ABSTRACT
The aim of this study was to determine the probable monthly rainfall for the state of Mato Grosso do Sul, considering the level of 75% probability, and study the spatial distribution associated with its different biomes. The rainfall data of 32 stations (sites) in the state of Mato Grosso do Sul were collected in the period 1954-2013. In each of the 384 series, the average monthly rainfall was calculated, for at least 30 years of observation. The Kolmogorov-Smirnov adhesion test was applied to the rainfall time series to check the fit of the data to a normal distribution. The likely fallout was estimated at 75% probability, using the normal probability distribution and, subsequently, it was adopted the method of Ordinary Kriging interpolation mathematics to spatial data. Based on the likely monthly precipitation estimated, the State of Mato Grosso do Sul possess three distinct periods, with the precipitation associated with different biomes: the rainy season (between the months November to March, where increased precipitation occurred in the Savanna biome), dry season (between the months from June to August, when the highest rainfall occurred in the Atlantic Forest) and transition period (April and May and September and October).
O objetivo estudo foi determinar a precipitação mensal provável para o Estado de Mato Grosso do Sul, considerando o nível de 75% probabilidade e estudar sua distribuição espacial associada aos seus diferentes biomas. Os dados de precipitação pluvial de 32 estações (locais) do Estado do Mato Grosso do Sul foram coletados do período de 1954 a 2013. Em cada uma das 384 séries temporais de precipitação pluvial mensal calculou-se a média, com no mínimo 30 anos de observação. Foi aplicado o teste de aderência de Kolmogorov-Smirnov nas 364 séries temporais de precipitação pluvial mensal para verificar o ajuste dos dados a distribuição normal. A precipitação provável foi estimada a 75% de probabilidade, utilizando-se a distribuição de probabilidade normal e, posteriormente, foi adotado o método de interpolação matemática da Krigagem Ordinária para espacialização dos dados. Com base na precipitação mensal provável, estimada pela distribuição normal a 75% de probabilidade, o Estado do Mato Grosso do Sul possuí três períodos distintos, estando à precipitação associada aos diferentes biomas: período chuvoso (entre os meses de novembro a março, onde as maiores precipitações ocorrem no bioma Cerrado), período seco (entre os meses de junho a agosto, onde as maiores precipitações ocorrem no bioma Mata Atlântica) e período de transição (meses de abril e maio e setembro e outubro).
Subject(s)
Rain , Ecosystem , Atmospheric Precipitation , Sampling Studies , Sample SizeABSTRACT
RESUMO: O objetivo deste trabalho foi determinar o tamanho de amostra, em número de anos, para a estimação da média de precipitação pluvial mensal em locais do Estado de Mato Grosso do Sul e verificar sua variabilidade espaço-temporal. Utilizaram-se os dados de precipitação pluvial do período de 1954 a 2013, coletados do Sistema de Informações Hidrológicas da Agência Nacional de Águas - ANA. Em cada uma das 384 séries temporais (12 meses × 32 locais), calcularam-se a média e o desvio padrão e testaram-se a aleatoriedade e a normalidade dos dados. Verificou-se a homogeneidade de variâncias entre os meses em cada local e entre os locais em cada mês. Calculou-se o tamanho de amostra em cada mês e local. O tamanho de amostra (número de anos) para a estimação da média de precipitação pluvial mensal é dependente do mês e do local. Para os meses e locais estudados, 63 anos de observações são suficientes para estimar a média de precipitação pluvial mensal, para um erro de estimação igual a 45% da média estimada, com grau de confiança de 95%.
ABSTRACT: The aim of this study was to determine the sample size, in number of years, to estimate the means monthly rainfall in locations of Mato Grosso do Sul and verify its spacetemporal variability. It was used the rainfall data for the period 1954-2013, collected from the Hydrological Information System of the National Water Agency - ANA. The means and standard deviation were calculated for each of the 384 time series (12 months x 32 locations) and the aleatory and normality data were tested. Then it was verified the homogeneity of variance among months in each locality and among locality in each month and it was determined the sample size to estimate the means monthly rainfall in each month and locality. The sample size (number of years) to estimate the means monthly rainfall is dependent on the month and locality. One concluded that 63 years of data are enough to predict the average monthly rainfall, with an estimation error equal to 45% of estimated average, with a degree confidence of 95%.
ABSTRACT
É importante quantificar a densidade populacional de corós para definir o momento adequado para o controle da praga. Assim, o objetivo deste trabalho foi determinar o tamanho de amostra (número de trincheiras por hectare) para a estimação da média de densidade populacional de corós em áreas de campo nativo e de cultivo em diferentes locais do Estado do Rio Grande do Sul. Foram coletados dados de densidade populacional de corós, independentemente de espécie, em áreas de campo nativo e de cultivo em 17 locais, por meio de contagens realizadas em trincheiras de 20cm x 50cm com 30cm de profundidade. Em cada uma das 34 áreas amostradas, calcularam-se medidas de tendência central, de variabilidade, de assimetria e de curtose, e testou-se a normalidade dos dados. Em seguida, verificou-se a homogeneidade de variâncias entre as áreas em cada local e entre os locais em cada área. Depois, calculou-se o tamanho de amostra em cada área e local. O tamanho de amostra (número de trincheiras por hectare) para a estimação da média de densidade populacional de corós é dependente da área (campo nativo ou de cultivo) e do local. Para as áreas e os locais estudados, 61 trincheiras por hectare são suficientes para estimar a média de densidade populacional de corós, para um erro de estimação igual a 30 por cento da média estimada, com grau de confiança de 95 por cento.
It is important to quantify the population density of white grub to set the appropriate time to control the pest. The aim of this study was to determine the sample size (number of trenches per hectare) to estimate the average population density of white grubs in native and cultivated areas in different locations of Rio Grande do Sul State, Brazil. Data were collected from white grubs' population density in native and cultivated areas of 17 locations, regardless of species, through counts in trenches 20cm x 50cm dug to a depth of 30cm. In each of the 34 areas sampled, the central tendency, variability, asymmetry and kurtosis was calculated and the normality data were tested. Then it was verified the homogeneity of variance among areas in each locality and among locations in each area and it was determined the sample size to estimate the average population density of white grubs in each area and locality. The sample size (number of trenches per hectare) to estimate the average population density of white grubs is dependent on the area (native or cultivated) and locality. It was concluded that 61 trenches per hectare are enough to predict the average population density of white grubs, with an estimation error equal to 30 percent of estimated average, with a degree confidence of 95 percent.
ABSTRACT
Com o objetivo de determinar o tamanho de amostra (número de anos) para a estimação da média mensal de insolação diária de 30 locais do Estado do Rio Grande do Sul, utilizaram-se os dados de insolação do período de 1960 a 2007. Em cada uma das 360 séries temporais (12 meses x 30 locais), calcularam-se a média e a variância e testaram-se a aleatoriedade e a normalidade dos dados. Verificou-se a homogeneidade de variâncias entre os meses em cada local e entre os locais em cada mês. Depois, calculou-se o tamanho de amostra em cada mês e local. O tamanho de amostra (número de anos) para a estimação da média mensal de insolação diária é dependente do mês e do local. Para os meses e locais estudados, até 44 anos de observações são necessários para estimar a média mensal de insolação diária, para um erro de estimação igual a ±0,5 horas dia-1, com grau de confiança de 95 por cento.
It was used data from 30 locations of the Rio Grande do Sul State, Brazil, collected from 1960 to 2007, with the objective to determine the sample size (number of years) to estimate the average daily month insolation . The average and variance was calculated for each of the 360 time series (12 months x 30 locations) and the aleatory and normality data were tested. Then it was verified the homogeneity of variance among months in each locality and among places in each month and it was determined the sample size to estimate the average monthly insolation daily in each month and locality. The sample size (number of years) to estimate the average monthly insolation daily is dependent on the month and locality. One concluded that 44 years of data are enough to predict the average monthly insolation daily, with an estimation error equal to ±0.5 hours days-1, with a degree confidence of 95 percent.
ABSTRACT
Com o objetivo de determinar o tamanho de amostra para a estimação da média de precipitação pluvial mensal de 19 locais do Estado do Rio Grande do Sul, utilizaram-se os dados de precipitação pluvial do período de 1953 a 2007. Em cada uma das 228 séries temporais (12 meses x 19 locais), calcularam-se medidas de tendência central, de variabilidade e de assimetria, e testaram-se a aleatoriedade e a normalidade dos dados. Em seguida, verificou-se a homogeneidade de variâncias entre os meses em cada local e entre os locais em cada mês. Depois, calculou-se o tamanho de amostra em cada mês e local. O tamanho de amostra (número de anos) para a estimação da média de precipitação pluvial mensal é dependente do mês e do local. Para os meses e locais estudados, 51 anos de observações são suficientes para estimar a média de precipitação pluvial mensal, para um erro de estimação igual a 25 por cento da média estimada, com grau de confiança de 95 por cento.
It was used data from 19 locations of the Rio Grande do Sul State, Brazil, collected from 1953 to 2007, with the objective to determine the sample size to estimate the average monthly rainfall. The central tendency, variability and asymmetry was calculated for each of the 228 time series (12 months x 19 locations) and the aleatory and normality data were tested. Then it was verified the homogeneity of variance among months in each locality and among places in each month and it was determined the sample size to estimate the average monthly rainfall in each month and locality. The sample size (number of years) to estimate the average monthly rainfall is dependent on the month and locality. One concluded that 51 years of data are enough to predict the average monthly rainfall, with an estimation error equal to 25 percent of estimated average, with a degree confidence of 95 percent.
ABSTRACT
O planejamento de atividades agropecuárias exige que os riscos climáticos, em um determinado local e período do ano, sejam estimados com máxima precisão. Dessa forma, foram utilizados os dados de 15 locais do Estado do Rio Grande do Sul, com o objetivo de estudar a variabilidade temporal e espacial da precisão das estimativas das médias mensais de precipitação pluvial, insolação, radiação solar global e temperaturas mínima, média e máxima. Para isso, calculouseo erro de estimação (semiamplitude do intervalo de confiança) (EE), em percentagem da estimativa da média mensal de precipitação pluvial, insolação, radiação solar global e temperaturas mínima, média e máxima, para cada mês e local, que foi utilizado como medida de precisão. A partir do EE, para cada um dos elementos meteorológicos, agruparam-se os meses e os locais, por meio do método hierárquico de Ward, e calculou-se o coeficiente de correlação linear de Pearson entre as matrizes de distância euclidiana média padronizada e gráfica a fim de verificar a consistência dos agrupamentos. Conclui-se que a precisão das estimativas, média de meses e locais, entre os elementos meteorológicos, aumenta na seguinte ordem: precipitação pluvial (EE=21,66%), insolação (EE=6,74%), radiação solar global (EE=5,52%) e temperaturas mínima (EE=4,40%), média (EE=2,63%) e máxima (EE=2,27%). Há variabilidade da precisão das estimativas das médias mensais de precipitação pluvial, insolação, radiação solar global e temperaturas mínima, média e máxima, no Estado do Rio Grande do Sul, no tempo (meses) e no espaço (locais). Estimativas com base em 30 anos de observações têm precisão menor nos meses de abril, maio, junho, julho, agosto e setembro, em relação aos demais meses.
Planning agricultural activities requires that climatic risks in each location and time of year are estimated with maximum precision. In this estudy data from15 locations of Rio Grande do Sul, Brazil, were used with the objective ofstuding spatial and temporal variability of the precision estimates average of monthly rainfall, sunshine, solar radiation global and temperatures minimum, mean and maximum. It was estimated the estimation error (half-amplitude of the confidence interval) (EE) in percentage of estimate averagemonthly rainfall, sunshine, solar radiation global and temperatures minimum, mean and maximum for each month and location, which was used as a measure of precision. From the EE, for each meteorological elements, months and locations were clustered by hierarchical method of Ward. The Pearsons linear correlation coefficient between the arrays of the standardized average euclidian distance and graphics was calculated in order to check the clusters consistency. It was concluded that the precision estimates, average of months and locations, between the meteorological elements, increases inthe following order: rainfall (EE=21.66%), sunshine (EE=6.74%), global solar radiation (EE=5.52%) andtemperatures minimum (EE=4.40%), mean (EE=2.63%) and maximum (EE=2.27%). Results showed that there is variability in precision estimate of monthly average rainfall, sunshine, global solar radiation and minimum, mean and maximum temperatures in Rio Grande do Sul, both in temporal and spatial scale. Estimates based on 30 years data are less precision in April, May, June, July, August and September in relation to the others.