O aluno deverá selecionar uma estação pluviométrica (de preferência localizada em alguma capital brasileira) e obter os dados de precipitação diários. A série histórica deverá conter, no mínimo, 30 anos completos de dados. Os dados podem ser obtidos nos sites do INMET (http://www.inmet.gov.br/portal/index.php?r=bdmep/bdmep ), CPTEC (http://bancodedados.cptec.inpe.br/), Hidroweb da Agência Nacional de Águas (http://www.snirh.gov.br/hidroweb/serieshistoricas), IRI (http://iridl.Ideo.columbia.edu/) ou de qualquer outra fonte institucional (ex. Embrapa, CAESB, etc).
Passo 1
O enunciado pede que eu escolha uma estação pluviométrica (preferencialmente numa capital brasileira) e obtenha os dados de precipitação diária com uma série histórica de pelo menos ...30 anos completos. Os dados podem vir de fontes institucionais (INMET, CPTEC, Hidroweb/ANA, IRI, Embrapa, CAESB, etc.). O que é solicitado, em termos práticos, é: obter os dados, garantir que a série tenha ...30 anos completos, fazer o tratamento e análise (isso normalmente inclui controle de qualidade, cálculo de estatísticas/climatologias e possivelmente análise de tendência) e produzir resultados/relatório com justificativas das escolhas. Informação relevante fornecida pelo enunciado: escolha de estação (capital preferível), dados diários, série histórica com pelo menos ...30 anos, possíveis fontes onde buscar os dados.
Passo 2
Escolhendo a estação — critérios práticos e como selecionar uma (explicado passo a passo, sem precisar perguntar qual cidade você quer)
Critérios para escolher uma estação:
Preferir uma estação localizada na capital que te interessa (pedido do enunciado).
Ter continuidade de observação: escolher uma estação com poucos hiatos nos últimos ...30 anos.
Ter meta-dados disponíveis (código da estação, latitude/longitude, altitude, início/fim da série).
Preferir estações oficiais (INMET, ANA, CPTEC) para garantia da qualidade e facilidade de download.
Como procurar sem erro (exemplo genérico que você pode aplicar a qualquer capital):
Vá ao site do INMET (ou Hidroweb/ANA). No INMET: acesse a seção “BDMEP – Banco de Dados Meteorológicos para Ensino e Pesquisa”.
Use o filtro por unidade federativa (estado) ou digite o nome da capital. Clique na estação mais próxima do centro urbano.
Verifique nas propriedades da estação o período disponível (deve cobrir pelo menos ...30 anos). Anote o código da estação (é importante para downloads automáticos).
Observação empática: escolha uma capital que tenha histórico bem documentado — isso reduz dor de cabeça com dados faltantes.
Passo 3
Como baixar os dados (instruções passo a passo para os dois sites mais usados)
INMET (BDMEP):
Acesse o site do BDMEP.
Escolha “Séries Históricas” ou “Séries Horárias/Diárias”.
Selecione a estação (pelo nome ou código), variável “Precipitação diária” e o período (ex.: ...01/01/1985 a ...31/12/2014 para ...30 anos).
Formato de saída: prefira CSV para abrir em R/Python/Excel. Baixe.
Hidroweb (ANA) — se preferir dados hidrometeorológicos:
Acesse Hidroweb → Séries Históricas → Selecione tipo “Pluviométrica”.
Localize a estação e selecione intervalo de datas com pelo menos ...30 anos.
Baixe em CSV.
CPTEC / IRI:
CPTEC: banco de dados meteorológicos do INPE, navegue por estações e baixe CSV.
IRI: útil quando precisar de produtos reanalisados ou preenchimento por reanálise.
Dica prática: ao baixar, salve também os metadados (nome, código, latitude, longitude, altitude, fonte, intervalo).
Passo 4
Entendendo o arquivo e primeiros controles (o que tem no CSV e o que checar)
Colunas comuns: data, precipitação (em milímetros, geralmente mm), código/estação, flags de qualidade. Confirme unidade: normalmente é \mathrm{mm}.
Verificações iniciais:
Verificar se a coluna de data está no formato reconhecível (ex.: \text{YYYY-MM-DD}).
Procurar valores de marcação de dado ausente (ex.: -9999, \mathrm{NA}, 99999) e convertê-los para NA.
Validar se todos os dias do período estão presentes (ver se a sequência de datas é contínua).
Exemplo de problemas e como detectá-los:
Datas faltando (hiatos).
Valores negativos (precipitação não deve ser negativa; tratar como erro ou NA).
Valores extremos plausíveis vs. não plausíveis (ver Passo 6).
Passo 5
Controle de qualidade detalhado (como limpar sem “matar” dados válidos)
Converter valores de marcação para NA (ex.: -9999 → NA).
Valores negativos: substitua por NA após checagem (às vezes instrumentos reportam - por erro).
Outliers físicos: definir um limite para checar manualmente. Sugestão prática:
Em precipitação diária, valores acima de ...300\\ \mathrm{mm/dia} são raros; flague valores >300 para revisão.
Valores >500\\ \mathrm{mm/dia} são extremamente raros e devem ser verificados com metadados ou outra fonte.
Se existir flag de qualidade do observador/instrumento, use-a para manter ou rejeitar o dado.
Registre todas as decisões (por exemplo: “substituímos ...5 valores por NA por serem negativos; flaguei ...2 dias com ...450\\ \mathrm{mm} para verificação”).
Passo 6
Critério de completude para aceitar anos e a série de ...30 anos (regra prática que você pode aplicar na prova)
Critério por ano: exigir pelo menos ...90% dos dias observados para que um ano seja considerado “completo”. Em números:
Para ano com ...365 dias, ...0{,}90\times365 \approx 328{,}5 → exigir ...329 dias observados.
Para ano bissexto com ...366 dias, exigir ...330 dias observados (arredonde).
Critério para os ...30 anos: exigir que pelo menos ...25 dos ...30 anos cumpram o critério anual (essa é uma regra prática comum; você pode justificar outra se desejar).
Se muitos anos estiverem incompletos, considere:
Procurar série alternativa da mesma capital (ou estação próxima).
Usar técnicas de preenchimento (recomendo só se explicitado e com cuidado — ver Passo 9).
Passo 7
Índices e estatísticas que normalmente se pedem e como calcular (fórmulas e explicações didáticas)
Precipitação total anual:
Definição: soma das precipitações diárias em um ano.
Fórmula:
P_{\text{ano}}=\sum_{d=1}^{D} p_donde p_d é a precipitação do dia d e D é ...365 ou ...366 dependendo do ano.
Número de dias chuvosos (dias “úmidos”):
Definição usual: dia com p_d \ge 1{,}0\\ \mathrm{mm}.
Notação: N_{\text{wet}}=\#\{d: p_d \ge 1{,}0\}.
Máxima diária anual (RX1day):
Definição: RX1day=\max_d p_d no ano.
Índice de intensidade simples (SDII):
Fórmula:
SDII = \frac{P_{\text{ano}}}{N_{\text{wet}}}(média de precipitação por dia chuvoso).
Explanação amigável: essas são as medidas básicas que resumem comportamento interanual e extremos. No exame, foque em explicar o que cada índice diz sobre o clima.
Passo 8
Como tratar séries com missing e preenchimento breve (quando justificar e como fazer)
Regras rápidas:
Para cálculos anuais, só calcule o indicador se o ano cumprir o critério de completude (Passo 6).
Evite preencher dados diários para cálculos de extremos (como RX1day), pois preenchimento pode mascarar extremos.
Preenchimento aceitável (com justificativa):
Se faltar poucos dias (<10\% do ano) e você precisa de um valor anual, métodos simples: interpolação linear entre dias vizinhos para lacunas pequenas (...\le 3 dias).
Para lacunas maiores, prefira métodos baseados em estações vizinhas (regressão) ou reanálises (ex.: IRI, ERA5). Sempre documentar e justificar.
Notas: se no enunciado do seu trabalho não é permitido preencher, apenas relate a incompletude.
Passo 9
Testes de tendência (explicação didática e comandos práticos)
Por que usar Mann–Kendall (MK) e Sen?
MK é um teste não paramétrico para detectar tendência monotônica em séries de tempo; não assume normalidade.
Sen estima a inclinação (slope) da tendência de forma robusta.
Resumo do método MK (intuição, sem muita matemática pesada):
Conta quantas vezes um valor posterior é maior/menor que um anterior; soma-se sinais para obter estatística S. Se S é muito positivo (ou negativo), existe tendência.
Comandos práticos (exemplos rápidos):
Em R:
Instalar pacotes: install.packages("trend") e install.packages("Kendall").
Teste MK: Kendall::MannKendall(x) onde x é a série anual (ex.: P_{\text{ano}}).
Sen slope: trend::sens.slope(x).
Em Python:
Usar pip install pymannkendall.
Teste MK: import pymannkendall as mk; mk.original_test(x).
Sen slope: mk.sens_slope(x).
Interpretação:
MK retorna um p-valor. Se p<0{,}05 (nível de significância comum), a tendência é estatisticamente significativa.
Sen retorna inclinação em unidades da série por ano (por exemplo, \mathrm{mm/ano}).
Dica para prova: se pedir, explique o resultado com linguagem simples: “há tendência crescente de ...2{,}5\\ \mathrm{mm/ano}, significância ...p=0{,}03”.
Passo 10
Visualizações essenciais (o que mostrar e como interpretar)
Séries temporais:
Gráfico de P_{\text{ano}} vs ano com linha de tendência (Sen) e banda de média.
Boxplots por mês (para ver a sazonalidade):
Extrair ciclo anual: construir média diária/mensal climatológica.
Histogramas e QQ-plots (para ver distribuição dos dias chuvosos).
Mapas ou gráficos de barras de RX1day por ano (extremos).
Comandos rápidos:
Em R com ggplot2: ggplot(df, aes(x=ano, y=P_ano)) + geom_line() + geom_smooth(method="lm", se=F) (ou plotar Sen).
Em Python com pandas/matplotlib: df.groupby('ano')['prec'].sum().plot() e plt.plot(...) para tendência.
Passo 11
Montando o relatório ou relatório-resposta para entrega (o que não pode faltar)
Metadados e fonte: nome da estação, código, latitude/longitude, período, fonte (INMET/ANA/etc).
Sumário da qualidade: número de anos totais, quantos anos completos (segundo critério), eventos de outlier removidos, preenchimentos feitos.
Resultados dos índices: tabela com P_{\text{ano}}, N_{\text{wet}}, RX1day, SDII (pelo menos média e desvio padrão).
Testes de tendência: resultado MK (estatística e p-valor) e Sen (inclinação), interpretação em linguagem clara.
Figuras: série temporal, boxplot mensal, histograma de dias chuvosos, figura de extremos.
Discussão e limitações: por ex., influência de mudanças de estação, instrumentação, urbanização.
Empurrão amigo: explique tudo curto e direto — o avaliador quer ver que você entendeu os passos.
Passo 12
Exemplo mínimo executável (fluxo reduzido para fazer rápido na prova ou trabalho)
Baixar o CSV do INMET com ...30 anos.
Abrir em R/Python e transformar coluna de data em formato de data.
Substituir marcações de falta por NA e calcular número de dias observados por ano.
Gerar duas figuras: série anual com tendência e boxplot mensal.
Isso já te entrega o essencial com segurança e em tempo.
Passo 13
Dicas finais, armadilhas comuns e como economizar tempo
Armadilhas:
Não esquecer de checar unidade (algumas bases entregam em \mathrm{mm}, outras em \mathrm{cm} — sempre confirmar).
Confundir data local com UTC quando tiver horas (para dados horários).
Preencher dados sem justificar.
Economizando tempo:
Use uma estação com CSV pronto (INMET costuma ser rápido).
Foque em uns ...3 índices bem explicados do que em dezenas de números.
Motivação: você consegue — comece baixando um CSV e fazendo as primeiras verificações; o resto flui.
Resposta
Lista de entrega mínima: metadados da estação (nome, código, coordenadas, fonte, período), verificação de completude (anos válidos segundo critério de ...90%), tabela com índices anuais (P_{\text{ano}}, N_{\text{wet}}, RX1day, SDII), resultados do teste de tendência (Mann–Kendall e Sen), 2–3 figuras (série anual com tendência, boxplot mensal, histograma/extremos), e seção descrevendo controle de qualidade e limitações.