ONS - Operador Nacional do Sistema El ´etrico , Rio de Janeiro, RJ
20/21 Stembro de 2007
Modelagem Conjunta de Chuva-Vaz ˜ao:
o caso da bacia do Rio Grande
Helio S. Migon
Romy R. Ravines & Alexandra M. Schmidt
Universidade Federal do Rio de Janeiro Instituto de Matem ´atica
30/06/2007
Outline
1
Modelos Din ˆamicos Revisitados
Modelos Din ˆamicos
Modelos Din ˆamicos Lineares Generalizados
An ´alise Sequencial
2
Conjugate Updating Backward Sampling
Motivac¸ ˜ao
MCMC+CUBS
3
Aplicac¸ ˜oes
Estudo de Monte Carlo
Vaz ˜ao do rio Fartura
4
Um Modelo Bayesiano de Chuva-Vaz ˜ao
Procedimento de Infer ˆencia
Aspectos Pr ´aticos
Resultados
References46
Modelos Din ˆamicos
Modelagem e Previs ˜oes Bayesianas Din ˆamicas– Harrison and Stevens, JRSS,
1976.
Uma refer ˆencia recente:
Migon, HS, Gamerman, D, Lopes, HF and Ferreira, MAR – Dynamic Models,
Handbook of Statistics, vol 25, Elsevier, 2005
Infer ˆencia completa via MCMC, tamb ´em SMC
Extens ˜oes para outras topologias: espac¸o-tempo, ´arvores di ´adicas etc
Conec¸ ˜ao com Campos Aleat ´orios Gaussianos Markovianos
´
Areas de aplicac¸ ˜ao: financ¸as, epidemiologia, climatologia, hidrologia etc.
Modelos Din ˆamicos
Seja
Y
t= {y
1, . . . , y
t} a informac¸ ˜ao at ´e o tempo
t e
Θ = {θ
1, . . . , θ
T} o vetor de
par ˆametros de estado.
Modelo
y
t|
η
t, φ ∼ exp[φ{y
tη
t−
a(η
t)}]b(y
t, φ),
t
= 1, . . . , T.
(1a)
g(µ
t)
= F
t(ψ
1)
0θ
t(1b)
θ
t= G
t(ψ
2)θ
t−1+ w
t,
w
t∼
N(0, W)
(1c)
θ
0|
Y
0∼
N(m
0, C
0)
onde
θ
t, t = 1, . . . , T s˜ao relacionados no tempo via (1c), a eqn. de sistema, e
E(y
t)
= ˙a(η
t)
= µ
t, est ´a relacionado a
θ
tvia func¸ ˜ao de ligac¸ ˜ao conhecida,
g(·).
Inference em
Θ
MCMC: Amostrar da posteriore deΘ pode ser dif´ıcil.
Modelos Din ˆamicos Lineares Generalizados
Modelos Din ˆamicos Lineares Generalizados
West et al. (1985)
ηttem priori conjugada,CP(rt, st).
FteGts ˜ao conhecidos, e, dadoηt,yteθts ˜ao independentes.
A distribuic¸ ˜oes dos dist ´urbios aleat ´orios no sistema s ˜ao somente parcialmente especificados.
yt|ηt, φ ∼ exp[φ{ytηt−a(ηt)}]b(yt, φ), t = 1, . . . , T. (2a)
ηt|Yt−1∼CP(rt, st) (2b) g(µt)= F 0 tθt (2c) θt= Gtθt−1+ wt, wt∼ (0, W) (2d) θ0|Y0∼ (m0, C0)
ondemteCts ˜ao o 1o. e 2o. momentos deθt, dadoYtt= 0, . . . , T.
Conjugate Updating
: sistema de recurs ˜oes sequenciais que
aproximam a posteriori de
θ
t.
An ´alise Sequencial
DLM
:
. . . (θ
t−1|
Y
t−1)
Evolution+3
(θ
t|
Y
t−1)
Update+3
(θ
t|
Y
t)
. . .
DGLM
:
. . . (θ
t−1|
Y
t−1)
Evolution+3
(θ
t|
Y
t−1)
(θ
t|
Y
t)
. . .
(η
t|
Y
t−1)
Update+3
(η
t|
Y
t)
KS
An ´alise Sequencial
DLM
:
. . . (θ
t−1|
Y
t−1)
Evolution+3
(θ
t|
Y
t−1)
Update+3
(θ
t|
Y
t)
. . .
DGLM
:
. . . (θ
t−1|
Y
t−1)
Evolution+3
(θ
t|
Y
t−1)
(θ
t|
Y
t)
. . .
(η
t|
Y
t−1)
Update+3
(η
t|
Y
t)
KS
7/40Esquema Proposto
DGLM
:
Conjugate Updating
or
Linear Bayes
.
Os momentos da
posterior
s ˜ao aproximadamente dados por:
p(θt|Yt, Φ) ∝ p(θt|Yt−1, Φ)p(yt|θt, Φ) = Z p(θt|ηt, Yt−1, Φ) p(ηt|Yt−1, Φ)p(yt|ηt, Φ) | {z } Conjugate Analysis dηt ∝ Z p(θt|ηt, Yt−1, Φ) | {z } Linear Bayes p(ηt|Yt, Φ)dηt [mt, Ct] mt= at+ RtFt(ft∗−ft)1 qt Ct= Rt−RtFtF0tRt 1 −q ∗ t q 1 qConjugate Updating Backward Sampling (CUBS)
Esquema proposto: motivac¸ ˜ao
Para
DLM
, Fr ¨uhwirth-Schnater (1998) e Carter and Khon (1998)
Esquema proposto: motivac¸ ˜ao
Para
DLM
, Fr ¨uhwirth-Schnater (1998) e Carter and Khon (1998)
propuseram o
multiple sampling: FFBS
.
A dsn proposta ´e baseada na decomposic¸ ˜ao: p(Θ|YT, Φ) ∝ p(θ T|YT, Φ) T−1 Y t=1 p(θt|θt+1, Yt, Φ) | {z } Backward ∝p(θT|YT, Φ) T−1 Y t=1 p(θt+1|θt, Yt, Φ) p(θ t|Yt, Φ) | {z } Posterior . (θt|θt+1, Yt, Φ) ∼ N(mst, Cst) where mst = mt+ CtG 0 t(GtCtG 0 t+ Wt)−1(θt+1−Gtmt) Cst = Ct−CtG 0 t(GtCtG 0 t+ Wt)−1GCt,
mteCts ˜ao o 1o. e 2o. momentos obtidos via
KF
.
O algoritmo FFBS consiste em amostrar os elementos de
Θ
Algor´ıtmo: MCMC+CUBS
Seja
Φ = (φ, ψ
1, ψ
2, W), o vetor de quantidade de interesse in (1), exceto Θ.
1
Initializac¸ ˜ao: valores iniciais
Θ
(0), Φ
(0)e contador,
i
= 1;
2Amostre
Θ
(i)usando CUBS:
a Approximem(i)t eC(i)t ofp(θt|Yt, Φ(i−1)) t= 1, . . . , T, com Conjugate Updating;
b AmostreΘ∗ TdeN(m (i) T, C (i) T); c AmostreΘ∗ tdeN(m s(i) t , C s(i) t ), t = T − 1, . . . , 1;
d Fac¸aΘ(i)= Θ∗com probabilidadeπ e Θ(i)= Θ(i−1)com probabilidade1 −π, onde π = min(1, A) e A ´e a taxa de aceitac¸˜ao do Metropolis-Hastings A =ω(Θ∗)
ω(Θ).
3
Amostre
Φ
(i)usando, em geral, o passo de Metropolis-Hastings;
4Atualize: Fac¸a
i
= i + 1 e retorne para 2 at´e convergir.
A distribuic¸ ˜ao conditional completa deΘ = (θ1, . . . , θT) is: p(Θ|YT, Φ) ∝ p(θ T|YT, Φ) T−1 Y t=1 p(θt|θt+1, Yt, Φ) | {z } Smoothing density ∝p(θT|YT, Φ) T−1 Y t=1 p(θt+1|θt, Yt, Φ) p(θt|Yt, Φ) | {z } Densidade filtrada
Os momentos da distribuic¸ ˜ao filtrada s ˜ao aproximados por: p(θt|Yt, Φ) ∝ p(θt|Yt−1, Φ)p(yt|θt, Φ) = Z p(θt|ηt, Yt−1, Φ) p(ηt|Yt−1, Φ)p(yt|ηt, Φ) | {z } Conjugate analysis dηt ∝ Z p(θt|ηt, Yt−1, Φ) | {z } Linear Bayes p(ηt|Yt, Φ)dηt≡ [mt, Ct]
Supondo quep(θt|Yt, Φ) ´e N(mt, Ct), ´e f ´acil mostrar que p(θt|θt+1, Yt, Φ) ´e N(mst, Cst),
onde mst= mt+ CtG 0 t(GtCtG 0 t+ W)−1(θt+1−Gtmt) Cst= Ct−CtG 0 t(GtCtG 0 t+ W)−1GCt 12/40
Estudo de Monte Carlo
Esquemas amostrais alternativos
De Gamerman (1998)
Calcule observac¸ ˜ao ajustada
y
˜
te suas respectivas vari ˆancias ˜
V
t:
˜
y
t= η
t+ (y
t−
µ
t)g
0(µ
t)
˜
V
t= ¨a(η
t)[g
0(µ
t)]
2.
Ent ˜ao, construa o modelo linear din ˆamico ajustado
˜
y
t= F
0 tθ
t+ v
t, v
t∼
N(0, ˜V
t)
(3a)
θ
t= G
tθ
t−1+ w
t, w
t∼
N(0, W)
(3b)
Proposta I. Amostre
w
∗t
, da equac¸ ˜ao do sistema, distribuic¸ ˜ao condicional
completa obtida considerando a reparametrizac¸ ˜ao (3):
˜y
t= F
t tX
j=1G
t−jw
j+ v
t, G
t= G ∀t, t = 2, . . . , T.
v
t∼
N(0, ˜
V
t), w
t∼
N(0, W), w
1∼
N(m
1, C
1)
Esquemas amostrais alternativos
De Geweke and Tanizaki (2001)
Prop ˜oem amostrar os estados um a cada vez:
Proposta I. Amostre
θ
∗tda densidade obtida da eqn. de sistema. Assim,
θ
∗tis
amostre de
N(G
t(ψ
2)θ
t−1, W).
Proposta II. Amostre
θ
∗tda normal com m ´edia e vari ˆancia baseadas em
estimativas suavizadas do EKF em
t.
1Proposta III. Amostre
θ
∗tda normal com m ´edia baseda num passeio ao acaso
e vari ˆancia baseada no filtro de Kalman extendido.
1
EKF: Linearize a func¸ ˜ao de resposta e aproxime a observac¸ ˜ao pela normal.
Aplique o filtro de Kalman e as eqns de suavizac¸ ˜ao
Modelos simulado
Seja o modelo din ˆamico de primeira ordem - Poisson, isto ´e:
y
t∼ Poisson(η
t),
t
= 1, . . . , T
(4a)
log(η
t)
= θ
t(4b)
θ
t= θ
t−1+ w
tw
t∼
N(0, W)
(4c)
θ
0|
Y
0∼
N(m
0, C
0).
(4d)
Para
W atribuimos a priori IG(0.001, 0.001) e para θ
0um Normal de m ´edia zero
e variance grande,
N(0, 10
3).
Geramos 300 s ´eries temporais artificiais de diferentes tamanhos,
T
= (50, 100, 300).
Comparando diferentes amostradores de MH
I
Conjugate Updating and Backward Sampling (CUBS):
Multimove sampling. IIConjugate Updating - passo a passo:
A proposta ´e Normal com m ´edia e varianciabaseadas nos momentos usavizados do Conjugate Updating emt.
III
De Gamerman (1998) - Proposta I: passo a passo, amostre das disturb ˆancias
do sistema.
A proposta ´e obtida das equac¸ ˜oes a justadas do modelo dinamico linear normal mas com re-parametrizac¸ ˜ao em temros das disturbancias do sistema.IV
De Gamerman (1998) - Proposta II: passo a passo, amostre dos par ˆametros de
estados.
Proposta obtida do modelo linear din ˆamico normal ajustado.V
De Geweke and Tanizaki (2001) - Proposta I:
A proposta ´e a func¸ ˜ao de densidade normal obtida da eqn. do sistema.VI
De Geweke and Tanizaki (2001) - Proposta II:
A proposta ´e a func¸ ˜ao de densidade normal com m ´edia e variancia baseadas nas estimativas suavizadas do EKF emt. VIIDeGeweke and Tanizaki (2001) - Proposta III:
A proposta ´e a func¸ ˜ao de densidadenormal com m ´ediaa baseada num random walk e variancia baseada no EKF, estimativas suavizadas emt.
Principais resultados
Table:RMSE, Taxa de aceitac¸ ˜ao (m ´edia de T × K taxas) e tempo computational (m ´edia em segundos paraK= 100 amostras
RMSEYT RMSEΘ Taxa aceitac¸˜ao Tempo
Esquema m ´edia s.d m ´edia s.d m ´edia s.d
T= 50 I 1,252 0,109 0,236 0,036 42,629 – 280,30 II 1,276 0,116 0,234 0,026 33,525 7,157 214,98 III 1,259 0,110 0,249 0,051 97,252 1,228 629,08 IV 1,244 0,114 0,258 0,029 98,144 0,681 120,79 V 1,315 0,132 0,237 0,034 51,423 4,531 89,04 VI 1,240 0,113 0,261 0,028 37,796 6,301 248,25 VII 1,236 0,110 0,259 0,030 44,613 5,816 219,65 T= 100 I 1,309 0,133 0,224 0,027 38,454 – 334,25 II 1,327 0,143 0,226 0,024 32,350 6,986 257,16 III 1,313 0,134 0,233 0,040 97,942 0,851 1533,09 IV 1,434 0,382 0,254 0,049 98,712 3,228 147,62 V 1,383 0,152 0,286 0,038 51,461 4,041 104,54 VI 1,312 0,142 0,235 0,019 34,271 6,864 301,94 VII 1,307 0,140 0,230 0,021 42,016 6,042 274,08 T= 300 I 1,608 0,303 0,228 0,035 31,352 – 247,76 II 1,615 0,306 0,379 0,221 32,177 9,470 314,09
The main results
●● ● ● ● ● ● ●● ● I II IIIIV VVIVII 1 2 3 4 log(inefficiency) (a)θ5 ● ●● ● ●● ● ● ●● ● ●●●● ● ●●● ● ●●● I II IIIIV V VIVII 1 2 3 4 log(inefficiency) (b)θ25 ● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ● ● ● ● ●● ●●● ●●● ● ● ● ●● ● ●● ● ● ●●● ● ●● I II IIIIVV VIVII 0 1 2 3 4 log(inefficiency) (c)θ45 ●● ●●●● ● ● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● I II IIIIV V VIVII 3.0 3.2 3.4 3.6 3.8 4.0 4.2 4.4 log(inefficiency) (d)W ● ● ● ● ●● ●● ● ●● ● ● I II IIIIV VVIVII 1 2 3 4 log(inefficiency) (e)θ5 ● ● ● ● ●●● ● ● ● ● ●● I II IIIIV V VIVII 0 1 2 3 4 log(inefficiency) (f)θ45 ●● ● ●●●●● ● ●● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ●● ●● ● ● I II IIIIVV VIVII −1 0 1 2 3 4 log(inefficiency) (g)θ95 ● ● ● ● ●● ● ● ●●● ● ● ● ● ● ● ● ●●● I II IIIIV V VIVII 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 log(inefficiency) (h)W ● ● ● ● ● ● ● ● ●● ●●●● ●● ●●● ●● ● ● ● ● I II IIIIV VVIVII 1 2 3 4 log(inefficiency) (i)θ5 ● ● ● ● ● ●● ● ● ●● ● ● ●● ●● ● ● ● ●● ● ● ●●● I II IIIIV V VIVII 0 1 2 3 4 log(inefficiency) (j)θ145 ● ● ● ● ●● ●●●●●●● ●● ● ●●● ● ● ●●● ● ● I II IIIIVV VIVII −1 0 1 2 3 4 log(inefficiency) (k)θ295 ●● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● I II IIIIV V VIVII 1 2 3 4 log(inefficiency) (l)WFigure:Box plots das inefici ˆencias (em log) deθt, em tr ˆes instantes de tempo, eW: (a)–(d)
T= 50, (e)–(h) T = 100 e (i)–(l) T = 300.
Vaz ˜ao do rio Fartura
Objetivo
: ajustar um
modelo de func¸ ˜ao de transfer ˆencia com resposta
gama
para a vaz ˜ao e a chuva da bacia do rio Fartura, S ˜ao Paulo
(Brasil). Per´ıodo observacional: Jan., 1960 a Dec., 1964 (?, ?).
Se
Y
te
X
tdenotam, respectivamente, a vaz ˜ao e a chuva no m ˆes
t, o
modelo ´e
y
t|
µ
t, ν ∼ Gama(µ
t, ν), t = 1, . . . , T
(5a)
log(µ
t)
= α + E
t(5b)
E
t= ρE
t−1+ γX
t+ ω
t;
ω
t∼
N(0, W)
(5c)
onde
µ
t´e o valor esperado de
y
t,
α ´e n´ıvel basico da vaz˜ao, ρ ´e o fator
de recarga ou memorizac¸ ˜ao do efeito
E
t,
γ ´e o efeito instantˆaneo da
chuva e
ω
t´e a componente estoc ´astica da func¸ ˜ao de transfer ˆencia.
Vaz ˜ao do rio Fartura
Table:Esquemas I e III - Vaz ˜ao do rio Fartura
Criterium
I
III
Tempo total fixo por cadeia (segundos)
600
600
N ´umero de iterac¸ ˜oes na cadeia 1
78949
3961
N ´umero de iterac¸ ˜oes na cadeia 2
76005
3931
Tempo para completar
100 iterac¸ ˜oes (segundos)
0,77
15,20
Burn-in ( inspec¸ ˜ao visual)
2000
500
Thinning interval
22
1
Vaz ˜ao do rio Fartura
● ●●●●● ● ●●● ●● ●●● ● ● ● ●● ● ● ● ● ● ● ●●●●●● ● ●● ●●● ● ●●● ● ● ● ●● ●●● ● ● ● ● ●●●● ● ● ● ● ●●● ●● ● ● ● ● ● ● ● ● ●● ● ● ●● ●●●● ●● ●●●● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● I III −0.8 −0.4 0.0 (a)α ● ● ● ● ● ● ● ●●●● ● ● ● ● ● ●● ● ● ●●● ●● ● ●● ● ● ● ● ● ● ●● ● ● ● ●●● ● ● ●● ●● ● ●● ●● ● ● ● ●● ●● ● ● ● ● ● ● ● ● ●●● ● ● ● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● I III 0.55 0.65 0.75 (b)ρ ●● ● ● ●● ● ●● ● ● ●● ● ● ● ●●● ●● ●● ● ● ●● ● ● ●● ● ● ● ● ● ●● ● ●● ● ● ● ● ●●● ●●● ● ● ● ● ● ● ●● ● ●● ● ●●● ●●● ● ●● ● ●●● ● ●● ●●● ● ●● ● ●● ● ●●●●● ●● ● ● ●● ●● ●● ●●●● ● ● ● ● ● ● ●●● ●●● ● ●●● ●● ● ● ●●● ●● ● ● ● ●● ● ● ●●● I III 0.08 0.10 0.12 (c)γ ●●●● ● ● ● ● ● ● ● ● ● ● ● ● ●● ●● ● ● ●● ● ● ●● ● ● ● ●● ● ● ● ●● ● ● ● ●● ● ● ● ●●● ●●●● ●●● ● ● ● ● ● ●● ● ● ● ●●● ● ● ● ● ●● ● ●●● ● ●● ● ● ● ● ● ●● ●● ● ● ●● ●● ●● ●● ● ●●● ● ●●●● ●●● ● ●● ● ● ●●● ●●●●● ●●●●● ●● ●●●● ●● ●●● ● ● ● ●●●●●●●●●●● ● ● ● ● ●● ● ●●●● ●● ● ● ●●● ●● ●● ●●● ● ● ●●● ● ●● ● ● ● ● ● ● ● ● ●● ●●●● ● ●● ●● ●●● ●● ● I III 1.6 2.0 2.4 2.8 (d)E15 ● ● ●● ● ● ●●● ● ● ● ●●● ●● ●●● ● ● ● ● ●● ● ● ● ● ● ●● ●● ●● ●● ●●● ●● ●●●● ●● ● ● ● ●●● ● ● ● ● ● ● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ●● ● ●●●●● ● ● ● ● ●●● ●● ●● ●●● ● ● ● ●● ●●● ● ●●● ●● ● I III 0.6 1.0 1.4 1.8 (e)E55 0 20 4060 80 0.0 0.4 0.8 I III (f)α 0 20 4060 80 0.0 0.4 0.8 I III (g)ρ 0 20 4060 80 0.0 0.4 0.8 I III (h)γ 0 20 4060 80 0.0 0.4 0.8 I III (i)E15 0 20 4060 80 0.0 0.4 0.8 I III (j)E55Figure:Box plots and autocorrelation functions for some parameters (5) (SP).
Vaz ˜ao do rio Fartura
Table:PSRF ( ˆR) e INEFF para alguns par ˆametros do modelo (5)
I III
PSRF INEFF per chain PSRF INEFF per chain ˆ R 97.5 1b 2b 1c 2c Rˆ 97.5 1b 2b α 1,01 1,03 5,12 5,11 2,87 2,48 1,02 1,08 4,77 4,89 ρ 1,00 1,01 4,58 4,57 2,36 2,14 1,14 1,52 4,68 4,97 γ 1,00 1,00 2,75 2,70 1,13 1,22 1,07 1,29 3,59 3,49 ν 1,00 1,00 3,91 3,85 1,43 1,47 1,08 1,31 3,61 3,70 W 1,00 1,00 3,40 3,40 1,29 1,34 1,04 1,18 3,06 3,32 E0 1,00 1,00 3,91 3,86 1,88 1,55 1,00 1,01 3,53 3,86 E5 1,00 1,02 4,83 4,81 2,67 2,27 1,02 1,10 4,28 4,55 E15 1,00 1,01 4,80 4,77 2,65 2,31 1,00 1,00 4,37 4,56 E35 1,01 1,03 4,85 4,83 2,63 2,37 1,01 1,04 4,41 4,70 E55 1,00 1,01 4,86 4,84 2,63 2,42 1,01 1,07 4,41 4,61
Um Modelo Bayesiano de Chuva-Vaz ˜ao
A bacia do Rio Grande (BA): localizac¸ ˜ao e dados
BRASIL
Bacia do Rio São Francisco
Bacia do Rio Grande Bacia do Rio Grande (a) Localization 0 200 400 0 200 500 0 400 800 300 1 2 3 Taguá Legend Runoff Rainfall Rivers Selected Grid Total Grid Tagua 1 2 3 0 62.5 Kilometers125 250
Abordagens Propostas: caso general
Se
Y
t´e a vaz ˜ao e
X
ta chuva acumulada na bacia em
t
, ent ˜ao a relac¸ ˜ao
chuva-vaz ˜ao ser ´a:
Y
t∼
p(Y
t|
µ
t, φ
t), t = 1, 2, . . .
(6a)
g(µ
t)
= f
1(α
t, E
t)
(6b)
E
t= f
2(E
t−1, . . . , E
0, X
t)
(6c)
Figure:O processo f´ısico envolvido na gerac¸ ˜ao da vaz ˜ao
Relac¸ ˜ao n ˜ao-linear
Vaz ˜ao corrente depende da vaz ˜ao nos per´ıodos anteriores e na chuva presente e passada. N ˜ao existe feedback (feedback) entre chuva e vaz ˜ao
A vaz ˜ao e uma quantidade n ˜ao negativa e sua s ´erie temporal pode se n ˜ao estacion ´aria.
Efeito da chuva: func¸ ˜ao de transfer ˆencia
Baseado nas suposic¸ ˜oes de Migon and Monteiro (1997), a relac¸ ˜ao chuva-vaz ˜ao pode ser representada pela func¸ ˜ao de transfer ˆencia.
Alternativas de Func¸ ˜ao de Tranfer ˆencia:
E
t= ρ
tE
t−1+ γ
tX
t(7a)
E
t= ρ
tE
t−1+ [1 − exp(−κ
tX
t)][ϑ
t− (α
t+ ρ
tE
t−1)].
(7b)
tempo Et 5 10 15 20 25 0.00 0.10 0.20 0.30 ●●●● ● ● ● ● ● ● ● ● ●●●●●●●●●●●●● ρρ ==0.7 γγ ==0.3 ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● 2 4 6 8 10 14 1 2 3 4 5 Xt Et ρρEt−−1 γγ ==0.3 ● ● ● ● ● ●●●●●●●●●● 2 4 6 8 10 14 2 3 4 5 6 7 8 9 Xt Et φφ −− ααEfeito da chuva: func¸ ˜ao de transfer ˆencia
Baseado nas suposic¸ ˜oes de Migon and Monteiro (1997), a relac¸ ˜ao chuva-vaz ˜ao pode ser representada pela func¸ ˜ao de transfer ˆencia.
Alternativas de Func¸ ˜ao de Tranfer ˆencia:
E
t= ρ
tE
t−1+ γ
tX
t(7a)
E
t= ρ
tE
t−1+ [1 − exp(−κ
tX
t)][ϑ
t− (α
t+ ρ
tE
t−1)].
(7b)
Interpretac¸ ˜ao dos par ˆametros
γ
t:
Efeito instant ˆaneo. Associado com a velocidade da ´agua sobre a
terra, capacidade de infiltrac¸ ˜ao do solo e efeito da vegetac¸ ˜ao sobre a
chuva.
ρ
t:
Fator de recarga. Taxa de memorizac¸ ˜ao da chuva. Depende da
geomorfologia e do uso do solo/tipo cobertura na bacia.
α
t:
Fluxo b ´asico. Depende do n´ıvel da water table.
Efeito da chuva: func¸ ˜ao de transfer ˆencia
Baseado nas suposic¸ ˜oes de Migon and Monteiro (1997), a relac¸ ˜ao chuva-vaz ˜ao pode ser representada pela func¸ ˜ao de transfer ˆencia.
Alternativas de Func¸ ˜ao de Tranfer ˆencia:
E
t= ρ
tE
t−1+ γ
tX
t(7a)
E
t= ρ
tE
t−1+ [1 − exp(−κ
tX
t)][ϑ
t− (α
t+ ρ
tE
t−1)].
(7b)
Tipos de Efeito Instant ˆaneos
Constante
:
γ
t= γ
Variando no Tempo
:
γ
t= γ
t−1+ δ
tModelo da Chuva
Seja {Xt(s), s ∈ B ⊂ R2, t = 1, 2, · · · } um campo espacial em t e com localizac¸˜ao s. Aqui,
X
t(s) ≥ 0 ´e uma v.a. representando a chuva em t e no local s
.
A chuva na bacia
B com ´area |B|, X
t, ´e dada por:
X
t= |B|
−1Z
B
X
t(s
i)ds, ∀s
i∈
B
(8)
X
t(s) segue uma distribuic¸ ˜ao truncada normal e pode ser representada
pelo modelo espac¸p-temporal Sans ´o and Guenni (2000) :
X
t(s
i)
=
w
t(s
i)
βse
w
t(s
i)
> 0, s
i∈
B
0
se
w
t(s
i) ≤ 0
(9a)
w
t(s)
= θ
tf (s)
+ Z
t(s)
+
t(s)
(9b)
Z(s) ∼ GP(0, σ
2%(ks
1, s
2k
, λ))
(9c)
30/40Abordagem proposta: caso geral
Nossa proposta consiste em
ajustar as equac¸ ˜
oes (6) e (9) simultaneamente
.
Este modelos simples
completamente representa o sistema hidrologico
.
O modelo ´e flex´ıvel e baseado na
superposic¸ ˜ao de sub-modelos
.
Todos os par ˆametros tem
interpretac¸ ˜ao f´ısica clara
Todas as incertezas associadas ao
processo f´ısico s ˜ao levadas em conta
Procedimento de Infer ˆencia
SejamY= (Y1, . . . , YT)0
eX(s)= (X1(s), . . . , XT(s)) 0
, ondes= (s1, . . . , sS). Tamb ´em,
X(si)= (X1(si), . . . , XT(si))0, si∈B, i = 1, . . . , S, Xt(s)= (Xt(s1), . . . , Xt(sS))0, e
X= (X1, . . . , XT)0.
A distribuic¸ ˜ao conjunta deY, X e X(s) ´e dada por
p(Y, X, X(s)|Θ) = p(Y|X, X(s), ΘY)p(X, X(s)|ΘX) (10) = T Y t=1 p(Yt|Xt, Xt(s), ΘY)p(Xt|Xt(s), ΘX) (11) S Y i=1 p(Xt(si)|ΘX)
ondeΘ = (ΘY, ΘX), ΘYdenota os par ˆametros em (6)eΘX, os par ˆametros em (9).
Gelfand, Zhu and Carlin (2001) propos approximarp(Xt, Xt(s)|ΘX) using:
ˆ Xt= 1 SB SB X i=1 ˆ Xt(si) i= 1, . . . , SB. (12)
A distribuic¸ ˜ao preditiva necessaria para interpolar a chuva,Xt(si) ´e:
p(X(s0)|X(s))= Z
p(X(s0)|X(s), ΘX)p(ΘX|X(s))p(ΘX). (13)
Aspectos Pr ´aticos
Y
t|
X
t∼
p(µ
t, φ)
t
= 1, . . . , T
(14a)
log(µ
t)
= α
t+ E
t(14b)
E
t= ρE
t−1+ γ
tX
t+ w
tw
t∼
N(0, σ
2E)
(14c)
α
t= G
αα
t−1+ w
α,tw
α,t∼
N(0, σ
2α)
(14d)
γ
t= G
γγ
t−1+ w
γ,tw
γ,t∼
N(0, σ
2γ)
(14e)
X
t=
1
S
B SBX
i=1ˆ
X
t(s
0 i)
i
= 1, . . . , S
B(14f)
X
t(s
i)
=
w
t(s
i)
βse
w
t(s
i)
> 0
0
se
w
t(s
i) ≤ 0
i
= 1, . . . , N
(14g)
w
t= z
t+ ν
tν
t∼
N
N(0, τ
2I)
(14h)
z
t= F
0θ
t+
t t∼
N
N(0, σ
2V
t)
(14i)
Chuva
(Sans ´o & Guenni, 2000)
X
Dsn: Normal Truncada
X
F
i= (1, long
i, 1, 0, 1, 0)
0X
G
=
G
0
1G
0
2!
.
G
1= I
2e
G
2= 2
harm ˆonicos.
X
t(s
i)
=
w
t(s
i)
βif
w
t(s
i)
> 0
0
if
w
t(s
i) ≤ 0
w
t= z
t+ ν
t, ν
t∼
N
N(0, τ
2I)
z
t= F
0θ
t+
t,
t∼
N
N(0, σ
2V
t)
θ
t= Gθ
t−1+ ω
t, ω
t∼
N
k(0, W
t)
Vaz ˜ao
(Migon & Monteiro, 1997)
X
Dsn: Log-Normal or Gamma
X
ST n ˜ao-stationary
X
Efeito da Chuva: 1st order TF
Y
t|
X
t∼
p(µ
t, φ), t = 1, . . . , T
log(µ
t)
= α
t+ E
tE
t= ρE
t−1+ γ
tX
t+ w
t, w
t∼
N(0, σ
2E)
α
t= G
αα
t−1+ w
α,t, w
α,t∼
N(0, σ
2α)
γ
t= G
γγ
t−1+ w
γ,t, w
γ,t∼
N(0, σ
2γ)
Modelo da Chuva:σ2> 0, V t∈ RN×N, θ ∈ Rk, G ∈ Rk×k, F 0 ∈ RN×k.wt(s) is a latent Gaussian r.v.,τ2I ´e o
efeito pepita,θt= (θt1, θt2)0, ondeθt1´e um atgend ˆencia espacial eθt2descreve os efeitos sazonais.Vt
captura a correlac¸ ˜ao espacial, comVij= exp(−λdij). No model de vaz ˜ao: f= log ou identidade, dependendo
dep(µt, φ).
Chuva
(Sans ´o & Guenni, 2000)
X
Dsn: Normal Truncada
X
F
i= (1, long
i, 1, 0, 1, 0)
0X
G
=
G
0
1G
0
2!
.
G
1= I
2e
G
2= 2
harm ˆonicos.
X
t(s
i)
=
w
t(s
i)
βif
w
t(s
i)
> 0
0
if
w
t(s
i) ≤ 0
w
t= z
t+ ν
t, ν
t∼
N
N(0, τ
2I)
z
t= F
0θ
t+
t,
t∼
N
N(0, σ
2V
t)
θ
t= Gθ
t−1+ ω
t, ω
t∼
N
k(0, W
t)
Vaz ˜ao
(Migon & Monteiro, 1997)
X
Dsn: Log-Normal or Gamma
X
ST n ˜ao-stationary
X
Efeito da Chuva: 1st order TF
Y
t|
X
t∼
p(µ
t, φ), t = 1, . . . , T
log(µ
t)
= α
t+ E
tE
t= ρE
t−1+ γ
tX
t+ w
t, w
t∼
N(0, σ
2E)
α
t= G
αα
t−1+ w
α,t, w
α,t∼
N(0, σ
2α)
γ
t= G
γγ
t−1+ w
γ,t, w
γ,t∼
N(0, σ
2γ)
Chuva
(Sans ´o & Guenni, 2000)
X
Dsn: Normal Truncada
X
F
i= (1, long
i, 1, 0, 1, 0)
0X
G
=
G
0
1G
0
2!
.
G
1= I
2e
G
2= 2
harm ˆonicos.
X
t(s
i)
=
w
t(s
i)
βif
w
t(s
i)
> 0
0
if
w
t(s
i) ≤ 0
w
t= z
t+ ν
t, ν
t∼
N
N(0, τ
2I)
z
t= F
0θ
t+
t,
t∼
N
N(0, σ
2V
t)
θ
t= Gθ
t−1+ ω
t, ω
t∼
N
k(0, W
t)
Vaz ˜ao
(Migon & Monteiro, 1997)
X
Dsn: Log-Normal or Gamma
X
ST n ˜ao-stationary
X
Efeito da Chuva: 1st order TF
Y
t|
X
t∼
p(µ
t, φ), t = 1, . . . , T
log(µ
t)
= α
t+ E
tE
t= ρE
t−1+ γ
tX
t+ w
t, w
t∼
N(0, σ
2E)
α
t= G
αα
t−1+ w
α,t, w
α,t∼
N(0, σ
2α)
γ
t= G
γγ
t−1+ w
γ,t, w
γ,t∼
N(0, σ
2γ)
Modelo da Chuva:σ2> 0, V t∈ RN×N, θ ∈ Rk, G ∈ Rk×k, F 0 ∈ RN×k.wt(s) is a latent Gaussian r.v.,τ2I ´e o
efeito pepita,θt= (θt1, θt2)0, ondeθt1´e um atgend ˆencia espacial eθt2descreve os efeitos sazonais.Vt
captura a correlac¸ ˜ao espacial, comVij= exp(−λdij). No model de vaz ˜ao: f= log ou identidade, dependendo
dep(µt, φ).
Modelo Espac¸o-Temporal: Resultados (1)
O modelo espac¸o-temporal selecionado para a chuva tem intercepto e um efeito linear da longitude na tend ˆencia espacial.
Table:Sum ´ario da posterior dos par ˆametros fixos
mean sd 2,5% 25% 50% 75% 97,5% Rˆ β 1,732 0,016 1,701 1,722 1,732 1,743 1,764 1,001 λ 0,045 0,007 0,033 0,040 0,044 0,050 0,061 1,001 ς2 0,719 0,040 0,644 0,691 0,718 0,746 0,798 1,001 σ2 1,100 0,044 1,015 1,070 1,098 1,128 1,191 1,003 1985 1990 1995 2000 1.5 2.0 2.5 3.0 3.5 (a) Intercept 1985 1990 1995 2000 −1.0 −0.6 −0.2 (b) Longitude 1985 1990 1995 2000 −4 −2 0 2 4 (c)1oHarmonic 1985 1990 1995 2000 −1.5 −0.5 0.5 1.5 (d)2oHarmonic
Modelo espac¸o-temporal da chuva: Resultados (2)
−46.4−13.0 −46.0 −45.6 −45.2 −44.8 −44.4 −44.0 −43.6 −12.6 −12.2 −11.8 −11.4 longitude latitude 234.6 242.3 155.8 239.8 293.1 284.2 335.6 295.6 (a) December, 2000 −46.4−13.0 −46.0 −45.6 −45.2 −44.8 −44.4 −44.0 −43.6 −12.6 −12.2 −11.8 −11.4 longitude latitude 0 0 0 0 0 0 0 0 (b) June, 2002Figure:Rainfall posterior mean for two different months.
mm 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 0 100 200 300 400 500 600
Spatio−Temporal model: mean Spatio−Temporal model: IC 95% Thiessen's method
(a) Rainfall: mean and 95% Interval
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●● ●●●● ●●●●●●●● ●● ● ● ● ●● ● ● ● ● ● 0 100 250 400 550 0 100 250 400 550 Thiessen's method Média a posteriori (b) Q-Q plot
Modelo de TF da Vaz ˜ao: Resultados (1)
Modelos ajustados
(a) N´ıvel b ´asico, func¸ ˜ao de transfer ˆencia e efeito instant ˆaneo - chuva: σ2
α= σ2γ= σ2E= 0, ∀t;
(b) N´ıvel b ´asico, func¸ ˜ao de transfer ˆencia e efeito instant ˆaneo - chuva est ´atico, e FT estoc ´astica:σ2α= σ2γ= 0 e σ2E> 0, ∀t;
(c) N´ıvel b ´asico variando - random walk, e FT e efeito instant ˆaneo - chuva est ´atico: αt= αt−1+ wα,t,σ2
α> 0 e σ2γ= σ2E= 0, ∀t;
(d) N´ıvel b ´asico est ´atico, FT estoc ´astica e efeito instant ˆaneo da chuva variando no tempo - random walk:γt= γt−1+ wγ,t,σ2γ> 0, σ2α= 0 e σ2E> 0, ∀t;
(e) N´ıvel b ´asico est ´atico, FT estoc ´astica e efeito instant ˆaneo da chuva variando no tempo - tend ˆencia constante e 2 harm ˆonicos:γt= Gγγt−1+ wγ,t,σ2
γ> 0, σ2α= 0 e
σ2
E> 0, ∀t. Gγ= diag(1, G2,γ) onde
Modelo de TF da Vaz ˜ao: Resultados (2)
probability 4.65 4.75 4.85 4.95 0 2 4 6 8 Mean (a)α probability 0.45 0.55 0.65 0.75 0 2 4 6 8 Mean (b)ρ γγt Xt 1984 19861988 199019921994 19961998 20002002 0.0 0.2 0.4 0.6 0.8 1.0 Mean IC 95% (c) Instantaneous effect deXt γγ0 1984 1988 1992 1996 2000 0.02 0.03 0.04 0.05 0.06 (d)γt,0Figure:Parameters of (14a)-(14c), (e) and gamma response.
(a) Unit pulse emt= 5 (b) Real pulse - Rainfall
Figure:Func¸ ˜ao de resposta a impulso.
Interpolac¸ ˜ao espacial e Previs ˜ao temporal
mm 2003.0 2003.4 2003.8 2004.2 2004.6 0 50 150 250 350 450 1 mm 2003.0 2003.4 2003.8 2004.2 2004.6 0 50 150 250 350 450 2 mm 2003.0 2003.4 2003.8 2004.2 2004.6 0 50 150 250 350 450 3(a) Rainfall prediction- each station
mm 2003.0 2003.2 2003.4 2003.6 2003.8 2004.0 2004.2 2004.4 2004.6 0 50 100 200 300
400 Spatio−Temporal model: mean Spatio−Temporal model: IC 95% Thiessen's method (b) Rainfall prediction m 3 s 2003.0 2003.2 2003.4 2003.6 2003.8 2004.0 2004.2 2004.4 2004.6 100 140 180 220 260
300 Transfer function model: mean Transfer function model: IC 95% Observed Runoff