Modelagem conjunta de temperatura e precipitação pluvial máximas em Presidente Prudente: aplicação de cópulas

Abstract

O estudo visa entender a interdependência entre temperatura e precipitação, que é crucial para prever eventos climáticos extremos e evidenciar seus impactos sociais, econômicos e ambientais. A metodologia empregada incluiu a coleta de dados meteorológicos do site POWER da NASA, na área do Parque do Povo em Presidente Prudente, entre janeiro de 1981 e dezembro de 2023. Esses dados foram analisados utilizando o software estatístico R, que facilitou a visualização e manipulação das informações. Inicialmente, a análise envolveu a seleção dos valores extremos mensais de temperatura e precipitação, seguida da modelagem univariada utilizando a distribuição Valor Extremo (Gumbel) para cada variável separadamente. Os resultados indicaram que a distribuição Gumbel ajustou-se bem aos dados de precipitação e temperatura máximas. Em seguida, utilizou-se a teoria de cópulas, ferramenta ótima para capturar dependências entre variáveis, para construir distribuições bivariadas. Essas distribuições possibilitaram determinar as probabilidades conjunta de ocorrência de níveis máximos de precipitação e temperatura para cada mês, evidenciando uma interdependência mais acentuada durante os meses do verão e da primavera. Contribuindo, assim, para o entendimento de padrões climáticos locais e como suporte a tomadas de decisão em relação a eventos extremos máximos.

The study aims to understand the interdependence between temperature and precipitation, which is crucial for predicting extreme weather events and highlighting their social, economic, and environmental impacts. The methodology involved collecting meteorological data from NASA's POWER website for the area of Parque do Povo in Presidente Prudente, covering the period from January 1981 to December 2023. These data were analyzed using the R statistical software, which facilitated the visualization and manipulation of the information. Initially, the analysis focused on selecting the monthly extreme values of temperature and precipitation, followed by univariate modeling using the Extreme Value (Gumbel) distribution for each variable separately. The results indicated that the Gumbel distribution provided a good fit for both precipitation and maximum temperature data. Subsequently, copula theory, an optimal tool for capturing dependencies between variables, was employed to construct bivariate distributions. These distributions made it possible to determine the joint probabilities of the occurrence of maximum levels of precipitation and temperature for each month, highlighting a more pronounced interdependence during the summer and spring months. This contributes significantly to the understanding of local climate patterns and serves as support for decision-making regarding extreme weather events.