático de água subterrânea e precipitação. O ambiente geológico do poço estudado é caracterizado por formações sedimentares da borda da Bacia do Paraná, localizado no município de Alegrete no Estado do Rio Grande do Sul. O poço de monitoramento é dotado de registrador automático de nível onde o espaço temporal considerado foi de pouco mais de 2 anos de medições sem falhas. Testaram-se modelos autorregressivos e de médias móveis até a terceira ordem de autocorrelação. Selecionou-se o melhor modelo com base nos valores de AIC (Akaike Information Criterion) e BIC (Bayesian Information Criterion), onde escolheu-se o ARMA (2, 0) o qual obteve o melhor ajuste. A análise de erros permitiu observar o bom desempenho da modelagem a partir do gráfico de resíduos normalizados, atestando a qualidade preditiva do modelo escolhido. A avaliação dos coeficientes do modelo permitiu estabelecer uma relação em milímetros aproximada de 0,31:1 para as variáveis nível estático e precipitação respectivamente.
publishDate 2019
dc.date.none.fl_str_mv 2019-05-13
dc.type.none.fl_str_mv

dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/24929
10.11137/2017_2_53_60
url https://revistas.ufrj.br/index.php/aigeo/article/view/24929
identifier_str_mv 10.11137/2017_2_53_60
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/24929/13679
/*ref*/Alves, F. S. & Robaina L. E. S. 2010. Estudo morfolitológico na bacia hidrográfica do Arroio Lajeado Grande – Oeste do RS. Ciência e Natura, UFSM, 32(2): 141-162 Box, G.E.P.; Jenkins, G.M. & Reinsel, G.C. 2008. Time Series Analysis: Forecasting and Control. Editora Wiley. 784 p. Companhia de Pesquisa de Recursos Minerais – CPRM. 2006. Mapa Geológico do Estado do Rio Grande do Sul, Escala 1:750.000. CPRM: Brasília. Hyndman, R.J. 2016. Forecast: Forecasting functions for time series and linear models. R package version 7.1. Disponível em: http://github.com/robjhyndman/forecast. Acesso em: 03 de abril de 2016. Lavina, E.L.C. 1991. Geologia sedimentar e paleogeografia do Neopermiano e Eotriássico (intervalo Kazaniano - Scitiano) da Bacia do Paraná. Programa de Pós-Graduação em Geociências, Universidade Federal do Rio Grande do Sul. Tese de Doutorado, 336 p. Machado, J.L.F. & Freitas, M.A. 2005. Projeto Mapa Hidrogeológico do Rio Grande do Sul: relatório final. Porto Alegre: CPRM. Moon, S.; Woo, N.C. & Kwang, G.L. 2004. Statistical analysis of hydrographs and water-table fluctuation to estimate groundwater recharge. Journal of Hydrology, 292: 198-209. Morettin, P.A. & Toloi, C.M.C. 2004. Modelos para previsão de séries temporais. São Paulo: Egard Blucher. 535 p. Organização dos Estados Americanos - OEA - GEF - Global Environment Facility. 2009. Projeto de proteção ambiental e desenvolvimento sustentável do Sistema Aquífero Guarani. Programa Estratégico de Ação – PEA. [S.l.], 424 p. R Core Team. 2016. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Disponível em: <http://www.R-project. org>. Acesso em: 5 de junho de 2016. Rede Integrada de Monitoramento de Águas Subterrâneas - RIMAS. Disponível em: http://rimasweb.cprm.gov.br/ > Acesso em: 20 de setembro de 2015. Salas, J.D. & Obeysekera, J.T.B. 1982. ARMA model identification of hydrologic time series. Water Resources Research. 18(4): 1011-1021. Shiri, J.; Kisi, O.; Yoon, H.; Lee, K.K & Nazemi, A.H. 2013. Predicting groundwater level fluctuations with meteorological effect implications - A comparative study among soft computing techniques. Computers & Geosciences, 56: 32-44. Shirmohammadi, B.; Vafakhah, M.; Moosavi, V. & Moghaddamnia, A. 2013. Application of several data-driven techniques for predicting groundwater level. Water Resources Management, 27(2): 419-432. Sistema de Informações Hidrológicas - HIDROWEB. Disponível em: <http://hidroweb.ana.gov.br>. Acesso em: 23 de setembro de 2015. Stoffer, D. 2014. ASTSA: Applied Statistical Time Series Analysis. R package version 1.3. Disponível em: https://cran.r-project. org/package=astsa. Acesso em: 23 Abril de 2016. United States Geological Survey - USGS. 2004. Shuttle Radar Topography Mission. Unfilled Unfinished 2.0. Global Land Cover Facility, University of Maryland, College Park, Maryland. Acesso em: 2 de fevereiro de 2016.
dc.rights.driver.fl_str_mv Copyright (c) 2019 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2019 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
dc.source.none.fl_str_mv Anuário do Instituto de Geociências; Vol 40, No 2 (2017); 53-60
Anuário do Instituto de Geociências; Vol 40, No 2 (2017); 53-60
1982-3908
0101-9759
reponame:Anuário do Instituto de Geociências (Online)
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Anuário do Instituto de Geociências (Online)
collection Anuário do Instituto de Geociências (Online)
repository.name.fl_str_mv Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv anuario@igeo.ufrj.br||
_version_ 1797053536260849664