Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIÊNCIAS EXATAS E DA TERRA DEPARTAMENTO DE CIÊNCIAS ATMOSFÉRICAS E CLIMÁTICAS BACHARELADO EM METEOROLOGIA ALANDERSON FIRMINO DE LUCAS ESTIMATIVA DE IRRADIAÇÃO SOLAR VIA MODELOS EMPÍRICOS COM BASE NA TEMPERATURA DO AR PARA O NORDESTE BRASILEIRO NATAL/RN 12/2017 ESTIMATIVA DE IRRADIAÇÃO SOLAR VIA MODELOS EMPÍRICOS COM BASE NA TEMPERATURA DO AR PARA O NORDESTE BRASILEIRO por Alanderson Firmino de Lucas Orientador: Prof. Dr. Bergson Guedes Bezerra NATAL/RN 12/2017 Monografia apresentada à Coordenação do Curso de Meteorologia da Universidade Federal do Rio Grande do Norte, como requisito parcial à obtenção do Título de Bacharel em Meteorologia. ii ALANDERSON FIRMINO DE LUCAS ESTIMATIVA DE IRRADIAÇÃO SOLAR VIA MODELOS EMPÍRICOS COM BASE NA TEMPERATURA DO AR PARA O NORDESTE BRASILEIRO Aprovada em: ____/____/____ BANCA EXAMINADORA ______________________________________________________________________________ Prof. Dr. Bergson Guedes Bezerra Departamento de Ciências Atmosféricas e Climáticas - UFRN Orientador ______________________________________________________________________________ Dra. Keila Rego Mendes Programa Nacional de Pós-Doutorado – PNPD/PPGCC/UFRN Examinador interno ______________________________________________________________________________ Prof. Me. Thiago Valentim Marques Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte - IFRN Examinador externo Monografia apresentada à Coordenação do Curso de Meteorologia da Universidade Federal do Rio Grande do Norte, como requisito parcial à obtenção do Título de Bacharel em Meteorologia. iii Dedico este trabalho à minha mãe e ao meu companheiro, Rosaly Maria de Lucas e Flávio Júnior da Silva Santos, a quem devo toda minha vida. iv Agradecimentos A Deus pela alegria da vida e pela força de ter me ajudado a superar as dificuldades que surgiram. A minha mãe e ao meu companheiro, por estarem sempre me apoiando, compreensíveis nos momentos em que precisei. Aos meus amigos e colegas, inclusive os mais distantes, pelo companheirismo e por terem contribuído para minha formação profissional e humana. Agradeço grandemente ao Prof. Dr. Bergson Guedes Bezerra, meu orientador, por ter acreditado em mim, e pelas oportunidades que me ofereceu. Aos amigos e colegas de graduação, pela amizade e compartilhamento de conhecimento ao longo do período de disciplinas. Agradeço, especialmente Thiago Valentim e Ronabson Cardoso Fernandes, pela ajuda no desenvolvimento deste trabalho, e a Moniki Melo, pela companhia diária, pela amizade e pelos conhecimentos transmitidos. À Universidade Federal do Rio Grande do Norte – UFRN, pela oportunidade de estudo e disponibilização de infraestrutura. Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq pelo suporte financeiro a partir da bolsa de Iniciação Científica, projeto de pesquisa n° PVB12150-2015. Ao Instituto Nacional de Meteorologia – INMET, pela disponibilidade dos dados empregados nesta monografia. v A todos os professores do Departamento de Ciências Atmosféricas e Climáticas que sempre estiveram dispostos a me ajudar. A todos os funcionários do Centro de Ciências Exatas e da Terra – CCET, em especial aos do Departamento de Ciências Atmosféricas e Climáticas: Adriana e Ana Helena. E a todas as demais pessoas que participaram de mais esse ciclo de minha vida. vi RESUMO Devido à extrema importância do uso da informação de radiação solar na agricultura, recursos hídricos, elaboração de projetos arquitetônicos, estudos de mudanças climáticas e nas energias renováveis através da avaliação do potencial do recurso solar em áreas como o Nordeste Brasileiro (NEB) que apresenta alta incidência de radiação solar ao longo do ano. A irradiação solar global (Rg) constitui a principal fonte de energia para a vida em nosso planeta e impulsiona os ciclos hidrológico, energético e de carbono no sistema Terra-Atmosfera. Entretanto, apesar de toda a importância supramencionada, as medições de Rg são relativamente escassas, ocasionando distribuição espacial irregular das observações, isso ocorre em função dos elevados custos com a constante necessidade de manutenção e calibração dos aparelhos de medição, conferindo maior propensão a erros na observação de radiação solar global em comparação a outros elementos meteorológicos, sendo necessário regularmente o controle de qualidade sobre os dados de Rg. Como resultado, vários modelos empíricos têm sido propostos e usados com mais frequência, em especial, os que realizam a estimativa tendo a temperatura do ar como dado de entrada, mas para que esses modelos apresentem desempenho satisfatório, os mesmos devem ser previamente calibrados, ou seja, seus respectivos coeficientes empíricos devem ser determinados a partir de observações locais. Nesse contexto, o presente trabalho tem como objetivo calibrar e avaliar o desempenho da estimativa de Rg a partir de seis modelos com base na temperatura do ar observada em 128 estações meteorológicas de superfície automática localizadas na região Nordeste do Brasil, após o processo de calibração pretende-se comparar as estimativas com valores observados de um período distinto ao que os modelos foram calibrados, além de aplicar o melhor modelo em escala regional com um conjunto de dados interpolados de alta resolução referente a temperatura máxima e mínima. A estrutura do modelo original de Bristow e Campbell permite representar satisfatoriamente a irradiação solar global tanto de áreas costeiras como do interior, conforme observado na maioria das Plataformas de Coleta de Dados (PCD). vii Palavras-chave: Irradiação Solar Global. Modelos Empíricos. Coeficientes. Calibração. ABSTRACT Due to the extreme importance of using solar radiation information in agriculture, water resources, elaboration of architectural projects, climate change studies and in renewable energies through the evaluation of the potential of the solar resource in areas such as the Brazilian Northeast that presents high incidence of solar radiation throughout the year. The global solar irradiance (Rg) constitutes the main source of energy for life our planet and drives the hydrologic, energy and carbon cycles in the Earth-Atmosphere system. However, despite all the above-mentioned importance, the measurements of Rg are relatively scarce, causing irregular spatial distribution of observations, this is due to the high costs with the constant need of maintenance and calibration of the measuring devices, giving greater propensity to errors in the observation of the global solar radiation compared to other meteorological elements, being necessary regularly the quality control on the data of Rg. As a result, several empirical models have been proposed and used more often, especially, those that perform the estimative having the air temperature as input data, but for these models present satisfactory performance, they must be previously calibrated, that is, their respective empirical coefficients must be determined from local observations. In this context, the present work aims to calibrate and evaluate the performance of the Rg estimative from six models based on the air temperature observed in 128 automatic surfaceweather stations located in the Northeast region of Brazil, after the calibration process is intended to compare the estimates with observed values from a different period than the models were calibrated, in addition to apply the best model on regional scale with a set of high resolution interpolated data for maximum and minimum temperature. The structure of the original Bristow and Campbell model allows satisfactory representation of global solar irradiation in both coastal and inland areas, as observed in most Data Collection Platforms. Keywords: Global Solar Irradiation. Empirical Models. Coefficients. Calibration. viii SUMÁRIO 1 – INTRODUÇÃO ....................................................................................................... 12 1.1 – Objetivos ........................................................................................................... 13 1.1.1 – Geral ........................................................................................................... 13 1.1.2 – Específicos .................................................................................................. 14 2 – REVISÃO DE LITERATURA ................................................................................. 11 2.1 – Radiação Solar .................................................................................................. 11 2.2 – Modelos Empíricos ........................................................................................... 12 3 – METODOLOGIA ..................................................................................................... 11 3.1 – Área de estudo .................................................................................................. 11 3.2 – Dados ................................................................................................................ 12 3.3 – Computação de Parâmetros Astronômicos ...................................................... 20 3.4 – Modelos baseados na temperatura do ar ......................................................... 20 3.5 – Desempenho dos modelos ................................................................................. 21 4 – RESULTADOS E DISCUSSÃO ............................................................................. 23 5 – CONCLUSÕES....................................................................................................... 29 REFERÊNCIAS ............................................................................................................ 31 ANEXOS ix Lista de Siglas e Abreviaturas BSRN Baseline Surface Radiation Network INMET Instituto Nacional de Meteorologia MAE Erro Absoluto Médio NEB Nordeste brasileiro FV Fotovoltaica MSE Erro quadrático médio RMSE Raiz do erro quadrático médio SONDA Sistema Nacional de Organização de Dados Ambientais TOA Irradiância solar no topo da atmosfera WMO Word Meteorological Organization x Lista de Símbolos Rs Irradiância solar global dj Dia juliano r Coeficientes de correlação So Constante Solar R² Coeficiente de determinação MJ/m² Megajoule por metro quadrado λ Comprimento de onda W/m² Watt por metro quadrado kWh/m² Quilowatt-hora °C Grau Celsius μm Micrômetro xi Lista de Figuras 2.1.1 Balanço de energia global....................................................................................15 3.1.1 Divisão política da região Nordeste do território brasileiro............................ 18 3.2.1 Distribuição espacial de todas as estações localizadas no Nordeste Brasileiro (NEB) que foram utilizadas. O número sinótico das estações inicia-se com 1 e termina em 128. ............................................................................................................ 19 4.1 Raiz quadrada do erro quadrático médio (RMSE) entre os valores medidos e estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD..........23 4.2 Coeficiente de correlação de Pearson (r) entre os valores medidos e estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD................................24 4.3 Erro quadrático médio (MSE) entre os valores medidos e estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD.............................................25 4.4 Erro médio absoluto (MAE) entre os valores medidos e estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD............................................26 4.5 Modelos empíricos testados para a irradiação solar em MJ/m² para a PCD de Recife/PE........................................................................................................................27 4.6 Modelos empíricos testados para a irradiação solar em MJ/m² para a PCD de Correntina/BA................................................................................................................27 12 Capítulo 1 Introdução O Nordeste do Brasil apresenta elevados valores de médias anuais de temperatura do ar, que variam de 20°C a 28°C, em virtude da alta incidência de radiação solar sobre a região, que lhe confere o maior potencial de energia solar disponível em todo território brasileiro, com uma radiação média global estimada em torno de 5,9 kWh/m², de acordo com o Atlas Brasileiro de Energia Solar (PEREIRA et al., 2006). Para uma abordagem mais completa das características climatológicas desta região do Brasil, indica-se a leitura de (LIMA, 2015). A informação de radiação solar é necessária em uma variedade de aplicações incluindo agricultura, recursos hídricos, elaboração de projetos arquitetônicos, estudos de mudanças climáticas, entre outras. Então, o conhecimento da radiação solar climática de uma região é de extrema importância na avaliação do potencial do uso de energia solar, convertida para energia termal ou energia elétrica como uma fonte de energia nessa região. Tal informação é um pré-requisito para o projeto de tal sistema de conversão de energia solar (RAHMAN e ZAKARIA, 2005). E constitui a principal fonte de energia do planeta Terra (TANG et al., 2014), sendo primordial para a maioria dos processos físicos, químicos e biológicos presentes em nosso planeta, como: a evaporação, fotossíntese, crescimento e desenvolvimento de cultivos agrícolas, e também é um parâmetro fundamental em modelos biofísicos utilizados na avaliação de incêndios florestais, bem como em modelos hidrológicos e atmosféricos, pois a circulação atmosférica, que é responsável pelas condições meteorológicas num certo instante, é definida por sua vez pela disponibilidade de energia oriunda do Sol (QUEIROZ; NOGUEIRA; ASSIS, 2012; QUERINO et al., 2006). Entretanto, comparado a outros parâmetros meteorológicos, tais como: temperatura, precipitação, duração do brilho solar (insolação), umidade relativa e vento, dados observados de irradiação são escassos. Intensidades de irradiação solar são medidas apenas em um número limitado de estações sobre todo o mundo, não sendo diferente para o Brasil e para a região Nordeste do território brasileiro, pois a maioria das estações de superfície não possuem medições de radiação solar global, ocasionando distribuição espacial deficiente nas medições, em virtude das dimensões continentais do país. Desta maneira, é necessário o registro das observações de radiação solar, onde a medição da irradiação solar global requer o uso de piranômetros ou actinógrafos. Contudo, os instrumentos que realizam a quantificação da radiação solar são de custo elevado, além da operação requerem calibraçãoe manutenção constantes destes equipamentos, o que por sua vez não está dentro das limitações orçamentárias de estações meteorológicas de vários locais (DORNELAS et al., 2006; RAHMAN e ZAKARIA, 2005). Além disso, a medição da radiação solar é mais propensa a erros em comparação com as medições de outras variáveis meteorológicas, os quais muitas vezes estão relacionados, principalmente, as insuficiências técnicas e operacionais (MARADI, 2009; TANG et al., 2014). As fontes prováveis de problemas ou erros referentes à medição da radiação solar podem ser classificadas meramente em duas categorias: (1) erros e incertezas instrumentais; (2) problemas e erros relacionados à operação (SHI et al., 2008). E ainda estudos recentes mostraram que erros sistemáticos nas medições da radiação solar não são raros (DUTTON et al., 2001). Portanto, é preciso empregar um processo de qualificação semelhante ao adotado para estações participantes da BSRN (Baseline Surface Radiation Network), coordenado pela WMO (World Meteorological Organization) (MARTINS; PEREIRA, 2011). 1.1 – Objetivos 1.1.1 – Geral Determinar os coeficientes de todos os modelos empíricos usados para estimar a irradiância solar global diária (Rg), os quais utilizam a temperatura do ar como dado de entrada, e analisar estatisticamente o desempenho de cada um desses modelos. 1.1.2 – Específicos 1. Determinar os coeficientes dos modelos empíricos usando dados de temperatura máxima e mínima diária e a Rg; 2. Estimar a Rg com base nos modelos empíricos calibrados e, posteriormente, comparar com dados observados; 3. Realizar a avaliação desses modelos por meio de uma análise de desempenho; 4. Comparar e analisar estatisticamente as diferenças entre as estimativas e os valores observados. Capítulo 2 Revisão de Literatura 2.1 Radiação Solar Segundo Lima (2015) radiação solar é a energia proveniente do Sol, denominada radiação solar, é o fator mais importante para o desenvolvimento dos processos físicos que influenciam as condições atmosféricas e climáticas. Essa energia sofre várias interações com os diversos constituintes atmosféricos ao atravessar a atmosfera. Parte da irradiação solar é espalhada e parte é absorvida pelas partículas e moléculas presentes no ar, como vapor d’água, dióxido de carbono, ozônio e compostos nitrosos. Essa energia sofre várias interações com os diversos constituintes atmosféricos ao atravessar a atmosfera. Parte da irradiação solar é espalhada e parte é absorvida pelas partículas e moléculas presentes no ar, como vapor d’água, dióxido de carbono, ozônio e compostos nitrosos. A radiação solar tem a maior parte de sua energia contida em comprimentos de onda entre 0,1 e 4 μm, correspondendo às bandas do ultravioleta, do visível e do infravermelho próximo (BRUTSAERT, 1982). O espectro solar é comumente dividido em três faixas principais: ultravioleta (0,1 ≤ λ ≤ 0,4 μm), visível (0,4 < λ ≤ 0,7 μm) e infravermelho (> 0,7 μm) (IQBAL, 1983). O fluxo de energia radiante, energia por unidade de tempo, que incide sobre uma superfície de área unitária normal aos raios solares e a uma distância média Terra-Sol é definida como constante solar (So) e seu valor recomendado pela WMO, (Word Meteorological Organization), é de 1367 W/m². Devido às ligeiras variações da distância Terra-Sol ao longo do ano, decorrentes da excentricidade da órbita terrestre, a irradiância solar que atinge o topo da atmosfera (TOA) sofre alterações. Embora a atmosfera seja muito 10 transparente estima-se que apenas 25% da radiação incidente no topo da atmosfera (TOA) chegam à superfície terrestre sem sofrer nenhuma interferência dos constituintes atmosféricos. Os 75% restantes são absorvidos, refletidos de volta ao espaço ou espalhados e, neste caso, normalmente atinge a superfície em uma direção diferente da direção de incidência no topo da atmosfera. Esses complexos processos, os quais são mostrados na Figura 2.1.1, dependem especialmente do comprimento de onda da radiação e do tamanho e natureza do gás ou particulado atmosférico que interage com a radiação solar (LIOU, 2002). Figura 2.1.1 – Balanço de energia global. Fonte: Pereira et al. (2006). A absorção da radiação solar por um gás é caracterizada por aumento no movimento molecular interno do gás e, consequentemente, em sua temperatura, favorecendo o aquecimento da atmosfera. A radiação solar global que alcança a superfície é constituída pela radiação solar difusa e direta, sendo influenciada por alguns fatores tais como elevação solar, condições de profundidade ótica e grau de nebulosidade (ALVES, 1981). Quando o céu está limpo, a radiação direta corresponde de 60 a 87% da radiação global (LESTRADE et al. 1990). Na presença de nebulosidade, a radiação solar diminuir, pois a nebulosidade e a elevação solar são fatores de primeira ordem na determinação da variação da irradiação solar à superfície (KONDRATYEV, 1969). As nuvens, que cobrem em média de 40 a 60% da superfície da Terra, desempenham um papel fundamental no balanço de energia do planeta, (ECHER et al. 2001). As condições de nebulosidade são um dos fatores que mais influenciam a variação da radiação solar global, principalmente em locais de baixa latitude. Diversos estudos têm sido propostos com o intuito de avaliar a variabilidade para medidas pontuais da radiação solar global em relação aos efeitos das condições de nebulosidade (transmitância atmosférica) e da sazonalidade. 2.2 Modelos Empíricos Modelos empíricos utilizam equações lineares e não lineares, sendo que um número significante de artigos tem sido publicado para a avaliação da eficiência de vários tipos de modelos empíricos, sendo que esses modelos, geralmente, são baseados em métodos empíricos que exigem o desenvolvimento de um conjunto de equações empíricas para estimar com boa precisão a irradiância solar global por meio de outras variáveis atmosféricas que estão mais disponíveis na maioria das estações meteorológicas de superfície para locais onde não detêm de dados de radiação solar (JÚNIOR et al., 2012). Esses modelos empíricos são divididos em: (1) modelos baseados na duração do brilho solar (ANGSTRÖM, 1924; ALMOROX e HONTORIA, 2004); (2) modelos baseados em nuvens, precipitação e umidade relativa (SUPIT e VAN KAPPEL, 1998; MUNEER e GUL, 2000); e (3) modelos baseados na temperatura do ar (HARGREAVES e SAMANI, 1982; BRISTOW e CAMPBELL, 1984). Esses modelos vêm sendo frequentemente propostos e utilizados, em especial, os modelos baseados na temperatura do ar como dado de entrada, dado que é um elemento disponível em quase todas as estações meteorológicas, além do alto nível de confiança de suas observações fornecidas pelos sensores de temperatura. Todavia, esses modelos necessitam de ajustes, pois nem sempre representam de forma adequada a radiação solar global para determinado dia e localidade, desta forma, o bom desempenho desses modelos está associado a sua calibração prévia, ou seja, os coeficientes empíricos dos mesmos devem ser inferidos através de observações locais, como foi feito por HUNT et al. (1998) para a Província de Ontario (Canadá), KATIYAR e PANDEY (2010) para Jodhpur, Calcutá, Mumbai e Pune (Índia), ALMOROX et al. (2011) para Madrid (Espanha) e SANTOS et al. (2014) para o Estado de Alagoas (Brasil). Capítulo 3 Metodologia 3.1 – Área de estudo A região estudada compreende o Nordeste do Brasil, a qual possui uma área de 1.558.196 km², correspondendo a 18% do território nacional, sendo essa a região do país mais subdividida politicamente, com nove estados: Alagoas, Bahia, Ceará, Maranhão, Paraíba, Pernambuco, Piauí, Rio Grande do Norte e Sergipe, como mostrado na Figura 1. Figura 3.1.1: Divisão política da região Nordeste doterritório brasileiro. 3.2 – Dados O estudo utiliza dados horários instantâneos integrados para um valor diário de temperatura máxima e mínima e irradiância solar global oriundos em cento e vinte e sete estações meteorológicas de superfície automática ou também conhecidas como Plataforma de Coleta de Dados (PCD’s) pertencentes à rede mantida e operada pelo Instituto Nacional de Meteorologia (INMET) durante o período de 2009 – 2013, sendo que as essas estações surgiram da necessidade de inúmeras empresas e instituições em obter regularmente informações colhidas em lugares remotos ou espalhadas por uma região muito extensa, onde a localização de cada estação meteorológica automática (EMA) é apresentada na Figura 2. Figura 3.2.1: Distribuição espacial de todas as estações localizadas no Nordeste Brasileiro (NEB) que foram utilizadas. O número sinótico das estações inicia-se com 1 e termina em 128. Dentro do período analisado foram verificadas lacunas de dias, meses e anos na aquisição dos dados, por falhas nas medições. Desta forma, foram retiradas as estações com séries de dados muito curtas. 3.3 – Computação de Parâmetros Astronômicos A irradiância solar global diária no topo da atmosfera (H0) foi obtida pela seguinte equação 01 (IQBAL, 1983; LIOU, 2002; VIANELO e ALVES, 2012): 𝐻0 = 37,6𝑑𝑟[𝐻 sin(∅) sin(𝛿) + cos(∅) cos(𝛿) sin(𝐻)] (01) onde: dr é a excentricidade da órbita da Terra (Equação 02), H é o ângulo horário (Equação 03), φ é a latitude da estação meteorológica e 𝛿 é a declinação solar (Equação 04). 𝑑𝑟 = 1 + 0,0033 cos ( 2𝜋 365 𝐽) 𝐻 = cos−1[− tan(∅) tan(𝛿)] 𝛿 = 23,45 sin [ 360 365 (𝑑𝑛 + 284)] onde: J/dn é o dia sequencial do ano, também chamado de dia Juliano. 3.4 – Modelos baseados na temperatura do ar Serão determinados os coeficientes β1, β2 e β3 de seis modelos empíricos para estimativa da Rg através do método de regressão não linear, utilizando como dado de entrada a temperatura máxima e mínima diária, com as quais será determinada a amplitude térmica diária (∆𝑇 = 𝑇𝑚𝑎𝑥 − 𝑇𝑚𝑖𝑛) (Hargreaves e Samani, 1982), além dos valores diários da Rg, observados durante um período ininterrupto de dois anos. Os seis modelos que serão calibrados e avaliados, assim como os seus respectivos coeficientes empíricos estão listados na Tabela 1. (03) (02) (04) Tabela 3.4.1 – Modelos utilizados para estimativa da irradiância solar global. ID Modelo Coeficientes Fonte 1 Hg/Ho=β1[1-exp(-β2ΔT β3)] β1, β2 e β3 Bristow e Campbell (1984) 2 Hg/Ho=0,75[1-exp(-β2ΔT 2)] β2 Meza e Varas (2000) 6 Hg/Ho=β1(ΔT)1/2 β1 Hargreaves e Samani (1982) 7 Hg/Ho=β1(1+2,7𝑥10−5𝑥 𝑎𝑙𝑡𝑖𝑡𝑢𝑑𝑒)(ΔT) 1/2 β1 Annandale et al. (2002) 8 Hg/Ho= (β1 (ΔT) 1/2 + β2) β1 e β2 Hargreaves et al. (1985) 9 Hg/Ho=β1(ΔT) 1/2 +β2/Ho β1 e β2 Hunt et al. (1998) Após determinados os coeficientes de cada modelo (calibração) será efetuada a avaliação de cada modelo mediante a comparação entre os valores da Rg estimada por cada modelo da tabela acima calibrado e os valores da Rg observados nas estações meteorológicas em um período também de dois anos não coincidentes com aqueles que foram utilizados na determinação dos coeficientes de cada modelo. 3.5 – Desempenho dos modelos O desempenho dos modelos empíricos usados em termos de Hg será averiguado por meio de algumas medidas de destreza, tais como: o RMSE (Root Mean Square Error) (Equação 05) (Mostafavi et al., 2013), o MSE (Mean Square Error) (Equação 06), o MAE (Mean Absolute Error) (Equação 07), o MAPE (Mean Absolute Percentage Error) (Equação 08), além do coeficiente de correlação de Pearson (WILKS, 2006) e o coeficiente de determinação (R²) em relação aos dados observados, sendo esse uma medida de ajuste de um modelo estatístico generalizado, cujo coeficiente varia entre 0 e 1, em percentagem, indica o quanto o modelo consegue explicar os valores observados, de modo que quanto maior o R² mais explicativo é o modelo, ou seja, melhor o mesmo se ajusta à amostra. 𝑅𝑀𝑆𝐸 = [ 1 𝑛 ∑ (𝑃𝑖 − 𝑀𝑖) 2𝑛 𝑖=1 ] 1 2 𝑀𝑆𝐸 = 1 𝑛 ∑ (𝑃𝑖 − 𝑀𝑖) 2𝑛 𝑖=1 𝑀𝐴𝐸 = 1 𝑛 ∑ |𝑃𝑖 − 𝑀𝑖| 𝑛 𝑖=1 (05) (06) (07) em que 𝑃 e 𝑀 são os valores preditos e medidos da irradiância solar global, respectivamente, enquanto 𝑛 é o número de valores de dados usados. O coeficiente de correlação mede a força relativa de uma relação linear ou grau de associação entre duas variáveis numéricas. O coeficiente de correlação de Pearson foi utilizado para calcular a relação entre a vazão simulada e a vazão observada, com base na seguinte fórmula: 𝑟 = ∑(xi−x).(𝑦𝑖−y) √(∑(xi−x) 2 )(∑(yi−y) 2 ) sendo xi e yi os valores medidos, enquanto que x e y correspondem a média aritmética de ambas as variáveis (MUKAKA, 2012). E o seu teste de hipóteses é dito da seguinte forma: H0: Não existe nenhuma relação entre as variáveis; H1: Há uma relação entre as variáveis. E o coeficiente de determinação, também chamado de R², é uma medida de ajustamento de um modelo estatístico linear generalizado, como a regressão linear, em relação aos valores observados. O R² varia entre 0 e 1, indicando, em percentagem, o quanto o modelo consegue explicar os valores observados. Quanto maior o R², mais explicativo é o modelo, melhor ele se ajusta aos dados observados. 𝑅² = 𝑆𝑄𝑅 𝑆𝑄𝑇 = 1 − 𝑆𝑄𝐸 𝑆𝑄𝑇 em que SQT é a Soma Total dos Quadrados, SQR é a Soma dos Quadrados do Resíduos e SQE é a Soma dos Quadrados Explicada pelo modelo. (08) (09) https://pt.wikipedia.org/wiki/Regress%C3%A3o_linear Capítulo 4 Resultados e Discussão Figura 4.1: Raiz quadrada do erro quadrático médio (RMSE) entre os valores medidos e estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD. Fonte: Autoria Própria. Figura 4.2: Coeficiente de correlação de Pearson (r) entre os valores medidos e estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD. Fonte: Autoria Própria. Figura 4.3: Erro quadrático médio (MSE) entre os valores medidos e estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD. Fonte: Autoria Própria. Figura 4.4: Erro médio absoluto (MAE) entre os valores medidos e estimados de Rg pelo modelo (a) 2, (b) 6, (c) 7, (d) 8, (e) 9 e (f) 1 em cada PCD. Fonte: Autoria Própria. Figura 4.5: Modelos empíricos testados para a irradiação solar em MJ/m² para a PCD de Recife/PE. Fonte: Autoria Própria. Figura 4.6: Modelos empíricos testados para a irradiação solar em MJ/m² para a PCD de Correntina/BA. Fonte: Autoria Própria. 0.0 0.5 1.0 1.5 0 .0 0 .1 0 .2 0 .3 0 .4 0 .5 0 .6 0 .7 Modelo 1 Amplitude Térmica (ºC) H g /H o R² = 0.75 0.0 0.5 1.0 1.5 0 .0 0 .1 0 .2 0 .3 0 .4 0 .5 0 .6 0 .7 Modelo 2 Amplitude Térmica (ºC) H g /H o R² = 0.7 0.0 0.5 1.0 1.5 0 .0 0 .1 0 .2 0 .3 0 .4 0 .5 0 .6 0 .7 Modelo 6 Amplitude Térmica (ºC) H g /H o R² = 0.71 0.0 0.5 1.0 1.5 0 .0 0 .1 0 .2 0 .3 0 .4 0 .5 0 .6 0 .7 Modelo 7 Amplitude Térmica (ºC) H g /H o R² = 0.71 0.0 0.5 1.0 1.5 0 .0 0 .1 0 .2 0 .3 0 .4 0 .5 0 .6 0 .7 Modelo 8 Amplitude Térmica (ºC) H g /H o R² = 0.71 0.0 0.5 1.0 1.5 0 .0 0 .1 0 .2 0 .3 0 .4 0 .5 0 .6 0 .7 Modelo 9 Amplitude Térmica (ºC) H g /H o R² = 0.72 0 5 10 15 20 25 0 .0 0 .2 0 .4 0 .6 0 .8 Modelo 1 Amplitude Térmica (ºC) H g /H o R² = 0.92 0 5 10 15 20 25 0 .0 0 .2 0 .4 0 .6 0 .8 Modelo 2 Amplitude Térmica (ºC) H g /H o R² =0.89 0 5 10 15 20 25 0 .0 0 .2 0 .4 0 .6 0 .8 Modelo 6 Amplitude Térmica (ºC) H g /H o R² = 0.88 0 5 10 15 20 25 0 .0 0 .2 0 .4 0 .6 0 .8 Modelo 7 Amplitude Térmica (ºC) H g /H o R² = 0.88 0 5 10 15 20 25 0 .0 0 .2 0 .4 0 .6 0 .8 Modelo 8 Amplitude Térmica (ºC) H g /H o R² = 0.88 0 5 10 15 20 25 0 .0 0 .2 0 .4 0 .6 0 .8 Modelo 9 Amplitude Térmica (ºC) H g /H o R² = 0.88 Nas Figuras 4.1 a 4.4 é possível notar que os modelos que apresentaram melhor representatividade da irradiância solar global foram os modelos 1 e 2, obtendo os menores erros, porém, o modelo 1 ainda foi capaz de explicar a variável de interesse tanto em regiões úmidas como no interior da região nordeste, as quais possuem características climáticas distintas, como pode ser visto nas Figuras 4.5 e 4,6. Ainda é possível afirmar que os modelos 6 e 7 são ligeiramente similares. No que se refere aos coeficientes empíricos determinados para cada modelo utilizado nesta pesquisa em todas as PCD, estes divergiram daqueles encontrados por Santos et al. (2014) para algumas estações do Estado de Alagoas, provavelmente, isso deve-se ao período de calibração distinto em cada estudo, além destes autores também terem utilizado uma fonte de dados diferente da empregada aqui. De modo geral, há um melhoramento técnico bastante significativo dos modelos empíricos através dessa técnica de solução em comparação aos resultados anteriores quando aplicados apenas para o Estado do Rio Grande do Norte, como se pode verificar na PCD de Macau/RN, onde modelos antes com baixo desempenho, como o modelo de Meza e Varas (modelo 2) e o de Annandale (modelo 7) produziram melhores estimativas a partir de um método de solução não linear. No entanto, para a PCD do município de Pão de Açúcar no Estado de Alagoas possui desempenho semelhante a estimativas feitas via regressão linear múltipla, conforme visto em Santos et al. (2014), sendo que o resultado obtido nesse trabalho para a estação mencionada fornece melhor estimativa por meio do modelo original de Bristow e Campbell (1984) explicando em torno de 60% da observação da irradiância solar global. Ainda é possível constatar que o modelo candidato a melhor representação, em outras palavras, a condição mais próxima da observação na maioria das localidades analisadas do Nordeste Brasileiro é o modelo original de Bristow e Campbell (modelo 1) em relação aos demais modelos empíricos aplicados, a estrutura do modelo tradicional permite representar satisfatoriamente a irradiância solar global tanto de áreas costeiras/úmidas como do interior. Sendo o modelo 1 que originou os outros modelos, e pelo fato de ser o principal modelo empírico de estimativa de radiação global existente na literatura também é o modelo comumente mais usado. E até mesmo para regiões testadas que apresentaram piores estimativas, o modelo 1 ainda representou razoavelmente a irradiância solar global desses locais quando comparado com os demais modelos. Desta forma, esses resultados corroboram com os que foram obtidos por Santos et al. (2014) para o Estado de Alagoas no que se refere a destreza das estimativas realizadas pelo modelo 1 conforme os aspectos climáticos da área analisada, porém nesse trabalho houve uma abordagem ainda mais significativa do mesmo modelo, em virtude do modelo tradicional de Bristow e Campbell ser mais eficiente do que o modelo antes testado por esses autores em termos de confiabilidade estatística e capacidade de representar de maneira adequada esse elemento meteorológico para regiões com características climatologicamente diferentes, isso pôde ser averiguado, provavelmente, em função do método de solução não linear, o qual ocasionou aprimoramento do modelo discutido. Capítulo 5 Conclusões Os resultados revelaram que pelo menos o modelo 1, dentre os seis analisados, apresenta confiabilidade suficiente, para que o mesmo seja adotado para estimar a irradiância solar global diária em locais onde não há disponibilidade da mesma. Portanto, o modelo original de Bristow e Campbell (modelo 1) é indicado tanto para áreas úmidas e costeiras como para áreas do interior da região estudada, diferente dos outros modelos empíricos, os quais têm melhor estimativa somente para o interior. É de suma importância que haja continuamente o melhoramento regional técnico desses modelos, como foi feito nesse trabalho, otimizando a estimativa do recurso solar para a região com maior potencial do Brasil. E ainda sugerem-se a comparação as diferenças entre as estimativas e os valores observados em períodos distintos daquele em que os modelos foram calibrados, aplicação do modelo de Bristow e Campbell em escala regional através de dados de temperatura do ar disponibilizados por alguns sensores a bordo de satélites, visto que o modelo 1 apresenta desempenho satisfatório independente das características climáticas distintas encontradas no Nordeste Brasileiro. Referências ALMOROX, J.; HONTORIA, C. Global solar radiation estimation using sunshine duration in Spain. Energy, Conversion & Management, v.45, p.1529-1535, 2004. ALMOROX, J.; HONTORIA, C.; BENITO, M. Models for obtaining daily global solar radiation with measured air temperature data in Madrid (Spain). Applied Energy, v.88, p.1703- 1709, 2011. ALVES, A. R. Irradiância solar global em superfície de diferentes inclinações e azimutes para Viçosa, MG. 1981. 92 p. Dissertação ( Mestrado em Engenharia Agrícola) – Universidade Federal de Viçosa: Viçosa, 1981. ANGSTRÖM, A. Solar and terrestrial radiation. Quarterly Journal of the Royal Meteorological Society, v.50, p.121–1255, 1924. ANNANDALE, J. G.; JOVANOVIC, N. Z.; BANADÉ, N.; ALLEN, R. G. Software for missing data error analysis of Penman-Monteith reference evapotranspiration. Irrigation Science, v.21, p.57-67, 2002. BRISTOW, K. L.; CAMPBELL, G. S. On the Relationship Between Incoming Solar Radiation and Daily Maximum and Minimum Temperature. Agricultural and Forest Meteorology, v.31, p.159-166, 1984. BRUTSAERT, W. H. Evaporation into the atmosphere: theory, history and applications. Dordrecht: Kluwer Academic, 1982. 316p. Dornelas, K.D.S., Silva, C.L., Oliveira, C.A.S. 2006. Coeficientes médios da equação de Angstrom - Prescott, radiação solar e evapotranspiração de referência em Brasília. Pesquisa Agropecuária Brasileira 41: 1213-1219. DUTTON, E. et al.. Measurement of Broadband Diffuse Solar Irradiance Using Current Commercial Instrumentation with a Correction for Thermal Offset Errors. Journal of Atmospheric and Oceanic Technology, v.18, p.297-314, 2001. ECHER, E.; SOUSA M. P.; SCHUCH, N. J. Alei de Beer Aplicada na atmosfera terrestre. Revista Brasileira de Física, São Paulo, v.23, n.3,p.276-283, 2001. HARGREAVES, G. H.; SAMANI, Z. A. Estimating potential evapotranspiration. Journal of the Irrigation and Drainage Division, v.108, n.3, p.225-230, 1982. HARGREAVES, G. L.; HARGREAVES, G. H.; TILWY, J. P. Irrigation Water Requirements for Senegal River Basin. Journal of Irrigation and Drainage Engineering, v.111, p.265-275, 1985. HUNT, L.A.; KUCHAR, L.; SWANTON, C. J. Estimation of solar radiation for use in crop modelling. Agricultural and Forest Meteorology, v.91, p.293-300, 1998. IQBAL, M. An Introduction to Solar Radiation. Toronto: Academic Press, 1983. 390 p. JÚNIOR, A. S. de A. et al.. Coeficientes da equação de Angström-Prescott para Parnaíba, Piauí. Comunicata Scientiae, Teresina, v. 3, n. 1, p.50-54, nov. 2011. KATIYAR, A. K.; PANDEY, C. K. Simple correction for estimating the global radiation on horizontal surfaces in India. Energy, v.35, p.5043-5048, 2010. KONDRATYEV K. YA. Radiation in the atmospheric.NewYork, USA: Academic Press, 1969. 912p. LESTRADE, J. P. The effect of cloud layer plane albedo on global and diffuse isolation. Solar Energy. Elmsford, New York, v.44, n.22, p.115-121, 1990. LIMA, Francisco José Lopes de. Previsão de Irradiação Solar no Nordeste do Brasil empregando o Modelo WRF ajustado por Redes Neurais Artificiais (RNAs). 2015. 251 f. Tese (Doutorado) - Curso de Doutorado em Meteorologia, Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2015. LIOU, K. N. Introduction to Atmospheric Radiation, 2.ed. San Diego: Academic Press, 2002. 583 p. MARADI, I. Quality control of global solar radiation using sunshine duration hours. Energy, v.34, p.1-6, 2009. MARTINS, F. R., PEREIRA, E. B. Estudo comparativo da confiabilidade de estimativas de irradiação solar para o sudeste brasileiras obtidas a partir de 207 dados de satélite e por interpolação/extrapolação de dados de superfície. Revista Brasileira de Geofísica. v. 29, n 2, p. 265-276, 2011. MEZA, F.; VARAS, E. Estimation of mean monthly solar radiation as a function of temperature. Agricultural and Forest Meteorology, v.100, p.231-241, 2000. MOSTAFAVI, E. S. et al.. A hybrid computational approach to estimate solar global radiation: An empirical evidence from Iran. Energy, v.49, p.204-210, 2013. MUKAKA, M. M.. A guide to appropriate use of Correlation coefficient in medical research. Malawai Medical Journal, Lilongwe, v. 24, n. 3, p.69-71, set. 2012. MUNEER, T.; GUL, M. S. Evaluation of sunshine and cloud cover based models for generating solar radiation data. Energy, Conversion & Management, v.1, n.5, p.461– 482, 2000. PEREIRA, E. B. et al.. Atlas brasileiro de energia solar. São José dos Campos: INPE, 2006. 60p. ISBN 978-85-17- 00030-0. QUEIROZ, M. R.; NOGUEIRA, C. B. R.; ASSIS, S. V. de. Avaliação de um método empírico para estimativa da radiação solar global – Modelo de Bristow-Campbell. In: Congresso Brasileiro de Meteorologia, 17, 2012, Pelotas. Anais. Gramado: SBMET, 2012. p. 194 - 199. QUERINO, C. A. S. et al. Avaliação e comparação de radiação solar global e albedo com ângulo zenital na região amazônica. Revista Brasileira de Meteorologia, Maceió, v. 21, n. 3, p.42-49, ago. 2006. RAHMAN, M. M.; ZAKARIA, M.. Modified Angstrom coefficients for the sunshine- irradiation correlation. Indian Journal of Radio & Space Physics. Rajshahi, p. 33-41. fev. 2005. SANTOS, C. M. et al.. On modeling global solar irradiation using air temperature for Alagoas State, Northeastern Brazil. Energy, v.71, p.388-398, 2014. SHI, G-Y. et al.. Data Quality Assessment and the Long-Term Trend of Ground solar Radiation in China. Journal of Applied Meteorology and Climatology, v.47, p.1006-1016, 2008. SUPIT, I.; VAN KAPPEL, R.R. A simple method to estimate global radiation. Solar Energy, v.63, p.47–60, 1998. TANG, W. et al.. Quality control and estimation of global solar radiation in China. Solar Energy, v.84, p.466-475, 2006. VIANELO, R. L.; ALVES, A. R. Meteorologia Básica e Aplicações. 2.ed. Viçosa: Editora UFV, 2012. 460 p. WILKS, D. S. Statistical Methods in the Atmospheric Sciences. 2.ed. San Diego: Academic Press, 2006. 627 p. ANEXOS Anexo 1 Localização das estações usadas neste trabalho de pesquisa. PCD Longitude (°W) Latitude (°S) Altitude (m) UF São Luiz -44,21 -2,53 56 MA Carolina -47,46 -7,34 192 MA Chapadinha -43,35 -3,74 91 MA Grajaú -46,16 -5,82 230 MA Turiaçu -45,37 -1,66 41 MA Bacabal -44,79 -4,23 28 MA Barra do Corda -45,24 -5,51 153 MA Colinas -44,23 -6,03 179 MA Estreito -47,42 -6,65 180 MA Caxias -43,34 -4,82 76 MA Buriticupu -46,45 -4,32 175 MA Recife -34,95 -8,05 10 PE Maceió -35,77 -9,55 64,5 AL Natal -35,2 -5,83 48,6 RN Fortaleza -38,53 -3,8 41 CE Sobral -40,35 -3,75 64 CE Petrolina -40,8 -9,38 370,5 PE Parnaíba -41,78 -3,07 79,5 PI Arco Verde -37,08 -8,43 680,7 PE Areia -35,68 -6,97 574,6 PB Floriano -43,02 -6,77 132,3 PI Teresina -42,8 -5,03 74 PI Campina Grande -35,91 -7,23 548 PB Guaramiranga -38,93 -4,26 38,2 CE Barbalha -39,27 -7,3 409 CE Caicó -37,08 -6,47 170 RN Macau -36,72 -5,12 4 RN Mossoró -37,37 -5,08 36 RN Iguatú -39,27 -6,4 233 CE João Pessoa -34,85 -7,14 44 PB Patos -37,27 -7,07 249 PB Garanhuns -36,5 -8,91 822 PE Pão de Açúcar -37,45 -9,77 19 AL Tauá -40,28 -6,02 415 CE Quixeramobim -39,29 -5,17 79,5 CE Bom Jesus do Piauí -44,33 -9,08 297 PI Palmeira dos Índios -36,62 -9,42 275 AL Surubim -35,8 -7,84 418 PE Cabrobó -39,31 -8,5 342 PE Paulistana -41,14 -8,13 374 PI São João do Piauí -42,25 -8,36 235 PI Morada Nova -38,36 -5,14 43,6 CE São Gonçalo -38,31 -6,84 234 PB Monteiro -37,12 -7,89 604 PB Piripiri -41,79 -4,28 161 PI Alvorada do Gurguéia -43,86 -8,44 270 PI Caracol -43,32 -9,29 100 PI Esperantina -42,26 -3,9 65 PI Jaguaruana -37,78 -4,79 12 CE Apodi -37,83 -5,63 150 RN Caruaru -35,99 -8,24 550 PE Cratéus -40,67 -5,19 291 CE Picos -41,4 -7,07 233 PI São Raimundo Nonato -42,7 -9,03 402 PI Uruçu -44,33 -7,47 393 PI Campos Sales -40,36 -7,08 572 CE Cabaceiras -36,29 -7,48 436 PB Ibimirim -37,71 -8,51 448 PE Serra Talhada -38,29 -7,95 461 PE Camaratuba -35,13 -6,61 136 PB Arapiraca -36,62 -9,8 241 AL Oeiras -42,15 -6,97 156 PI Coruripe -36,29 -10,13 74 AL São Luís do Quitunde -35,57 -9,29 19 AL Palmares -35,57 -8,67 180 PE Jaguaribe -38,63 -5,91 184 CE Itapipoca -39,59 -3,48 102 CE Acarau -40,09 -3,12 76 CE Castelo do Piauí -41,51 -5,35 286 PI São Pedro do Piauí -42,72 -5,91 287 PI Valença do Piauí -41,74 -6,4 301 PI Gilbués -45,35 -9,87 425 PI Buriti -42,97 -8,12 308 PI Ouricuri -40,1 -7,88 464 PE Salvador -38,51 -13,01 51,4 BA Barreira -45,02 -12,15 470,4 BA Arembepe -38,17 -12,75 10,8 BA Luiz Eduardo Magalhães -45,82 -12,15 754 BA Caravelas -39,25 -17,73 2,9 BA Cruz das Almas -39,15 -12,67 225,9 BA Itiruçu -40,12 -13,53 755,6 BA Itaberaba -40,28 -12,52 249,9 BA Aracajú -37,05 -10,95 4,7 SE Ilhéus -39,17 -14,65 78 BA Paulo Afonso -38,22 -9,37 252,6 BA Macajuba -40,35 -12,12 380 BA Feira de Santana -38,99 -12,2 231 BA Santa Rita de Cássia -44,53 -11,02 450 BA Correntina -44,62 -13,33 540 BA Itabaianinha -37,79 -11,27 208 SE Bom Jesus da Lapa -43,18 -13,42 440 BA Poço Verde -38,11 -10,74 362 SE Carira -37,75 -10,4 308 SE Brejo Grande -36,48 -10,47 10 SE Abrolhos -38,69 -17,96 25 BA Remanso -42,08 -9,62 401 BA Irecê -41,86 -11,33 755 BA Lençóis -41,39 -12,56 439 BA Guanambi -42,75 -14,21 882 BA Porto Seguro -39,18 -16,39 85 BA Senhor do Bonfim -40,15 -10,44 548 BA Barra -43,14 -11,08 403 BA Piatã -41,77 -13,16 1290 BA Conde -37,62 -11,81 10 BA Buritirama -43,65 -10,72 502 BA Brumado -41,67 -14,18 470 BA Amargosa -39,62 -13,01 407 BA Uauá -39,5 -9,83 453 BA Queimadas -39,62 -10,98 315 BA Una -39,09 -15,28 82 BA Marau -38,97 -13,91 10 BA Ibotirama -43,21 -12,19 430 BA Jacobina -40,47 -11,21 453 BA Serrinha -39,02 -11,66 339 BA Euclides da Cunha -39 -10,54 432 BA Delfino -41,21 -10,46 637 BA Ipiau -39,69 -14,17 125 BA Itapetinga -40,23 -15,24 269 BA Belmonte -39,22 -16,09 88 BA Floresta -38,35 -8,36 316 PE Balsas -46,01 -7,27 283 MA Santana -43,37 -2,16 43 MA Preguiças -42,42 -2,35 35 MA Alto Parnaíba -45,55 -9,06 280 MA Imperatriz -47,27 -5,33 95 MA Vitória da Conquista -40,28 -14,53 870 BA Valença -39,07 -13,20 105 BA Calcanhar -35,49 -5,16 17 RN Anexo 2 Coeficientes empíricos dos modelos utilizados Modelo 1 PCD β1 β2 β3 CAROLINA/MA 0.608*** 1.495*** 2.203*** TURIAÇU/MA 0.554*** 3.219*** 3.243*** BACABAL/MA 0.667*** 0.983*** 2.291*** B DA COR/MA 0.577*** 1.647*** 2.709*** COLINAS/MA 0.662*** 0.917*** 2.152*** CAXIAS/MA 0.580*** 1.374*** 2.488*** BURITICUPU/MA 0.827*** 0.725** 1.100*** RECIFE/PE 0.554*** 2.378***3.143*** SOBRAL/CE 0.568*** 1.538*** 2.092*** PETROLINA/PE 0.702*** 1.415*** 2.822*** PARNAÍBA/PI 0.532*** 15.96* -3.65*** ARCO VER/PE 0.597*** 1.841*** 1.977*** AREIA/PB 0.551*** 2.326*** 2.227*** FLORIANO/PI 0.570*** 1.335*** 2.662*** TERESINA/PI 0.619*** 1.311*** 1.393*** CAMP GR/PB 0.587*** 2.329*** 3.024*** GUARAMIRANGA/CE 0.583*** 1.727*** 2.064*** CAICÓ/RN 0.762*** 0.049*** 1.439*** MACAU/RN 0.600*** 0.042*** 2.129*** MOSSORÓ/RN 0.808 0.753 0.260 GARANHUS/PE 0.695*** 1.248*** 1.981*** P DE AÇÚC/AL 0.776*** 0.213*** 0.764*** QUIXERAMOBIM/CE 0.505*** 1.331*** 1.736*** B J DO PIAUI/PI 0.647*** 1.050*** 2.288*** SURUBIM/PE 0.605*** 2.174*** 1.903*** CABROBRO/PE 0.665*** 1.306*** 2.781*** S J DO PIAUI/PI 0.667*** 1.221*** 2.876*** MORADA N/CE 0.496*** 1.239*** 1.424*** MONTEIRO/PB 0.671*** 1.493*** 2.252*** PIRIPIRI/PI 0.644*** 1.585*** 1.898*** CARACOL/PI 0.633*** 1.031*** 2.676*** ESPERANTINA/PI 0.637*** 1.520*** 2.279*** APODI/RN 0.710*** 0.059*** 1.539*** CRATÉUS/CE 0.585*** 1.343*** 2.463*** PICOS/PI 0.675*** 1.169*** 1.535*** URUÇU/PI 0.684*** 0.898*** 2.421*** C SALES/CE 0.635*** 1.340*** 2.592*** IBIMIRIM/PE 0.688*** 1.141*** 2.014*** S TALHADA/PE 0.621*** 1.292*** 2.505*** OEIRAS/PI 0.639*** 1.281*** 1.815*** CORURIPE/AL 1.358 0.205 0.451* S L DO QUITUN/AL 0.627*** 0.345*** 0.644*** PALMARES/PE 0.539*** 1.480*** 2.709*** ITAPIPOCA/CE 0.523*** 36405 -13.402* ACARAU/CE 0.612*** 2.134*** 3.744*** S P DO PIAUI/PI 0.667*** 1.221*** 2.876*** V DO PIAUI/PI 0.599*** 1.363*** 2.672*** GIUBUÉS/PI 0.695*** 1.325*** 1.775*** OURICURI/PE 0.617*** 1.228*** 2.895*** SALVADOR/BA 0.612*** 0.072*** 1.713*** BARREIRA/BA 0.618*** 0.007*** 2.372*** AREMBEPE/BA 0.571*** 297.84 16.54 L E MAGALHAES/BA 0.662*** 0.015*** 1.935*** CARAVELAS/BA 0.637*** 0.067*** 1.644*** C DAS ALMAS/BA 0.645*** 0.059*** 1.467*** MACAJUBA/BA 0.197*** 0.104 1.470* S R DE CASSIA/BA 0.679*** 0.015*** 1.979*** CORRENTINA/BA 0.655*** 0.004*** 2.500*** ITABAIANINHA/SE 0.625*** 1.783*** 2.369*** B J DA LAPA/BA 0.642*** 0.010*** 2.248*** POÇO VERDE/SE 0.600*** 1.376*** 2.064*** CARIRA/SE 0.603*** 1.470*** 2.170*** BREJO GRANDE/SE 0.409*** 3.479*** 4.860*** ABROLHOS/BA 0.578*** 0.906*** 5.337*** REMANSO/BA 0.704*** 0.017* 2.105*** IRECÊ/BA 0.763*** 0.020*** 1.753*** LENÇÓIS/BA 0.640*** 0.026*** 1.760*** GUANAMBI/BA 0.706*** 0.014*** 2.139*** SR DO BONFIM/BA 0.103*** 0.059*** 1.074*** BARRA/BA 0.674*** 0.007*** 2.373*** PIATÃ/BA 0.701*** 0.021*** 1.928*** CONDE/BA 0.670*** 0.113*** 1.388*** BURITIRAMA/BA 0.662*** 0.007*** 2.259*** BRUMADO/BA 1.897 0.061 0.693*** AMARGOSA/BA 0.738*** 0.061*** 1.378*** QUEIMADAS/BA 0.906*** 0.041*** 1.243*** MARAU/BA 0.782*** 0.216*** 0.901*** IBOTIRAMA/BA 0.665*** 0.027*** 1.788*** JACOBINA/BA 0.690*** 0.032*** 1.549*** SERRINHA/BA 0.745*** 0.058*** 1.307*** E DA CUNHA/BA 0.701*** 0.062*** 1.329*** DELFINO/BA 0.683*** 0.016*** 1.841*** IPIAU/BA 0.792*** 0.046*** 1.268*** ITAPETINGA/BA 0.690*** 0.030*** 1.590*** BELMONTE/BA 0.656*** 0.034*** 1.631*** FLORESTA/PE 0.540*** 1.086*** 2.807*** BALSAS/MA 0.652*** 1.126*** 2.489*** ALTO PARNAÍBA/MA 0.566*** 1.295*** 2.961*** VIT DA CONQ/BA 1.035*** 0.059*** 1.174*** VALENÇA/PI 0.599*** 1.363*** 2.672*** CALCANHAR/RN 0.647*** 0.263*** 1.707*** Modelo 2 PCD β2 SÃO LUIZ/MA 1.629*** CAROLINA/MA 0.825*** CHAPADINHA/MA 1.063*** GRAJAÚ/MA 0.853*** TURIAÇU/MA 1.190*** BACABAL/MA 0.788*** B DA COR/MA 0.913*** COLINAS/MA 0.691*** ESTREITO/MA 1.101*** CAXIAS/MA 0.740*** BURITICUPU/MA 0.716*** RECIFE/PE 1.266*** MACEIÓ/AL 0.019*** NATAL/RN 0.012*** FORTALEZA/CE 1.217*** SOBRAL/CE 0.610*** PETROLINA/PE 1.253*** PARNAÍBA/PI 1.128*** ARCO VER/PE 0.897*** AREIA/PB 1.081*** FLORIANO/PI 0.681*** TERESINA/PI 0.714*** CAMP GR/PB 1.125*** GUARAMIRANGA/CE 1.044*** BARBALHA/CE 0.861*** CAICÓ/RN 0.013*** MACAU/RN 0.023*** MOSSORÓ/RN 0.019*** IGUATÚ/CE 0.905*** JOÃO PES/PB 1.704*** PATOS/PB 1.007*** GARANHUS/PE 1.054*** P DE AÇÚC/AL 0.013*** TAUÁ/CE 0.769*** QUIXERAMOBIM/CE 0.521*** B J DO PIAUI/PI 0.711*** P DOS INDIO/AL 0.014*** SURUBIM/PE 1.069*** CABROBRO/PE 1.035*** PAULISTANA/PE 1.321*** S J DO PIAUI/PI 0.966*** MORADA N/CE 0.454*** S GONÇALO/PB 0.676*** MONTEIRO/PB 1.076*** PIRIPIRI/PI 0.939*** A DO GURGUE/PI 1.321*** CARACOL/PI 0.690*** ESPERANTINA/PI 0.886*** JAGUARUANA/CE 1.117*** APODI/RN 0.017*** CARUARU/PE 0.699*** CRATÉUS/CE 0.731*** PICOS/PI 0.774*** S R NONATO/PI 1.322*** URUÇU/PI 0.771*** C SALES/CE 0.868*** CABACEIRAS/PB 0.981*** IBIMIRIM/PE 0.906*** S TALHADA/PE 0.796*** CAMARATUBA/PB 1.167*** ARAPIRACA/AL 0.013*** OEIRAS/PI 0.735*** CORURIPE/AL 0.025*** S L DO QUITUN/AL 0.012*** PALMARES/PE 0.679*** JAGUARIBE/CE 0.665*** ITAPIPOCA/CE 1.215*** ACARAU/CE 1.117*** C DO PIAUI/PI 1.976*** S P DO PIAUI/PI 0.966*** V DO PIAUI/PI 0.735*** GIUBUÉS/PI 1.026*** C BURITI/PI 0.778*** OURICURI/PE 0.812*** SALVADOR/BA 0.026*** BARREIRA/BA 0.009*** AREMBEPE/BA 0.227*** L E MAGALHAES/BA 0.009*** CARAVELAS/BA 0.023*** C DAS ALMAS/BA 0.013*** ITIRUÇU/BA 0.009*** ITABERABA/BA 0.003*** ARACAJÚ/SE 1.650*** ILHÉUS/BA 0.015*** P AFONSO/BA 0.013*** MACAJUBA/BA 0.002*** F DE SANTANA/BA 0.011*** S R DE CASSIA/BA 0.011*** CORRENTINA/BA 0.009*** ITABAIANINHA/SE 1.118*** B J DA LAPA/BA 0.010*** POÇO VERDE/SE 0.779*** CARIRA/SE 0.819*** BREJO GRANDE/SE 0.572*** ABROLHOS/BA 0.522*** REMANSO/BA 0.019*** IRECÊ/BA 0.011*** LENÇÓIS/BA 0.010*** GUANAMBI/BA 0.016*** P SEGURO/BA 0.008*** SR DO BONFIM/BA 0.0005*** BARRA/BA 0.012*** PIATÃ/BA 0.016*** CONDE/BA 0.026*** BURITIRAMA/BA 0.010*** BRUMADO/BA 0.010*** AMARGOSA/BA 0.015*** UAUA/BA 0.011*** QUEIMADAS/BA 0.009*** UNA/BA 0.017*** MARAU/BA 0.031*** IBOTIRAMA/BA 0.011*** JACOBINA/BA 0.009*** SERRINHA/BA 0.011*** E DA CUNHA/BA 0.011*** DELFINO/BA 0.009*** IPIAU/BA 0.008*** ITAPETINGA/BA 0.009*** BELMONTE/BA 0.011*** FLORESTA/PE 0.592*** BALSAS/MA 0.814*** SANTANA/MA 3.554*** PREGUIÇAS/MA 3.207*** ALTO PARNAÍBA/MA 0.629*** IMPERATRIZ/MA 0.648*** VIT DA CONQ/BA 0.018*** VALENÇA/PI 0.735*** CALCANHAR/RN 0.093*** Modelo 6 PCD β1 SÃO LUIZ/MA 0.518*** CAROLINA/MA 0.468*** CHAPADINHA/MA 0.519*** GRAJAÚ/MA 0.477*** TURIAÇU/MA 0.510*** BACABAL/MA 0.470*** B DA COR/MA 0.494*** COLINAS/MA 0.459*** ESTREITO/MA 0.464*** CAXIAS/MA 0.468*** BURITICUPU/MA 0.446*** RECIFE/PE 0.525*** MACEIÓ/AL 0.180*** NATAL/RN 7.937*** FORTALEZA/CE 0.489*** SOBRAL/CE 0.427*** PETROLINA/PE 0.561*** PARNAÍBA/PI 0.501*** ARCO VER/PE 0.485*** AREIA/PB 0.479*** FLORIANO/PI 0.439*** TERESINA/PI 0.447*** CAMP GR/PB 0.508*** GUARAMIRANGA/CE 0.456*** BARBALHA/CE 0.495*** CAICÓ/RN 0.180*** MACAU/RN 0.188*** MOSSORÓ/RN 0.189*** IGUATÚ/CE 0.482*** JOÃO PES/PB 0.557*** PATOS/PB 0.523*** GARANHUS/PE 0.505*** P DE AÇÚC/AL 0.169*** TAUÁ/CE 0.474*** QUIXERAMOBIM/CE 0.382*** B J DO PIAUI/PI 0.461*** P DOS INDIO/AL 0.170*** SURUBIM/PE 0.510*** CABROBRO/PE 0.526*** PAULISTANA/PE 0.562*** S J DO PIAUI/PI 0.516*** MORADA N/CE 0.357*** S GONÇALO/PB 0.471*** MONTEIRO/PB 0.533*** PIRIPIRI/PI 0.502*** A DO GURGUE/PI 0.516*** CARACOL/PI 0.460*** ESPERANTINA/PI 0.495*** JAGUARUANA/CE 0.522*** APODI/RN 0.189*** CARUARU/PE 0.438*** CRATÉUS/CE 0.460*** PICOS/PI 0.477*** S R NONATO/PI 0.506*** URUÇU/PI 0.477*** C SALES/CE 0.496*** CABACEIRAS/PB 0.503*** IBIMIRIM/PE 0.507*** S TALHADA/PE 0.476*** CAMARATUBA/PB 0.499*** ARAPIRACA/AL 0.169*** OEIRAS/PI 0.461*** CORURIPE/AL 0.198*** S L DO QUITUN/AL 0.157*** PALMARES/PE 0.434*** JAGUARIBE/CE 0.455*** ITAPIPOCA/CE 0.524*** ACARAU/CE 0.533*** C DO PIAUI/PI 0.513*** S P DOPIAUI/PI 0.516*** V DO PIAUI/PI 0.467*** GIUBUÉS/PI 0.511*** C BURITI/PI 0.477*** OURICURI/PE 0.481*** SALVADOR/BA 0.195*** BARREIRA/BA 0.152*** AREMBEPE/BA 0.257*** L E MAGALHAES/BA 0.156*** CARAVELAS/BA 0.188*** C DAS ALMAS/BA 0.163*** ITIRUÇU/BA 0.142*** ITABERABA/BA 0.076*** ARACAJÚ/SE 0.540*** ILHÉUS/BA 0.160*** P AFONSO/BA 0.172*** MACAJUBA/BA 0.056*** F DE SANTANA/BA 0.160*** S R DE CASSIA/BA 0.164*** CORRENTINA/BA 0.156*** ITABAIANINHA/SE 0.517*** B J DA LAPA/BA 0.165*** POÇO VERDE/SE 0.462*** CARIRA/SE 0.472*** BREJO GRANDE/SE 0.368*** ABROLHOS/BA 0.304*** REMANSO/BA 0.192*** IRECÊ/BA 0.172*** LENÇÓIS/BA 0.153*** GUANAMBI/BA 0.188*** P SEGURO/BA 0.126*** SR DO BONFIM/BA 0.016*** BARRA/BA 0.173*** PIATÃ/BA 0.177*** CONDE/BA 0.201*** BURITIRAMA/BA 0.162*** BRUMADO/BA 0.159*** AMARGOSA/BA 0.173*** UAUA/BA 0.170*** QUEIMADAS/BA 0.152*** UNA/BA 0.174*** MARAU/BA 0.210*** IBOTIRAMA/BA 0.164*** JACOBINA/BA 0.149*** SERRINHA/BA 0.162*** E DA CUNHA/BA 0.160*** DELFINO/BA 0.153*** IPIAU/BA 0.147*** ITAPETINGA/BA 0.152*** BELMONTE/BA 0.155*** FLORESTA/PE 0.409*** BALSAS/MA 0.470*** SANTANA/MA 0.660*** PREGUIÇAS/MA 0.646*** ALTO PARNAÍBA/MA 0.428*** IMPERATRIZ/MA 0.427*** VIT DA CONQ/BA 0.192*** VALENÇA/PI 0.467*** CALCANHAR/RN 0.257*** Modelo 7 PCD β1 SÃO LUIZ/MA 0.518*** CAROLINA/MA 0.466*** CHAPADINHA/MA 0.518*** GRAJAÚ/MA 0.474*** TURIAÇU/MA 0.509*** BACABAL/MA 0.470*** B DA COR/MA 0.492*** COLINAS/MA 0.457*** ESTREITO/MA 0.462*** CAXIAS/MA 0.467*** BURITICUPU/MA 0.444*** RECIFE/PE 0.525*** MACEIÓ/AL 0.180*** NATAL/RN 7.926*** FORTALEZA/CE 0.488*** SOBRAL/CE 0.427*** PETROLINA/PE 0.556*** PARNAÍBA/PI 0.500*** ARCO VER/PE 0.476*** AREIA/PB 0.471*** FLORIANO/PI 0.438*** TERESINA/PI 0.446*** CAMP GR/PB 0.501*** GUARAMIRANGA/CE 0.456*** BARBALHA/CE 0.490*** CAICÓ/RN 0.180*** MACAU/RN 0.188*** MOSSORÓ/RN 0.189*** IGUATÚ/CE 0.479*** JOÃO PES/PB 0.557*** PATOS/PB 0.520*** GARANHUS/PE 0.494*** P DE AÇÚC/AL 0.169*** TAUÁ/CE 0.469*** QUIXERAMOBIM/CE 0.381*** B J DO PIAUI/PI 0.458*** P DOS INDIO/AL 0.169*** SURUBIM/PE 0.504*** CABROBRO/PE 0.522*** PAULISTANA/PE 0.556*** S J DO PIAUI/PI 0.512*** MORADA N/CE 0.356*** S GONÇALO/PB 0.468*** MONTEIRO/PB 0.525*** PIRIPIRI/PI 0.500*** A DO GURGUE/PI 0.512*** CARACOL/PI 0.459*** ESPERANTINA/PI 0.494*** JAGUARUANA/CE 0.522*** APODI/RN 0.189*** CARUARU/PE 0.432*** CRATÉUS/CE 0.457*** PICOS/PI 0.474*** S R NONATO/PI 0.501*** URUÇU/PI 0.472*** C SALES/CE 0.489*** CABACEIRAS/PB 0.497*** IBIMIRIM/PE 0.501*** S TALHADA/PE 0.470*** CAMARATUBA/PB 0.497*** ARAPIRACA/AL 0.168*** OEIRAS/PI 0.459*** CORURIPE/AL 0.197*** S L DO QUITUN/AL 0.157*** PALMARES/PE 0.431*** JAGUARIBE/CE 0.453*** ITAPIPOCA/CE 0.522*** ACARAU/CE 0.532*** C DO PIAUI/PI 0.509*** S P DO PIAUI/PI 0.512*** V DO PIAUI/PI 0.463*** GIUBUÉS/PI 0.506*** C BURITI/PI 0.473*** OURICURI/PE 0.475*** SALVADOR/BA 0.195*** BARREIRA/BA 0.150*** AREMBEPE/BA 0.257*** L E MAGALHAES/BA 0.153*** CARAVELAS/BA 0.188*** C DAS ALMAS/BA 0.162*** ITIRUÇU/BA 0.139*** ITABERABA/BA 0.076*** ARACAJÚ/SE 0.540*** ILHÉUS/BA 0.160*** P AFONSO/BA 0.171*** MACAJUBA/BA 0.055*** F DE SANTANA/BA 0.159*** S R DE CASSIA/BA 0.162*** CORRENTINA/BA 0.153*** ITABAIANINHA/SE 0.514*** B J DA LAPA/BA 0.163*** POÇO VERDE/SE 0.458*** CARIRA/SE 0.468*** BREJO GRANDE/SE 0.368*** ABROLHOS/BA 0.303*** REMANSO/BA 0.190*** IRECÊ/BA 0.168*** LENÇÓIS/BA 0.151*** GUANAMBI/BA 0.183*** P SEGURO/BA 0.125*** SR DO BONFIM/BA 0.016*** BARRA/BA 0.171*** PIATÃ/BA 0.171*** CONDE/BA 0.201*** BURITIRAMA/BA 0.160*** BRUMADO/BA 0.157*** AMARGOSA/BA 0.171*** UAUA/BA 0.168*** QUEIMADAS/BA 0.150*** UNA/BA 0.174*** MARAU/BA 0.210*** IBOTIRAMA/BA 0.162*** JACOBINA/BA 0.148*** SERRINHA/BA 0.161*** E DA CUNHA/BA 0.159*** DELFINO/BA 0.150*** IPIAU/BA 0.147*** ITAPETINGA/BA 0.150*** BELMONTE/BA 0.155*** FLORESTA/PE 0.406*** BALSAS/MA 0.466*** SANTANA/MA 0.655*** PREGUIÇAS/MA 0.645*** ALTO PARNAÍBA/MA 0.424*** IMPERATRIZ/MA 0.423*** VIT DA CONQ/BA 0.188*** VALENÇA/PI 0.466*** CALCANHAR/RN 0.257*** Modelo 8 PCD β1 β2 SÃO LUIZ/MA 0.292*** 0.203*** CAROLINA/MA 0.570*** -0.11*** CHAPADINHA/MA 0.226*** 0.324*** GRAJAÚ/MA 0.656*** -0.20*** TURIAÇU/MA 0.673*** -0.16*** BACABAL/MA 0.686*** -0.24*** B DA COR/MA 0.694*** -0.22*** COLINAS/MA 0.677*** -0.26*** ESTREITO/MA 0.379*** 0.098*** CAXIAS/MA 0.498*** -0.036 BURITICUPU/MA 0.596*** -0.17*** RECIFE/PE 0.309*** 0.224*** MACEIÓ/AL 0.188*** -0.021 NATAL/RN 6.373*** 1.441* FORTALEZA/CE 0.401*** 0.086*** SOBRAL/CE 0.381*** 0.058*** PETROLINA/PE 0.933*** -0.40*** PARNAÍBA/PI 0.106*** 0.417*** ARCO VER/PE 0.421*** 0.072** AREIA/PB 0.730*** -0.24*** FLORIANO/PI 0.562*** -0.14*** TERESINA/PI 0.426*** 0.024 CAMP GR/PB 0.500*** 0.008 GUARAMIRANGA/CE 0.650*** -0.18*** BARBALHA/CE 0.477*** 0.021 CAICÓ/RN 0.217*** -0.12*** MACAU/RN 0.173*** 0.043*** MOSSORÓ/RN 0.099*** 0.285*** IGUATÚ/CE 0.439*** 0.049*** JOÃO PES/PB 0.051 0.496*** PATOS/PB 0.385*** 0.162*** GARANHUS/PE 0.889*** -0.40*** P DE AÇÚC/AL 0.157*** 0.042*** TAUÁ/CE 0.424*** 0.059** QUIXERAMOBIM/CE 0.381*** 0.0005 B J DO PIAUI/PI 0.533*** -0.09*** P DOS INDIO/AL 0.158*** 0.040** SURUBIM/PE 0.437*** 0.079*** CABROBRO/PE 0.789*** -0.29*** PAULISTANA/PE 0.516*** 0.050 S J DO PIAUI/PI 0.648*** -0.15*** MORADA N/CE 0.364*** -0.008 S GONÇALO/PB 0.419*** 0.068** MONTEIRO/PB 0.572*** -0.044 . PIRIPIRI/PI 0.399*** 0.122*** A DO GURGUE/PI 0.396*** 0.140*** CARACOL/PI 0.486*** -0.033 ESPERANTINA/PI 0.403*** 0.111*** JAGUARUANA/CE 0.505*** 0.018* APODI/RN 0.183*** 0.021 CARUARU/PE 0.429*** 0.009 CRATÉUS/CE 0.573*** -0.13*** PICOS/PI 0.515*** -0.045* S R NONATO/PI 0.368*** 0.163*** URUÇU/PI 0.719*** -0.29*** C SALES/CE 0.512*** -0.018 CABACEIRAS/PB 0.388*** 0.129*** IBIMIRIM/PE 0.679*** 0.198*** S TALHADA/PE 0.482*** -0.007 CAMARATUBA/PB 0.539*** -0.040 ARAPIRACA/AL 0.129*** 0.127*** OEIRAS/PI 0.429*** 0.039* CORURIPE/AL 0.139*** 0.158*** S L DO QUITUN/AL 0.111*** 0.137*** PALMARES/PE 0.628*** -0.21*** JAGUARIBE/CE 0.368*** 0.107*** ITAPIPOCA/CE 0.481*** 0.045*** ACARAU/CE 0.719*** -0.20*** C DO PIAUI/PI 0.199*** 0.366*** S P DO PIAUI/PI 0.648*** -0.15*** V DO PIAUI/PI 0.486*** -0.022 GIUBUÉS/PI 0.542*** -0.036* C BURITI/PI 0.512*** -0.042 . OURICURI/PE 0.506*** -0.029 SALVADOR/BA 0.227*** -0.08*** BARREIRA/BA 0.155*** -0.011 AREMBEPE/BA 0.114*** 0.316*** L E MAGALHAES/BA 0.167*** -0.03*** CARAVELAS/BA 0.216*** -0.07*** C DAS ALMAS/BA 0.222*** -0.17*** ITIRUÇU/BA 0.160*** -0.05*** ITABERABA/BA 0.092*** -0.049* ARACAJÚ/SE 0.391*** 0.143*** ILHÉUS/BA 0.163*** -0.009* P AFONSO/BA 0.180*** -0.026** MACAJUBA/BA 0.054*** 0.006 F DE SANTANA/BA 0.185*** -0.08*** S R DE CASSIA/BA 0.171*** -0.025* CORRENTINA/BA 0.156*** -0.002 ITABAIANINHA/SE 0.602*** -0.08*** B J DA LAPA/BA 0.172*** -0.022* POÇO VERDE/SE 0.510*** -1.92*** CARIRA/SE 0.526*** -2.23*** BREJO GRANDE/SE 0.392*** -0.909 ABROLHOS/BA 0.289*** 0.977*** REMANSO/BA 0.264*** -7.83*** IRECÊ/BA 0.238*** -8.36*** LENÇÓIS/BA 0.173*** -2.32*** GUANAMBI/BA 0.214*** -3.05*** P SEGURO/BA 0.199*** -7.92*** SR DO BONFIM/BA 0.019*** -0.28*** BARRA/BA 0.208*** -4.51*** PIATÃ/BA 0.249*** -7.99*** CONDE/BA 0.227*** -2.60*** BURITIRAMA/BA 0.172*** -1.22*** BRUMADO/BA 0.219*** -7.36*** AMARGOSA/BA 0.225*** -5.51*** UAUA/BA 0.223*** -6.45*** QUEIMADAS/BA 0.190*** -4.57*** UNA/BA 0.248***-7.43*** MARAU/BA 0.229*** -1.80*** IBOTIRAMA/BA 0.182*** -2.38*** JACOBINA/BA 0.213*** -7.59*** SERRINHA/BA 0.212*** -5.81*** E DA CUNHA/BA 0.183*** -2.64*** DELFINO/BA 0.225*** -9.01*** IPIAU/BA 0.205*** -6.99*** ITAPETINGA/BA 0.181*** -3.45*** BELMONTE/BA 0.217*** -7.11*** FLORESTA/PE 0.600*** -7.79*** BALSAS/MA 0.482*** -0.546 SANTANA/MA -0.32*** 30.98*** PREGUIÇAS/MA -0.25*** 28.75*** ALTO PARNAÍBA/MA 0.426*** 0.081 IMPERATRIZ/MA 0.377*** 2.055*** VIT DA CONQ/BA 0.256*** -7.50*** VALENÇA/PI 0.379*** 3.769*** CALCANHAR/RN 0.209*** 4.206*** Modelo 9 PCD β1 β2 SÃO LUIZ/MA 0.308*** 6.779*** CAROLINA/MA 0.203*** 10.65*** CHAPADINHA/MA 0.216*** 11.88*** GRAJAÚ/MA 0.273*** 7.966*** TURIAÇU/MA 0.380*** 4.487*** BACABAL/MA 0.418*** 2.065* B DA COR/MA 0.244*** 9.704*** COLINAS/MA 0.272*** 7.798*** ESTREITO/MA 0.232*** 9.098*** CAXIAS/MA 0.280*** 8.132*** BURITICUPU/MA 0.193*** 10.04*** RECIFE/PE 0.421*** 3.769*** MACEIÓ/AL 0.229*** -4.872*** NATAL/RN 7.571*** 12.007 FORTALEZA/CE 0.409*** 2.815*** SOBRAL/CE 0.365*** 2.805*** PETROLINA/PE 0.787*** -8.85*** PARNAÍBA/PI 0.148*** 13.262*** ARCO VER/PE 0.457*** 1.147 . AREIA/PB 0.612*** -4.74*** FLORIANO/PI 0.481*** -1.732** TERESINA/PI 0.347*** 4.198*** CAMP GR/PB 0.537*** -1.085 GUARAMIRANGA/CE 0.550*** -3.24*** BARBALHA/CE 0.445*** 2.184*** CAICÓ/RN 0.186*** -0.711 MACAU/RN 0.180*** 0.853* MOSSORÓ/RN 0.119*** 7.916*** IGUATÚ/CE 0.439*** 1.779*** JOÃO PES/PB 0.453*** 3.687** PATOS/PB 0.521*** 0.111 GARANHUS/PE 0.710*** -7.73*** P DE AÇÚC/AL 0.159*** 1.296*** TAUÁ/CE 0.403*** 3.024*** QUIXERAMOBIM/CE 0.394*** -0.510 B J DO PIAUI/PI 0.482*** -0.938 P DOS INDIO/AL 0.162*** 0.995** SURUBIM/PE 0.458*** 2.054*** CABROBRO/PE 0.744*** -8.71*** PAULISTANA/PE 0.414*** 5.877*** S J DO PIAUI/PI 0.521*** -0.227 MORADA N/CE 0.331*** 1.064 S GONÇALO/PB 0.465*** 0.262 MONTEIRO/PB 0.646*** -4.65*** PIRIPIRI/PI 0.342*** 6.792*** A DO GURGUE/PI 0.347*** 7.051*** CARACOL/PI 0.428*** 1.441 . ESPERANTINA/PI 0.360*** 5.837*** JAGUARUANA/CE 0.498*** 0.991*** APODI/RN 0.159*** 3.744*** CARUARU/PE 0.414*** 0.972 . CRATÉUS/CE 0.470*** -0.409 PICOS/PI 0.492*** -0.660 S R NONATO/PI 0.380*** 5.362*** URUÇU/PI 0.609*** -5.70*** C SALES/CE 0.491*** 0.208 CABACEIRAS/PB 0.462*** 1.659** IBIMIRIM/PE 0.646*** -5.76*** S TALHADA/PE 0.469*** 0.316 CAMARATUBA/PB 0.570*** -2.57*** ARAPIRACA/AL 0.156*** 1.538** OEIRAS/PI 0.369*** 4.166*** CORURIPE/AL 0.193*** 0.462 S L DO QUITUN/AL 0.130*** 2.894*** PALMARES/PE 0.589*** -6.25*** JAGUARIBE/CE 0.423*** 1.453** ITAPIPOCA/CE 0.438*** 3.213*** ACARAU/CE 0.406*** 4.929*** C DO PIAUI/PI 0.197*** 13.100*** S P DO PIAUI/PI 0.521*** -0.227 V DO PIAUI/PI 0.379*** 3.769*** GIUBUÉS/PI 0.554*** -1.819** C BURITI/PI 0.435*** 1.833* OURICURI/PE 0.554*** -3.071** SALVADOR/BA 0.223*** -2.58*** BARREIRA/BA 0.166*** -1.81*** AREMBEPE/BA 0.143*** 9.087*** L E MAGALHAES/BA 0.168*** -1.57*** CARAVELAS/BA 0.236*** -4.53*** C DAS ALMAS/BA 0.202*** -4.19*** ITIRUÇU/BA 0.162*** -2.259*** ITABERABA/BA 0.089*** -1.462* ARACAJÚ/SE 0.456*** 2.902*** ILHÉUS/BA 0.166*** -0.568*** P AFONSO/BA 0.181*** -1.044** MACAJUBA/BA 0.054*** 0.246 F DE SANTANA/BA 0.184*** -2.917*** S R DE CASSIA/BA 0.176*** -1.628*** CORRENTINA/BA 0.158*** -0.342* ITABAIANINHA/SE 0.631*** -4.254*** B J DA LAPA/BA 0.186*** -2.585*** POÇO VERDE/SE 0.502*** -0.04*** CARIRA/SE 0.514*** -0.04*** BREJO GRANDE/SE 0.354*** 0.015 ABROLHOS/BA 0.283*** 0.038*** REMANSO/BA 0.275*** -0.25*** IRECÊ/BA 0.250*** -0.27*** LENÇÓIS/BA 0.170*** -0.05*** GUANAMBI/BA 0.210*** -0.07*** P SEGURO/BA 0.192*** -0.19*** SR DO BONFIM/BA 0.019*** -0.009*** BARRA/BA 0.181*** -0.027* PIATÃ/BA 0.270*** -0.287*** CONDE/BA 0.205*** -0.011 BURITIRAMA/BA 0.172*** -0.036*** BRUMADO/BA 0.185*** -0.089*** AMARGOSA/BA 0.249*** -0.224*** UAUA/BA 0.273*** -0.348*** QUEIMADAS/BA 0.190*** -0.129*** UNA/BA 0.231*** -0.160*** MARAU/BA 0.210*** -0.00005 IBOTIRAMA/BA 0.168*** -0.013 JACOBINA/BA 0.216*** -0.220*** SERRINHA/BA 0.224*** -0.201*** E DA CUNHA/BA 0.195*** -0.112*** DELFINO/BA 0.219*** -0.232*** IPIAU/BA 0.208*** -0.203*** ITAPETINGA/BA 0.174*** -0.072*** BELMONTE/BA 0.206*** -0.161*** FLORESTA/PE 0.673*** -0.300*** BALSAS/MA 0.563*** -0.114*** SANTANA/MA -0.60*** 1.114*** PREGUIÇAS/MA -0.45*** 0.978*** ALTO PARNAÍBA/MA 0.472*** -0.053** IMPERATRIZ/MA 0.470*** -0.050** VIT DA CONQ/BA 0.272*** -0.261*** VALENÇA/PI 0.486*** -0.022 CALCANHAR/RN 0.150*** 0.262*** *** nível de significância de 0,1%; ** nível de significância de 1%; * nível de significância de 5% e . nível de significância de 10%. Anexo 3 (Programa computacional desenvolvido na Linguagem R) ###################################################################### ##### # # # On modeling global solar irradiation using air temperature # # for Alagoas State, Northeastern Brazil # # Dos Santos et al. (2014) - UFAL # # DOI: 10.1016/j.energy.2014.04.116 # ###################################################################### ##### ##ENCONTRAR OS COEFICIENTES PARA CALIBRAR## #--------- LENDO OS DADOS ----------# rm(list=ls(all=TRUE)) dados <- read.table("fortaleza_ce.txt",head=T,dec=",") dados=na.omit(dados) View(dados) head(dados,5) altitude = 41 #Aqui você deve inserir a altitude da estação (m) names(dados) dados2 <- cbind(dados,resposta = dados$Hg/dados$Ho) head(dados2,5) par(mfrow=c(1,1)) #------- MODELO 1 ---------# func1 = nls(dados2$resposta~a*(1-exp(-b*(dados2$delta.t)^c)),data = dados2, start = list(a=0.75, b=0.2, c=2))##Com base na Literatura (SANTOS et al., 2014)## summary(func1) coef(func1) coef(summary(func1)) plot(dados2$delta.t,dados2$resposta,main="Modelo 1",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho") curve(coef(func1)[1]*(1-exp(-coef(func1)[2]*(x)^coef(func1)[3])), col = "red", add = TRUE,lwd=3) #lines(dados2$delta.t, predict(func1), col = 2) ##install.packages("easynls") ##library(easynls) ##time=c(2,6,9,24,48,72,96) ##deg=c(20,33,46,55,66,72,76) ##data5=data.frame(time,deg) ##plot(dados2$delta.t,dados2$resposta) ##data5<-dados2[,c(4,3)] ##x e y??## ##nlsfit(data5, model=6)##Possível para os dados trabalhados?## ##nlsplot(data5, model=6,xlab="?T (ºC)",ylab="Hg/Ho (MJ/m²)") ### R^2 a_1 <- sum(residuals(func1)^2) b_1 <- sum((dados2$resposta - mean(dados2$resposta))^2) R_1 = 1 - (a_1/b_1) legend("topright",paste ("R²", sep = " = ", round(R_1,2)), box.col=F,cex=1.3) dados8 <- cbind(dados2,est1 = (0.554*(1-exp(- 2.378*(dados2$delta.t)^3.143)))*dados2$Ho) attach(dados8) names(dados8) library(hydroGOF) mae(est1,Hg) #mbe(vaz_sim,vaz_obs) rmse(est1,Hg) #mape(vaz_sim,vaz_obs) mse(est1,Hg) cor(est1,Hg) cor.test(est1,Hg) #------- MODELO 2 ---------# func2 = nls(dados2$resposta~0.75*(1-exp(-b*(dados2$delta.t)^2)),data = dados2, start = list(b=0.1)) summary(func2) coef(func2) coef(summary(func2)) ##nlsfit(func2) ##func2 ##dados2 plot(dados2$delta.t,dados2$resposta,main="Modelo 2",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho (MJ/m²)") curve(0.75*(1-exp(-coef(func2)[1]*(x)^2)), col = "red", add = TRUE,lwd=3) #lines(dados2$delta.t, predict(func2), col = "blue") ###R^2 a_2 <- sum(residuals(func2)^2) b_2 <- sum((dados2$resposta - mean(dados2$resposta))^2) R_2 = 1 - (a_2/b_2) legend("topright",paste ("R²", sep = " = ", round(R_2,2)), box.col=F,cex=1.3) ##ERROS e r## ##install.packages("hydroGOF") require(hydroGOF) library(hydroGOF) dados3 <- cbind(dados2,est = (0.75*(1-exp(-0.093*(dados2$delta.t)^2)))*dados2$Ho) attach(dados3) names(dados3) mae(est,Hg) #mbe(vaz_sim,vaz_obs) rmse(est,Hg) #mape(vaz_sim,vaz_obs) mse(est,Hg) cor(est,Hg) cor.test(est,Hg) #------- MODELO 6 ---------# func6 = nls(dados2$resposta~a*(dados2$delta.t)^(1/2),data = dados2, start = list(a=0.5)) summary(func6) coef(func6) coef(summary(func6)) plot(dados2$delta.t,dados2$resposta,main="Modelo 6",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho") curve(coef(func6)[1]*(x)^(1/2), col = "red", add = TRUE,lwd=3) #lines(dados2$delta.t, predict(func6), col = "blue") ### R^2 a_6 <- sum(residuals(func6)^2) b_6 <- sum((dados2$resposta - mean(dados2$resposta))^2) R_6 = 1 - (a_6/b_6) legend("topright",paste ("R²", sep = " = ", round(R_6,2)), box.col=F,cex=1.3) dados4 <- cbind(dados2,est6 = (0.257*(dados2$delta.t)^(1/2))*dados2$Ho) attach(dados4) names(dados4) mae(est6,Hg) #mbe(vaz_sim,vaz_obs) rmse(est6,Hg) #mape(vaz_sim,vaz_obs) mse(est6,Hg) cor(est6,Hg) cor.test(est6,Hg) #------- MODELO 7 ---------# func7 = nls(dados2$resposta~a*(1+2.7*(10^(- 5))*altitude)*(dados2$delta.t)^(1/2),data = dados2, start = list(a=0.5)) summary(func7) coef(func7) coef(summary(func7)) plot(dados2$delta.t,dados2$resposta,main="Modelo 7",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho") curve(coef(func7)[1]*(1+2.7*(10^(-5))*altitude)*(x)^(1/2), col = "red", add = TRUE,lwd=3) #lines(dados2$delta.t, predict(func6), col = "blue") ### R^2 a_7 <- sum(residuals(func7)^2) b_7 <- sum((dados2$resposta - mean(dados2$resposta))^2) R_7 = 1 - (a_7/b_7) legend("topleft",paste ("R²", sep = " = ", round(R_7,2)), box.col=F,cex=1.3) dados5 <- cbind(dados2,est7 = (0.257*(1+2.7*(10^(- 5))*altitude)*(dados2$delta.t)^(1/2))*dados2$Ho) attach(dados5) names(dados5) mae(est7,Hg) #mbe(vaz_sim,vaz_obs) rmse(est7,Hg) #mape(vaz_sim,vaz_obs) mse(est7,Hg) cor(est7,Hg) cor.test(est7,Hg) #------- MODELO 8 ---------# func8 = nls(dados2$resposta~a*(dados2$delta.t)^(1/2)+b,data = dados2, start = list(a=0.5,b=0.2)) summary(func8) coef(func8) coef(summary(func8)) plot(dados2$delta.t,dados2$resposta,main="Modelo 8",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho") curve(coef(func8)[1]*(x)^(1/2)+coef(func8)[2], col = "red", add = TRUE,lwd=3) #lines(dados2$delta.t, predict(func8), col = "blue") ### R^2 a_8 <- sum(residuals(func8)^2) b_8 <- sum((dados2$resposta - mean(dados2$resposta))^2) R_8 = 1 - (a_8/b_8) legend("topleft",paste ("R²", sep = " = ", round(R_8,2)), box.col=F,cex=1.3) dados6 <- cbind(dados2,est8 = (0.150*((dados2$delta.t)^(1/2))+0.262)*dados2$Ho) attach(dados6) names(dados6) mae(est8,Hg) #mbe(vaz_sim,vaz_obs) rmse(est8,Hg) #mape(vaz_sim,vaz_obs) mse(est8,Hg) cor(est8,Hg) cor.test(est8,Hg) #------- MODELO 9 ---------# func9 = nls(dados2$resposta~a*(dados2$delta.t)^(1/2)+b/dados2$Ho,data = dados2, start = list(a=0.5,b=0.2)) summary(func9) coef(func9) coef(summary(func9)) plot(dados2$delta.t,dados2$resposta,main="Modelo 9",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho") #curve(coef(func9)[1]*(x)^(1/2)+coef(func9)[2]/dados2$Ho, col = "red", add = TRUE,lwd=3) #lines(dados2$delta.t, predict(func9), col = "blue") ##plot(dados2$delta.t,dados2$resposta) ##abline(lm(dados2$resposta~dados2$delta.t),col="blue") ##summary(lm(dados2$resposta~dados2$delta.t)) ##func10 = nls(dados2$resposta~a*(dados2$delta.t)+b,data = dados2, start = list(a=0.5,b=0.2)) ##summary(func10) ##coef(func9) ##coef(summary(func9)) ### R^2 a_9 <- sum(residuals(func9)^2) b_9 <- sum((dados2$resposta - mean(dados2$resposta))^2) R_9 = 1 - (a_9/b_9) ##residuals(func9)^2 ##a_9 ##b_9 legend("topleft",paste ("R²", sep = " = ", round(R_9,2)), box.col=F,cex=1.3) dados7 <- cbind(dados2,est9 = (0.209*((dados2$delta.t)^(1/2))+(4.206/dados2$Ho))*dados2$Ho) attach(dados7) names(dados7) mae(est9,Hg) #mbe(vaz_sim,vaz_obs) rmse(est9,Hg) #mape(vaz_sim,vaz_obs) mse(est9,Hg) cor(est9,Hg) cor.test(est9,Hg) #---------- Todos os Gráficos -----------# par(mfrow=c(2,3)) plot(dados2$delta.t,dados2$resposta,main="Modelo 1",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho (MJ/m²)") curve(coef(func1)[1]*(1-exp(-coef(func1)[2]*(x)^coef(func1)[3])), col = "red", add = TRUE,lwd=3) legend("bottomright",paste ("R²", sep = " = ", round(R_1,2)), box.col=F,cex=1.3) plot(dados2$delta.t,dados2$resposta,main="Modelo 2",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho (MJ/m²)") curve(0.75*(1-exp(-coef(func2)[1]*(x)^2)), col = "red", add = TRUE,lwd=3) legend("bottomright",paste ("R²", sep = " = ", round(R_2,2)), box.col=F,cex=1.3) plot(dados2$delta.t,dados2$resposta,main="Modelo 6",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho (MJ/m²)") curve(coef(func6)[1]*(x)^(1/2), col = "red", add = TRUE,lwd=3) legend("bottomright",paste ("R²", sep = " = ", round(R_6,2)), box.col=F,cex=1.3) plot(dados2$delta.t,dados2$resposta,main="Modelo 7",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho (MJ/m²)") curve(coef(func7)[1]*(1+2.7*(10^(-5))*altitude)*(x)^(1/2), col = "red", add = TRUE,lwd=3) legend("bottomright",paste ("R²", sep = " = ", round(R_7,2)), box.col=F,cex=1.3) plot(dados2$delta.t,dados2$resposta,main="Modelo 8",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho (MJ/m²)") curve(coef(func8)[1]*(x)^(1/2)+coef(func8)[2], col = "red", add = TRUE,lwd=3) legend("bottomright",paste ("R²", sep = " = ", round(R_8,2)), box.col=F,cex=1.3) plot(dados2$delta.t,dados2$resposta,main="Modelo 9",xlab="Amplitude Térmica (ºC)",ylab="Hg/Ho (MJ/m²)") legend("bottomright",paste ("R²", sep = " = ", round(R_9,2)), box.col=F,cex=1.3) rmse.t<-read.table("rmse.txt",header=T,dec=",") cor.t<-read.table("r_correl.txt",header=T,dec=",") mse.t<-read.table("mse.txt",header=T,dec=",") mae.t<-read.table("mae.txt",header=T,dec=",") m1.t<-read.table("est_m1.txt",header=T,dec=",") View(m1.t) est_m1 sun1<-rasterFromXYZ(rmse.t) sun2<-rasterFromXYZ(cor.t) sun3<-rasterFromXYZ(mse.t) sun4<-rasterFromXYZ(mae.t) sun5<-rasterFromXYZ(m1.t) plot(sun1) summary(sun1) library(maptools) neb.shape <- readShapePoly("nordeste.shp") plot(neb.shape) names(rmse.t) rmse.t$rmse_m2 bra <- getData("GADM", country = "BRA", level = 1) plot(bra) b1<-bubble(sun1, "rmse_m2",main="(a)",sp.layout=neb.shape ,col = c(4),scales = list(draw = T),ylab="Latitude", xlab="Longitude",maxsize =1.3, key.entries = seq(0,10,by=2)) b2<-bubble(sun1, "rmse_m6",main="(b)",sp.layout=neb.shape ,col = c(4),scales = list(draw = T),ylab="Latitude", xlab="Longitude",maxsize =1.3, key.entries = seq(0,10,by=2)) b3<-bubble(sun1, "rmse_m7",main="(c)",sp.layout=neb.shape ,col = c(4),scales = list(draw = T),ylab="Latitude", xlab="Longitude",maxsize =1.3, key.entries = seq(0,10,by=2)) b4<-bubble(sun1, "rmse_m8",main="(d)",sp.layout=neb.shape ,col = c(4),scales = list(draw = T),ylab="Latitude", xlab="Longitude",maxsize =1.3, key.entries = seq(0,10,by=2)) b5<-bubble(sun1, "rmse_m9",main="(f)",sp.layout=neb.shape ,col = c(4),scales = list(draw = T),ylab="Latitude", xlab="Longitude",maxsize =1.3, key.entries = seq(0,10,by=2)) ?rm library(maps) ?classIntervals library(raster) library(classInt) e<-drawExtent() plot(bra,xlim=c(-40.00957,-33.49164),ylim=c(-19.13506,0.2836193)) plotvar <- rmse.t$rmse_m2 nclr <- 8 plotclr <- brewer.pal(nclr,"BuPu") #plotclr <- plotclr[nclr:1] # reorder colors if appropriate max.symbol.size=4
Compartilhar