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)
  1. 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.
  2. 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)
  1. 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.
  2. 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.
  3. 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)
  1. Colunas comuns: data, precipitação (em milímetros, geralmente mm), código/estação, flags de qualidade. Confirme unidade: normalmente é \mathrm{mm}.
  2. 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).
  3. 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)
  1. Converter valores de marcação para NA (ex.: -9999NA).
  2. Valores negativos: substitua por NA após checagem (às vezes instrumentos reportam - por erro).
  3. 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.
  4. Se existir flag de qualidade do observador/instrumento, use-a para manter ou rejeitar o dado.
  5. 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)
  1. 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).
  2. 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).
  3. 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)
  1. 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.
  2. 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\}.
  3. Máxima diária anual ( RX1day):
    • Definição: RX1day=\max_d p_d no ano.
  4. Índice de intensidade simples (SDII):
    • Fórmula:
    SDII = \frac{P_{\text{ano}}}{N_{\text{wet}}}(média de precipitação por dia chuvoso).
  5. Médias climatológicas e desvios:
    • Média de um índice X sobre ...N anos:
    \overline{X}=\frac{1}{N}\sum_{i=1}^{N} X_i
    • Desvio padrão:
    s_X=\sqrt{\frac{1}{N-1}\sum_{i=1}^{N}(X_i-\overline{X})^2}.
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)
  1. 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.
  2. 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.
  3. 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)
  1. 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.
  2. 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.
  3. 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).
  4. 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)
  1. Séries temporais:
    • Gráfico de P_{\text{ano}} vs ano com linha de tendência (Sen) e banda de média.
  2. Boxplots por mês (para ver a sazonalidade):
    • Extrair ciclo anual: construir média diária/mensal climatológica.
  3. Histogramas e QQ-plots (para ver distribuição dos dias chuvosos).
  4. 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)
  1. Metadados e fonte: nome da estação, código, latitude/longitude, período, fonte (INMET/ANA/etc).
  2. Sumário da qualidade: número de anos totais, quantos anos completos (segundo critério), eventos de outlier removidos, preenchimentos feitos.
  3. Resultados dos índices: tabela com P_{\text{ano}}, N_{\text{wet}}, RX1day, SDII (pelo menos média e desvio padrão).
  4. Testes de tendência: resultado MK (estatística e p-valor) e Sen (inclinação), interpretação em linguagem clara.
  5. Figuras: série temporal, boxplot mensal, histograma de dias chuvosos, figura de extremos.
  6. 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)
  1. Baixar o CSV do INMET com ...30 anos.
  2. Abrir em R/Python e transformar coluna de data em formato de data.
  3. Substituir marcações de falta por NA e calcular número de dias observados por ano.
  4. Aplicar critério de completude ( ...90% por ano).
  5. Calcular P_{\text{ano}}, N_{\text{wet}} (com limiar ...1{,}0\\ \mathrm{mm}), RX1day, SDII.
  6. Rodar Mann–Kendall e Sen.
  7. 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
  1. 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.
  2. 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.
  3. 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.

Exercícios relacionados