Uso de árvore de decisão para escolha de método de preenchimento de falhas em dados meteorológicos

Resumo


As estações tradicionais de coleta de dados meteorológicos estão sendo substituídas por estações automatizadas, gerando uma maior quantidade de aquisição de informações. Entretanto, há também a maior probabilidade de erros como a ausência de dados, o que gera dificuldades na análise das pesquisas e na tomada de decisão dos processos. Tais falhas nos dados devem ser corrigidas para se obter uma base de dados de qualidade e possibilitar análises mais detalhadas e conclusivas. Existem métodos de preenchimento de falhas que realizam este trabalho. No entanto, cada método tem suas características e possuem desempenhos diferentes dependendo das particularidades das falhas. Este trabalho propõe uma metodologia com árvore de decisão para determinar qual método de preenchimento de falhas deve ser utilizado analisando uma série de dados meteorológicos, garantindo uma melhor qualidade no tratamento dos dados.

Palavras-chave: Estação meteorológicas, dados meteorológicos, ausência de dados, preenchimento de falhas, árvore de decisão

Referências

Correia, T. P., Dohler, R. E., Dambroz, C. S., and Binoti, D. H. B. (2016). Aplicação de redes neurais artificiais no preenchimento de falhas de precipitação mensal na região serrana do Espírito Santo. UNESP, Geociências, 35(4):560–567.

Curral, J. (1994). Statistics packages: A general overview. Universidade de Glasgow.

da Silva Júnior, A. A., de Souza Rosa Gomes, R., Ventura, T. M., Rodrigues, T. R.,de Souza Nogueira, J., de Oliveira, A. G., and de Figueiredo, J. M. (2019). Visão geral sobre o tratamento de dados meterológicos no Brasil.Natural Resources, 9(2):59–66.

de Oliveira, A. G. (2009). A importância dos dados das variáveis climáticas nas pesquisas em geografia: Um estudo de caso empregando a precipitação pluviométrica. Caminhosde Geografia - revista online, pages 9–21.

Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). Advances in knowledge discovery and data mining. pages 1–34.

Giroto, D. B., Guldoni, B., and Tommaselli, J. T. G. (2015). A escola na estação meteorológica: a importância da meteorologia no cotidiano humano. 8o Congresso de extensão universitária da UNESP, pages 1–11.

Han, J. and Kamber, M. (2001).Data mining: concepts and techniques. Morgan Kauf-mann Publishers, 1st edition.

Junior, L. C. G. V., Ventura, T. M., Gomes, R. S. R., de S. Nogueira, J., de A. Lobo, F., Vourlitis, G. L., and Rodrigues, T. R. (2020). Comparative assessment of modelled and empirical reference evapotranspirations methods for a brazilian savanna. Agricultural Water Management, volume 232.

Mello, Y. R. d., Kohls, W., and Oliveira, T. M. N. d. (2017). Uso de diferentes métodospara o preenchimento de falhas em estações pluviométricas.Boletim de Geografia,35(1):112–121.

Mentzer, J. T. and Bienstock, C. C. (1998). Sales forecasting management. California: Sage.

Moisen, G. G. (2008). Classification and regression trees. In Sven Erik Jorgensen, B.D. F., editor, Encyclopedia of Ecology, volume 1, pages 582–588. Elsevier.

Nascimento, R. F. F., de Alcantara, E. H., Kampel, M., Stech, J. L., de Moraes Novo, E. M. L., and Fonseca, L. M. G. (2009). O algoritmo Support Vector Machines (SVM): avaliação da separação ótima de classes em imagens CCD-CBERS-2. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, pages 2079–2086.

Rangel, R. H. O., de Oliveira-Junior, J. F., Júnior, A. R. T., Pimentel, L. C. G., and de Gois, G. (2018). Série e transformada de fourier aplicadas no preenchimento de falhas de séries temporais de intensidade do vento na central nuclear almirante Alvaro Alberto, Rio de Janeiro - Brasil. Anuário do Instituto de Geociências - UFRJ, 41(2):74–84.

Ventura, T. M., de Oliveira, A. G., Marques, H. O., Oliveira, R. S., Martins, C. A., de Figueiredo, J. M., and Bonfante, A. G. (2013). Uma abordagem computacional para preenchimento de falhas em dados micro meteorológicos. Revista Brasileira de Ciências Ambientais, (27).

Ventura, T. M., Martins, C. A., de Figueiredo, J. M., de Oliveira, A. G., and Montanher, J. R. P. (2019). Mannga: A robust method for gap filling meteorological data. Revista Brasileira de Meteorologia, 34(2):315–323.

Ventura, T. M., Santana, L. L. R., Martins, C. A., and de Figueiredo, J. M. (2016). Análise da aplicabilidade de métodos estatísticos para preenchimento de falhas em dados meteorológicos. Revista Brasileira de Climatologia, 12:168–177.

Wanderley, H. S., de Amorim, R. F. C., and de Carvalho, F. O. (2012). Variabilidade espacial e preenchimento de falhas de dados pluviométricos para o estado de Alagoas. Revista Brasileira de Meteorologia, 27(3):347–354.

Witten, I. H. and Frank, E. (2005).Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann Publishers and Elsevier,2nd edition.
Publicado
30/06/2020
ZENERE, Pedro Vinicius S.; VENTURA, Thiago Meirelles; GOMES, Raphael de Souza Rosa; RODRIGUES, Thiago Rangel. Uso de árvore de decisão para escolha de método de preenchimento de falhas em dados meteorológicos. In: BRAZILIAN E-SCIENCE WORKSHOP (BRESCI), 14. , 2020, Cuiabá. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 89-96. ISSN 2763-8774. DOI: https://doi.org/10.5753/bresci.2020.11186.