ANÁLISE DE SIMILARIDADE - DYNAMIC TIME WARPING - EM DADOS DE PRECIPITAÇÃO OBTIDOS PELO PROJETO TRMM EM QUATRO BIOMAS

Transcrição

1 ANÁLISE DE SIMILARIDADE - DYNAMIC TIME WARPING - EM DADOS DE PRECIPITAÇÃO OBTIDOS PELO PROJETO TRMM EM QUATRO BIOMAS Gracyeli Santos Souza Guarienti 1 * & Josiel Maimone de Figueiredo 2 & César Eduardo Guarienti 3 ; Luciana Sanches 4 ; Jéssica da Silva Linhares Frederico 5 ; José de Souza Nogueira 6 Resumo O conhecimento da distribuição espaço-temporal da precipitação é importante no sentido de governar os recursos renováveis que afetam a economia, e o desenvolvimento ecológico e agrícola. A comparação entre séries temporais de precipitação em diferentes localizações possibilita a identificação de locais com dinâmica temporal semelhante. Este estudo aplica a técnica de análise de similaridade de séries temporais Dynamic Time Warping (DTW) usando banco de dados de precipitação pluviométrica do projeto Tropical Rainfall Measuring Mission (TRMM). Para a realização da análise foram escolhidos pontos localizados em quatro diferentes biomas: Amazônia, Cerrado, Pantanal e Mata Atlântica no ano de 2002 e comparados com as precipitações do período de 1998 a Os resultados do DTW aplicado nos dados de precipitação pluviométrica obtidos pelo satélite TRMM podem ser uma alternativa quando o objetivo é procurar eventos periódicos semelhantes de precipitação pluviométrica. A aplicação do DTW aumenta as perspectivas em pesquisas ambientais e em tomadas de decisão na área de recursos hídricos em países em desenvolvimento ou localidades remotas. Palavras-Chave série temporal, chuva tropical, precipitação por satélite. SIMILARITY ANALYSIS - DYNAMIC TIME WARPING IN TRMM RAINFALL DATA FOR FOUR DIFFERENT BIOMES Abstract The knowledge about spatial-temporal rainfall is the key in a sense governs the renewable water resources that affect economic, ecological and agricultural development. A comparison between rainfall time series in different locations enables the determination of places with similar temporal dynamic. This study applies a multivariate analysis of time series similarity Dynamic Time Warping (DTW) using rainfall data from Tropical Rainfall Measuring Mission (TRMM). To perform the analysis were chosen points located in four different biomes: the Amazon, Savanna, Pantanal and Atlantic Forest in the year 2002 and compared with the rainfall dataset from 1998 to The DTW results applied to TRMM rainfall data proved an alternative when the goal was to find similar periodic rainfall events. The application of the DTW increases the perspectives on environmental research and decision making in the area of water resources in developing countries or remote locations. Keywords time serie, tropical rainfall, satellite rainfall. 1 Bolsista CAPES, nível doutorado, Programa de Pós-Graduação em Física Ambiental, gracyeli@gmail.com*. 2 Diretor do Instituto de Computação, credenciado no Programa de Pós-Graduação em Física Ambiental da Universidade Federal de Mato Grosso, josiel@ic.ufmt.br. 3 Estudante, nível mestrado, Programa de Pós-Graduação em Física Ambiental, cesar.guarienti@ic.ufmt.br 4 Professora adjunta da Universidade Federal de Mato Grosso, Departamento de Engenharia Sanitária e Ambiental, lsanches@hotmail.com 5 Bolsista CAPES, nível mestrado, Programa de Pós-Graduação em Física Ambiental, linharesengamb@gmail.com 6 Professor Titular da Universidade Federal de Mato Grosso, Bolsista Produtividade CNPq - nível 1A e Coordenador do Mestrado e Doutorado em Física Ambiental, nogueira@ufmt.br. XXI Simpósio Brasileiro de Recursos Hídricos 1

2 INTRODUÇÃO O regime hidrológico de uma região é determinado por suas características físicas, geológicas, topográficas e por seu clima, sendo a precipitação indicada como principal fator climático que influencia sua dinâmica [Li et al. (2015); Tucci (2007)], podendo ser medida ou estimada por diversas formas, inclusive por sensoriamento remoto. O satélite Tropical Rainfall Measuring Mission (TRMM) foi construído com a proposta de possibilitar um melhor entendimento da precipitação nos trópicos e sua influência sobre o clima global [Kummerow et al. (2000)], sendo amplamente utilizado em estudos ambientais [Collischonn (2007)]. Desde então, o número de pesquisas dedicadas a avaliar a acurácia de dados estimados pelo projeto TRRM tem crescido exponencialmente [Barret et al. (1994); Ebert et al, (1996); Adler et al. (2001); Fisher (2004)]. Tal fato demonstra o interesse dos pesquisadores na utilização de dados obtidos pelo satélite, uma vez que essa ferramenta facilita a obtenção de dados de precipitação em locais remotos ou de difícil monitoramento in loco [Layberry et al. (2006)]. Estudos de modelagem hidrológica na bacia Amazônica concluem que a precipitação estimada por TRMM foi comparável àquela obtida por instrumentos pluviométricos [Collischonn et al. (2008)]. No Cerrado, o segundo maior bioma brasileiro, também foram obtidos bons resultados para as estimativas do TRMM, sendo considerada uma ferramenta de grande eficiência, fácil aquisição e processamento [Silva e Ferreira (2013)], assim como no bioma Pantanal [Sousa et al. (2013)]. Além da avaliação de sua acurácia, pesquisas com análise de séries temporais utilizando precipitação estimada pelo TRMM têm possibilitado uma visão sinóptica de todo um bioma e análise de sua dinâmica com relação aos fenômenos naturais. Vários métodos de análise de séries temporais possuem uma característica em comum a função de similaridade como principal maneira de compará-las. Diversos estudos na área evidenciam que a medida de distância Dynamic Time Warping (DTW) é uma das medidas mais adequadas para comparar séries temporais, pois possibilita a identificação de séries temporais com padrões semelhantes, facilitando a construção de modelos de previsão e a recuperação de conteúdo eventualmente perdido, a partir da modelagem de séries semelhantes [Ratanamahatana e Keogh (2004), Alon et al. (2009), Berndt e Clifford (1994)]. Neste contexto, o objetivo deste trabalho foi aplicar a análise de similaridade Dynamic Time Warping (DTW) em séries temporais de precipitação pluviométrica obtidas pelo projeto Tropical Rainfall Measuring Mission (TRMM) em quatro biomas diferentes, Amazônia, Cerrado, Pantanal e Mata Atlântica. MATERIAL E MÉTODOS Dados de precipitação pluviométrica Foram utilizados dados diários de precipitação obtidos pelo produto 3B42 disponibilizado pelo projeto Tropical Rainfall Measuring Mission (TRMM). O produto TRMM 3B42 diário fornece estimativas de precipitação acumulada em 24 horas (mm dia -1 ), com uma resolução espacial de 0,25 x 0,25. Para utilizar os dados de precipitação pluviométrica do projeto TRMM foi necessário realizar o pré-processamento dos dados que estavam no formato Network Common Data Form (NetCDF), para armazená-los no banco de dados e facilitar as buscas. XXI Simpósio Brasileiro de Recursos Hídricos 2

3 No pré-processamento dos dados foi realizada a conversão dos arquivos NetCDF disponibilizados em forma de matriz para um arquivo CSV, por meio um script Python TM desenvolvido durante o presente estudo. Este script executável independente de plataforma, e transformou os dados matriciais em uma tabela que contém os atributos data, latitude, longitude e a precipitação pluviométrica em milímetros. A tabela resultante foi replicada no Sistema Gerenciador de Banco de Dados (SGBD) PostgreSQL na versão 9.1, que possui código aberto, confiabilidade e integridade na transação de dados. Análise de similaridade Dynamic Time Warping (DTW) A técnica de análise de similaridade Dynamic Time Warping (DTW) foi implementada no software Matlab TM e utilizou séries temporais de precipitação pluviométrica para comparar eventos periódicos em diferentes biomas: Amazônia, Cerrado, Pantanal e Mata Atlântica. Para realização da análise de similaridade foi selecionado a série temporal de precipitação pluviométrica no ano 2002 em pontos de referência aleatoriamente escolhidos nos quatro biomas inseridos na área de estudo (Figura 1). Cada ponto da grade de dados de precipitação pluviométrica do TRMM foi comparado com o ponto de referência para verificar a similaridade entre as séries temporais no período de 1998 a Posteriormente foram selecionados os três pontos com maior grau de similaridade. Figura 1: Pontos utilizados para análise de similaridade. O processo realizado no presente estudo consiste na análise de similaridade dos dados de precipitação e possui quatro etapas (Figura 2). XXI Simpósio Brasileiro de Recursos Hídricos 3

4 Figura 2 Diagrama dos processos realizados para análise espaço temporal. A etapa 1B iniciou-se com a delimitação da resolução temporal. Nesta etapa os dados diários de precipitação pluviométrica foram agrupados por ano, ou seja, 365 dias representam um ano de dados de precipitação. Na etapa 2B, foi executada a análise de similaridade DTW diretamente nos dados de precipitação pluviométrica. A análise espacial foi executada na etapa 3B com a delimitação espacial, retirando os pontos dos vizinhos próximos ao ponto de referência. E por fim, na última etapa 4B, foram gerados os resultados da análise. RESULTADOS E DISCUSSÃO A sazonalidade da precipitação pluviométrica estimada pelo TRMM apresentou semelhante padrão nos quatro biomas com menores índices pluviométricos entre junho a setembro e maiores de outubro a maio. A técnica de análise de similaridade DTW foi aplicada nas séries temporais de precipitação pluviométrica com resolução temporal anual no período de 1998 a Para cada ponto de referência em cada bioma, a técnica de análise de similaridade DTW retornou as três séries temporais de precipitação semelhantes. O ponto 1 é o ponto de referência ao bioma e os pontos 2, 3 e 4 são os pontos que possuem séries de precipitação similares ao ponto analisado na ordem de similaridade. O ano de referência adotado foi 2002, e a análise de similaridade encontrou resultados em anos próximos ao analisado, na maioria dos biomas em 2002, 2003 e 2007 (Figuras 3 a 6). Figura 3: Resultado do DTW aplicado aos dados precipitação pluviométrica do bioma Amazônia. Ponto1: ano 2002; Ponto2: ano 2002; Ponto3: ano 2002; Ponto4: ano XXI Simpósio Brasileiro de Recursos Hídricos 4

5 Figura 4: Resultado do DTW aplicado aos dados precipitação pluviométrica do bioma Cerrado. Ponto1: ano 2002; Ponto2: ano 2003; Ponto3: ano 2002; Ponto4: ano Figura 5: Resultado do DTW aplicado aos dados precipitação pluviométrica do bioma Pantanal. Ponto1: ano 2002; Ponto2: ano 2002; Ponto3: ano 2007; Ponto4: ano XXI Simpósio Brasileiro de Recursos Hídricos 5

6 Figura 6: Resultado do DTW aplicado aos dados precipitação pluviométrica do bioma Mata Atlântica. Ponto1: ano 2002; Ponto2: ano 2002; Ponto3: ano 2002; Ponto4: ano As séries temporais de precipitação similares ao ponto de referência estão inseridas no mesmo bioma, por exemplo, o bioma Amazônia, o bioma Cerrado. Entretanto, apesar da análise de similaridade detectar pontos semelhantes no bioma Cerrado e Mata Atlântica, os pontos 4 de ambos ecossistemas se encontram fora do bioma, indicando que a similaridade se deve não só ao padrão local, mas que deve ser considerado aos processos de circulação atmosféricas de precipitação (Figura 7). Figura 7 Pontos de referência e seus semelhantes. XXI Simpósio Brasileiro de Recursos Hídricos 6

7 CONSIDERAÇÕES FINAIS A técnica aplicada neste trabalho procurou integrar informações temporais e espaciais de séries de precipitação pluviométrica de forma a possibilitar maior flexibilidade na análise com resolução temporal anual propiciando um melhor entendimento do comportamento dos eventos de precipitação. Com a análise de similaridade DTW aplicada nos dados de precipitação foi possível visualizar comportamentos semelhantes e compará-los espacialmente. Conforme observado nas análises efetuadas observa-se que o comportamento dos dados recuperados pela técnica de análise por similaridade DTW aplicado aos dados de precipitação pluviométrica foi eficiente. A metodologia utilizada neste estudo não se limita aos pontos escolhidos para análise, sendo possível aplicar a técnica a qualquer outro ponto da grade do TRMM armazenada no banco de dados. Dessa forma o DTW poderá ser utilizado em casos que se deseja identificar padrões comportamentais, facilitando a construção de modelos de previsão e para a recuperação de conteúdo a partir de séries semelhantes por meio de modelagem. Portanto, a análise desenvolvida neste trabalho acrescenta aos processos de tomada de decisão em estudos ambientais novas perspectivas de comparação e utilização de dados de precipitação. REFERÊNCIAS ADLER, R.F.; KIDD, C.; PETTY, G.; MORISSEY, M.; GOODMAN, H. M. (2001). Intercomparison of global precipitation products: The third precipitation intercomparison project (pip-3). Bull. Amer. Meteor. Soc., 82, ALON, J.; ATHITSOS, V.; YUAN, Q.; YUAN, Q.; SCLAROFF, S. (2009). A unified framework for gesture recognition and spatiotemporal gesture segmentation. Ieee transactions on pattern analysis and machine intelligence, vol. 31, no. 9. BARRETT, E. C. et al. (1994). The first wetnet precipitation intercomparison project: interpretation of results. Remote Sens. Rev. BERNDT, D.; CLIFFORD, J. (1994).Using dynamic time warping to find patterns in time series. In: AAAI-94 WORKSHOP ON KNOWLEDGE DISCOVERY IN DATABASES. COLLISCHONN, B.; ALLASIA, D.; COLLISCHONN, W.; TUCCI, C.E.M, (2007). Desempenho do satélite TRMM na estimativa de precipitação sobre a bacia do Paraguai superior. Revista Brasileira de Cartografia, 59. COLLISCHONN, B.; COLLISCHONN, W.; TUCCI, C. E. M. (2008). Daily hydrological modeling in the Amazon basin using TRMM rainfall estimates Journal of Hydrology, 360(1 4): doi: /j.jhydrol EBERT, E. E., MANTON, M.J.; ARKIN, P.A.; ALLAM, R.J.; HOLPIN, G. E.; GRUBER, A. (1996). Results from the GPCP Algorithm. Intercomparison Programme. Bull. Amer. Meteor. Soc., 77, XXI Simpósio Brasileiro de Recursos Hídricos 7

8 SILVA, D. P., FERREIRA, L.G. (2012); Geoscience and Remote Sensing Symposium (IGARSS), IEEE International , doi: /IGARSS FISHER, B.L. (2004) Climatological Validation of TRMM TMI and PR Monthly Rain Products over Oklahoma. J. Appl. Meteor., 43, KUMMEROW, C.; BARNES, W.; KOZU, T.; SHIUE, J.; SIMPSON, J., (1998). The Tropical Rainfall Measuring Mission (TRMM) sensor package. J. Atmos. Oceanic Technol., 15, KUMMEROW, C.; SIMPSON, J.; THIELE, O.; BARNES W.; CHANG A.T.C.; Stocker E.; ADLER, R.F.; Hou A., KAKAR, R.; WENTZ, F.; ASHCROFT, P.; KOZU, T.; HONG, Y.; OKAMOTO, K.; IGUCHI, T.; KUROIWA, H.; IM, E.; HADDAD, Z.; HUFFMAN, G.; FERRIER, B.; OLSON, W.S.; ZIPSER, E.; SMITH, E.A.; WILHEIT, T.; NORTH, G.; KRISHNAMURTI, T.; NAKAMURA, K. (2000). The status of the Tropical Rainfall Measuring Mission (TRMM) after two years in orbit Journal of Applied Meteorology, 39 pp., LI, D.; DING, X., WU, J.(2015) Simulating the regional water balance through hydrological model based on TRMM satellite rainfall data Hydrol. Earth Syst. Sci. Discuss., 12, , doi: /hessd LAYBERRY, R.; KNIVETON, D. R.; ET AL. (2006). Daily Precipitation over Southern Africa: A new resource for climate studies. Journal of Hydrometeorology. 7, RATANAMAHATANA, C.; KEOGH, E. (2004) Everything you know about Dynamic Time Warping is Wrong. In 3rd Workshop on Mining Temporal and Sequential Data, in conjunction with 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Seatle, WA, USA. ACM. SILVA, D.P. da & FERREIRA, M.E.(2013) Uso de Imagens do Satélite TRMM para quantificação do regime de chuvas e nebulosidade no bioma Cerrado, Brasil Anais XVI Simpósio Brasileiro de Sensoriamento Remoto SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril INPE, pp SOUSA, S.B. de; ARANTES, A.E.; CARDOSO, M.R.D.; FERREIRA, L.G.(2013). Análise comparativa entre dados TRMM e estações pluviométricas no Pantanal brasileiro: ano base Pp Anais XVI Simpósio Brasileiro de Sensoriamento Remoto SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril INPE. XXI Simpósio Brasileiro de Recursos Hídricos 8