Previsão de Níveis Estáticos de Água Subterrânea em Poço de Monitoramento Utilizando Metodologia Estocástica
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Outros Autores: | , |
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 |