Previsão da Emissão de CO2 e Gases do Efeito Estufa em Lavouras de Arroz no Estado do Rio Grande do Sul

Autores

  • Dalvana L. Ribeiro
  • Viviane L. D. de Mattos
  • André A. Longaray

DOI:

https://doi.org/10.5540/03.2023.010.01.0083

Palavras-chave:

Séries temporais, Gases do Efeito Estufa, ARIMA, Previsão

Resumo

Nos últimos anos, os grandes volumes de emissões de gases do efeito estufa e CO2 tem preocupado e gerado discussões em todo mundo. A elevação da temperatura e os desastres ambientais, cada vez mais constantes, evidenciam a necessidade da abordagem desse tema. Nesse sentido, o objetivo do estudo foi realizar a previsão da emissão de CO2 e gases do efeito estufa em lavouras de arroz no estado do Rio Grande do Sul. Os dados utilizados foram provenientes do Sistema de Estimativas de Emissões e Remoções de Gases de Efeito Estufa (SEEG). Para as análises foi utilizada uma série temporal anual no período de 1970 a 2021, e calculadas as predições por meio de métodos básicos (média, naive e drift) e o modelo mais complexo ARIMA. A acurácia dos modelos foi avaliada por meio de valores RMSE, MAPE E MAE. Entre os modelos analisados, o modelo ARIMA obteve resultados satisfatórios ao comparar com os valores reais da série estudada.

Downloads

Não há dados estatísticos.

Biografia do Autor

Dalvana L. Ribeiro

Programa de Pós-Graduação em Modelagem Computacional (PPGMC)/FURG

Viviane L. D. de Mattos

Programa de Pós-Graduação em Modelagem Computacional (PPGMC)/FURG

André A. Longaray

Programa de Pós-Graduação em Modelagem Computacional (PPGMC)/FURG

Referências

D. A. Dickey e W. A. Fuller. “Likelihood ratio statistics for autoregressive time series with a unit root”. Em: Econometrica: journal of the Econometric Society (1981), pp. 1057–1072.

A. Haneen et al. “On the accuracy of ARIMA based prediction of COVID-19 spread”. Em: Results in Physics 27 (2021), p. 104509.

R. J. Hyndman e G. Athanasopoulos. Forecasting: principles and practice. OTexts, 2018.

IBGE. Site oficial do Instituto Brasileiro de Geografia e Estatıstica: Projeção da População do Brasil por sexo e idade. Online. Acessado em 07/11/2022, http://www.ibge.gov.br.

P. A. Morettin e C. M. C. Toloi. Análise de séries temporais. 2a. ed. São Paulo: Blucher, 2006. isbn: 8521203896.

P. A. Morettin e C. M. C. Toloi. Análise de séries temporais: modelos lineares univariados. 3a. ed. São Paulo: Blucher, 2018. isbn: 9788521213512.

D. S. Paiva et al. “Mercado voluntário de carbono: análises de cobenefıcios de projetos brasileiros”. Em: Revista de Administração Contemporânea 19 (2015), pp. 45–64.

G. W. Schwert. “Why does stock market volatility change over time?” Em: The journal of finance 44.5 (1989), pp. 1115–1153.

R. C. Team et al. “R: A language and environment for statistical computing. R Foundation for Statistical Computing.” Em: (https://www.R-project.org/).

H. Tian et al. “A comprehensive quantification of global nitrous oxide sources and sinks”. Em: Nature 586.7828 (2020), pp. 248–256.

Downloads

Publicado

2023-12-18

Edição

Seção

Trabalhos Completos