Revista Recursos Hídricos

DOI:10.5894/rh37n1-cti1
O texto deste artigo foi submetido para revisão e possível publicação em outubro de 2015, tendo sido aceite pela Comissão de Editores Científicos Associados em janeiro de 2016. Este artigo é parte integrante da Revista Recursos Hídricos, Vol. 37, Nº 1, 47-58, março de 2016.5.

Esquema Bayesiano para estimar a distribuição de precipitações máximas anuais com duração subdiária em Portugal Continental

A Bayesian approach for estimating the distribution of anual maximum rainfalls with sub-daily duration in Mainland Portugal

Artur Tiago Silva¹, Maria Manuela Portela¹

---

1 - CEris, Instituto Superior Técnico, Universidade de Lisboa

---

RESUMO
O presente artigo propõe um esquema, enquadrado no paradigma Bayesiano de inferência estatística, para a estimação de valores de projecto de precipitações máximas anuais com durações subdiárias. Tal esquema pretende combinar a informação contida em amostras, expectavelmente curtas, de registos subdiários da precipitação com informação resultante de longas amostras de precipitações diárias máximas anuais e com o conhecimento prévio que advém de estudos antecedentes sobre precipitações intensas. Exemplifica-se a aplicação do procedimento proposto com base em dados da estação meteorológica de Abrantes. Os resultados obtidos validam a aplicação de técnicas Bayesianas de inferência estatística num contexto de escassez de informação hidrológica em futuros estudos sobre precipitações intensas de curta duração em Portugal Continental. 

Palavras-chave: Precipitações intensas subdiárias; análise Bayesiana; Monte Carlo via cadeias de Markov (MCMC).

ABSTRACT
The present article proposes a methodology for estimating design values of sub-daily extreme rainfalls based on the Bayesian paradigm of statistical inference. The proposed methodology combines information from expectedly short samples of sub-daily rainfall extremes with information from longer samples of extreme daily rainfalls and with prior knowledge obtained from previous studies on extreme rainfalls in Portugal. The application of the procedure is exemplified with raingauge data at Abrantes. The obtained results validate the use of Bayesian techniques under scarcity of hydrologic information in future studies on extreme rainfalls with a short duration in Mainland Portugal.

Keywords: Sub-daily extreme rainfalls; Bayesian inference; Markov chain Monte Carlo (MCMC).

 

Brandão, C., Rodrigues, R., Costa, J. (2001). Análise de fenómenos extremos. Precipitações intensas em Portugal Continental. Lisboa, DSRH. http://snirh.pt/snirh/download/relatorios/
relatorio_prec_intensa.pdf

Coles, S. G., Tawn, J. A. (1996). A Bayesian analysis of extreme rainfall data. Applied statistics, 463-478.

Coles, S. (2001). An Introduction to Statistical Modeling of Extreme Values, Springer, London.

Correia, M.G.P. (2008) Análise da precipitação máxima com média duração em Portugal Continental. Tese de Mestrado. Instituto Superior Técnico, Lisboa, Portugal.

Davison, A. C. (2003). Statistical Models, Cambridge University Press.
Fisher, R., e Tippett, L. (1928). Limiting forms of the frequency distribution of the largest or smallest member of a sample. In: Mathematical Proceedings of the Cambridge Philosophical Society, vol. 24. Cambridge Univ Press.

Gamerman, D., Lopes, H.F. (2006). Markov chain Monte Carlo: stochastic simulations for Bayesian inference. CRC Press

Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., Rubin, D. B. (2013). Bayesian Data Analysis. CRC Press.

Gnedenko, B. (1943). Sur la distribution limite du terme maximum d’une série aléatoire. The Annals of Mathematics: 44(3), 423–453.

Hastings, W.K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97-109.

Metropolis, N., Rosenbluth, A.W., Rosenbluth, M.N., Teller, A.H., Teller, E. (1953). Equation of state calculations by fast computing machines. The journal of chemical physics, 21(6), 1087-1092.

Metropolis, N., Ulam, S. (1949). The monte carlo method. Journal of the American statistical association, 44(247), 335-341.

Merz, B., Thieken, A. H. (2005). Separating natural and epistemic uncertainty in flood frequency analysis. Journal of Hydrology, 309(1), 114-132.

Naghettini, M., Pinto, E. (2007). Hidrologia Estatística, CPRM, Belo Horizonte, Brasil. 2007. http://www.cprm.gov.br/publique/cgi/cgilua.exe/
sys/start.htm?infoid=981&sid=36
Paulino, C.D.M, Turkman, M.A.A., Murteira, B. (2003) Estatística Bayesiana. Fundação Calouste Gulbenkian.

Portela, M.M. (2006). Estimação de Precipitações Intensas em Bacias Hidrográficas de Portugal Continental, Recursos Hídricos, Vol. 27(1), pp. 15‐32.

R Core Team (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing. http://www.R-project.org/

Robert, C. (2007). The Bayesian choice: from decision-theoretic foundations to computational implementations. Springer.

Robert, C., Casella, G. (2004). Monte Carlo statistical methods. Springer.

Statisticat, LLC (2013). LaplacesDemon: Complete Environment for Bayesian Inference. R packages version 13(04)

Viglione, A., Merz, R., Salinas, J.L., Blöschl, G. (2013). Flood frequency hydrology: 3. A Bayesian analysis. Water Resources Research, 49(2), 675-692.

.