Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/51160| Type: | Dissertação |
| Title: | Regionalização bayesiana de vazões mínimas em condições de não estacionariedade |
| Authors: | Júlio César Lôbo Sampaio |
| First Advisor: | Veber Afonso Figueiredo Costa |
| First Referee: | Carlos Henrique Ribeiro Lima |
| Second Referee: | Francisco Eustáquio Oliveira e Silva |
| Third Referee: | Luiz Rafael Palmier |
| Abstract: | A água tem se tornado cada vez mais um ativo de interesse para a sociedade devido ao aumento da demanda hídrica. A gestão de recursos hídricos, por meio de estabelecimentos de outorga, torna-se uma ferramenta importante para evitar conflitos e garantir o uso sustentável da água. O sistema de monitoramento de vazões é limitado a poucos postos de medição e, portanto, hidrólogos frequentemente recorrem a técnicas de regionalização para fazer estimativas em bacias não monitoradas. Nesse contexto, estimativas regionais de vazões mínimas de referência, indicadores para outorgas, e sua incerteza preditiva tornam-se objeto de interesse. Este estudo visou desenvolver um modelo hierárquico Bayesiano para regionalização de vazões mínimas condicionado à covariáveis temporais, no caso, à temperatura da superfície do mar (TSM) e avaliar os benefícios dessa abordagem frente a um modelo estacionário de referência. Partindo de um modelo estacionário mais simples, sob a hipótese de independência espacial dos parâmetros e de independência condicional das observações, a representação da variabilidade espacial do modelo foi inicialmente capturada por meio de covariáveis espaciais. Posteriormente, foram investigados os possíveis ganhos na predição por meio do aprofundamento da descrição espacial sob os dados e sob o processo. Em seguida, a TSM foi introduzida no nível do processo do modelo sob a forma de um índice climático customizado, inferido a partir de um campo de valores de TSM. Foram elaborados modelos que avaliassem a inclusão do índice climático customizado nos parâmetros da distribuição de probabilidade empregada. O modelo foi aplicado na bacia do rio Itajaí-Açu (SC) e na bacia do rio Doce (MG/ES). Os resultados mostraram que o modelo não estacionário apresentou melhor desempenho, em termos do critério DIC, do que o modelo estacionário de referência e que os quantis estimados (como a Q7,10) são fortemente influenciados pela variabilidade climática. Além disso, uma descrição mais complexa da dependência espacial do processo traz benefícios para a predição em regiões densamente monitoradas, enquanto a interdependência nas observações dos dados, quando considerada, pode também trazer benefícios para a predição. |
| Abstract: | Water has increasingly become an asset of interest to society due to the increase in water demand. The management of water resources, by means of grant establishments, becomes an important tool to avoid conflicts and guarantee the sustainable use of water. The streamflow monitoring system is limited to a few measurement gages and, therefore, hydrologists often use regionalization techniques to make estimates in unmonitored basins. In this context, regional estimates of low flows, grant indicators, and their predictive uncertainty become object of interest. This study aimed to develop a Bayesian hierarchical model for regionalization of low flows conditioned to temporal covariables, in this case, the sea surface temperature (SST) and to evaluate the benefits of this approach compared to a stationary reference model. Starting from a simpler stationary model, under the hypothesis of spatial independence of the parameters and conditional independence of the observations, the representation of the spatial variability of the model was initially captured by means of spatial covariates. Subsequently, possible gains in prediction were investigated by further describing the spatial description under the data and under the process. Then, the SST was introduced at the process level of the model in the form of a customized climate index, inferred from a field of SST values. Models were developed to assess the inclusion of the customized climate index in the parameters of the probability distribution employed. The model was applied in the Itajaí-Açu river basin (SC) and in the Doce river basin (MG / ES). The results showed that the non-stationary model performed better, in terms of the DIC criterion, than the reference stationary model and that the estimated quantiles (such as Q7,10) are strongly influenced by climatic variability. In addition, a more complex description of the spatial dependence of the process brings benefits to prediction in densely monitored regions, while interdependence in data observations, when considered, can also bring benefits to prediction. |
| Subject: | Engenharia sanitária Recursos hídricos - Desenvolvimento Teoria bayesiana de decisão estatística Secas |
| language: | por |
| metadata.dc.publisher.country: | Brasil |
| Publisher: | Universidade Federal de Minas Gerais |
| Publisher Initials: | UFMG |
| metadata.dc.publisher.department: | ENG - DEPARTAMENTO DE ENGENHARIA HIDRÁULICA |
| metadata.dc.publisher.program: | Programa de Pós-Graduação em Saneamento, Meio Ambiente e Recursos Hídricos |
| Rights: | Acesso Aberto |
| metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ |
| URI: | http://hdl.handle.net/1843/51160 |
| Issue Date: | 5-Mar-2021 |
| Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Dissertacao_Sampaio_2021_rev.pdf | 28.81 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
