Académique Documents
Professionnel Documents
Culture Documents
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.
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.
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 .
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.
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
. . . . . . . . . . . . . . . . . . . . . . . . .
14
3.2
16
3.3
20
23
4.1
24
4.2
29
4.3
30
4.4
Validao do Programa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
4.5
34
Processos Multiplicativos
36
5.1
36
5.2
38
Dados Meteorolgicos
41
6.1
41
6.2
Dados de Chuva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
6.3
Dados de SSTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
Resultados e Discusses
47
7.1
47
7.2
50
Concluso
64
Lista de Figuras
1.1
Localizao geogrfica das cidades onde esto localizadas as estaes meteorolgicas analisadas neste trabalho [28]. . . . . . . . . . . . . . . . . . . . . . .
1.2
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
11
2.4
Exemplos de multifractais: (a) tempestade com raios, (b) nuvens e (c) partituras
tpicas, inveno n 1 por Bach [37]. . . . . . . . . . . . . . . . . . . . . . . .
3.1
3.2
17
3.4
15
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
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
32
4.4
5.1
5.2
37
38
6.1
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
7.2
56
56
7.3
7.4
57
7.5
57
7.6
58
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
62
62
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
34
6.1
43
7.1
52
7.2
53
7.3
54
7.4
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.
Benot B. Mandelbrot (1924-2010) foi um matemtico francs de origem polonesa. Mandelbrot e outros
Figura 2.1: Exemplo de fractais: (a) brcolis, (b) samambaia, (c) rvore e (d) tringulo de
Sierpinski [37].
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
10
(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)
(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
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
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
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)
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)
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)
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
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
(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)
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
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)
s
1X
{Y [( 1)s + i] (i)}2
s i=1
(4.3)
s
1X
{Y [N ( Ns )s + i] (i)}2
s i=1
(4.4)
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
(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)
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)
[1 cos(bn (t + T ))]
.
bHn
n=
(4.10)
(4.11)
logo
WT (t) =
(4.12)
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
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
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)
Xs
1 2N
|Y (s) Y ( 1)s|q
2Ns =1
)1/q
sh(q) .
(4.14)
(4.15)
=1
s
X
(4.16)
k=(1)s+1
Zq (s)
=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)
(4.21)
f () = q[ h(q)] + 1.
(4.22)
4.3
30
(4.23)
(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 =
=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)
ln[aq + (1 a)q ]
.
ln(2)
(4.26)
1 ln[aq + (1 a)q ]
.
q
q ln(2)
31
(4.27)
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
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 )
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 ) =
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
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)
i ,
(5.2)
ix
onde
x = i2n .
36
(5.3)
n1
Y
i=0
mi =
b1
Y
(5.4)
i=0
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
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
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)
(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)
(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
Pb1
i=0
Pb1
i=0
hi logb hi , onde
Pb1
i=0
hi = 1 e
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
blogb mi
mqd
mqd
i
hi =
=
= Pb1i qd .
b
b
i=0 mi
(5.15)
(5.16)
W
X
qd
pi ),
(5.17)
i=1
(5.18)
" 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)
(5.21)
1 ln(aq + (1 a)q )
,
q
q ln(2)
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
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).
6.2
Dados de Chuva
As sries temporais de chuva analisadas neste trabalho so referentes a dados dirios de
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
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
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
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
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
(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
PW
i=1
49
7.2
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
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
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
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
Nino 3 Nino 4
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
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
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:
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