Banco de Dados Espacial de Precipitação do Estado do Rio Grande do Sul

Abstract

Atualmente, ao obter séries históricas de precipitação, é necessário realizar o preenchimento de falhas, interpolar e estimar a precipitação para área de interesse, principalmente em locais com baixa densidade de estações pluviométricas. Então, este estudo teve como objetivo gerar um banco de dados espacial com séries históricas de precipitação para o estado do Rio Grande do Sul, que permita a consulta a índices de precipitação por bacia, por município e por coordenadas geográficas, sem a necessidade de pós-processamento. A metodologia foi estruturada em cinco etapas: adquirir, organizar e preencher falhas das séries históricas de precipitação; interpolar, por meio do método Inverso da Potência da Distância (IPD), dados de chuva para uma malha regular com resolução espacial de 20 km; calcular índices de precipitação (Tempo de Retorno, Chuva Média Mensal e Anual, Índice de Anomalia de Chuvas (IAC), Número de dias de Precipitação); codificar e dividir bacias hidrográficas a partir do Modelo Digital de Elevação (MDE); gerar banco de dados: organizar matrizes e tabelas para consultas. A validação cruzada da interpolação apresentou um EMA (Erro Médio Absoluto) que variou entre 1,02 e 3,20 mm, enquanto o EMQ (Erro Médio Quadrático) variou entre 6,4 e 8,4 mm. A disponibilização desse banco de dados na internet, com um arquivo de saída compatível com a maioria dos softwares de SIG, representa um ganho importante em pesquisas que necessitem utilizar longas séries temporais.

Currently, when getting time series of precipitation, it is necessary to perform gap filling, interpolate and estimate precipitation for the study área, mainly in areas where there is a low density of rainfall stations. This study aimed to generate a spatial database with historical time series of precipitation for the state of Rio Grande do Sul, that allows the consultation of precipitation indexes by watershed, by municipality and by geographic coordinates. The methodology was structured in five stages: acquisition, organization and gap filling in time series of precipitation; interpolation, by the method Inverse Distance weighting (IDW), rain data for a regular grid with spatial resolution of 20 km; calculate precipitation rates (precipitation return, average monthly and annual rain, Rainfall Anomaly Index (RAI), number of rainy days); coding and dividing river basins from the Digital Elevation Model (DEM); generate database: organize matrices and tables to consult. The cross validation of the interpolation presented Mean Absolute Error (MAE) that varied between 1,02 and 3,20 mm, while the Mean Square Error (MSE) varied between 6,4 and 8,4mm. The availability of this database on the internet, with an output file compatible with most GIS software, represents an important gain in research that needs to use long time series.