Com a modernização da tecnologia para coleta de dados, na forma de séries temporais, novos desafios metodológicos, para análise e interpretação dos padrões de variabilidade medidos, são crescentes. Em geral, desafios analíticos e interpretativos ocorrem devido aos diversos problemas de coleta de dados, quando sujeitos às variações extremas no meio ambiente, envio e recebimento de dados por satélite e problemas inerentemente instrumentais. Grande parte das séries temporais coletadas, a partir de experimentos em sistemas naturais, resulta em conjuntos de séries parciais curtas compostas por poucos pontos, comprometendo assim a qualidade das análises estatísticas convencionais. Neste contexto, este projeto de mestrado teve como principal objetivo desenvolver, testar e validar uma nova metodologia computacional para análise de séries temporais curtas, principalmente aquelas que apresentam comportamento não-linear nos domínios do tempo, da amplitude e da freqüência. Esta nova metodologia, denominada Análise Espectral Gradiente (GSA, do inglês Gradient Spectral Analysis) conjuga duas técnicas matemáticas, conhecidas como Análise de Padrões-Gradiente (GPA, do inglês Gradient Pattern Analysis) e Análise Multiresolução por Wavelets (WMA, do inglês Wavelet Multiresolution Analysis). A GSA propõe, primeiramente, classificar diferentes regimes não-lineares a partir da análise de pequenas amostras de séries temporais geradas a partir de processos dinâmicos previamente conhecidos associados a modelos caóticos e estocásticos. Como estudos de caso, testamos o desempenho da GSA na classificação de séries temporais curtas oriundas do meio ambiente: (i) dados de reservatórios aquáticos fornecidos por Furnas Centrais Elétricas S.A.; e (ii) dados de inundação na região do Pantanal fornecidos pela NASA (EUA) a partir do Satélite Nimbus-7 pelo radiômetro SMMR e gentilmente cedidos por S. K. Hamilton (Michigan State University/EUA) - HAMILTON, 1996. Os resultados, em ambos os casos, indicam que a metodologia pode ser robusta em futuras aplicações de classificação e monitoramento das variáveis físicas e limnológicas medidas
With the modernization of data collecting technology, in the time series format, new methodological challenges, for analyzing and interpreting variability patterns, have been growing. In general, such challenges are due to several collecting data problems when they are under extreme environmental variations, data satellite transmission and other inherent instrumental problems. Most of the time series collected, from natural systems, result in partial data set having only few points, thus compromising the performance of usual statistical analysis. In this context, this project had as a main goal to develop, to test and to validate a new computational methodology for short time series analysis, mainly the ones showing non-linear behavior in the time, amplitude and frequency domains. This new methodology, called Gradient Spectral Analysis (GSA) conjugates two mathematical techniques, the so-called Gradient Pattern Analysis (GPA) and the Wavelet Multiresolution Analysis (WMA). The GSA proposes, then, the classification of different non-linear regimes taking into account short samples of time series generated from dynamical processes previously associated to chaotic and stochastic models. As case studies, we test the GSA performance on classification of short times series from the environment: (i) data of water reservoirs provided by Furnas Centrais Elétricas S.A., and (ii) data of flooding in the Pantanal provided by NASA (USA) from the Nimbus-7 Satellite by SMMR radiometer and kindly provided by S. K. Hamilton (Michigan State University / USA) HAMILTON, 1996. The results, in both cases, indicate that the methodology can be robust in future applications for the classification and monitoring of physical and limnological measures.
