Resumo: A modelagem estocástica da precipitação pluviométrica apresenta desafios devido à sua complexa variabilidade espaço-temporal. Modelos tradicionais frequentemente assumem separabilidade ou efeitos de advecção constantes, limitando a captura de assimetrias e dinâ- micas inerentes ao fenômeno, como o transporte por massas de ar. Esta dissertação propõe um novo modelo de covariância espaço-temporal não-separável que incorpora múltiplos efeitos de advecção dinâmicos. O modelo generaliza a classe Lagrangiana, permitindo que o vetor de advecção e outros parâmetros da covariância variem ao longo do tempo, e introduz a capacidade de estimar um ponto de mudança temporal que sinaliza alterações no regime do processo. A inferência sobre os parâmetros e a predição (kriging) são realizadas sob um enfoque Bayesiano, utilizando métodos de Monte Carlo via Cadeias de Markov (MCMC), o que permite quantificar incertezas e acomodar naturalmente a difusão associada a campos "non-frozen". Estudos de simulação em grids regulares e irregulares demonstram a superi- oridade preditiva do modelo proposto em relação a abordagens clássicas, especialmente quando o ponto de mudança é estimado adaptativamente. A metodologia foi aplicada a dados horários de precipitação da região do sul de Minas e Rio de Janeiro, capturando com sucesso a dinâmica espaço-temporal e identificando um ponto de mudança relevante no padrão de chuva. Os resultados indicam que a incorporação da advecção dinâmica e a flexibilidade na estimação de mudanças temporais oferecem um framework mais robusto e preciso para a modelagem de fenômenos pluviométricos complexos Ver menos

Abstract: Stochastic modeling of rainfall presents challenges due to its complex space-time variability. Traditional models often assume separability or constant advection effects, limiting their ability to capture asymmetries and dynamics inherent to the phenomenon, such as transport by air masses. This dissertation proposes a new non-separable space-time covariance model that incorporates multiple dynamic advection effects. The model generalizes the Lagrangian class, allowing the advection vector and other covariance parameters to vary over time, and introduces the capability to estimate a temporal change point signaling shifts in the process regime. Parameter inference and prediction (kriging) are performed under a Bayesian framework using Markov Chain Monte Carlo (MCMC) methods, which allows for uncertainty quantification and naturally accommodates the diffusion associated with non- frozen fields. Simulation studies on regular and irregular grids demonstrate the proposed model’s predictive superiority over classical approaches, especially when the change point is estimated adaptively. The methodology was applied to hourly rainfall data from the southern Minas Gerais region and Rio de Janeiro, successfully capturing the space-time dynamics and identifying a relevant change point in the rainfall pattern. The results indicate that incorporating dynamic advection and flexibility in estimating temporal changes offers a more robust and accurate framework for modeling complex rainfall phenomena Ver menos