Resumo Atualmente, ao obter séries históricas de precipitação, é necessário realizar o preenchimento de falhas, interpolar e estimar a precipitação para área de interesse, principalmente em locais com baixa densidade de estações pluviométricas. Então, este estudo teve como objetivo gerar um banco de dados espacial com séries históricas de precipitação para o estado do Rio Grande do Sul, que permita a consulta a índices de precipitação por bacia, por município e por coordenadas geográficas, sem a necessidade de pós-processamento. A metodologia foi estruturada em cinco etapas: adquirir, organizar e preencher falhas das séries históricas de precipitação; interpolar, por meio do método Inverso da Potência da Distância (IPD), dados de chuva para uma malha regular com resolução espacial de 20 km; calcular índices de precipitação (Tempo de Retorno, Chuva Média Mensal e Anual, índice de Anomalia de Chuvas (IAC), Número de dias de Precipitação); codificar e dividir bacias hidrográficas a partir do Modelo Digital de Elevação (MDE); gerar banco de dados: organizar matrizes e tabelas para consultas. A validação cruzada da interpolação apresentou um EMA (Erro Médio Absoluto) que variou entre 1,02 e 3,20 mm, enquanto o EMQ (Erro Médio Quadrático) variou entre 6,4 e 8,4 mm. A disponibilização desse banco de dados na internet, com um arquivo de saída compatível com a maioria dos softwares de SIG, representa um ganho importante em pesquisas que necessitem utilizar longas séries temporais.

Abstract Currently, when getting time series of precipitation, it is necessary to perform gap filling, interpolate and estimate precipitation for the study área, mainly in areas where there is a low density of rainfall stations. This study aimed to generate a spatial database with historical time series of precipitation for the state of Rio Grande do Sul, that allows the consultation of precipitation indexes by watershed, by municipality and by geographic coordinates. The methodology was structured in five stages: acquisition, organization and gap filling in time series of precipitation; interpolation, by the method Inverse Distance weighting (IDW), rain data for a regular grid with spatial resolution of 20 km; calculate precipitation rates (precipitation return, average monthly and annual rain, Rainfall Anomaly Index (RAI), number of rainy days); coding and dividing river basins from the Digital Elevation Model (DEM); generate database: organize matrices and tables to consult. The cross validation of the interpolation presented Mean Absolute Error (MAE) that varied between 1,02 and 3,20 mm, while the Mean Square Error (MSE) varied between 6,4 and 8,4mm. The availability of this database on the internet, with an output file compatible with most GIS software, represents an important gain in research that needs to use long time series.

Resumo A precipitação é uma das variáveis climáticas mais importantes para o planejamento urbano e rural, para monitorar eventos extremos que possam causar impactos na sociedade e auxiliar em projetos de drenagem urbana, a fim de reduzir os riscos inerentes a inundações e alagamentos, ou mesmo obras de engenharia, como dimensionamento de barragens. No entanto, as falhas em séries extensas prejudicam esses estudos, sendo necessário utilizar modelos para o seu preenchimento. O presente estudo tem como objetivo revisar os métodos de preenchimento de falhas e de interpolação espacial de dados de precipitação. A revisão dos métodos foi realizada a partir da pesquisa e leitura de materiais bibliográficos, de modo a conceituar as abordagens, identificar vantagens e desvantagens de cada método e apresentar como estudos recentes, nacionais e internacionais, têm inovado ao comparar o desempenho em diferentes áreas de estudo. Com base nessa revisão, os principais métodos para o preenchimento de falhas são os seguintes: i) ponderação a partir de Regressão Linear Simples ou Múltipla; ii) modelos matemáticos baseados em aprendizagem de máquinas, tais como as Redes Neurais Artificiais; iii) interpoladores espaciais para o preenchimento de falhas (Inverso da Distância, Vizinho Natural, Krigagem). Por fim, foi verificada uma evolução das técnicas de interpolação e de preenchimento de falhas nas últimas décadas, em decorrência da evolução da capacidade computacional e tecnológica.

Abstract Precipitation is one of the most important climatic variables for urban and rural planning, to monitor extreme events that may have an impact on society and to assist in urban drainage projects, in order to reduce the risks of floods, or even engineering works, such as dams dimensioning. However, failures in extensive series hamper these studies, and it is necessary to use models to fill them. The present study aims to review the methods of filling in gaps and spatial interpolation of precipitation data. The review of the methods was carried out from the research and reading of bibliographic materials, in order to conceptualize the approaches, identify the advantages and disadvantages of each method and present how recent studies, national and international, have innovated when comparing the performance in different areas of study. Based on this review, the main methods for filling gaps are as follows: i) weighting from Simple or Multiple Linear Regression; ii) mathematical models based on machine learning, such as Artificial Neural Networks; iii) spatial interpolators for filling gaps (Distance Inverse, Natural Neighbor, Krigagem). Finally, there was an evolution in the interpolation and fault filling techniques in the last decades, due to the evolution of computational and technological capacity.

Resumo O preenchimento de falhas em séries temporais de precipitação é um importante processo para aplicações em hidrologia, visando o aproveitamento de longas séries, evitando que as mesmas sejam descartadas. Desse modo, este estudo teve como objetivo realizar o preenchimento de falhas em séries históricas de precipitação diária no Rio Grande do Sul (RS), auxiliando no aproveitamento desses dados em estudos que necessitem de analises de longo prazo. Para tanto, foram utilizadas séries históricas de 287 estações, no período entre 1987 e 2016 e aplicados os métodos de Regressão Linear Múltipla (RLM) e Redes Neurais Artificiais (RNA), comparando e avaliando os valores preenchidos. Um algoritmo foi desenvolvido para realizar as seguintes operações: i) identificar os dias com falhas em cada estação; ii) identificar as estações que podem ser utilizadas para o preenchimento de cada falha; iii) identificar todas as combinações de entrada para o preenchimento de falhas em cada estação; iv) realizar o ajuste/treinamento dos modelos RLM e RNA; v) realizar a validação dos modelos com base no período sem falhas de cada estação. Os principais resultados indicam que a maior densidade de estações pluviométricas favorece o processo de preenchimento de falhas em séries históricas de precipitação, melhorando a qualidade da série preenchida. O preenchimento de falhas apresentou maior coeficiente de determinação e menor erro médio absoluto usando o modelo RLM em relação às RNA, possivelmente em função da forte correlação linear entre os dados de precipitação de cada local em relação a sua vizinhança. O modelo de RLM apresentou um coeficiente de determinação (R2) médio de 0,697, enquanto que o modelo RNA obteve media de 0,675. Levando-se em conta a análise por meio do erro médio absoluto (EMA), a média dos valores foi de 2,27 mm para a RLM, enquanto para a RNA o erro ficou em 2,31 mm. Conclui-se, considerando o conjunto de dados de precipitação diária do RS, que houve uma pequena superioridade do método RLM em relação à RNA.

Abstract The gap filling in time series of precipitation is an important process for applications in hydrology, aiming the use of long series, avoiding that they are discarded. Thus, this study had as objective to gap filling in historical series of daily precipitation in Rio Grande do Sul, assisting in the use of these data in studies that require long term analysis. For that, we used historical series of 287 stations in the period between 1987 and 2016 and comparing the Multiple Linear Regression (MLR) and Artificial Neural Networks (ANN) methods, comparing to evaluating the filled values. An algorithm was developed to perform the following operations: i) identify the days with missing datas in each station; ii) identify the stations that can be used to fill each missing data; iii) identify all combinations of input to fill in failures in each station; iv) perform the adjustment/training of the MLR and ANN models; v) perform validation of the models based on the period without failure of each station. The main results indicate that the higher density of rainfall stations favors the process of filling of faults in historical series of precipitation, improving the quality of the filled series. Gap filling showed a higher coefficient of determination and lower mean absolute error using the MLR model in relation to RNA, possibly due to the strong linear correlation of the precipitation data of each site in relation to their neighborhood. The MLR model presented an average coefficient of determination (R2) of 0.697, while the RNA model obtained an average of 0.675. Considering the analysis by means of the mean absolute error (MAE), the mean values were 2.27 mm for MLR, while for RNA the error was 2.31 mm. It is concluded, considering the daily rainfall data set of RS, that there was a slight superiority of the RLM method in relation to RNA.