Abstract This article evaluates four statistical methods of multiple imputation to fill in the missing data of daily precipitation in Northeast Brazil (NEB). We used a daily database collected by 94 rain gauges distributed in NEB from January 1, 1986 to December 31, 2015. The methods were: random sampling from the observed values; predictive mean matching, Bayesian linear regression; and bootstrap expectation maximization algorithm (BootEm). To compare these methods, missing data from the original series were initially excluded. The next step was to create three scenarios for each method, in which 10\%, 20\% and 30\% of the data were removed at random. The BootEM method presented the best statistical results. With the average bias between the complete series and the imputed series values ranging between -0.91 and 1.30 mm/day. The values of the Pearson correlation ranging between 0.96, 0.91 and 0.86 respectively for 10\%, 20\% and 30\% missing data. We conclude that this is an adequate method for the reconstruction of historical precipitation data in NEB.

O objetivo deste estudo foi avaliar as estimativas de precipitação mensal fornecidas por duas fontes (algoritmo 3B43_V6 e Universidade de Delaware) para o Estado do Rio Grande do Norte, no período de 1998 a 2008. Utilizaram-se técnicas estatísticas baseadas em coeficiente de correlação linear e em índices de desempenho extraídos de uma tabela de contingência 2x2. Na análise, consideraram-se diferentes regimes pluviométricos, que são função da localização geográfica e do tipo de cobertura do solo. Constatou-se que o algoritmo 3B43_V6 subestimou a precipitação para a região Litorânea e superestimou a precipitação observada em regiões mais áridas (Seridó e Oeste). A precipitação de Delaware apresentou médias similares às observações, mas verificaram-se algumas discrepâncias aparentemente associadas ao método de interpolação e ao espaçamento de grade. Os resultados sugerem que ambos os produtos são capazes de representar variabilidades médias da precipitação mensal no espaço e no tempo; porém, apresentaram deficiências em identificar os eventos mais intensos de precipitação.

The aim of this study was to evaluate the monthly rainfall estimates obtained by two data sources (3B43_V6 algorithm and University of Delaware) for the State of Rio Grande do Norte, during the 1998 to 2008 period. Statistical analysis based on the linear correlation coefficient and on the performance index from a 2x2 contingency table was done. Coastland and semiarid precipitation regimes which depend on geographical location and on soil type coverage were considered. It was noted that the 3B43_V6 underestimated the coastland rainfall and overestimated the rainfall over arid zones. The Delaware mean rainfall agreed well with observed rainfall, but shows discrepancies concerning to interpolation method and grid spacing. The results suggests that both 3B43_V6 and Delaware rainfall dataset are able to capture the rainfall mean variability both in time and space; however, they show deficiency in identifing extreme precipitation events.

Este artigo discute um modelo de previsão combinada para a realização de prognósticos climáticos na escala sazonal. Nele, previsões pontuais de modelos estocásticos são agregadas para obter as melhores projeções no tempo. Utilizam-se modelos estocásticos autoregressivos integrados a médias móveis, de suavização exponencial e previsões por análise de correlações canônicas. O controle de qualidade das previsões é feito através da análise dos resíduos e da avaliação do percentual de redução da variância não-explicada da modelagem combinada em relação às previsões dos modelos individuais. Exemplos da aplicação desses conceitos em modelos desenvolvidos no Instituto Nacional de Meteorologia (INMET) mostram bons resultados e ilustram que as previsões do modelo combinado, superam na maior parte dos casos a de cada modelo componente, quando comparadas aos dados observados.

This article discusses a combined model to perform climate forecast in a seasonal scale. In it, forecasts of specific stochastic models are aggregated to obtain the best forecasts in time. Stochastic models are used in the auto regressive integrated moving average, exponential smoothing and the analysis of forecasts by canonical correlation. The quality control of the forecast is based on the residual analysis and the evaluation of the percentage of reduction of the unexplained variance of the combined model with respect to the individual ones. Examples of application of those concepts to models developed at the Brazilian National Institute of Meteorology (INMET) show good results and illustrate that the forecast of the combined model exceeds in most cases each component model, when compared to observed data.