Modelação estatística na análise em processos ambientais

Abstract

A degradação do ambiente é atualmente um tema de grande importãncia, quer pela dificuldade na recuperação e na reabilitação, quer também pelas gravosas consequências sociais e económicas. Em parte, a crise ambiental é o somatório de muitos erros cometidos pelo Homem e que ainda hoje é possível observar. Investigações realizadas no intuito de minimizar ou estimar problemas ambientais têm levado a estudos mais aprofundados de métodos, que possibilitem uma melhor perceção dos dados associados a estes problemas. Neste estudo, no contexto de um problema de monitorização de Qualidade da Água de superfície de uma bacia hidrográfica, propõe-se uma abordagem baseada em modelos espaciais e temporais com o objetivo de analisar e avaliar a evolução de séries temporais de variáveis ambientais. Os dados dizem respeito à bacia hidrográfica do rio Douro localizada no Norte de Portugal. Para o processo de modelação, consideraram-se as séries temporais relativas à variável de qualidade de Oxigénio Dissolvido (OD), medido mensalmente no período de março de 2002 a fevereiro de 2013. Com o objetivo de obter estimativas de valores mensais de precipitação, em área, nas estações de amostragem de qualidade (onde não há medições de precipitação), é desenvolvida uma metodologia com recurso a processos estocásticos espaciais (Kriging), a ser aplicada aos dados de precipitação existentes nesta bacia. Os valores estimados vão representar o fator hidrometeorológico nas estações de qualidade, para o processo de modelação do Oxigénio Dissolvido. Para o processo de modelação do Oxigénio Dissolvido foram estabelecidos Modelos de Efeitos Mistos (ou Modelos Lineares Generalizados de Efeitos Mistos), pois mostram versatilidade e flexibilidade para a inclusão de efeitos aleatórios, incorporação de componentes de tendência e de sazonalidade, de covariáveis (como o fator hidrometeorológico e outras variáveis de Qualidade da Água de superfície), bem como da estrutura de correlação temporal própria das séries ambientais. Foi efetuado um estudo comparativo dos diversos modelos estabelecidos, considerando critérios e métricas de qualidade de ajustamento.

Environmental degradation is nowadays a critical issue, both due to the difficulty of restoration and rehabilitation and to the serious social and economic consequences. The environmental crisis is partially the result of many man-made mistakes that still remain visible today. Investigations aimed at curbing or estimating environmental problems have led to more in-depth study of methods to better understand the data associated with these problems. This study investigates a problem in the context of surface water quality monitoring in a watershed, and we propose an approach based on spatial and temporal models in order to analyze and evaluate the time series evolution of environmental variables. The data refer to the Douro watershed located in northern Portugal and for the modeling process we considered time series relative to the Dissolved Oxygen (DO) quality variable measured monthly from March 2002 to February 2013. In order to obtain estimates of monthly precipitation values, in area, in the quality sampling stations (where there are no precipitation measurements), we developed a methodology using spatial stochastic processes (Kriging) to be applied to the precipitation data extant in this basin. The estimated values will represent the hydrometeorological factor in the quality sampling stations for the Dissolved Oxygen modeling process. For the Dissolved Oxygen modeling process we established Mixed Effects Models (or Generalized Linear Mixed Effects Models) as they show versatility and flexibility in including random effects, in incorporating trend and seasonality components, covariates (such as the hydrometeorological factor and other surface water quality variables), as well as the temporal correlation structure typical of the environmental series. A comparative study of the various established models was performed considering criteria and quality adjustment metrics.