Universidade Federal do Amazonas

Instituto de Cincias Exatas

Departamento de Fsica
Programa de Ps-Graduao em Fsica

MULTIFRACTALIDADE DAS CHUVAS

NA AMAZNIA E ANOMALIAS DE
TEMPERATURA NA SUPERFCIE DO
MAR
Edilson de Carvalho Filho

Manaus-AM, 3 de janeiro de 2013

Universidade Federal do Amazonas

Instituto de Cincias Exatas
Departamento de Fsica
Programa de Ps-graduao em Fsica

MULTIFRACTALIDADE DAS CHUVAS

NA AMAZNIA E ANOMALIAS DA
TEMPERATURA NA SUPERFCIE DO
MAR
Aluno: Edilson de Carvalho Filho
Orientador: Prof. Dr. Hidembergue Ordozgoith da Frota

Dissertao apresentada ao Programa de PsGraduao em Fsica da Universidade Federal

do Amazonas-UFAM para obteno do ttulo de
Mestre em Fsica.

Banca Examinadora:
Prof. Dr. Hidembergue Ordozgoith da Frota (UFAM)
Prof. Dr. Fernando Fagundes Ferreira (USP)
Profa. Dra. Marta Silva dos Santos Gusmo (UFAM)
Manaus-AM, 3 de janeiro de 2013

Agradecimentos
Em primeiro lugar agradeo a Deus.

Ao professor Hidembergue Ordorzgoith da Frota pela pacincia, incentivos e conselhos.

minha me Ana Maria de Carvalho Lima, pelo apoio incondicional, seu amor e sua f.
Ao meu pai Edilson Jos de Lima, por ser um homem inteiramente dedicado a famlia e pelos valiosos conselhos, que foram a mim dados desde muito cedo. A minha irm Elane de
Carvalho Lima, que sempre acreditou em mim e ao meu irmo Leonardo de Carvalho Lima.

s duas maiores razes da minha vida, Mirilene Neves de Freitas (esposa) e meu filho (ou filha)
que chegar no comeo de 2013.

Aos amigos que encontrei no departamento de fsica: Adlas Oliveira, Anne Beatriz, Cludio
Lima, Elcivan do Santos, Madson Canturio, Marclio Bcry e Marclio Ramos.

Ao grande amigo Celso Rgo pela ajuda, conselhos e pacincia.

Universidade Federal Do Amazonas (UFAM). Aos professores do departamento de Fsica da

UFAM. todas as pessoas que de certa forma contriburam para o sucesso de minha jornada.

s agncias FAPEAM, CNPQ e CAPES, pelo suporte financeiro.

Resumo
Analisamos neste trabalho, sobre a perspectiva multifractal, os registros de chuva de dezesseis
estaes meteorolgicas localizadas no Brasil e em especial na Amaznia, situadas nas cidades
de Altamira, Araguatins, Cceres, Corumba, Cruzeiro do Sul, Guara, Ibotirama, Manaus, Oriximin, Piranhas, Porto Velho, Santa Terezinha de Gois, Santarm, So Paulo de Olivena,
Tucuru e Xambio. Examinamos tambm, registros de anomalias de temperatura na superfcie
do mar (SSTA) relativos a sete regies localizadas no oceanos Atlntico e Pacfico denominadas
de Atlntico Norte, Atlntico Sul e Atlntico Tropical no oceano Atlntico e as regies Nino
1 + 2, Nino 3, Nino 4 e Nino 3.4. Calculamos os espectros multifractais das sries temporais estudadas, referentes aos dados de chuva e de SSTA, utilizando a metodologia MF-DFA
com incluso do passo zero. Medimos os coeficientes de correlao entre os dados de chuva
em relao aos dados de SSTA, encontrando uma fraca correlao entre as sries. Com base
no d-Processo Multiplicativo Multinomial simulamos zeros em sries de chuva por meio de
parmetros obtidos atravs de ajustes polinomiais dos espectros multifractais .

Palavras-chave: Sries temporais; chuva; Multifractalidade; Expoente de Hurst.

ii

Abstract

In this work we analyzed, on the multifractal perspective, the rainfall records from sixteen
meteorological stations located in Brazil, especially in the Amaznia, in the towns of Altamira,
Araguatins, Cceres, Corumba, Cruzeiro do Sul, Guara, Ibotirama, Manaus, Oriximin, Piranhas, Porto Velho, Santa Terezinha de Gois, Santarm, So Paulo de Olivena, Tucuru and
Xambio. As well the the records of the sea surface temperature anomalies-SSTA for seven
regions located in the Atlantic and Pacific oceans, named North Atlantic, South Atlantic and
Tropical Atlantic, in the Atlantic ocean, and Nino 1 + 2, Nino 3, Nino 4 and Nino 3.4, in the
Pacific ocean. Using the MF-DFA methodology with the addition of the step zero, we calculated the multifractal spectra of the time series related to the rainfall and SSTA records. Also
we obtained the correlation between the rainfall and the SSTA data, finding a weak correlation
between these series. Based on the Multiplicative Multinomial d-Process, we simulated the zeros in the rainfall series, using the parameters obtained through the polynomial adjustments of
the multifractal spectra.

Keywords: Time series; rainfall; Multifractality; Hurst exponent.

iii

Sumrio
1

Introduo

Fractal e Multifractal

2.1

Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2

Dimenso Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

2.3

Multifractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

Expoente de Hurst

14

3.1

Anlise do Alcance Reescalado

. . . . . . . . . . . . . . . . . . . . . . . . .

14

3.2

Noes Bsicas sobre Sries Temporais . . . . . . . . . . . . . . . . . . . . .

16

3.3

Processos de Memria Longa e Leis de Potncia . . . . . . . . . . . . . . . . .

20

MF-DFA com o Passo Zero

23

4.1

Descrio do mtodo MF-DFA . . . . . . . . . . . . . . . . . . . . . . . . . .

24

4.2

Relao entre o MF-DFA e a Anlise Multifractal Padro . . . . . . . . . . . .

29

4.3

Modelo Multifractal Binomial . . . . . . . . . . . . . . . . . . . . . . . . . .

30

4.4

Validao do Programa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

4.5

Coeficiente de Correlao de Pearson (r) . . . . . . . . . . . . . . . . . . . . .

34

Processos Multiplicativos

36

5.1

Processo Multiplicativo Binomial . . . . . . . . . . . . . . . . . . . . . . . .

36

5.2

d-Processo Multiplicativo Multinomial . . . . . . . . . . . . . . . . . . . . . .

38

Dados Meteorolgicos

41

6.1

41

rea de Estudo: Amaznia . . . . . . . . . . . . . . . . . . . . . . . . . . . .

iv

6.2

Dados de Chuva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

6.3

Dados de SSTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

Resultados e Discusses

47

7.1

MF-DFA para as sries de chuva e de SSTA. . . . . . . . . . . . . . . . . . . .

47

7.2

Estimativa de zeros nas sries de chuva . . . . . . . . . . . . . . . . . . . . . .

50

Concluso

64

Lista de Figuras
1.1

Localizao geogrfica das cidades onde esto localizadas as estaes meteorolgicas analisadas neste trabalho [28]. . . . . . . . . . . . . . . . . . . . . . .

1.2

Localizao geogrfica das regies do oceanos Atlntico e Pacfico analisadas

neste trabalho [32]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1

Exemplo de fractais: (a) brcolis, (b) samambaia, (c) rvore e (d) tringulo de
Sierpinski [37]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2

Segmento de reta S. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3

Construo do tringulo de Sierpinski [35]. . . . . . . . . . . . . . . . . . . .

11

2.4

Exemplos de multifractais: (a) tempestade com raios, (b) nuvens e (c) partituras
tpicas, inveno n 1 por Bach [37]. . . . . . . . . . . . . . . . . . . . . . . .

3.1

Esboo de um reservatrio de gua com um fluxo de entrada (t) e uma descarga

mdia anual h(t)i , cuja diferena acumulada dada pela equao 3.2 [28] . .

3.2

17

exemplos de sries (a) estacionria e (b) no estacionria, para uma varivel

qualquer Q em funo do tempo t [40]. . . . . . . . . . . . . . . . . . . . . .

3.4

15

Descarga anual do lago Albert (linha pontilhada) e a diferena da vazo mdia

acumulada (linha cheia). O alcance indicado por R [28]. . . . . . . . . . . .

3.3

12

18

Srie x(t) em (a) e suas componentes: Sazonalidade S(t) (b), Tendncia T(t) (c),
aleatria a(t) (d) [28]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

3.5

grfico da energia cintica Ec em funo da velocidade v(t). . . . . . . . . . .

21

4.1

(a) srie temporal de chuva para a estao localizada na cidade Manaus e (b)
sua respectiva srie integrada. . . . . . . . . . . . . . . . . . . . . . . . . . . .

vi

24

4.2

Grfico em escala loglog para os resuldos obtidos via MF-DFA com q = 2 para
as sries S(t) e WT (t). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

4.3

(a) h(q) e (b) (q) em funo de q para diferentes valores do parmetro a. . . .

32

4.4

Sries geradas a partir da equao 4.29 com o expoente de Hurst pr-determinado. 34

5.1

Comprimento da clula para o Processo Multiplicativo Binomial: (a) n = 1,

(b) n = 2, (c) n = 5 e (d) n = 12, sendo que p = 0, 25. O eixo x representa o
ndice de alocao do valor [28]. . . . . . . . . . . . . . . . . . . . . . . . .

5.2

37

Processo Multiplicativo Binomial com probabilidade p = 0.25 e n mximo

igual a 12. Em (a) temos (x) das clulas como funo de x = i212 em (b)
M (x) para o intervalo [0, x] como funo de x [28]. . . . . . . . . . . . . . . .

38

6.1

Amaznia brasileira [54]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

6.2

Sries temporais de chuva para as estaes localizadas nas cidades de: (a)
Altamira, (b) Araguatins, (c) Cceres, (d) Corumba, (e) Cruzeiro do Sul, (f)
Guara, (g) Ibotirama e (h) Manaus. . . . . . . . . . . . . . . . . . . . . . . .

6.3

44

Sries temporais de chuva para as estaes localizadas nas cidades de: (a) Oriximin, (b) Piranhas, (c) Porto Velho, (d) Santa Terezinha de Gois, (e) Santarm,
(f) So Paulo de Olivena, (g) Tucuru e (h) Xambio. . . . . . . . . . . . . . .

6.4

44

Sries temporais de SSTA para as estaes localizadas nas regies do: (a) Nino
1 + 2, (b) Nino 3, (c) Nino 4, (d) Nino 3.4, (e) Atlntico Norte, (f) Atlntico
Sul, (g) Atlntico Tropical. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.5

46

Srie temporal derivada x(k) para as estaes localizadas nas regies do: (a)
Nino 1+2, (b) Nino 3, (c) Nino 4, (d) Nino 3.4, (e) Atlntico Norte, (f) Atlntico
Sul, (g) Atlntico Tropical. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.1

46

MF-DFA das sries de chuva em escala log-log de Fq (s), para q = 2, em

funo de s para as estaes localizadas nas seguintes cidades: (a) Altamira,
(b) Araguatins, (c) Cceres e (d) Corumba. . . . . . . . . . . . . . . . . . . . .

7.2

56

MF-DFA das sries de chuva em escala log-log de Fq (s), para q = 2, em funo

de s para as estaes localizadas nas seguintes cidades: (a) Cruzeiro do Sul, (b)
Guara, (c) Ibotirama e (d) Manaus. . . . . . . . . . . . . . . . . . . . . . . .
vii

56

7.3

MF-DFA das sries de chuva em escala log-log de Fq (s), para q = 2, em funo

de s para as estaes localizadas nas seguintes cidades: (a) Oriximin, (b) Piranhas, (c) Porto Velho e (d) Santa Terezinha de Gois. . . . . . . . . . . . . .

7.4

57

MF-DFA das sries de chuva em escala log-log de Fq (s), para q = 2, em funo

de s para as estaes localizadas nas seguintes cidades: (a) Santarm, (b) So
Paulo de Olivena, (c) Tucuru e (d) Xambio. . . . . . . . . . . . . . . . . . .

7.5

57

MF-DFA das sries de SSTA em escala log-log de Fq (s), para q = 2, em funo

de s para as seguintes regies dos oceanos Pacfico e Atlntico: (a) Nino 1 + 2,
(b) Nino 3, (c) Nino 4 e (d) Nino 3.4. . . . . . . . . . . . . . . . . . . . . . . .

7.6

58

MF-DFA das sries de SSTA em escala log-log de Fq (s), para q = 2, em funo

de s para as seguintes regies dos oceanos Pacfico e Atlntico: (a) Atlntico
Norte, (b) Atlntico Sul e (c)Atlntico Tropical. . . . . . . . . . . . . . . . . .

7.7

58

Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via
Modelo Multifractal Binomial (linha pontilhada) para as estaes localizadas
nas seguintes cidades: (a) Altamira, (b) Araguatins, (c) Cceres e (d) Corumba.

7.8

59

Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via
Modelo Multifractal Binomial (linha pontilhada) para as estaes localizadas
nas seguintes cidades: (a) Cruzeiro do Sul, (b) Guara, (c) Ibotirama e (d) Manaus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.9

59

Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via
Modelo Multifractal Binomial (linha pontilhada) para as estaes localizadas
nas seguintes cidades: (a) Oriximin, (b) Piranhas, (c) Porto Velho e (d) Santa
Terezinha de Gois. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

viii

60

7.10 Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via
Modelo Multifractal Binomial (linha pontilhada) para as estaes localizadas
nas seguintes cidades: (a) Santarm, (b) So Paulo de Olivena, (c) Tucuru e
(d) Xambio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

60

7.11 Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via
Modelo Multifractal Binomial (linha pontilhada) para as seguintes regies do
oceano Pacfico: (a) Nino 1 + 2, (b) Nino 3, (c) Nino 4 e (d) Nino 3.4. . . . . .

61

7.12 Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via
Modelo Multifractal Binomial (linha pontilhada) para as seguintes regies do
oceano Pacfico: (a) Atlntico Norte, (b) Atlntico Sul e (c) Atlntico Tropical.

61

7.13 Expoente generalizado de Hurst h(q) em funo de q para as sries originais

(crculos) e para as sries embaralhadas (tringulos) para estaes localizadas
nas seguintes cidades: (a) Altamira, (b) Araguatins, (c) Cceres (d) Corumba,
(e) Cruzeiro do Sul, (f) Guara, (g) Ibotirama e (h) Manaus. . . . . . . . . . . .

62

7.14 Expoente generalizado de Hurst h(q) em funo de q para as sries originais

(crculos) e para as sries embaralhadas (tringulos) para estaes localizadas
nas seguintes cidades: (a) Oriximin, (b) Piranhas, (c) Porto Velho (d) Santa
Terezinha de Gois, (e) Santarm, (f) So Paulo de Olivena, (g) Tucuru e (h)
Xambio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

62

7.15 Expoente generalizado de Hurst h(q) em funo de q para as sries originais

(crculos) e para as sries embaralhadas (tringulos) para as seguintes regies:
(a) Nino 1 + 2, (b) Nino 3, (c) Nino 4, (d) Nino 3.4, (e) Atlntico Norte, (f)
Atlntico Sul e (g)Atlntico Tropical. . . . . . . . . . . . . . . . . . . . . . .

63

7.16 Parmetro de corte ideal Pi em funo do parmetro d para as estaes representativas localizadas nas cidades: Cceres, Cruzeiro do Sul, Oriximin e Tucuru. 63

ix

Lista de Tabelas
4.1

Comparao entre os valores de H pr-determinados e h(2) calculado a partir

da metodologia MD-DFA. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

6.1

Informaes sobre as estaes meteorolgicas. . . . . . . . . . . . . . . . . . .

43

7.1

Expoente generalizado de Hurst, para q = 2 e o parmetro d. . . . . . . . . . .

52

7.2

Soma quadrtica dos resduos (SQR) para o ajuste do expoente generalizado de

Hurst via Modelo Multifractal Binomial (SQRa,b ) e via d-Processo Multiplicativo Multinomial (SQRpi ,d ). . . . . . . . . . . . . . . . . . . . . . . . . . . .

53

7.3

Correlao entre as sries de chuva e as sries de SSTA. . . . . . . . . . . . . .

54

7.4

Quantidade de zeros da sries original (zerosso ) e para a srie simulada (zerosss ). 55

Captulo 1
Introduo
A Amaznia a regio de maiores ndices pluviomtricos do planeta, com mdias de
2200 mm/ano [1]. Estudos sobre as chuvas desta regio tm sido realizados desde o sculo
XIX. Entre as contribuies mais importantes destacam-se as de Maraj (1896) [2], Molion
(1975) [3], Villa Nova et al. (1976) [4], Lettau et al. (1979) [5], Marques et al. (1980) [6],
Moura e Shukla (1981) [7], , Jordan et al. (1981) [8], Leopoldo (1982) [9] e em especial,
a contribuio dada pelas pesquisas do cientista Eneas Salati 1 [10]. Ex-diretor do Instituto
Nacional de Pesquisas da Amaznia (INPA) (1979-1981) e do Centro de Energia Nuclear na
Agricultura (Cena) (1981-1985). Salati, com a ajuda de colegas do INPA, estabeleceu o vnculo
causal entre a floresta e o clima, alm de proporcionar um melhor entendimento sobre o regime
das chuvas na regio amaznica.
Durante quase trs anos, Salati e a sua equipe mediram o volume de gua da chuva que
descia pelos troncos das rvores de uma bacia modelo de 25 quilmetros quadrados do INPA,
ao norte de Manaus. Compararam com o volume do igarap para onde a gua escorria e com
o da chuva que caa sobre a rea. Fizeram, assim, o balano hdrico. Descobriram que, nessa
bacia, 25,9% da chuva escorria para o igarap, 25,6% era interceptada pela copa das rvores,
de onde evaporava diretamente, sem ir para o cho, e o restante 48,5% era transpirado pelas
rvores, que, como uma bomba, sugavam a gua do solo e a mandavam de volta para a atmosfera. Concluram que 74,1% da chuva provm de evapotranspirao que a soma de
1

Eneas Salati foi um engenheiro agrnomo brasileiro, alm de ter sido um dos maiores especialistas em hidrolo-

gia da Amaznia.

evaporao e transpirao. Salati aplicou esse modelo sobre os dados meteorolgicos de toda a
Bacia Amaznica, cuja precipitao mdia anual de 2200 milmetros, e vazo do Rio Amazonas, e calculou que a evapotranspirao responde por, no mnimo, 50% das chuvas da regio.
O trabalho foi publicado em 1985 no livro Key Environments: Amazonia [11], uma coletnea
editada por Ghillean T. Prance, do Jardim Botnico de Nova York, e Thomas E. Lovejoy, do
WWF, nos Estados Unidos, com prefcio do prncipe Philip, da Inglaterra.
De uma forma geral, como podemos ver nos trabalhos de Salati, a gua das chuvas tm
abastecido os rios da bacia amaznica, sendo o principal fator responsvel por influenciar a
variao anual dos nveis dos rios brasileiros [12]. Para certos perodos do ano, o padro das
chuvas controlado pelo oceano Atlntico, e no restante, controlado pelo oceano Pacfico [13].
Alm disso, a temperatura da superfcie do mar (sea surface temperature-SST) do Atlntico e do
Pacfico a principal varivel fsica influenciadora das condies climticas em vrias regies
do planeta [14]. Sabendo disso, investigaremos a relao entre as anomalias de temperatura da
superfcie do mar (sea surface temperature anomalies-SSTA) e as chuvas que caem na regio
amaznica.
Contudo, a compreenso da variabilidade interanual da precipitao na bacia amaznica
importante por causa da importncia que essa bacia representa para a agricultura, ciclo de
produo de hidroeletricidade, transporte e para a circulao geral e global das componentes do
ciclo hidrolgico [15]. Dependendo da extenso espacial e da persistncia da falta de chuva, por
exemplo, comunidades e regies inteiras poderam correr riscos com problemas econmicos e
de segurana alimentar [16]. Com isso destaca-se a necessidade de compreeder esse fenmeno,
que influncia diretamente a vida dos amaznidas e dos brasileiros.
Diariamente, pluvimetros de amostragem so a principal fonte de dados de chuva no
Brasil e em outros pases da Amrica do Sul [17]. A maior vantagem desses dados dirios
de chuva que eles preservam as tendncias sazonal e anual, alm da possibilidade da fcil
identificao do fenmeno da mudana climtica [18].
A investigao da existncia do comportamento fractal nos processos de precipitao tem
sido uma das reas de pequisas mais empolgantes dos ltimos tempos. Segundo a teoria fractal,
o processo de precipitao caracterizado por algumas propriedades estatsticas, que so independentes da escala de observao [19]. Evidncias empricas tm mostrado, repetidamente,

que tanto variaes espaciais quanto temporais de chuvas exibem comportamento multifractal,
pelo qual se entende que os momentos estatsticos das flutuaes de precipitao tem uma dependncia do tipo lei de potncia dependendo da escala, com seus expoentes variveis como
uma funo no linear da ordem do momento [20].
Alm do mais, processos de precipitao representam a transferncia de massa e energia
da atmosfera para a superfcie dos componentes do ciclo hidrolgico, e como a compreenso
desse fenmeno complicada, devido ao fato de que a relao entre a precipitao e a hidrologia de superfcie , frequentemente, no linear e depende tanto da escala espacial quanto da
temporal. Com isso, temos que as chuvas so extremamente variveis sobre uma grande escala
no espao e no tempo [21]. Por causa destas caractersticas, no apenas analisar, mas tambm
modelar e medir a intensidade das chuvas uma tarefa muito difcil [22]. Durante as duas ltimas dcadas, modelos estocsticos de chuva tm sido incrementados, explorando a propriedade
de escala de invarincia dos objetos multifractais [23].
Nas ltimas dcadas, cientistas tm se debruado e dado considervel ateno em compreender melhor os aspectos do comportamento de escala na natureza nas mais diversas reas
como: sequncia de DNA [24], batimentos cardacos [25], manchas solares e sries temporais
de fenmenos climatolgicos [[26], [27], [28]]. O comportamento complexo das sries estudadas nas reas citadas acima pode ser caracterizado pelo conhecido expoente de Hurst, que
essencialmente captura as propriedades de correlao dessas sries. Isso til para tratar os
mais variados fenmenos, identificando similaridades entre diferentes sistemas [29].
Recentemente, o mtodo da Anlise da Flutuao Destendenciada (Detrended Fluctuation
Analysis-DFA) desenvolvido por Peng et al. [25], tornou-se uma tcnica amplamente utilizada
para a determinao de propriedades de escala e para a deteco de correlaes de longo alcance de sries temporais monofractais no estacionrias . Uma das razes para se empregar
o mtodo DFA para se evitar a deteco de correlaes falsas presentes em srie temporais
no-estacionrias [30]. O Multifractal Detrended Fluctuation Analysis (MF-DFA) proposto por
Kantelhardt et al. (2002) [31] uma verso modificada do DFA para dectetar propriedades
multifractais de sries temporais [27].
Motivados pela importncia do fenmeno climtico das chuvas no s para o Brasil, mas
para o Mundo, e apoiados pelos trabalhos de Kantelhardt [26], Gires [22] e Rgo [28], esco-

lhemos como propsito principal deste trabalho a investigao das propriedades de escala das
sries temporais de chuva e de SSTA, a partir da perspectiva multifractal. Principalmente pelo
fato de que a distribuio espacial das chuvas pode ter efeitos considerveis sobre a descarga
(vazo) de rios assim como secas ou cheias [16]. Usando o mtodo Multifractal Detrended
Fluctuation Analysis (MF-DFA), calcularemos os espectros multifractais das sries de chuvas
de 16 estaes meteorolgicas localizadas em diferentes regies da Amaznia e do Brasil como
mostrado na figura 1.1, e de 7 sries de Anomalias de temperatura da superfcie do mar (SSTA)
de regies dos oceanos Atlntico e Pacfico, conforme mostramos na figura 1.2. Buscaremos a
correlao entre os dados das sries de chuvas e de SSTA. Baseados na metodologia MF-DFA
e no d-Processo Multiplicativo Multinomial propomos um novo mtodo numrico para simular
zeros em sries simuladas de chuva.
O presente trabalho de dissertao dividi-se em oito captulos. No captulo 2, abordamos
os principais conceitos relacionados com a geometria fractal, como dimenso fractal, autossimilaridade, autoafinidade e multifractais. No captulo 3, apresentamos algumas caractersticas
bsicas sobre o expoente de Hurst, onde mostramos a anlise do alcance reescalado de Hurst
[33], alm de noes bsicas sobre sries temporais, processos de memria longa e leis de
potncia. O captulo 4 extremamente importante para a compreenso do trabalho pois, nele,
apresentamos a metodologia MF-DFA com incluso do passo zero usada para calcular os espectros multifractais analisados. Mostramos tambm a relao entre o MF-DFA e a anlise
multifractal padro, alm de apresentar o Modelo Multifractal Binomial, validarmos o programa usado para calcular os espectros multifractais e apresentamos noes bsicas sobre o
coeficiente de correlao de Pearson. O captulo 5 tambm essencial para a compreenso do
trabalho. Nele apresentamos o Processo Multiplicativo Binomial e o d-Processo Multiplicatico
Multinomial. No captulo 6, mostramos uma caracterizao da rea estuda a Amaznia, alm
de apresentarmos as fontes de onde foram obtidos os dados analisados. Os resultados obtidos
e a sua respectiva discusso esto dispostos no captulo 7. Por fim, no captulo 8 apresentamos
nossas concluses.

Figura 1.1: Localizao geogrfica das cidades onde esto localizadas as estaes meteorolgicas analisadas neste trabalho [28].
5

Figura 1.2: Localizao geogrfica das regies do oceanos Atlntico e Pacfico analisadas neste
trabalho [32].

Captulo 2
Fractal e Multifractal
Apesar de estarmos bem familiarizados com a geometria euclidiana, que descreve muito
bem figuras tais como retas, quadrados, crculos, cones, paralelepdos e pirmides entre outras,
podendo calcular as suas medidas de comprimento, rea e volume, muitos objetos e formas
encontrados na natureza no podem ser explicados dessa forma, sendo para isso, necessria
uma geometria especial. Essa geometria conhecida como geometria fractal que, na verdade,
uma extenso da geometria clssica (geometria euclidiana).
Neste captulo, faremos uma breve introduo geometria fractal, diferenciando fractais
de multifractais, mostrando os conceitos de conjuntos autossimilares e autoafins. Definiremos,
tambm, dimenso fractal e, como exemplo, calcularemos a dimenso fractal do famoso fractal
conhecido como tringulo de Sierpinski.

2.1

Fractal
Tanto o padro de formao de nuvens quanto o padro de crescimento e disposio de

galhos e folhas numa rvore podem ser recriados por meio de regras simples de construo
geomtrica, mas que ao serem executadas so capazes de gerar estruturas de complexidade admirvel conhecidas como fractais. Fractais so formas geomtricas com algumas caractersticas
especiais que os definem e distinguem de outras formas, como autosemelhana em diferentes
nveis de escala.

A observao de Mandelbrot 1 (1982) [34] da existncia de uma geometria natural nos

leva a pensar uma nova abordagem cientfica sobre as bordas das nuvens, o perfil dos topos das
florestas no horizonte e o complexo movimento das penas de um pssaro que voa [35].
Segundo Mandelbrot "um fractal por definio um conjunto para o qual a dimenso
de Hausdorff-Besicovitch excede estritamente a dimenso topolgica (dimenso do espao Euclidiano)". Sendo essa definio exageradamente complexa, j que exige uma caracterizao
em termos de conjunto, dimenso de Hausdorff-Besicovitch D e dimenso topolgica DT , que
sempre um inteiro.
Contudo, Mandelbrot em 1986, considerando essa definio demasiadamente excessiva,
props uma definio mais malevel de fractal: "Um fractal uma forma constituda de partes
similares ao todo".
Apesar da primeira definio ser correta e precisa, ela tambm restritiva, pois deixa de
fora fractais que so de interesse fsico, como fluxo turbulento de fluidos e sries temporais de
medidas fsicas. A segunda definio apresenta caracterstcas que so facilmente identificveis
na natureza fractal, como similaridade ou invarincia por escala [36].
Na figura 2.1 observamos alguns exemplos de fractais como: (a) brcolis, (b) samambaia,
(c) rvore e (d) tringulo de Sierpinski. Todos os exemplos mostrados nesta figura obedecem
a condio de autossimilaridade, o que implica dizer que quando um objeto tem uma pequena
parte aumentada, est similar ao todo. Para caracterizarmos a autossimilaridade devemos
observar a figura 2.2.
Considerando que o segmento de reta S seja unitrio e multiplicando-o por um fator de
escala , de modo que < 1, teremos um novo segmento S 0 = S, que por sua vez um pedao
menor do segmento de reta S. Podemos transladar o segmento de reta S 0 de modo que ele possa
cobrir uma parte do segmento original S. Se escolhermos de forma correta o fator de escala ,
poderemos cobrir totalmente o segmento S com N segmentos de tamanho S 0 assim como na
figura 2.2. Assim podemos dizer que o segmento de reta S invariante pelo fator de escala ,
portanto, ele autossimilar. Todas os fractais mostrados na figura 2.1 so autossimilares.
Uma maneira correta de se escolher o fator de escala fazendo = 1/N onde N
1

Benot B. Mandelbrot (1924-2010) foi um matemtico francs de origem polonesa. Mandelbrot e outros

cintista desenvolveram a geometria fractal.

Figura 2.1: Exemplo de fractais: (a) brcolis, (b) samambaia, (c) rvore e (d) tringulo de
Sierpinski [37].

Figura 2.2: Segmento de reta S.

o nmero de divises que se pretende fazer no segmento S. No caso de um plano retangular

devemos fazer = (1/N )1/2 . De maneira similar, teremos para um paraleleppedo que =
(1/N )1/3 . De uma forma geral, temos que o fator de escala dado por = (1/N )1/d , onde d
a dimenso de similaridade, sendo d igual a 1 para retas, 2 para planos e 3 para cubos [36].
Uma definio para um conjunto autossimilar dado por:
Definio 2.1 (Autossimilaridade) Um conjunto de pontos S dito autossimilar com respeito
ao raio de escala se S for a unio de N subconjuntos no sobrepostos S1 , ..., SN , onde cada
um obtido de S a partir da transformao Si = S com i = 1, ..., N [36].
Uma caracterstica fundamental dos objetos fractais que as suas propriedades mtricas
tais como comprimento e rea , so uma funo da escala de medio [38].

2.2

Dimenso Fractal
A dimenso fractal importante porque ela pode definir a conexo com dados do mundo

real, alm de poderem ser medidas de maneira aproximada atravs de experimentos. Por exemplo, pode-se medir a dimenso fractal da linha costeira da Gr-Bretanha, seu valor cerca de
D = 1, 2. Dimenso fractal pode ser ligado a nuvens, rvores, linhas costeiras, plumas, redes
de neurnios no corpo, poeira no ar em um instante de tempo, as roupas que vestimos, as cores
emitidas pelo sol, entre outros [35].
Existem vrias tcnicas usadas para calcular a dimenso fractal, uma delas conhecida
como dimenso por contagem de caixas (box-counting) [35]. A dimenso fractal D por contagem de caixas de um conjunto C denotada por boxdim(C), onde D = boxdim(C), definida
como
D = lim
0

ln[N ()]
,
ln(1/)

(2.1)

onde N () o nmero de caixas com o qual o conjuntor ser coberto e  o comprimento dessa
caixa [35]. Como exemplo mostraremos como construir e calcular a dimenso fractal D para o
tringulo de Sierpinski 2 mostrado na figura 2.1(d).
Na figura 2.3(a) temos n = 0 ou nvel zero chamado de iniciador. Em seguida temos
n = 1, n = 2 e n = 3, para as figuras 2.3(b), 2.3(c) e 2.3(d), respectivamente.
2

Waclaw Franciszek Sierpinski (1882-1969) foi um matemtico polons.

10

Figura 2.3: Construo do tringulo de Sierpinski [35].

Considerando caixas bidimensionais cujo comprimento do lado seja unitrio, como mostrado
na figura 2.3 onde
 = 1/2n ,

(2.2)

podemos ver que N () = 3 para n = 1, N () = 9 para n = 2, N () = 27 para n = 3 e assim
por diante. Ento de uma forma geral teremos
N () = 3n ,

(2.3)

para n = 1, 2, 3, . Substituindo as equaes 2.2 e 2.3 na equao 2.1, obtemos

ln(3n )
,
0 ln(2n )

(2.4)

ln(3)
= 1, 58.
ln(2)

(2.5)

D = lim
ento
D=

11

Ou seja, sua dimenso fractal por contagem de caixas D = 1, 58. Com isso vemos que,
como o nome sugere, fractal todo objeto que tem como sua dimenso um nmero fracionrio
e, por isso, chamada de dimenso fractal (fragmentado).

2.3

Multifractal
O termo multifractal, como o prprio nome sugere, se refere a uma coleo de fractais

entrelaados, onde cada qual possui a sua prpria dimenso fractal. Ento, um multifractal
um objeto que necessita de pelo menos dois expoentes de escala para caracterizar a sua forma.
Portanto, podemos dizer que um multifractal pode ser visto como uma extenso dos fractais
[38].

Figura 2.4: Exemplos de multifractais: (a) tempestade com raios, (b) nuvens e (c) partituras
tpicas, inveno n 1 por Bach [37].

12

Podemos ver na figura 2.4 alguns exemplos de multifractais: (a) tempestade com raios,
(b) nuvens e (c) partituras tpicas, inveno n 1 por Bach 3 . No caso de objetos multifractais
devemos estar familiarizados com conjuntos autoafins, que so conjuntos que exigem mais de
um fator de escala.
Definio 2.2 (Autoafinidade) Um conjunto de pontos S dito autoafim com respeito ao vetor
raio de escala = (1 , ..., N ) se S for a unio de N subconjuntos no sobrepostos S1 , ..., SN ,
onde cada Si = i S, com i = 1, ..., N , obtido de S a partir de um transformao autoafim
[36].
Uma transformao autoafim quando esta leva um ponto X = (x1 , , xN ) em um novo
ponto X 0 = (1 x1 , , N xN ), onde os fatores de escala 1 , , N no so todos iguais. Todos
os exemplos de multifractais mostrados na figura 2.4 apresentam caractersticas autoafins.
Feita esta breve introduo aos fractais e multifractais, no captulo seguinte, faremos uma
exposio sobre o expoente de Hurst, cuja determinao para os ndices pluviomtricos da
regio amaznica o ponto central da presente dissertao.

Johann Sebastian Bach (1685-1750) foi um compositor, cantor, maestro, professor, organista, cravista, violista

e violinista.

13

Captulo 3
Expoente de Hurst
Existem vrios mtodos usados para estimar o expoente de Hurst (veja a referncia [38]),
dentre os quais se destaca a Anlise do Alcance Reescalado (anlise R/S), criada por Harold
E. Hurst [33] para calcular a correlao presente nos dados de uma srie temporal de medidas
experimentais tais como nveis de rios, chuvas, temperatura, entre outras.
Usado para estudar fractais, teoria do caos, anlise espectral e processos de memria longa
[39], o expoente de Hurst uma ferramenta capaz de fornecer informaes sobre regularidade,
aleatoriedade e tambm os efeitos de longo alcance ou memria dessas sries, contribuindo
para o conhecimento de seu comportamento futuro. Tem sido aplicado a diversas reas do conhecimento, como biofsica, economia, medicina entre outras. Uma noo bsica sobre sries
temporais apresentada neste captulo, abordando os principais conceitos utilizados neste trabalho. E por fim, um tpico sobre processos de memria longa e leis de potncia apresentado,
relacionando a geometria fractal com leis de potncia.

3.1

Anlise do Alcance Reescalado

Hurst 1 foi um hidrlogo que trabalhou no projeto de construo de uma represa no Rio

Nilo, alm de ter estudado os problemas relacionados a gua. Chegou naquela regio por volta
de 1907 e l permaneceu durante 40 anos. Seu objetivo era construir uma represa de tal modo
que esta no transbordasse e nem ficasse muito vazia. Seus estudos sobre o Nilo o levou a
1

Harold Edwin Hurst (1880-1978) foi um hidrlogo britnico.

14

analisar dcadas de registros de cheias e secas. A partir dessa investigao, Hurst desenvolveu o
mtodo da anlise R/S [28] com o nome rescaled range (ou range over standard deviation)
com o propsito de testar a existncia de memria longa numa srie temporal [40].
A Anlise do Alcance Reescalado um mtodo de base emprica cuja metodologia dada
a seguir. Consideramos um reservatrio de gua cuja mdia de enchimento sobre um perodo
de tempo dada por
hi =

1X
(t),
t=1

(3.1)

onde (t) representa o influxo de gua no reservatrio. O desvio da mdia para o ano u
(u) hi (o influxo para o ano u menos a mdia). A soma corrente do desvio acumulado da
mdia, para os anos de 1
X(t, ) =

t
X

[(u) hi ],

1t

(3.2)

u=1

onde hi a mdia de todos os pontos no perodo , e t indica o primeiro ano (t = 1) e o

ltimo ano t = . A figura 3.1 ilustra bem esse processo.

Figura 3.1: Esboo de um reservatrio de gua com um fluxo de entrada (t) e uma descarga
mdia anual h(t)i , cuja diferena acumulada dada pela equao 3.2 [28]
O valor mximo e mnimo da equao 3.2 representa o volume mximo e mnimo que o
reservatrio poder assumir no perodo . Portanto, considerando um reservatrio suficiente15

mente grande, que nunca transborde ou seque, a representao da diferena entre o mximo e o
mnimo da gua contida no reservatrio expresso por [28],
R( ) = max1t X(t, ) min1t X(t, ),

(3.3)

o alcance R depende do perodo considerado. Contudo, espera-se que o mesmo aumente com
o crescimento de .
Considerando o desvio padro dado por
S( ) =

t
1X
[(u) hi ]2
u=1

!1/2

(3.4)

Hurst comparou diversos fenmenos de naturezas distintas, tendo encontrado a relao

R/S para diversas sries temporais, observando que as mesmas seguem uma relao do tipo lei
de potncia, escrita, empiricamente, como
 H

R
=
S
2

(3.5)

Na figura 3.2 podemos observar as variveis X(t), (t) e R para o lago Albert localizado
no centro do continente africano.
O expoente H conhecido como expoente de Hurst, variando no intervalo 0 H 1.
Para sries que no apresentam correlao (sries aleatrias) o expoente de Hurst H igual
0,5. Quando H fica no intervalo 0, 5 < H < 1 indica memria longa ou persistncia; e no
intervalo 0 < H < 0, 5, indica memria curta ou antipersistncia [27]. O expoente de Hurst
est diretamente relacionado com a dimenso fractal D, que d a medida de rugosidade de uma
superfcie, por exemplo. A relao entre a dimenso fractal D e o expoente de Hurst H [41]
D = 2 H.

3.2

(3.6)

Noes Bsicas sobre Sries Temporais

Uma srie temporal qualquer conjunto de observaes ordenadas no tempo. Como

exemplo de sries temporais podemos citar

Valores dirios de poluio na cidade de Manaus;
16

Figura 3.2: Descarga anual do lago Albert (linha pontilhada) e a diferena da vazo mdia
acumulada (linha cheia). O alcance indicado por R [28].
Valores mensais de temperatura na cidade de Porto Velho;
ndices dirios da Bolsa de Valores de So Paulo;
Precipitao atmosfrica anual na cidade de So Paulo de Olivena.
Todas as sries mostradas so ditas discretas. Mas tambm podem ocorrer casos em que
a srie temporal seja do tipo contnua. Para convertermos uma srie contnua em uma srie
discreta, basta dividi-l em intervalos de tempos iguais t [40].
De um modo geral, os objetivos da anlise de sries temporais so os seguintes:
(a) Investigar o mecanismo gerador da srie temporal. Por exemplo, analisando uma srie de
alturas de ondas, podemos querer saber como estas ondas foram geradas.
(b) Fazer previses de valores futuros da srie. Estas podem ser a curto prazo, como para
sries de vendas, produo ou estoque, ou a longo prazo, como para sries populacionais,
de produtividade etc.

17

(c) Descrever apenas o comportamento da srie. Neste caso, a construo do grfico, a verificao da existncia de tendncias, ciclos e variaes sazonais, a construo de histogramas e diagramas de disperso etc., podem ser ferramentas teis.
(d) Procurar periodicidades relevantes nos dados. Aqui, a anlise espectral pode ser de grande
utilidade.
A srie temporal pode ser, tambm, estacionria como na figura 3.3(a), que quando ela
se desenvolve no tempo aleatoriamente ao redor de uma mdia constante, refletindo alguma
forma de equilbrio estvel; ou no-estacionria como na figura 3.3(b), quando a srie apresenta
tendncias, sendo o caso mais simples aquele em que a srie flutua ao redor de uma reta com
inclinao positiva ou negativa (tendncia linear).

Figura 3.3: exemplos de sries (a) estacionria e (b) no estacionria, para uma varivel qualquer Q em funo do tempo t [40].
De uma forma geral, uma srie temporal x(t) pode ser escrita como a soma de trs componentes no observveis,
x(t) = T (t) + S(t) + a(t),

(3.7)

onde T (t) representa a componente tendncia, S(t) a componente sazonalidade e a(t) a componente aleatria de mdia zero e varincia constante a2 . Quando a(t) descorrelacionado,
dizemos que esta caracteriza uma srie do tipo rudo branco, e que normalmente denotada
por uma distribuio (mdia, varincia) = (0; a2 ) [28]. Na figura 3.4 podemos ver uma srie
temporal e suas respectivas componentes

18

Figura 3.4: Srie x(t) em (a) e suas componentes: Sazonalidade S(t) (b), Tendncia T(t) (c),
aleatria a(t) (d) [28].
A componente Sazonalidade S(t) (figura 3.4(b)) representa as flutuaes da srie de
acordo com algum fator de sazonalidade. A tendncia T (t) (figura 3.4(c)) representa o aumento ou declnio gradual nos valores das observaes de uma srie temporal. A componente
aleatria a(t) (figura 3.4(d)) est relacionada com a correlao presente na srie. Neste trabalho
estamos interessados em analisar a componente tendncia T (t).
Um dos procedimentos adotados para analisar sries temporais consiste em ajustar uma
curva aos valores observados da sries para estimar T (t) e, assim, poder fazer previses. Para
isso, so utilizados vrios tipos de funo, como a exponencial, por exemplo. Porm, neste
trabalho vamos nos limitar a descrever brevemente o ajuste de um polinmio. O problema mais
srio que podemos encontrar ao se estimar T (t) de um polinmio que, embora ele possa se
ajustar bem ao conjunto de valores observados, extrapolaes futuras podem no ser to boas
[40]. No caso particular do polinmio, a tendncia pode ser escrita como
T (t) = 0 + 1 t + + m tm ,

19

(3.8)

onde m o grau do polinmio, m bem menor que o nmero de observaes N e os parmetros

i so determinados pelo mtodo dos mnimos quadrados, que consiste em minimizar a equao
f (0 , , m ) =

N
X

(x(t) 0 + 1 t, m tm )2 .

(3.9)

t=1

Assim, utilizando o modelo estimado para T (t), podemos prever valores futuros da srie.

3.3

Processos de Memria Longa e Leis de Potncia

Num processo de "memria curta"a funo de autocorrelao decresce rapidamente para

zero, logo
|j | Cj r ,

j = 1, 2,

(3.10)

onde C > 0 uma constante e 0 < r < 1 um expoente de escala. Esta expresso garante que
a funo de autocorrelao seja geometricamente limitada.
Contudo, para processos com memria longa presentes, principalmente em estudos empricos sobre Climatologia e Hidrologia, que um processo do tipo estacionrio, a sua funo
de autocorrelao decresce hiperbolicamente para zero , isto ,
j Cj 2d1 ,

j ,

(3.11)

onde C > 0 e 0 < d < 0, 5. Podemos usar o expoente de Hurst H, de modo que j Cj 2H2 ,
j que para processos com memria longa, 0, 5 < H < 1, onde a relao entre os expoentes d e
H [40]
H = d + 0, 5.

(3.12)

Lembrando que como o expoente de Hurst definido no intervalo 0 < H < 1 de modo
que, quanto maior o valor de H, para 0, 5 < H < 1, maior a memria longa do processo. De
um modo geral, um processo de memria longa um processo com um componente aleatrio,
onde um evento passado tem um efeito sobre eventos futuros. O processo tem alguma memria
dos eventos passados, que esquecido com o avanar do tempo [41].
Quando a srie apresenta H = 0, 5 dizemos que esta se comporta como um caminhante
aleatrio (uma srie temporal browniana), ou seja, no h correlao entre um elemento passado
20

e um elemento futuro. Se 0 < H < 0, 5, a srie apresenta comportamento de antipersistncia

(autocorrelao negativa), de modo que um aumento tender a ser seguido por um decrescimento, e vice-versa.
Muitos sistemas fsicos e biolgicos exibem um comportamento complexo caracterizado
por lei de potncia de longo alcance [42]. De uma forma geral, uma lei de potncia descreve a
relao entre duas variveis fsicas quaisquer, f (x) e x, por exemplo, e tem a forma
f (x) = bx ,

(3.13)

onde e b so constantes de calibrao, e normalmente b chamada de constante de normalizao. Na figura 3.5 mostramos um importante exemplo da mecnica, a famoso equao
da energia cintica, onde fizemos f (x) = Ec , b = m/2, = 2 e x = v(t). Uma outra
caracterstica importante das leis de potncia a relao de homogeinidade , tambm conhecida
como invarincia de escala, dada por [28]
f (x) = f (x)

(3.14)

Funes que satisfazem essa relao so denominadas de funes de escala e so muito

importantes na descrio de transio de fase de fenmenos crticos [36].

Figura 3.5: grfico da energia cintica Ec em funo da velocidade v(t).

Os sistemas com escalas descrevem quase tudo na natureza, s vezes at sistemas desordenados. A distribuio de chuvas numa calada tem uma escala caracterstica: basta fo21

calizarmos cada vez mais para encontrarmos que o dimetro mdio uma gota. Mas existem os
sistemas que no possuem escala caracterstica, descritos por leis de potncia, que so solues
de equaes funcionais da forma da equao 3.14 [43].
Analisando a relao entre leis de potncia e a geometria fractal podemos tirar as seguintes
concluses:
(i) Fractais so sempre conjunto autossimilares que exibem uma nica lei de potncia e;
(ii) Multifractais so conjunto autoafins que apresentam no mnimo duas leis de potncia para
a sua plena caracterizao.

22

Captulo 4
MF-DFA com o Passo Zero
Neste captulo, apresentamos a metodologia utilizada para analisar as sries temporais
estudadas neste trabalho. Mostramos, tambm, a incluso do passo zero [44] para adaptar a
metodologia para um correto destendenciamento da srie sazonal.
Nos ltimos anos, o mtodo da anlise de flutuao destendenciada (detrended fluctuation
analysis-DFA) desenvolvido por Peng et al. [25], tem sido uma tcnica largamente usada para
a determinao de propriedades de escala de fractais (monofractais) e deteco de correlaes
de longo alcance em sries temporais no-estacionrias [31].
Este mtodo tem sido aplicado com sucesso em diversos campos tais como, sequncias de
DNA, geologia, economia, fsica do estado slido entre outros. Contudo, a anlise multifractal
da flutuao destendenciada (multifractal detrended fluctuation analysis MF-DFA) proposta por
Kantelhardt et al. [31], que uma verso modificada do DFA, capaz de detectar propriedades
multifractais em sries temporais [27].
Mostraremos, tambm, a relao entre o MF-DFA e a Anlise Multifractal Padro e, por
fim, introduziremos o modelo multifractal binomial, para o qual os expoentes de escala podem
ser calculados analiticamente, mostrando sua relao com MF-DFA padro.
Por fim, mostraremos como foi feita a validao do programa utilizado para calcular os
espectros multifractais analisados neste trabalho, e damos uma noo bsica sobre coeficiente
de correlao de Pearson.

23

4.1

Descrio do mtodo MF-DFA

O procedimento MF-DFA consite em cinco passos sendo que, os trs primeiros so essen-

cialmente idnticos ao convencional procedimento DFA . Primeiro, vamos supor que uma srie
x(k) tenha comprimento (tamanho) igual N , e que essa srie seja de suporte compacto, sendo
que, o suporte definido como o conjunto de ndices k com o valor de x(k) diferente de zero,
onde k = 1, , N . O suporte compacto para x(k) = 0 para somente uma frao insignificante da srie [31].
Passo 1: Determinao do "perfil"
i
X

Y (i)

[x(k) hxi].

(4.1)

k=1

A subtrao da mdia hxi no obrigatria, uma vez que seria eliminada depois pelo destendenciamento que acontece no terceiro passo. O passo 1 comumente chamado de integrao
da srie. Na figura 4.1 mostramos a srie temporal de chuva para a estao localizada na cidade
de Manaus (2008-2012) e a sua respectiva integrao realizada atravs da equao 4.1.

Figura 4.1: (a) srie temporal de chuva para a estao localizada na cidade Manaus e (b) sua
respectiva srie integrada.
Passo 2: Diviso do perfil Y (i) em
N
Ns int
s


24

(4.2)

segmentos no sobrepostos de igual comprimento s. Uma vez que N , na maioria das

vezes, no um mltiplo da escala s e como int(N/s) um nmero inteiro, uma pequena
parte no final da srie acaba sendo descartada. Para resolver este problema, repetimos o
procedimento passo 2, mas desta vez, comeamos pelo final da srie, e assim recuperamos
essa pequena parte que sobrava, de modo que no fim do processo teremos 2Ns segmentos.
Passo 3: Clculo da tendncia local para cada um dos 2Ns segmentos por um ajuste
polinomial da srie (utilizando o mtodo dos mnimos quadrados). Em seguida, determinamos a varincia
F 2 (, s)

s
1X
{Y [( 1)s + i] (i)}2
s i=1

(4.3)

para cada segmento , = 1, , Ns e

F 2 (, s)

s
1X
{Y [N ( Ns )s + i] (i)}2
s i=1

(4.4)

para = Ns + 1, , 2Ns . O termo (i) representa o polinmio utilizado para o ajuste

no segmento . Os tipos de ajuste so classificados como: linear (DFA1), quadrtico
(DFA2), cbico (DFA3) ou de ordem m (DFAm), uma vez que o destendenciamento da
srie realizada pela subtrao dos ajustes polinomiais do perfil. Diferentes ordens no
DFA diferem na sua capacidade para eliminar tendncias.
Passo 4: Clculo da mdia sobre todos os segmentos, de modo que obtenhamos a q-sima
ordem da funo de flutuao, onde
(

Fq (s)

Xs
1 2N
[F 2 (, s)]q/2
2Ns =1

)1/q

(4.5)

De uma forma geral, o ndice q pode assumir qualquer valor real (q <). Para q = 2
recuperamos o DFA padro. Contudo, estamos interessados em analisar como Fq (s) varia
com a escala s para diferentes valores de q. Para isso, repetimos os passos 2 a 4 para vrias
escalas temporais s. Aparentemente Fq (s) cresce com o aumento de s. Temos tambm
que Fq (s) depende da ordem m do DFA. Por construo, Fq (s) definido somente para
s m + 2.

25

 Passo 5: Determinao do comportamento de escala das funes de flutuao analisando

os grficos log-log de Fq (s) versus s para cada valor de q. Se a srie x(k) apresentar
correlaes de longo alcance, Fq (s) aumentar para valores maiores de s, na forma de
uma equao do tipo lei potncia
Fq (s) sh(q) .

(4.6)

Para grandes escalas, s > N/4, Fq (s) se torna estatisticamente no confivel, em funo
do nmero de segmentos Ns para o procedimento da mdia no passo 4 se tornar muito pequeno.
Assim, exclumos escalas s > N/4 do procedimento de ajuste para determinar h(q). Em geral,
o expoente h(q) da equao 4.6 pode depender de q. Para sries estacionrias, h(2) idntico
ao bem conhecido expoente de Hurst H. Logo, o expoente h(q) conhecido como expoente
generalizado de Hurst.
Tem-se observado que a aplicao direta da metodologia MF-DFA no suprime a tendncia sazonal [[29], [42], [45], [46]]. Considerando uma experincia numrica, Hu et al. [42],
usando o princpio da superposio, decomps um sinal sazonal em duas componentes: uma
funo senoidal e um rudo, que pode ou no ser correlacionado. Nessa experincia observaram
que Fq (s) apresenta dois expoentes diferentes para pequenas e grandes escalas de s, com uma
regio de crossover entre elas em torno do perodo da funo senoidal. Esse crossover tambm foi observado por Rgo ao aplicar a metodologia MF-DFA para estudar a multifractalidade
dos rios brasileiros [28]. Essa deficincia do MF-DFA em no destendenciar sries temporais
sazonais, mesmo utilizando-se polinmios de ordem mais alta, levou Rgo et al. [44] a introduzir o passo zero a metodologia MF-DFA, no sentido de eliminar o efeito da sozonalidade nas
sries temporais, o que passamos a descrever a seguir.
Passo zero: Definio da srie
WT (k) = x(k + T ) x(k),

(4.7)

onde T o perodo de sazonalidade. A partir do conhecimento de WT (k), iniciamos

o processo da metodologia MF-DFA substituindo-se x(k) na equao 4.1 por WT (k) da
equao 4.7. Em seguida, segue-se os passos de 2 a 5 acima descritos para a determinao
de Fq (s) em termos dos expoentes de Hurst.
26

O passo zero baseia-se no princpio da superposio dos sinais. Considere que um sinal
sazonal x(i) pode ser constituido por um sinal senoidal s(i), por exemplo, mais um rudo u(i),
que pode ser correlacionado ou no. Assim, x(i) = s(i) + u(i). Tomando-se T como sendo o
perodo de s(i), ento WT (k) passa a ser escrito como
WT (k) = u(k + T ) u(k).

(4.8)

Por outro lado, pode-se demonstrar por experincia numrica que o expoente de Hurst
da srie temporal WT (k) igual ao expoente de Hurst da srie temporal u(k). Portanto,
determinando-se h(q) de WT (k) pode-se adot-lo para u(k). Como exemplo, utilizaremos a
funo de Weierstrass-Mandelbrot 4.28 (que ser analisada na seo Validao do Programa),
onde consideraremos somente a parte real 4.29 dada por
S(t) =

[1 cos(bn t)]
,
bHn
n=

(4.9)

onde H o expoente de Hurst. Se acrescentarmos um incremento T ao argumento da equao

acima, teremos
S(t + T ) =

[1 cos(bn (t + T ))]
.
bHn
n=

(4.10)

A partir de 4.8 podemos escrever

WT (t) = S(t + T ) S(t),

(4.11)

logo
WT (t) =

{cos[bn (t + T )] + cos(bn t)}

.
bHn
n=

(4.12)

Como podemos ver, o acrscimo de um incremento T no argumento da funo S(t) no

altera o valor do expoente de Hurst H, como esperado. Esse efeito pode ser visto na figura
4.2, onde fizemos T = 100, em seguida calculamos o MF-DFA com q = 2 para as sries S(t) e
WT (t).
No caso das sries monofractais com suporte compacto, h(q) independente de q, uma
vez que o comportamento da varincia dada pela equao 4.3 idntico para todos os segmentos
e o procedimento da mdia dada pela equao 4.5 dar apenas esse comportamento de escala
idntica para todos os valores de q.
27

Figura 4.2: Grfico em escala loglog para os resuldos obtidos via MF-DFA com q = 2 para as
sries S(t) e WT (t).
Se o espectro de h(q) variar com q, dizemos que a srie estudada apresenta multifractalidade, caso contrrio, se h(q) no varia com q, a srie no apresenta multifractalidade. Frequentemente uma srie temporal exibe dois tipos de multifractalidade: (i) Multifractalidade devido a um alargamento da funo densidade de probabilidade (PDF) para valores da srie; (ii)
Multifractalidade devido a diferentes flutuaes de correlaes para pequenas e grandes escalas.
Uma maneira fcil de distingui-las analisando a correspondente srie temporal embaralhada
[31].
No processo de embaralhamento da srie os valores de x(k) so colocados de maneira
randmica. Com isso, todas as correlaes presentes na srie so destrudas. Caso a srie original apresente multifractalidade do tipo (ii), ento a sua respectiva srie embaralhada apresentar
um comportamento aleatrio, ou seja, hshuf = 0.5, onde hshuf o expoente de Hurst da srie
embaralhada (do ingls shuffled). Se a multifractalidade da srie original for tipo (i) ento teremos que h(q) = hshuf (q), ou seja, a srie no afetada pelo processo de embaralhamento.
Caso a srie em estudo exiba multifractalidade de ambos os tipos, ento a srie embaralhada ir
mostrar uma fraca multifractalidade em relao srie original [31].

28

4.2

Relao entre o MF-DFA e a Anlise Multifractal Padro

Para sries normalizadas e estacionrias, com suporte compacto, o expoente generalizado

de Hurst h(q) definido na equao 4.6 est diretamente relacionado com expoente de escala
(q) definido por uma funo de partio padro baseada no formalismo multifractal [31].
Para uma srie x(k) de comprimento N , estacionria, positiva e normalizada, ou seja,
x(k) 0 e

PN

k=1

x(k) = 1, o procedimento de destendenciamento realizado pelo passo 3 do

mtodo MF-DFA no necessrio, uma vez que no h tendncia para ser eliminada. Ento,
o mtodo DFA pode ser substitudo pela Anlise de Flutuao Padro (standard fluctuation
analysis FA), que idntica ao DFA, exceto por uma definio simplificada da varincia para
cada segmento , com = 1, , Ns no passo 3 (veja a equao 4.3):
FF2 A (, s) [Y (s) Y ( 1)s]2 .

(4.13)

Usando essa simplificao na equao 4.5 e utilizando a equao 4.6, obtemos

(

Xs
1 2N
|Y (s) Y ( 1)s|q
2Ns =1

)1/q

sh(q) .

(4.14)

Por simplicidade, podemos assumir que o comprimento N da srie um mltiplo inteiro

da escala s, logo, obtemos Ns = N/s e portanto
N/s

|Y (s) Y ( 1)s|q sqh(q)1 ,

(4.15)

=1

o que corresponde ao formalismo multifractal padro.

Agora, vamos relacionar o procedimento MF-DFA ao formalismo box counting padro
[34]. Para isso, usaremos a definio do perfil dada pela equao 4.1. Observamos que o
termo Y (s) Y (( 1)s) na equao 4.15 idntico soma dos nmeros x(k) dentro de
cada segmento de tamanho s. Essa soma conhecida como caixa de probabilidade ps () no
formalismo multifractal padro para sries normalizadas x(k),
ps ()

s
X

x(k) = Y (s) Y (( 1)s).

(4.16)

k=(1)s+1

O expoente de escala (q) usualmente definido via funo de partio Zq (s),

N/s

Zq (s)

|ps ()|q s (q) ,

=1

29

(4.17)

onde q um parmetro real como no MF-DFA. s vezes (q) definido com sinal oposto (veja
referncia [36]).
Usando a equao 4.16 vemos que a equao 4.17 idntica a equao 4.15. Logo,
obtemos analiticamente a relao entre os dois conjuntos de expoentes de escala multifractal,
(q) = qh(q) 1.

(4.18)

Assim, mostramos que h(q) definido pela equao 4.6 para o MF-DFA est diretamente
relacionado com o expoente de escala multifractal (q).
Alm disso, outra maneira de caracterizar a multifractalidade em series temporais atravs
do espectro de singularidade f (), que relacionado com (q) via transformada de Legendre
[36],
= 0 (q)

(4.19)

f () = q (q).

(4.20)

Assim, o parmetro representa a intensidade de singularidade ou expoente de Hlder,

enquanto que f () denota a dimenso do conjunto de sries que caracterizada por . Usando
a equao 4.18, podemos relacionar diretamente f () a h(q), na forma
= h(q) + qh0 (q)

(4.21)

f () = q[ h(q)] + 1.

(4.22)

4.3

Modelo Multifractal Binomial

No modelo multifractal binomial [31], a srie de comprimento N = 2nmax definida por
x(k) = an(k1) (1 a)nmax n(k1) ,

30

(4.23)

onde k = 1, , N , 0.5 < a < 1 um parmetro e n(k) o nmero de dgitos iguais a 1 na

representao binria do ndice k. Por exemplo, n(19) = 3, uma vez que, na representao
binria (19)10 = (10011)2 .
O expoente de escala (q) pode ser calculado de forma direta. De acordo com as equaes
4.16 e 4.23 a caixa de probabilidade p2s () no -simo segmento de comprimento 2s dada
por
p2s () = ps (2 1) + ps (2).
Logo
"

(1 a)
ps (2)
p2s () =
+ 1 ps (2) =
.
a
a

(4.24)

Assim, de acordo com as equaes 4.17 e 4.23, a funo de partio Zq (s) pode ser escrita
como
N/2s

N/s

Zq (s) =

[ps ()]q =

[ps (2 1)]q + [ps (2)]q

=1

=1

N/2s
X
(1 a)q
=
+
1
[ps (2)]q
aq
=1

"

N/2s
q

= [(1 a) + a ]

[ps (2)]q ,

=1

ou seja
Zq (s) = [(1 a)q + aq ] Zq (2s).

(4.25)

De posse desses resultados, substituindo a equao 4.17 na 4.25, encontramos o expoente

de escala (q)
(q) =

ln[aq + (1 a)q ]
.
ln(2)

(4.26)

Substituindo o resultado acima na equao 4.18 obtemos

h(q) =

1 ln[aq + (1 a)q ]

.
q
q ln(2)
31

(4.27)

Da equao 4.26 verificamos que para q = 0, (0) = 1. H uma forte dependncia

no linear de (q) sobre q, indicando multifractalidade. A mesma informao est embutida na
dependncia de h(q) sobre q. Os valores assintticos so h(q) ln(a)/ ln(2) para q +
e h(q) ln(1 a)/ ln(2) para q . Isso corresponde ao comportamente de escala de
grandes e pequenas flutuaes, respectivamente. Notemos que h(q) se torna independente de q
no limite assinttico, enquanto (q) tem uma dependncia aproximadamente linear [31].
Podemos ver na figura 4.3 os valores de h(q) e (q) em funo de q para diferentes valores
do parmetro a, onde a = 0, 75 (crculo), a = 0, 60 (quadrado) e a = 0, 51 (tringulo). Usaremos esse modelo para comparar os resultados obtidos pelo MF-DFA com resultados analticos
obtidos via modelo multifractal binomial (veja o captulo de resultados).

Figura 4.3: (a) h(q) e (b) (q) em funo de q para diferentes valores do parmetro a.

4.4

Validao do Programa
Para obteno dos espectros multifractais das sries temporais de chuva e de SSTA estu-

dadas, foi desenvolvido por Rgo [28] em linguagem MATLAB 7.0, um programa que obedece
ao conjunto das equaes que compem o MF-DFA, com a incluso do passo zero. O computador usado para rodar o programa foi um CCE Info, processador Pentium(R) Dual-Core com
2.20 GHz. O tempo mdio de execuo do programa para as sries estudadas foi, em mdia,

32

de 15 minutos.
A validao do programa foi feita atravs da funo de Weierstrass-Mandelbrot [36] que
embora seja contnua, no difencivel em todos os pontos. Esta funo um fractal dado por
n

(1 ei t )ein
W (t) =
,
(2D)n
n=

(4.28)

onde D varia no intervalo 1 < D < 2, > 1, e n uma fase arbitrria. Nesta equao D
tomado como dimenso fractal do grfico de W (t). Uma vez que W complexo, teremos
o grfico de <W ou =W . O parmetro um real qualquer e a fase n pode ser escolhida
de modo que W exiba um comportamento determinstico (quando n uma funo linear de
n) ou estocstico (quando n escolhida dentro de um conjunto de nmeros randmicos) [47].
As frequncias n formam um espectro de Weierstrass, abrangendo o intervalo de zero at
infinito em progresso geomtrica. Nesse sentido, W no possui escala. Tendo restringido os
valores de e D, a srie para W converge, mas a srie dW/dt no.
Porm, para a validao do programa, consideraremos apenas a parte real de 4.28 dada
por

[1 cos(bn t)]
S(t) = <W (t) =
,
b(2D)n
n=

(4.29)

que converge para o caso em que D = 1. S(t) nunca negativo. Na equao 4.29 fizemos
= b e n = 0.
A equao 4.29 capaz de gerar sries fractais com o expoente de Hurst pr-determinado,
uma vez que a relao entre o expoente de Hurst H e a dimenso fractal D H = 2 D (ver
captulo 3). Para gerar as sries usadas para validar o programa fizemos t variar no intervalo
0 t 1, b = 1, 6 e H variou no intervalo 0, 3 H 0, 8. As sries geradas a partir da
equao 4.29 so mostradas na figura 4.4.
Em seguida, utilizamos a metodologia MF-DFA com a incluso do passo zero para calcular o expoente de Hurst para as sries apresentadas na figura 4.4. Os resultados so mostrados
na tabela 4.1, onde H representa os expoentes de Hurst pr-determinados e h(2) os expoentes
de Hurst obtidos a partir da metodologia MF-DFA com a incluso do passo zero.

33

Figura 4.4: Sries geradas a partir da equao 4.29 com o expoente de Hurst pr-determinado.
Tabela 4.1: Comparao entre os valores de H pr-determinados e h(2) calculado a partir da
metodologia MD-DFA.

4.5

h(2)

% relativa de erro

0,300

0,300

0,000

0,400

0,398

0,500

0,500

0,500

0,000

0,600

0,598

0,333

0,700

0,698

0,286

0,800

0,798

0,250

Coeficiente de Correlao de Pearson (r)

O coeficiente de correlao de Pearson remonta ao trabalho conjunto de Karl Pearson e

Francis Galton [48]. Segundo Garson (2009) [49], correlao uma medida de associao
bivariada (fora) do grau de relacionamento entre duas variveis. Logo, o coeficiente de correlao de Pearson (r) uma medida de associao linear entre variveis. De uma forma geral,
usaremos a correlao para saber se h uma inter-relao de influncia (algum tipo de associao) entre uma varivel e outra.
Em termos estatsticos, duas variveis se associam quando elas guardam semelhanas na
34

distribuio dos seus dados. Mais precisamente, elas podem se associar a partir da distribuio
das frequncias ou pelo compartilhamento de varincia. No caso da correlao de Pearson (r)
vale esse ltimo parmetro, ou seja, ele uma medida da varincia compartilhada entre duas
variveis.
O coeficiente de correlao Pearson (r) varia de 1 a 1. O sinal indica direo positiva
ou negativa do relacionamento e o valor sugere a fora da relao entre as variveis. Uma
correlao de valor zero indica que no h relao linear entre as variveis. Dancey e Reidy
(2005) [50] apontam para uma classificao ligeiramente diferente: r = 0, 10 at 0, 30 (fraco);
r = 0, 40 at 0, 6 (moderado); r = 0, 70 at 1 (forte). Supondo que X e Y sejam duas sequncias numricas, a expresso que calcula a correlao entre X e Y dado por:
r=q

cov(X, Y )

(4.30)

var(X)var(Y )

onde a covarincia entre X e Y dada por:

P

cov(X, Y ) =

(X hXi)(Y hY i)
,
n

(4.31)

que usada como medida de disperso entre X e Y , onde n representa o nmero termos correspondentes as sequncias X e Y . A varincia dada por:
P

var(X) =

(X hXi)2
,
n

(4.32)

(Y hY i)2
,
n

(4.33)

e
P

var(Y ) =

que a medida de disperso de X e Y , respectivamente.

Ento, para o coeficiente de correlao de Pearson temos que, quanto mais perto de 1
maior o grau de dependencia estatstica entre as variveis. Caso contrrio, quanto mais prximo de zero, menor o grau de dependencia entre as variveis.

35

Captulo 5
Processos Multiplicativos
Nesse captulo introduziremos os principais conceitos relacionados aos processos multiplicativos, iniciando a discusso com o Processo Multiplicativo Binomial. Em seguida, fazemos
um d-generalizao do Processo Multiplicativo Binomial e obtemos o d-Processo Multiplicativo Multinomial. Por fim, mostramos a relao entre o Modelo Multifractal Binomial e o
d-Processo Multiplicativo Multinomial.

5.1

Processo Multiplicativo Binomial

No Processo Multiplicativo Binomial (veja as referncias [36], [51] e [52]), consideramos

uma populao com elementos distribuidos sobre um segmento de linha L = [0, 1]. Dividimos
o segmento em clulas de comprimento = 2n , tal que N = 2n clulas so necessrias para
cobrir o segmento L. A frao da populao contida em cada isima clula i = i / com
i = 0, 1, 2, ..., N 1 e i o nmero de elementos na clula i. O conjunto que descreve
completamente a populao na resoluo
1
Mn = {i }N
i=0 .

(5.1)

A medida M (x) de uma sub-regio x definida como

M (x) =

i ,

(5.2)

ix

onde
x = i2n .
36

(5.3)

De uma forma geral, podemos escrever (x) como sendo

(x) =

n1
Y
i=0

mi =

b1
Y

mni i = mn0 0 mn1 1 ,

(5.4)

i=0

onde m0 = p e m1 = 1 p, sendo p uma medida de probabilidade, logo m0 + m1 = 1.

Temos tambm que n0 e n1 so, respectivamente, os nmeros de zeros e uns na representao
binria do nmero representado pela equao 5.3. Tomando = xk , m0 = a, m1 = 1 a
e n1 = n n0 , a Equao 5.4 se torna xk = an0 (1 a)nn0 . Essa a expresso para o
modelo multifractal binomial, ou seja, as propriedades multifractais do Processo Multiplicativo
Binomial so as mesmas do Modelo Multifractal Binomial. Na figura 5.1 mostramos para o
Processo Multiplicativo Binomial para alguns valores distintos de n.

Figura 5.1: Comprimento da clula para o Processo Multiplicativo Binomial: (a) n = 1, (b)
n = 2, (c) n = 5 e (d) n = 12, sendo que p = 0, 25. O eixo x representa o ndice de alocao
do valor [28].
Na Figura 5.2, mostramos as medidas (x) da clula localizada em x e M (x) para a regio

37

de [0, x], para n = 12, onde

M (x) =

n
x.2
X

i .

(5.5)

i=0

Figura 5.2: Processo Multiplicativo Binomial com probabilidade p = 0.25 e n mximo igual a
12. Em (a) temos (x) das clulas como funo de x = i212 em (b) M (x) para o intervalo
[0, x] como funo de x [28].

5.2

d-Processo Multiplicativo Multinomial

Para generalizar o Processo Multiplicativo Binomial, dividimos L em b partes e multipli-

camos cada uma por m0 , m1 , m2 , ..., mb1 , onde mi uma medida de probabilidade. Assim, na
n-sima gerao teremos bn clulas de comprimento = bn . Ento, a partir da equao 5.4
teremos uma d-medida dada por
(x, d) =

i
nb1 d
mn0 0 mn1 1 ...mb1

"b1
Y
i=0

38

#d

mni i

"b1
Y
i=0

#d

mhi i n

(5.6)

onde d um parmetro que est fortemente relacionado ao expoente de Hurst H, hi = ni /n a

porcentagem do nmeros de vezes que o i-simo multiplicador repetido no processo e ni o
nmero de multiplicadores. Sabendo que a fora de singularidade ou expoente de Hlder,
definido como.
log (Bx0 ())
,
0
log()

(x0 ) = lim

(5.7)

onde Bx0 = {x : |x x0 | < } o conjunto de pontos em torno de x0 que esto a uma distncia
menor que [36]. Para um i-simo intervalo de tamanho 2n , a equao 5.7 se torna
log[mn0 o mn1 1 ]
log((x))
=
(x) =
log(2n )
n log(2)
(x) =

n0
n1
log2 m0
log2 m1 .
n
n

(5.8)

Assim, de acordo com as equaes 5.6 e 5.7, podemos escrever

Qb1

(d) = d

logb (

i=0

mhi i n )

= d

b1
X

hi logb (mi ).

(5.9)

i=0

Agora, tomando
n!
Nn ((d)) = Qb1
i=0

ni !

(5.10)

onde Nn ((d)) o nmero de clulas que tem como seu expoente de Hlder na n-sima
gerao. Usando a expanso de Stirling, onde log(n!) = n log(n) n, podemos escrever
logb Nn (d ) = n logb (n)

b1
X

ni logb (ni ),

(5.11)

i=0

em que

Pb1
i=0

ni = n e
logb Nn ((d)) = n

b1
X

hi logb (hi ).

(5.12)

i=0

Precisamos encontrar o hi que maximiza a funo

(d) = d

Pb1
i=0

Pb1
i=0

hi logb hi , onde

Pb1
i=0

hi = 1 e

hi logb (mi ). Usando o mtodo dos multiplicadores de Lagrange, encontramos

qd

hi = b(logb mi

39

1)

(5.13)

e como

Pb1
i=0

hi = 1, obtemos
b1
X

mqd
i = b.

(5.14)

i=0

Assim, de acordo com as equaes 5.13 e 5.14, teremos

qd

blogb mi
mqd
mqd
i
hi =
=
= Pb1i qd .
b
b
i=0 mi

(5.15)

e, substituindo o resultado acima na equao 5.9, obtemos

d
mqd
i ln(mi )
(d, q) = k
Pb1 qd ,
i=0
i=0 mi
b1
X

(5.16)

onde k = 1/ ln(b). Tomando mi = pi e b = W , do formalismo multifractal padro [31] teremos

(d, q) =

W
X
qd

(d, q)dq = k ln(

pi ),

(5.17)

i=1

onde (d, q) um expoente de escala. Como

f () = q(d, q) (d, q),

(5.18)

substituindo as equaes 5.16 e 5.17 na 5.18 teremos

f (d, q) =

" W qd
X pi ln(pqd
i )
k
PW qd
i=1

i=1

pi

W
X
qd

ln(

pi ) .

(5.19)

i=1

Lembrando que
h(d, q) =

(d, q) + 1
,
q

(5.20)

e, substituindo a equao 5.17 em 5.20 e escrevendo k = 1/ ln b = 1/ ln W obtemos

qd
ln( W
1
i=1 pi )
+ .
h(d, q) =
q ln(W )
q

(5.21)

Tomando d = 1, W = 2, p1 = a e p2 = 1 a na equao acima, encontramos a expresso

4.27 para Modelo Multifractal Binomial
h(q) =

1 ln(aq + (1 a)q )

,
q
q ln(2)

que a generalizao do expoente de Hurst tratado pelo Modelo Multifractal Binomial.

A compreenso desse captulo de fundamental importncia, pois usaremos os resultados
analticos obtidos a partir do d-Processo Multiplicativo Multinomial para comparar com os
resultados obtidos via MF-DFA e via Modelo Multifractal Binomial. Tambm propomos um
algoritmo gerado a partir da equao 5.6 para simular zeros em sries de chuvas (ver o captulo
7).
40

Captulo 6
Dados Meteorolgicos
Apresentamos, neste captulo, as fontes de onde foram obtidos os dados utilizados neste
trabalho, alm de caracterizar a rea de interesse, a regio amaznica. Uma amostra das sries
temporais de chuva e de SSTA so apresentadas, alm de mostrarmos a respectiva srie derivada
para as sries de SSTA

6.1

rea de Estudo: Amaznia

Localizada na regio norte da Amrica do Sul, a floresta amaznica ocupa uma rea

de aproximadamente 7 milhes de quilmetros quadrados e est espalhada por pases como

o Brasil, Venezuela e Colmbia, entre outros. Contudo, a maior parte localiza-se no Brasil.
Por causa da sua importncia e biodiversidade, a floresta foi apelidada de "pulmo do mundo".
Tambm , indiscutivelmente, o mais rico ecossistema em espcies terrestres do planeta [53].
A Amaznia abriga os mais extensos rios do globo, alm de guardar a maior parte da gua
doce do planeta. O rio Amazonas, por exemplo, drena, praticamente, toda a regio amaznica
e sua vazo anual mdia de aproximadamente 176 milhes de litros dgua por segundo
(176.000 m3 /s), o que lhe confere a posio de maior rio em volume de gua da Terra, superando o rio Congo na frica (o segundo rio em volume de gua) em cerca de quatro vezes, o
rio Mississipi umas dez vezes, e as quedas de Nigara em 28 vezes. A regio amaznica , tambm, uma das mais importantes fontes de calor, necessrio para manter a circulao atmosfrica
[1].

41

Nesta dissertao estamos interessados em analisar as chuvas que caem no Brasil, com
foco especial na Amaznia brasileira que ocupa, aproximadamente, 60% do territrio nacional
(figura 6.1).

Figura 6.1: Amaznia brasileira [54].

6.2

Dados de Chuva
As sries temporais de chuva analisadas neste trabalho so referentes a dados dirios de

precipitao, obtidos de dezesseis estaes meteorolgicas localizadas no Brasil, sendo que,

aproximadamente, 70% dessas estaes ento localizadas na regio amaznica. Os dados de
precipitao so coletados em estaes meteorolgicas atravs de pluvimetros e repassados
diariamente para a Agncia Nacional de guas-ANA (http://www2.ana.gov.br/) que tem como
misso implementar e coordenar a gesto compartilhada e integrada dos recursos hdricos e
regular o acesso a gua, promovendo o seu uso sustentvel em benefcio da atual e das futuras
42

geraes [55].
A localizao geogrfica dessas estaes, em diferentes zonas climticas, so mostradas
na figura 1.1 e na tabela 6.1, onde apresentamos a localizao exata das estaes (em coordenadas geogrficas), alm da altitude, do intervalo de tempo considerado (perodo Tr ) e da mdia
anual (Pa ) de chuva para cada estao. As unidades de medida usadas para a latitude e longitude
so, respectivamente, grau, minuto e segundo.
Nas figuras 6.2 e 6.3 ilustramos uma pequena amostra das sries temporais de chuva para
todas as estaes meteorolgicas usadas neste trabalho.
Tabela 6.1: Informaes sobre as estaes meteorolgicas.
Estao

Tr (anos)

Pa (mm)

Altamira

1961-2011

1600

-03:12:51 -52:12:47

74

Araguatins

1975-2011

1560

-05:38:54 -48:07:30

122

Cceres

1969-2011

1220

-16:02:21 -57:15:27

154

Corumb

1969-2011

1100

-17:37:24 -56:57:54

101

Cruzeiro do Sul

1976-2011

2340

-07:26:08 -73:39:08

Guara

1975-2011

1600

-24:19:00 -54:13:00

249

Ibotirama

1952-2011

840

-12:10:50 -43:13:24

420

Manaus

1961-2011

2300

-03:07:00 -59:57:00

67

Oriximin

1968-2011

2400

-01:45:35 -55:51:41

11

Piranhas

1935-2011

500

-09:37:34 -37:45:22

110

Porto Velho

1978-2011

2100

-09:15:38 -63:09:43

96

Santa Terezinha de Gois 1974-2011

1500

-14:26:01 -49:43:00

400

Santarm

1968-2011

2300

-02:26:35 -54:42:27

So Paulo de Olivena

1973-2011

2700

-03:27:25 -68:54:43

71

Tucuru

1970-2011

2400

-03:45:37 -49:40:00

40

Xambio

1969-2011

1700

-06:24:47 -48:32:00

148

latitude

longitute

A seleo das estaes meteorolgicas obedeceu aos seguintes critrios:

Possuir pelo menos 30 anos de medidas at o ano de 2011;
43

altitude(m)

 Estar localizada prxima dos principais rios brasileiros (ver figura 1.1);

Figura 6.2: Sries temporais de chuva para as estaes localizadas nas cidades de: (a) Altamira,
(b) Araguatins, (c) Cceres, (d) Corumba, (e) Cruzeiro do Sul, (f) Guara, (g) Ibotirama e (h)
Manaus.

Figura 6.3: Sries temporais de chuva para as estaes localizadas nas cidades de: (a) Oriximin, (b) Piranhas, (c) Porto Velho, (d) Santa Terezinha de Gois, (e) Santarm, (f) So Paulo de
Olivena, (g) Tucuru e (h) Xambio.

44

6.3

Dados de SSTA
A partir do incio do Sculo XX houve uma enorme evoluo dos equipamentos de coleta

de dados oceanogrficos, desde o surgimento de engenhos mecnicos e eletrnicos at, mais

recentemente, a popularizao de instrumentos digitais e o uso de informaes geradas por
satlites em rbita ao redor do planeta. A partir da anlise dessas imagens obtm-se, por exemplo, informaes sobre a Temperatura da Superfcie do Mar (SST). Alm d coleta de dados
atravs de imagens de satlite, a SST tambm coletada atravs de bias que transmitem dados
quase em tempo real, por navios, entre outros.
Nos oceanos, sries temporais de temperatura, fluorescncia e outros marcadores bioqumicos, tambm exibem caractersticas multifractais [56]. Por conta desse aspecto analisamos, tambm, neste trabalho, sries temporais de anomalias na temperatura da superfcie
do mar (sea surface temperature anomalies-SSTA). Mdias mensais de SSTA foram obtidas do
National Oceanic and Atmospheric Administration-NOAA (http://www.noaa.gov/) para regies
dos Oceanos Pacfico e Atlntico (veja figura 1.2). O comprimento das sries de 62 anos
(1950 2011) para todas as regies. Os valores de anomalias so computados a partir de uma
subtrao da mdia das sries. Por exemplo, se considerarmos que a mdia mensal na regio
do Atlntico para o ms agosto de 2008 foi de 22 C e a mdia da srie for de 21 C logo, a
anomalia ser de 1 C.
Para analisar os dados de SSTA referentes ao oceano Pacfico consideramos as regies
aonde acontecem os fenmenos do El Nio e La Nia. Essa regio dividida da seguinte
maneira: Nino 1+2 delimitada por 80 90 O e 010 S, Nino 3 delimitada por 90 O 150 O
e 5 S 5 N , Nino 4 delimitada por 150 O 160 L e 5 N 5 S, e o Nino 3.4 delimitada por
120 O 170 O e 5 S 5 N . Para o oceano Atlntico, as regies so: Atlntico Norte ao
norte da linha do equador, Atlntico Sul ao sul da linha do equador, e o Atlntico Tropical
localizado na regio da linha do equador. Na figura 6.4 mostramos as sries temporais de SSTA
para as regies dos oceanos Pacfico e Atlntico usadas neste trabalho.
Considerando que o mtodo utilizado para calcular as anomalias de temperatura similar
ao procedimento usado na equao 4.1 da metodologia MF-DFA, tendo em vista que ambas so
calculadas a partir de uma diferena em relao a mdia das respectivas sries, consideramos
que as sries de anomalias j esto integradas. Para resolver este problema, utilizamos o pro45

cedimento chamado de derivada da srie baseado na equao 4.1, onde consideramos que os
termos Y (i) so conhecidos, e partir da calculamos os termos x(k) que representaro, desta
forma, a srie derivada. Os resultados para todas as sries de SSTA so mostrados na figura 6.5
onde x(k) representa a respectiva srie derivada. De posse destas sries derivadas, procedemos
a metodologia MF-DFA.

Figura 6.4: Sries temporais de SSTA para as estaes localizadas nas regies do: (a) Nino
1 + 2, (b) Nino 3, (c) Nino 4, (d) Nino 3.4, (e) Atlntico Norte, (f) Atlntico Sul, (g) Atlntico
Tropical.

Figura 6.5: Srie temporal derivada x(k) para as estaes localizadas nas regies do: (a) Nino
1 + 2, (b) Nino 3, (c) Nino 4, (d) Nino 3.4, (e) Atlntico Norte, (f) Atlntico Sul, (g) Atlntico
Tropical.

46

Captulo 7
Resultados e Discusses
Neste captulo apresentaremos os resultados obtidos no desenvolvimento desta dissertao, calculados a partir da metodologia MF-DFA com a incluso do passo zero, juntamente
com as respectivas discusses. Esses resultados correspondem estaes localizadas nas cidades
de Altamira, Araguatins, Cceres, Corumba, Cruzeiro do Sul, Guara, Ibotirama, Manaus, Oriximin, Piranhas, Porto Velho, Santa Terezinha de Gois, Santarm, So Paulo de Olivena,
Tucuru, Xambio (ver figura 1.1), alm das regies do Nino 1 + 2, Nino 3, Nino 4, Nino 3.4,
Atlntico Norte, Atlntico Sul e Atlntico Tropical (ver figura 1.2).

7.1

MF-DFA para as sries de chuva e de SSTA.

Todos os resultados apresentados neste trabalho foram obtidos com a incluso do passo

zero no procedimento MF-DFA. Usando essa metodologia, determinamos o expoente generalizado de Hurst h(q) para as sries temporais de chuva de dezesseis estaes meteorolgicas e
para as sries temporais de SSTA para sete regies dos oceanos Atlntico e Pacfico, para vrios
valores de q (de -10 10), onde m + 2 s N/5, sendo m a ordem do polinmio usado
no procedimento de ajuste (ver captulo 4). No caso do passo zero, o perodo T usado para
as sries de chuva foi de T = 365 dias e no caso das sries de SSTA, por se tratar de dados
mensais, usamos T no intervalo 1 T 50 meses.
Nas figuras 7.1, 7.2, 7.3 e 7.4 so mostrados os resultados obtidos via MF-DFA2 para
as sries de chuva e nas figuras 7.5 e 7.6 os resultados via MF-DFA3 para as sries de SSTA,

47

os grficos esto em escala log-log de Fq (s), para q = 2, em funo de s. A metodologia

MF-DFA foi realizada com e sem a incluso do passo zero, representadas por crculos azuis
e vermelhos, respectivamente. Na tabela 7.1 esto apresentados os valores obtidos para h(2),
para as sries de chuva e de SSTA. A incluso do passo zero na metodologia MF-DFA elimina
a regio do crossover oriundo da sazonalidade da sries. Entretanto, como pode ser visto nas
figuras 7.5 e 7.6, a incluso do passo zero na metodologia MF-DFA no tem, praticamente,
nenhuma influncia nas sries de SSTA.
Para q = 2, o expoente generalizado de Hurst h(q) recai no bem conhecido expoente
de Hurst H que indica se h correlao nos dados de uma determinada srie (ver captulos
3 e 4). Conforme mostrado na tabela 7.1, para as regies do Atlntico Norte e Sul as sries
apresentam correlaes de curto alcance, ou seja, so anti-persistentes, pois h(2) < 0, 5. Para
a estao localizada na cidade de Ibotirama a srie dita descorrelacionada ou aleatria, j que
h(2) 0, 5. Para o restante das estaes e regies estudadas, temos que 0, 51 < h(2) < 0, 81,
o que indica que os dados referentes a cada srie apresentam correlaes de longo alcance,
ou seja, a srie persistente, porm, na maioria dos casos a persistncia dita fraca. Outro
resultado surpreendente a relao entre o expoente generalizado de Hurst h(q), quando q = 2
e o parmetro d do d-Processo Multiplicativo Multinomial, como mostrado na tabela 7.1, para
a maioria das sries analisadas temos que d h(2), a nica excesso a regio Nino 1 + 2 que
apresentou uma caracterstica peculiar, sendo a nica srie a exibir uma das probabilidades pi >
0, 5 o que, provavelmente, influenciou no valor do parmetro d. Contudo, essa proximadade nos
valores devido, provavelmente, ao procedimento de ajuste.
As figuras 7.7, 7.8, 7.9 e 7.10 mostram os espectros multifractais para os dados de chuva,
obtidos atravs do mtodo MF-DFA com a incluso do passo zero (crculo). Juntamente com
esses resultados, so mostrados os ajustes via d-Processo Multiplicativo Multinomial (linha
contnua) e via Modelo Multifractal Binomial (linha pontilhada), onde fizemos b = (1 a)
logo, a equao 4.27 pde ser reescrita como
1 ln[aq + bq ]
h(q) =
.
q
q ln(2)

(7.1)

As figuras 7.11 e 7.12, mostram os mesmos resultados, porm agora, para as regies dos
oceanos Atlntico e Pacfico. Nestas figuras esto assinalados os valores das pi probabilidades,
onde i = 1, , 5 e do parmetro d do d-Processos Multiplicativo Multinomial referentes a
48

equao 5.21 e das probabilidades a e b do Modelo Multifractal Binomial, referentes a equao

7.1. Na tabela 7.2 mostrada a soma quadrtica do resduos para os ajustes realizados atravs
do mtodo dos mnimos quadrados para todas as sries analisadas neste trabalho, de modo que,
quanto menor a soma quadrtica dos resduos, mais confivel fica o procedimento de ajuste.
Pudemos verificar que todas as sries estudadas apresentaram multifractalidade, uma vez
que, o expoente generalizado de Hurst h(q) apresenta uma forte dependncia em q, como
esperado para sries que exibem o comportamento multifractal. Tal caracterstica pode ser vista
nas figuras 7.7, 7.8, 7.9 e 7.10 para as sries de chuvas e nas figuras 7.11 e 7.12 para as sries
de SSTA. Nessas mesmas figuras, exibimos ainda os valores dos parmetros a e b referentes
equao 7.1, e os valores dos parmetros pi e d referentes equao 5.21, ajustados atravs
do mtodo dos mnimos quadrados. Percebe-se que, apesar de o Modelo Multifractal Binomial
ajustar muito bem os dados numricos obtidos via metodologia MF-DFA com a incluso do
passo zero, temos que o d-Processo Multiplicativo Multinomial, ajusta melhor, aproximadamente, 95, 7% dos dados analisados, como pode ser visto na tabela 7.2. Outro aspecto importante que deveramos ter para o Modelo Multifractal Binomial, uma vez que a e b so
medidas de probabilidades, a condio de que a + b = 1, o que no observado. Entretando,
para o d-Processo Multiplicativo Multinomial, temos que, pi sendo uma medida de probabilidade, sempre obedece a condio de que

PW

i=1

pi = 1, onde W nmero de probabilidades

consideradas. Para este trabalho, usamos W = 5.

Nas figuras 7.13, 7.14 e 7.15 mostramos os espectros multifractais para as sries originais e para as suas respectivas sries embaralhadas. O embaralhamento foi feito de maneira
randmica. Este procedimento realizado para se obter o tipo de multifractalidade presente
nas sries (ver captulo 4). Verificamos que o tipo de multifractalidade presente nas sries
correspondentes s estes localizadas na cidade de So Paulo de Olivena e para as regies
do Nino 1 + 2 e Nino 4 localizadas no oceano Pacfico devido a um alargamento da funo
densidade de probabilidade PDF, ou seja, multifractalidade do tipo (i), de modo que h(q)
hshuf . Para a srie correspondente as estaes localizadas nas cidades de Altamira, Araguatins,
Corumba e Tucuru a multifractalidade devida diferentes flutuaes de correlaes para
pequenas e grandes escalas, ou seja, Multifractalidade do tipo (ii), j que hshuf 0, 5. O
restante das sries apresentaram multifractalidade de ambos os tipos (tipo (i) e (ii)).

49

Em seguida, apresentamos na tabela 7.3 os valores dos coeficientes de correlao (ver

captulo 4) entre os dados mensais das sries de chuva em relao aos dados mensais das sries
de SSTA. Este procedimento foi realizado com o prposito de investigar a influncia que as
anomalias de temperatura da superfcie do mar exercem sobre as chuvas que caem no Brasil e,
em especial, na regio amaznica. Calculamos os coeficientes de correlao C entre os dados
mensais de cada regio dos oceanos Atlntico e Pacfico em relao a cada estao meteorolgica localizada nas regies estudadas.
Os resultados dispostos na tabela 7.3 mostram que os coeficientes de correlao obedecem
a relao C < 0, 3. Conforme os dados apresentados nessa tabela e segundo a classificao de
Dancey e Reidy [50], as regies das estaes localizadas nas cidades de Altamira, Araguatins,
Guara, Manaus, Oriximin, Santarm, So Paulo de Olivena e Xambio apresentam correlao com as anomalias de temperatura na superfcie do mar. Em particular, as estaes de
Guara, Oriximin, Santarm e So Paulo de Olivena exibiram valores significativos em relao as regies do Nino 1+2 e Nino 3 com valores maiores que 15%. Manaus, Oriximin e
Santarm apresentaram valores maiores que 10% em relao as regies do Nino 4 e Nino 3.4, e
em relao a esta ltima, acrescentamos tambm as estaes de Araguatins, Guara e So Paulo
de Olivena que exibiram valores superiores a 11%. Para o oceano Atlntico, destacam-se as estaes das cidades de Altamira e So Paulo de Olivena, apresentando valores superiores a 11%
em relao a regio do Atlntico Norte. Santarm e Xambio, que exibiram valores maiores
que 10% em relao a regio do Atlntico Sul. Por fim, as estaes de Araguatins, Guara,
Manaus, Oriximin Santarm e So Paulo de Olivena, com valores iguais ou superiores a 10%
em relao a regio do Atlntico Tropical.

7.2

Estimativa de zeros nas sries de chuva

A partir da equao 5.6 do d-Processo Multiplicativo Multinomial (ver captulo 5) foi cri-

ado um algoritmo gerador de sries temporais de chuva. Com base nos espectros multifractais
das sries, calculados a partir da metodologia MF-DFA com a incluso do passo zero, vistos
anteriormente, estimamos os valores das pi probabilidades e do parmetro d da equao 5.21
a patir de ajustes polinomiais, feitos atravs do mtodos dos mnimos quadrados (ver figuras

50

7.7, 7.8, 7.9, 7.10, 7.11 e 7.12). Inserimos esses valores no programa, para gerar as consequentes sries simuladas. Em seguida, estabelecemos parmetros de corte Pc , de modo que,
para xi < Pc , ento xi = 0, onde xi i-simo termo da srie simulada.
A escolha do parmetro de corte baseou-se no parmetro de corte ideal de quatro estaes
representativas, que foram escolhidas de maneira aleatria, estas estaes esto localizadas nas
cidades de Cceres, Cruzeiro do Sul, Oriximin e Tucuru. A partir da, foi plotado o grfico
do parmetro ideal Pc em funo do parmetro d da equao 5.21, que pode ser visualizado na
figura 7.16. Nesta mesma figura mostramos, ainda, o ajuste dos dados e a respectiva funo
usada para determinar o parmetro de corte Pc para todas as estaes.
Aparentemente, o parmetro de corte Pc obedece a uma funo linear que de pedende
somente do parmetro d do d-Processo Multiplicativo Multinomial. Logo, tendo estabelecido
o parmetro de corte para todas as estaes em funo apenas do parmetro d de cada estao,
pudemos gerar as sries e simular a quantidade de zeros para cada srie. Os resultados so
apresentados na tabela 7.4, que mostra a quantidade de zeros da srie original (zerosso ) e de
sua respectiva srie simulada (zerosss ), alm da porcentagem relativa de erro entre as sries (%
erro).
Como podemos ver na tabela 7.4, para todas as sries tivemos uma concordncia, no
nmero de zeros, maior que 78% e para, aproximadamente, 70% das sries a concordncia foi
maior que 90%. Tais resultados demonstram que este mtodo foi suficientemente eficiente para
a gerao de zeros em sries simuladas de chuva. Isto muito importante tendo em vista que
os zeros destas sries representam os dias em que no h a ocorrncia de chuva na respectiva
estao meteorolgica. Portanto, conseguimos estimar, a partir desta metodologia, a quantidade
de dias sem chuva para determinada regio.

51

Tabela 7.1: Expoente generalizado de Hurst, para q = 2 e o parmetro d.

h(2)

d/h(2)

Altamira

0,6903

0,7528

1,0905

Araguatins

0,6211

0,5972

0,9615

Cceres

0,6039

0,5960

0,9869

Corumb

0,5931

0,5822

0,9816

Cruzeiro do Sul

0,5532

0,5413

0,9785

Guara

0,5777

0,5653

0,9785

Ibotirama

0,5019

0,4544

0,9054

Manaus

0,5958

0,5905

0,9911

Oriximin

0,7242

0,7160

0,9887

Piranhas

0,5933

0,5869

0,9892

Porto Velho

0,6117

0,5991

0,9794

Santa Terezinha de Gois 0,5480

0,5050

0,9215

Santarm

0,7313

0,7175

0,9811

So Paulo de Olivena

0,5781

0,5764

0,9971

Tucuru

0,6720

0,6739

1,0028

Xambio

0,6286

0,6191

0,9849

Nino 1 + 2

0,6475

0,2549

0,3937

Nino 3

0,7462

0,7234

0,9694

Nino 4

0,7620

0,7211

0,9463

Nino 3.4

0,8080

0,7843

0,9707

Atlntico Norte

0,4708

0,4300

0,9133

Atlntico Sul

0,4784

0,4399

0,9195

Atlntico Tropical

0,7652

0,6993

0,9139

Estaes e Regies

52

Tabela 7.2: Soma quadrtica dos resduos (SQR) para o ajuste do expoente generalizado de
Hurst via Modelo Multifractal Binomial (SQRa,b ) e via d-Processo Multiplicativo Multinomial
(SQRpi ,d ).
SQRpi ,d (10)4

SQRa,b (10)4

SQRa,b /SQRpi ,d

Altamira

1,390

105,000

75,500

Araguatins

0,326

103,000

316,000

Cceres

0,236

0,227

0,959

Corumb

0,127

0,243

1,910

Cruzeiro do Sul

3,360

4,190

1,250

Guara

1,640

6,400

3,900

Ibotirama

1,902

129,000

67,300

Manaus

3,000

18,000

6,000

Oriximin

1,032

70,000

67,800

Piranhas

0,653

7,320

11,200

Porto Velho

2,628

88,000

33,500

Santa Terezinha de Gois

6,540

351,000

53,700

Santarm

0,197

58,000

294,000

So Paulo de Olivena

1,453

5,865

4,040

Tucuru

2,962

25,000

8,440

Xambio

0,493

3,682

7,470

Nino 1 + 2

0,080

1,980

24,900

Nino 3

0,508

22,000

43,400

Nino 4

7,658

81,000

10,600

Nino 3.4

0,982

27,000

27,500

Atlntico Norte

3,831

76,000

19,800

Atlntico Sul

0,330

32,000

96,900

Atlntico Tropical

4,500

14,000

3,110

Estaes e Regies

53

Tabela 7.3: Correlao entre as sries de chuva e as sries de SSTA.

Nino 1 + 2

Nino 3 Nino 4

Nino 3.4 Atl. N.

Atl. S.

Atl. Trop.

Altamira

0,048

0,041

0,082

0,030

0,116

0,053

0,089

Araguatins

-0,104

-0,111

-0,095

-0,114

-0,015

0,045

-0,102

Cceres

-0,013

-0,029

-0,041

-0,050

-0,001

-0,030

-0,037

Corumb

-0,030

-0,018

0,014

-0,004

-0,073

-0,018

-0,038

Cruzeiro do Sul

-0,041

0,007

0,043

0,038

-0,096

-0,013

-0,032

Guara

0,239

0,218

0,077

0,151

0,032

-0,041

0,163

Ibotirama

-0,074

-0,042

-0,005

-0,020

0,069

-0,007

-0,028

Manaus

-0,079

-0,129

-0,105

-0,143

0,014

0,090

-0,100

Oriximin

-0,156

-0,189

-0,116

-0,171

0,010

0,097

-0,133

Piranhas

-0,022

-0,025

0,050

0,000

-0,001

0,051

0,006

Porto Velho

-0,036

0,005

0,044

0,027

-0,057

-0,043

0,000

Sta Terezinha de GO

-0,024

-0,013

0,022

0,000

0,013

-0,098

0,001

Santarm

-0,152

-0,203

-0,157

-0,205

-0,047

0,101

-0,174

S. Paulo de Olivena

-0,151

-0,140

-0,085

-0,111

-0,122

-0,053

-0,172

Tucuru

-0,046

-0,060

-0,031

-0,060

-0,031

0,083

-0,050

Xambio

-0,063

-0,079

-0,054

-0,081

-0,019

0,139

-0,044

54

Tabela 7.4: Quantidade de zeros da sries original (zerosso ) e para a srie simulada (zerosss ).
Estao

zerosso

zerosss

% erro

Altamira

7335

7863

7,20

Araguatins

9576

10715

11,90

Cceres

9855

10364

5,16

Corumb

10469

9905

5,39

Cruzeiro do Sul

7200

7895

9,65

Guara

9807

9587

2,24

Ibotirama

17566

15796

10,08

Manaus

9262

11274

21,72

Oriximin

8211

8172

0,47

Piranhas

20453

18493

9,58

Porto Velho

8221

8976

9,18

Santa Terezinha de Gois

10273

12094

17,73

Santarm

9411

9875

4,93

So Paulo de Olivena

7667

8214

7,13

Tucuru

7585

8788

15,86

Xambio

11310

10852

4,05

55

Figura 7.1: MF-DFA das sries de chuva em escala log-log de Fq (s), para q = 2, em funo de
s para as estaes localizadas nas seguintes cidades: (a) Altamira, (b) Araguatins, (c) Cceres e
(d) Corumba.

Figura 7.2: MF-DFA das sries de chuva em escala log-log de Fq (s), para q = 2, em funo
de s para as estaes localizadas nas seguintes cidades: (a) Cruzeiro do Sul, (b) Guara, (c)
Ibotirama e (d) Manaus.

56

Figura 7.3: MF-DFA das sries de chuva em escala log-log de Fq (s), para q = 2, em funo
de s para as estaes localizadas nas seguintes cidades: (a) Oriximin, (b) Piranhas, (c) Porto
Velho e (d) Santa Terezinha de Gois.

Figura 7.4: MF-DFA das sries de chuva em escala log-log de Fq (s), para q = 2, em funo de
s para as estaes localizadas nas seguintes cidades: (a) Santarm, (b) So Paulo de Olivena,
(c) Tucuru e (d) Xambio.

57

Figura 7.5: MF-DFA das sries de SSTA em escala log-log de Fq (s), para q = 2, em funo
de s para as seguintes regies dos oceanos Pacfico e Atlntico: (a) Nino 1 + 2, (b) Nino 3, (c)
Nino 4 e (d) Nino 3.4.

Figura 7.6: MF-DFA das sries de SSTA em escala log-log de Fq (s), para q = 2, em funo de
s para as seguintes regies dos oceanos Pacfico e Atlntico: (a) Atlntico Norte, (b) Atlntico
Sul e (c)Atlntico Tropical.

58

Figura 7.7: Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos
ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via Modelo Multifractal
Binomial (linha pontilhada) para as estaes localizadas nas seguintes cidades: (a) Altamira,
(b) Araguatins, (c) Cceres e (d) Corumba.

Figura 7.8: Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos
ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via Modelo Multifractal
Binomial (linha pontilhada) para as estaes localizadas nas seguintes cidades: (a) Cruzeiro do
Sul, (b) Guara, (c) Ibotirama e (d) Manaus.

59

Figura 7.9: Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos
ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via Modelo Multifractal
Binomial (linha pontilhada) para as estaes localizadas nas seguintes cidades: (a) Oriximin,
(b) Piranhas, (c) Porto Velho e (d) Santa Terezinha de Gois.

Figura 7.10: Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos
ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via Modelo Multifractal
Binomial (linha pontilhada) para as estaes localizadas nas seguintes cidades: (a) Santarm,
(b) So Paulo de Olivena, (c) Tucuru e (d) Xambio.

60

Figura 7.11: Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos
ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via Modelo Multifractal
Binomial (linha pontilhada) para as seguintes regies do oceano Pacfico: (a) Nino 1 + 2, (b)
Nino 3, (c) Nino 4 e (d) Nino 3.4.

Figura 7.12: Expoente generalizado de Hurst h(q) (crculo) em funo de q e seus respectivos
ajustes via d-Processo Multiplicativo Multinomial (linha contnua) e via Modelo Multifractal
Binomial (linha pontilhada) para as seguintes regies do oceano Pacfico: (a) Atlntico Norte,
(b) Atlntico Sul e (c) Atlntico Tropical.

61

Figura 7.13: Expoente generalizado de Hurst h(q) em funo de q para as sries originais
(crculos) e para as sries embaralhadas (tringulos) para estaes localizadas nas seguintes
cidades: (a) Altamira, (b) Araguatins, (c) Cceres (d) Corumba, (e) Cruzeiro do Sul, (f) Guara,
(g) Ibotirama e (h) Manaus.

Figura 7.14: Expoente generalizado de Hurst h(q) em funo de q para as sries originais (crculos) e para as sries embaralhadas (tringulos) para estaes localizadas nas seguintes cidades:
(a) Oriximin, (b) Piranhas, (c) Porto Velho (d) Santa Terezinha de Gois, (e) Santarm, (f) So
Paulo de Olivena, (g) Tucuru e (h) Xambio.

62

Figura 7.15: Expoente generalizado de Hurst h(q) em funo de q para as sries originais
(crculos) e para as sries embaralhadas (tringulos) para as seguintes regies: (a) Nino 1+2, (b)
Nino 3, (c) Nino 4, (d) Nino 3.4, (e) Atlntico Norte, (f) Atlntico Sul e (g)Atlntico Tropical.

Figura 7.16: Parmetro de corte ideal Pi em funo do parmetro d para as estaes representativas localizadas nas cidades: Cceres, Cruzeiro do Sul, Oriximin e Tucuru.

63

Captulo 8
Concluso
Utilizamos nesta dissertao a metodologia MF-DFA com a incluso do passo zero para
calcular os espectros multifractais de chuva de dezesseis estaes meteorologicas localizadas
nas cidades de Altamira, Araguatins, Cceres, Corumb, Cruzeiro do Sul, Guara, Ibotirama,
Manaus, Oriximin, Piranhas, Porto Velho, Santa Terezinha de Gois, Santarm, So Paulo
de Olivena, Tucuru e Xambio (ver figura 1.1); e tambm para sete regies localizadas nos
oceanos Atlntico e Pacfico denominadas de Nino 1 + 2, Nino 3, Nino 4 e Nino 3.4 para o
Pacfico e Atlntico Norte, Atlntico Sul e Atlntico Tropical para o Atlntico (ver figura 1.2).
Com isso, conseguimos analisar e estudar as propriedades de escala destas sries temporais.
Pudemos analisar as principais caractersticas relacionadas geometria fractal, com foco
em objetos fractais e multifractais. Percebemos que o expoente de Hurst uma ferramenta
poderosa para analisar e caracterizar sries temporais, em especial, as sries de dados meteorolgicos, como so as sries temporais de chuva e anomalias de temperatura na superfcie do
mar-SSTA. Constatamos, tambm, que o expoente de Hurst est relacionado com a dimenso
fractal dos objetos fractais.
Apresentamos a metodologia MF-DFA com a incluso do passo zero, usada para analisar os dados estudados neste trabalho. Verificamos que a incluso do passo zero sem alterar
os valores esperados para o expoente generalizado de Hurst h(q) adapta a metodologia para
um correto destendenciamento de sries sazonais. Entretanto, percebemos que o mesmo no
tem efeito significativo quando usado para analisar as sries temporais de SSTA. Validamos o
programa e mostramos como calcular o coeficiente de correlao entre os dados de chuva em

64

relao aos dados de SSTA.

Estudamos duas equaes capazes de fitar o espectro multifractal tanto das sries de
chuva, quanto das sries de SSTA. Vimos que a segunda, o d-Processo Multiplicativo Multinomial, est em boa concordncia com a metologia MF-DFA e que, na maioria das vezes, supera
a primeira, o Modelo Multifractal Binomial, chegando a ser trezentas vezes melhor. No caso do
d-Processo Multiplicativo Multinomial, a condio de que a soma das probabilidades seja igual
a unidade satisfeita, o que no ocorre para o Modelo Multifractal Binomial. Alm do mais,
vimos que o d-Processo Multiplicativo Multinomial serve como base para a construo de um
algoritmo capaz de gerar e de simular zeros em sries simuladas de chuva, tomando como base
apenas as pi probabilidades e o parmetro d referentes a este modelo.
Mostramos como foram obtidos os dados utilizados e vimos, no captulo 7, que o programa usado para calcular os espectros multifratais das sries analisadas est em boa concordncia com a mtodologia descrita no captulo 4, e que a incluso do passo zero para eliminar a
sazonalidade no altera os valores obtidos para o expoente generalizado de Hurst h(q) sendo,
portanto, uma tima ferramenta para estudar sries temporais que tenham caractersticas sazonais.
Vimos tambm que o expoente generalizado de Hurst h(q), quando q = 2, tem uma forte
relao com o parmetro d do d-Processo Multiplicativo Multinomial. Examinamos os resultados obtidos e percebemos que todas as sries estudadas apresentavam caractersticas multifractais e que o tipo de multifractalidade variava de acordo com a srie estudada, alm do que, para
a bacia amaznica, os dados das sries temporais apresentaram persistncia, que aumentava a
medida que nos aproximvamos do oceano. Alm do mais, a nica estao que apresentou
anti-persistncia est localizada na cidade de Ibotirama no estado da Bahia, onde as mdias
anuais de chuva so, relativamente, baixas quando comparada com as estaes localizadas na
Amaznia.
Esperamos que este trabalho possa, de uma forma geral, contribuir para um melhor entendimento da dinmica das chuvas no Brasil, especialmente na regio amaznica, e de sua
relao com as temperaturas das superfcies dos oceanos Atlntico e Pacfico, propiciando um
entendimento fsico mais detalhado do seu comportamento.

65

Referncias Bibliogrficas
[1] Freitas M., Jnior W.E.C., 2004. Amaznia e Desenvolvimento Sustentvel: Um Dilogo
que Todos Brasileiros Deveriam Conhecer. Editora Vozes: Rio de Janeiro; 23-46.
[2] Maraj J.C.G.A. Baro (1992) As Regies Amaznicas, Estudos chorographicos dos Estados do Gram Par e Amazonas. Secretaria de Cultura do Estado do Par, Belm p. 37-38.
[3] Molion L.C.B., 1975. A climatonomic study of the energy and moisture fluxes of the
Amazonas basin with consideration of deforestation effects. Tese de doutorado.
[4] Villa N.N.A., Salati E., Matsui E., 1976. Estimativa da Evapotranspirao na Bacia
Amaznica. Acta Amazonica 6(2): 215-228.
[5] Lettau H., Lettau K., Molion L.C.B., 1979. Amazonias hydrologic cycle and the role of
atmosphere recycling in assessing deforestation effects. Monthly Weather Review 107(3):
227-238.
[6] Marques J., Salati E., Santos J.M., 1980. Clculo da evapotranspirao real na bacia
Amaznica atravs do mtodo aerolgico. Acta Amazonica 10(1): 357-361.
[7] Moura A.D., Shukla J., 1981. On the dynamics of droughts in northeast Brazil: Observations, theory and numerical experiments with a general circulation model. Journal of the
Atmosferic Science 38: 2633-2675.
[8] Jordan C.F., Heuneldop J., 1981. The water budget of an Amazonian rain forest. Acta
Amazonica 11(1): 87-92.
[9] Leopoldo P.R., Franken W., Matsui E., Salati E., 1982. Estimativa da evapotranspirao
da floresta Amaznica de terra firme. Acta Amazonica 12(3): 23-28.
66

[10] Salati E., Vose P.B. 1984. Amazon Basin: A System in Equilibrium. Science 225: 129138.
[11] SALATI E., 1985. The Climatology and Hydrology of Amazon. In: G. Prance and T.
Lovejoy. (Org.). Amaznia Key Environments. : Pergamon Press, 1985, v. , p. 18-48.
[12] Diaz A.F., Studzinski C.D., Mechoso C.R., 1998. Relationships between precipitation
anomalies in Uruguay and southern Brazil and sea surface temperature in the Pacific and
Atlantic Oceans. Journal of Climate 11: 251-271.
[13] Paegle J.N., Mo K.C., 2002. Linkages between Summer Rainfall Variability over South
America and Sea Surface Temperature Anomalies. Journal of Climate 15: 1390-1407.
[14] Alves J.M.B., Souza R.O., Campos J.N.B., 2003. Previso da Anomalia de Temperatura
da Superfcie do Mar (TSM) NO Atlntico Tropical, com a Equao da Difuso de Temperatura. Revista Climanlise 01: 6-19.
[15] Marengo J.A., Liebmann B., Kousky V.E., Filizola N.P., Wainer I.C., 2001. Onset and End
of the Rainy Season in the Brazilian Amazon Basin. Journal of Climate 14: 833-852.
[16] Baigorria G.A., Jones J.W., OBrien J.J., 2007. Understanding rainfall spatial variability in
southeast USA at different timescales. International Journal of Climatology 27: 749-760.
[17] Collischonn B., Collischonn W., Tucci C.E.M., 2008. Daily hydrological modeling in the
Amazon basin using TRMM rainfall estimates. Journal of Hidrology 360: 207-216.
[18] Gyasi-Agyei Y., 2012. Use of observed scaled daily storm profiles in a copula based rainfall disaggregation model. Advances in Water Resources 45: 26-36.
[19] Silvakumar B., 2000. Fractal analysis of rainfall observed in two different climatic regions.
Hydrological Sciences-Journal-des Sciences Hydrologiques 45: 727-738.
[20] Roux S.G., Venugopal V., Fienberg K., Arneodo A., Efi F.-G., 2009. Evidence for inherent
nonlinearity in temporal rainfall. Advances in Water Resources 32: 41-48.
[21] Brunsell N.A., 2010. A multiscale information theory approach to assess spatial-temporal
variability of daily precipitation. Journal of Hidrology 385: 165-172.
67

[22] Gires A., Tchiguirinskaia I., Schertzer D., Lovejoy S., 2012. Influence of the zero-rainfall
on the assessment of the multifractal parameters. Advances in Water Resources 45: 13-25.
[23] Veneziano D., 1999. Basic properties and characterization of stochastically self-similar
processes in RD . Fractals 7(1): 59-78.
[24] Peng C.-K., Buldyrev S. V., Havlin S., Simons M., Stanley H. E., and Goldberger A. L.,
1994. Mosaic organization of DNA nucleotides Phys. Rev. E 49, 1685-1689.
[25] Peng C.-K., Havlin S., Stanley H.E., Goldberger A.L., 1995. Quantification of scaling
exponetes and crossover phenomena in nonstationary heartbeat time series. Chaos 5: 8287.
[26] Kantelhardt J.W., Rybski D., Zschiegner S.A., Braun P Koscielny-Bunde E., Livina V.,
Havlin S., Bunde A., 2003. Multifractality of river runoff and precipitation: comparation
of fluctuation analysis and wavelet methods. Physica A 330, 240-245.
[27] Zhang Q., Xu C-Y., Chen Y.D., Yu Z., 2008. Multifractal detrended fluctuation analysis
of streamflow series of the Yangtze River basin, China. Hydrological Processes 22, 49975003.
[28] Rgo C.R.C., 2012. Multifractalidade dos rios brasileiros. Tese de Mestrado. Programa de
Ps-Graduao em Fsica (PPG-FIS). Universidade Federal do Amazonas. Manaus.
[29] Chianca C.V., Ticona A., Penna T.J.P., 2005. Fourier-detrended fluctuation analysis. Physica A 357, 447-454.
[30] Kantelhardt J.W., Koscielny-Bunde E., Rego H.H.A., Havlin S., Bunde A.. 2001. Detecting long-range correlations with detrened fluctuation analysis. Physica A 295: 441-454.
[31] Kantelhardt J.W., Zschiegner S.A., Koscielny-Bunde E., Bunde A., Stanley H.E., 2002.
Multifractal detrended fluctuation analysis of nonstationary time series. Physica A 316,
87-114.
[32] Pgina da internet: http://http://www.noaa.gov/, acessado em 07/10/2012 s 14:30.

68

[33] Hurst H.R., 1951. Long-term storage in reservoirs. Trans. Amer. Soc. Civil Eng. 116,
770799.
[34] Mandelbrot B. B., The Fractal Geometry of Nature. New York: W. H. Freeman, 1982.
[35] Barnsley M.F., 1993. Fractals Everywhere. Academic Press, Cambridge.
[36] Feder J., 1998. Fractals. Plenum Press, New York.
[37] Pgina da internet: http://http://www.fractarte.com.br/, acessado em 09/10/2012 s 08:10.
[38] Lopes R., Betrouni N., 2009. Fractal and Multifractal analysis: A review. Medical Image
Analysis, 13: 634-649.
[39] Granero M.A.S., Segovia J.E.T., Prez J.G., 2008. Some comments on Hurst exponent and
the long memory processes on capital markets. Physica A 387: 5543-5551.
[40] Morettin P.A., Toloi C.M.C. 2006. Anlise de Sries Temporais. Edgar Blucher, So Paulo.
[41] Batista C.A., 2006. Mtodos Emergentes de Fsica-Estatstica Aplicados a Sries Temporais. Tese de Mestrado. Programa de Ps-Graduao em Biometria. Universidade Federal
Rural de Pernambuco. Recife.
[42] Hu K., Ivanov P.C., Chen Z., Carpena P., Stanley H.E., 2001. Effect of trends on detrended
fluctuation analysis. Physical Review E 64: 1-18
[43] Gleria I., Matsushita R., Silva S., 2004. Sistemas Complexos, criticalidade e leis de potncia. Revista Brasileira de Ensino de Fsica 26: 99-108.
[44] Rgo C.R.C, Frota H.O., Gusmo M.S., 2012. Multifractality of Brazilian Rivers. Journal
of Hydrology. Artigo submetido.
[45] Ludescher J., Bogachev M.I., Kantelhardt J.W., Schumann A.Y., Bunde A., 2011. On
spurious and corrupted multifractality: The effects of additive noise, short-term memory
and periodic trends. Physica A 390: 2280-2290.
[46] Chem Z., Ivanov P.C., Hu K., Stanley H.E., 2002. Effect of nonstationarities on detrended
fluctuation analysis. Physica Review E 65, 041107.
69

[47] Berry M.V., Lewis Z.V., 1980. On the Weierstrass-Mandelbrot fractal function. Proc. R.
Soc. Lond. A 370: 459-484.
[48] Stanton J.M., (2001), alton, Pearson, and the peas: A brief history of linear regression
for statistics instructors. Journal of Statistical Education, 9,3.
[49] Garson G.D., (2009). Statnotes:

Topics in Multivariate Analysis. Disponvel em:

http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm
[50] Dancey C. e Reidy J., 2006. Estatstica Sem Matemtica para Psicologia: Usando SPSS
para Windows. Porto Alegre, Artmed.
[51] Peitgen H-O., Jurgens H., Saupe D., 1992. Chaos and Fractals, Springer, NewYork.
[52] Barabsi A.-L.,Vicsek T., 1991. Multifractality of self-affine fractals. Phys. Rev. A 44:
2730-2733.
[53] Hoorn C., Wesselingh F.P., Steege H., Bermudez M.A., Moura A., Sevink J., Sanmartin I.,
Sanches-Meseguer A., Anderson C.L., Figueiredo J.P., Jaramillo C., Riff D., Negri F.R.,
Hooghiemstra H., Lundberg J., Stadler T., Srkinen T., Antonelli A., 2012. Amazonia
Through Time: Andean Uplift, Climate Change, Landscape Evolution, and Biodiversity.
Science 330: 927-931.
[54] Pgina da internet: http://portal.saude.gov.br/portal/saude/area.cfm?id_area=582, acessado em 07/11/2012 s 17:20.
[55] Pgina da internet: http://www2.ana.gov.br/Paginas/institucional/SobreaAna/abaservinter1.aspx,
acessado em 07/11/2012 s 18:00.
[56] Lovejoy S., Currie W., Tessier Y., Claereboudt M., Bourget E., Roff J., Schertzer E., 2001.
Universal multifractals and ocean patchiness: phytoplankton, physical fields and coast
heterogeneityp. J. Plankt. Res. 23: 117-141.

70