Modelagem probabilística de sistemas climáticos através de cadeias de Markov: uma análise computacional da dinâmica temporal de estados meteorológicos

Vitor Amadeu Souza

doi:10.22481/recic.v8i1.16982

Autores

Vitor Amadeu Souza Instituto Militar de Engenharia (IME) https://orcid.org/0009-0002-1857-6799

DOI:

https://doi.org/10.22481/recic.v8i1.16982

Palavras-chave:

Cadeias de Markov, Modelagem Climática, Sistemas Estocásticos, Distribuição Estacionária, Simulação Monte Carlo

Resumo

Este trabalho apresenta uma análise computacional da aplicação de cadeias de Markov discretas na modelagem de sistemas climáticos simplificados, utilizando três estados meteorológicos fundamentais: Sol, Nublado e Chuva. Através da implementação de uma classe Python especializada, foi desenvolvido um framework para análise de propriedades estocásticas, incluindo distribuição estacionária, tempos médios de retorno e convergência probabilística. Os resultados demonstram que o modelo atinge uma distribuição estacionária com 45,65% de probabilidade para dias ensolarados, 28,26% para dias nublados e 26,09% para dias chuvosos. A análise de convergência revelou que o sistema estabiliza-se rapidamente, atingindo o regime estacionário em aproximadamente 10 passos temporais. Os tempos médios de retorno calculados indicaram periodicidades de 2,19 dias para Sol, 3,54 dias para Nublado e 3,83 dias para Chuva. As simulações Monte Carlo validaram a consistência teórica do modelo, apresentando convergência das frequências empíricas para os valores teóricos previstos. Este estudo contribui para o entendimento da aplicabilidade de modelos markovianos em meteorologia computacional e fornece uma base metodológica para análises preditivas em sistemas dinâmicos discretos.

Downloads

Não há dados estatísticos.

Biografia do Autor

Vitor Amadeu Souza, Instituto Militar de Engenharia (IME)

Doutorando em Engenharia de Defesa pelo IME e mestre em Física pelo CBPF, possui formação multidisciplinar em engenharias, computação, ciência de dados, inteligência artificial, automação e gestão de projetos. Atua há vários anos no desenvolvimento de projetos de hardware e software para os setores industrial, automotivo, médico, científico, comercial e de automação. É professor universitário e administrador da Cerne Tecnologia, empresa voltada ao desenvolvimento de sistemas embarcados, kits didáticos e educação tecnológica. Também é associado à SBC, SBIA e SBR, além de autor de vasta produção técnica e científica nas áreas de eletrônica, computação, automação e tecnologias digitais.

Referências

ROSS, S. M. Introduction to Probability Models. 11. ed. Amsterdam: Academic Press, 2014.

WILKS, D. S. Statistical Methods in the Atmospheric Sciences. 3. ed. Amsterdam: Academic Press, 2011.

GABRIEL, K. R.; NEUMANN, J. A Markov chain model for daily rainfall occurrence at Tel Aviv. Quarterly Journal of the Royal Meteorological Society, v. 88, n. 375, p. 90–95, 1962. Disponível em: https://rmets.onlinelibrary.wiley.com/doi/abs/10.1002/qj.49708837511. Acesso em: 12 fev. 2025.

KATZ, R. W. Precipitation as a chain-dependent process. Journal of Applied Meteorology, v. 16, n. 7, p. 671–676, 1977. Disponível em: https://www.jstor.org/stable/26177956. Acesso em: 22 fev. 2025.

RICHARDSON, C. W. Stochastic simulation of daily precipitation, temperature, and solar radiation. Water Resources Research, v. 17, n. 1, p. 182–190, 1981. Disponível em: https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/wr017i001p00182. Acesso em: 3 mar. 2025.

NORRIS, J. R. Markov Chains. Cambridge: Cambridge University Press, 1997.

MCKINNEY, W. Data structures for statistical computing in Python. In: VAN DER WALT, S.; MILLMAN, J. (Ed.). Proceedings of the 9th Python in Science Conference. Austin, TX: SciPy, 2010. p. 51–56. Disponível em: https://pdfs.semanticscholar.org/ef4e/f7f38bb907e5d7b4df3e6ff1db269d4970f5.pdf. Acesso em: 6 mar. 2025.

KEMENY, J. G.; SNELL, J. L. Finite Markov Chains. New York:Springer-Verlag, 1976.

CHUNG, K. L. Markov Chains with Stationary Transition Probabilities. 2. ed. New York: Springer-Verlag, 1967.

ISAACSON, D. L.; MADSEN, R. W. Markov Chains: Theory and Applications. New York: John Wiley & Sons, 1976.

KATZ, R. W.; PARLANGE, M. B. Effects of an index of atmospheric circulation on stochastic properties of precipitation. Water Resources

Research, v. 34, n. 8, p. 2017–2021, 1998. Disponível em: https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/93WR00569. Acesso em: 16 abr. 2025.

GOLUB, G. H.; VAN LOAN, C. F. Matrix Computations. 4. ed. Baltimore: Johns Hopkins University Press, 2013.

HAGBERG, A. A.; SCHULT, D. A.; SWART, P. J. Exploring network structure, dynamics, and function using NetworkX. In: VAROQUAUX, G.; VAUGHT, T.; MILLMAN, J. (Ed.). Proceedings of the 7th Python in Science Conference. Pasadena, CA: SciPy, 2008. p. 11–15. Disponível em: https://www.osti.gov/biblio/960616. Acesso em: 23 mar. 2025.

HARRIS, C. R. et al. Array programming with NumPy. Nature, v. 585, n. 7825, p. 357–362, 2020. Dispon´ ıvel em: https://www.nature.com/articles/s41586-020-2649-2. Acesso em: 2 abr. 2025.

HUNTER, J. D. Matplotlib: a 2D graphics environment. Computing in Science & Engineering, v. 9, n. 3, p. 90–95, 2007. Disponível em: https://www.computer.org/csdl/magazine/cs/2007/03/c3090/13rRUwbJD0A. Acesso em: 2 mar. 2025.

WASKOM, M. L. Seaborn: statistical data visualization. Journal of Open Source Software, v. 6, n. 60, p. 3021, 2021. Dispon´ ıvel em: https://joss.theoj.org/papers/10.21105/joss.03021.pdf. Acesso em: 13 abr. 2025.