Modelagem de temperatura máxima não estacionária de Piracicaba (SP): uma abordagem bayesiana

A temperatura é um dos fenômenos que vêm sendo estudadas e debatidos por muitos pesquisadores sobre os aumentos (tendências) percebidos nas intensidades das temperaturas nas últimas décadas, e a ocorrência de temperaturas máximas, que é conhecido como evento extremo originado principalmente por o aquecimento global, e que estão relacionados à baixa probabilidade de ocorrência (eventos raros), e sendo de elevado impacto devido aos imensos prejuízos que eles podem causar. A teoria dos valores extremos desempenha um papel fundamental na modelagem de eventos raros que se tornaram tema de notória relevância nas últimas décadas. O presente estudo tem por objetivo modelar, via inferência Bayesiana, a temperatura máxima de Piracicaba-SP utilizando funções lineares e não lineares para incorporar a tendência no parâmetro de posição da distribuição generalizada de valores extremos (GEV). Foram utilizadas como prioris as distribuições normal e uniforme para elicitação da informação. A obtenção das marginais das distribuições a posteriori foi utilizada o método Monte Carlo via cadeias de Markov. Foram selecionadas as melhores distribuições analisando o fator de Bayes e critérios de decisão, Critério de Informações do Desvio (DIC) e o erro médio de predição (EMP). A distribuição GEV incorporando tendência não linear no parâmetro de posição mostrou ser eficiente na previsão de temperatura máxima mensal (TMM) de Piracicaba-SP e apresentando resultados mais precisos, razoáveis e com menores erros de previsão, verificou-se que nos meses janeiro a março e agosto e setembro, a melhor distribuição foi a GEV estacionária. Nos meses de abril a junho e outubro, a melhor distribuição foi a GEV não estacionária com tendência linear e com tendência não-linear para os meses julho, novembro e dezembro. Em quatro dos meses a priori informativa propiciou resultados mais precisos. As temperaturas máximas esperadas para diferentes tempos de retorno foram preditas.