Estimativa da concentração atmosférica de co2 (xco2) no estado do amazonas, brasil: uma abordagem de séries temporais.

Abstract

As mudanças climáticas, intensificadas pelo aumento das concentrações de CO2 atmosférico nas últimas décadas, são um desafio global. Sensores remotos em satélites coletam dados sobre a dinâmica desse gás, e, por meio da modelagem, permitem inferências precisas sobre suas fontes e sumidouros. Este estudo teve como objetivo avaliar o desempenho de modelos estatísticos para identificar e caracterizar a concentração de gases de efeito estufa (GEE) no estado do Amazonas, Brasil, utilizando os modelos autorregressivos de médias móveis (ARIMA) e de suavização exponencial (ETS). Os dados da concentração média de CO2 na coluna de ar atmosférico (XCO2) foram coletados na plataforma OCO-2, da Nasa. Para avaliar o efeito local do XCO2, foi aplicada a remoção da tendência por meio de regressão linear sobre os dados brutos. A área foi agrupada por métodos não supervisionados, tanto para dados com e sem tendência. Foram analisadas as médias mensais do XCO2 para o período de 2015 a 2022, com aplicação de estatística descritiva e dos modelos estatísticos citados. A média do XCO2 com tendência foi de 407,55 ± 0,01 ppm, enquanto a série sem tendência apresentou 390,20 ± 0,00 ppm. Para avaliar o desempenho dos modelos utilizamos os indicadores MAPE, RMSE, AIC e BIC. A remoção da tendência aumentou o poder preditivo dos modelos, com o MAPE médio mostrando uma redução de 0,2743 (com tendência) para 0,1985 (sem tendência) nos modelos de teste. Na fase de treino, não foram observadas diferenças significativas entre os métodos ARIMA e ETS. No entanto, na fase de teste, o modelo ARIMA apresentou melhor desempenho, especialmente nos dados com tendência, com MAPE médio de 0,2533 para ARIMA e 0,2953 para ETS. Os resultados mostraram que ambos os modelos são eficazes na previsão e modelagem das concentrações de XCO2 no estado do Amazonas, Brasil.

Climate change, intensified by the increase in atmospheric CO2 concentrations over recent decades, poses a global challenge. Remote sensing technologies on satellites collect data on the dynamics of this gas and, through modeling, allow precise inferences about its sources and sinks. This study aimed to evaluate the performance of statistical models in identifying and characterizing the concentration of greenhouse gases (GHG) in the state of Amazonas, Brazil, using autoregressive integrated moving average (ARIMA) and exponential smoothing (ETS) models. Data on the average atmospheric column CO2 concentration (XCO2) were collected from NASA's OCO-2 platform. To assess the local effect of XCO2, trend removal was applied through linear regression on the raw data. The area was grouped using unsupervised methods for both trend and detrended data. Monthly averages of XCO2 were analyzed for the period from 2015 to 2022, with the application of descriptive statistics and the models. The mean XCO2 with a trend was 407.55 ± 0.01 ppm, while the detrended series had a mean of 390.20 ± 0.00 ppm. To evaluate the models’ performance, indicators such as MAPE, RMSE, AIC, and BIC were utilized. Trend removal enhanced the predictive power of the models, with the average MAPE decreasing from 0.2743 (with trend) to 0.1985 (without trend) in the test models. During the training phase, no significant differences were observed between the ARIMA and ETS methods. However, in the testing phase, the ARIMA model performed better, particularly for data with a trend, showing an average MAPE of 0.2533 for ARIMA and 0.2953 for ETS. The results demonstrated that both models are effective in forecasting and modeling XCO2 concentrations in the state of Amazonas, Brazil.