This present study aims to evaluate the stratospheric ozone that was continuously measured during 2016 over Campo Grande, the capital of South Mato Grosso state, Brazil. To determine the best-adjusted distribution describing the ozone (O₃) co-generation data in Campo Grande, 15 functions were used while modeling the numerical results. Five sets of data were used: the entire year, spring (September to December), summer (December to March, high solar radiation data), autumn (March to June), and winter (June to September, low solar radiation data) to study the seasonal variation in the statistical behavior of the probability distribution functions. The distribution performances are evaluated using three tests of quality, namely Kolmogorov–Smirnov (K-S), Anderson–Darling (A-D), and Chi-square tests. Finally, all the results of the fitted quality tests have been compared. It has been observed that the generalized extreme value distribution provides a good fit all along the year, while for specific seasons the best distributions vary. The best distributions, according to the seasons, are Gamma 3P for the winter, lognormal 3P for spring, Weibull for summer and Gamma 3P for autumn, respectively. There was a coincidence in the probability distribution function adjustment in winter and autumn, period with lower O₃ concentrations, kurtosis, and skewness. In the summer and spring, it was observed higher concentrations of O₃, kurtosis, and asymmetry and different probability distribution functions.

A evapotranspiração é um fenômeno físico que promove a complexa transferência de água para a atmosfera por meio da relação entre o balanço hídrico climatológico, evaporação da água da superfície e transpiração das culturas agrícolas. É um parâmetro importante para otimização da gestão de recursos hídricos e planejamento da irrigação. Obter medidas confiáveis de evapotranspiração é uma tarefa complexa, pois depende de variáveis não disponíveis em algumas localidades. O objetivo deste trabalho foi aplicar a técnica multivariada de Análise de Componentes Principais para preenchimento de dados faltantes e propor modelos mais simples na estimação da evapotranspiração de referência para o Planalto Ocidental Paulista, comparando-os com o modelo de Penman-Monteith. Foi aplicado um procedimento baseado na Análise de Componente Principais para reconstrução da base de dados meteorológicos do período de 2013 a 2017 de 30 estações meteorológicas automáticas do Planalto Ocidental Paulista, localizado a noroeste do Estado de São Paulo, Brasil. Posteriormente foi realizada uma análise exploratória das variáveis climáticas para verificar o agrupamento de variáveis climáticas mais relevantes nos processos físicos da evapotranspiração. Esses agrupamentos foram a base para a construção de diferentes modelos de estimação da evapotranspiração de referência por meio de Regressões Múltiplas. Os resultados mostraram os melhores desempenhos dos modelos EToRLM4 (rRMSE = 5,23%) e EToRNLM4 (rRMSE = 6,39%). Os valores dos indicativos estatísticos da base de validação de RLM4 e RNLM4 indicam que ambos os modelos de regressões múltiplas podem ser utilizados na estimativa da evapotranspiração de referência.

The tropospheric ozone column (O₃) plays a fundamental role in terrestrial life, particularly in climate variability, and protects the terrestrial biosphere from ultraviolet (UV) radiation. The study investigates the variation of the O₃ concentration column in the Pantanal based on probability distributions. The adequacy of the Log Normal (LN), GUM (Gumbel) and GEV (Generalized Extreme Values) distributions were tested using the Kolmogorov-Smirnov (KS), D (Anderson-Darling), AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion), R²(coefficient of determination) and RMSE (root mean square error) tests in the period from 2005 to 2020. In most months investigated, the Pantanal follows the GUM and GEV probability distributions. In addition, monthly means of O₃ and standard deviations were calculated. It is worth mentioning the variability of O₃ and the impact on climate change.