Seasonal Hydrological and Meteorological Time Series

Time series models are often used in hydrology and meteorology studies to model streamflows series in order to make forecasting and generate synthetic series which are inputs for the analysis of complex water resources systems. In thispaper we introduce a new modeling approach for hydrologic and meteorological time series assuming a continuous distribution for the data, where both the conditional mean and conditional varianceparameters are modeled. Bayesian methods using standard MCMC (Markov Chain Monte Carlo Methods) are used to simulate samples for the joint posterior distribution of interest. Two applications to real data sets illustrate the proposedmethodology, assuming that the observations come from a normal, a gamma or a beta distribution. A first example is given by a time series of monthly averages of natural streamflows, measured in the year period ranging from1931 to 2010 in Furnas hydroelectric dam, Brazil. A second example is given with a time series of 313 air humidity data measured in a weather station of Rio Claro, a Brazilian city located in southeastern of Brazil. These applications motivate us to introduce new classes of models to analyze hydrological and meteorological time seriesLos modelos de series de tiempo se usan a menudo en estudios de hidrología y meteorología para modelar series de flujos a fin de hacer pronósticos y generar series sintéticas que son insumos para el análisis de sistemas complejos de recursos hídricos. En este artículo presentamos un nuevo enfoque de modelado para series de tiempo hidrológicas y meteorológicas asumiendo una distribución continua para los datos, donde se modelan los parámetros tanto de la media condicional como de la varianza condicional. Métodos bayesianos estándares que usan MCMC (Markov Chain Monte Carlo) son usados para simular muestras de la distribución a posteriori conjunta de interés. Dos aplicaciones a conjuntos de datos reales ilustran la metodología propuesta, asumiendo que las observaciones provienen de una distribución normal, gamma o beta. Un primer ejemplo está dado por una serie temporal de promedios mensuales de los caudales naturales, medidos en el período anual que va de 1931 a 2010 en la presa hidroeléctrica de Furnas, Brasil. Un segundo ejemplo considera una serie temporal de 313 datos de humedad del aire medidos en una estación meteorológica de Río Claro, una ciudad brasileña ubicada en el sureste de Brasil. Estas aplicaciones nos motivan a introducir nuevas clases de modelos para analizar series de tiempo hidrológicas y meteorológicas