Geração de séries temporais de dados meteorológicos utilizando algoritmos de aprendizado de máquina.

Vista sencilla de ítem
dc.contributorHENRIQUE LIMA CARÁ DE OLIVEIRA, Unicamp, Bolsista CNPq; STANLEY ROBSON DE MEDEIROS OLIVEIRA, CNPTIA; JOSE EDUARDO B DE ALMEIDA MONTEIRO, CNPTIA.
dc.creatorOLIVEIRA, H. L. C. de
dc.creatorOLIVEIRA, S. R. de M.
dc.creatorMONTEIRO, J. E. B. de A.
dc.date2017-10-19T09:29:55Z
dc.date2017-10-19T09:29:55Z
dc.date2017-10-18
dc.date2017
dc.date2020-01-21T11:11:11Z
dc.date.accessioned2026-07-07T04:15:16Z
dc.descriptionRESUMO - Este trabalho objetivou desenvolver uma metodologia baseada em algoritmos de Aprendizado de Máquina para gerar séries espaço-temporais de precipitação e temperatura. Foi definida uma região de estudo de formato retangular, entre as latitudes de -18º e -22º e as longitudes de -52º e -39º, incluindo a metade norte do Estado de São Paulo e parte do sul de Goiás, a metade sul de Minas Gerais e o Estado do Espírito Santo. A região foi escolhida por ser climaticamente bastante heterogênea e por conter muitas estações meteorológicas de diversas instituições, principalmente ANA e INMET. Foram utilizadas as séries temporais de precipitação e de temperatura máxima e mínima disponíveis na região, compreendendo o período de 01/01/1999 a 31/12/2013. Também foram utilizadas as bases externas TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grades que cobrem a região de estudo. A região de estudo foi subdividida em formato de grade regular com resolução de 0,5º (latitude e longitude), resultando em 280 quadrículas, sendo 28 na horizontal e 10 na vertical. Para cada quadrícula foram ajustados modelos preditivos de precipitação diária, acumulada de 10 dias, temperatura máxima e temperatura mínima. Os resultados revelaram um bom ajuste dos modelos em relação aos valores previstos e observados, indicando um grande potencial da metodologia proposta tanto para a imputação de dados ausentes quanto para a geração de séries espaço-temporais em regiões sem a presença de dados medidos.
dc.descriptionCIIC 2017. Nº 17602.
dc.format1 CD-ROM.
dc.formatNão paginado.
dc.identifierIn: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 11., 2017, Campinas. Anais... [S.l: s.n.], 2017.
dc.identifier978-85-7029-141-7
dc.identifierhttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1077534
dc.identifier.urihttp://hdl.handle.net/123456789/455677
dc.languagepor
dc.rightsopenAccess
dc.subjectSéries temporais
dc.subjectAprendizado de máquina
dc.subjectAprendizado com classes desbalanceadas
dc.subjectModelos preditivos
dc.subjectImputação de dados
dc.subjectAlgoritmo Random Forest
dc.subjectUnbalanced class learning
dc.subjectPredictive modeling
dc.subjectData imputation
dc.subjectAgrometeorologia
dc.subjectMachine Learning
dc.subjectTime series analysis
dc.subjectArtificial intelligence
dc.subjectAgrometeorology
dc.titleGeração de séries temporais de dados meteorológicos utilizando algoritmos de aprendizado de máquina.
dc.typeArtigo em anais e proceedings

Archivos

Colecciones

Embrapa Agricultura Digital (CNPTIA)