Exploratory Analysis of Spatiotemporal Patterns in Meteorological Data

• Rosa Virginia Encinas Quille Universidade de São Paulo (USP) http://orcid.org/0000-0001-9166-1741
• Felipe Valencia de Almeida Universidade de São Paulo (USP) https://orcid.org/0000-0003-2031-6443
• Danielle Monteiro Universidade de São Paulo (USP) https://orcid.org/0009-0009-3954-2687
• Pedro Luiz Pizzigatti Corrêa Universidade de São Paulo (USP)

DOI: https://doi.org/10.5753/bresci.2025.248219

Resumo

Estudos meteorológicos sobre variáveis atmosféricas impactam diferentes setores da sociedade, como a agricultura e a saúde. A análise meteorológica é fundamental para as ciências atmosféricas, os serviços meteorológicos e a cooperação internacional, enquanto a qualidade e o controle dos dados são essenciais para a análise e o monitoramento ambiental. Este trabalho apresenta uma ferramenta aberta voltada para a análise exploratória de dados do Instituto Nacional de Meteorologia do Brasil. Foi realizado um estudo de caso envolvendo a análise exploratória de dados de uma torre de medição na cidade de São Paulo. Foi possível desenvolver uma ferramenta capaz de trabalhar com dados de diversas torres espalhadas pelo Brasil, oferecendo visualizações simplificadas das variáveis medidas.

Palavras-chave: Data visualization, Metorological data, Time series

Referências

Akkem, Y., Biswas, S. K., and Varanasi, A. (2023). Smart farming using artificial intelligence: A review. Engineering Applications of Artificial Intelligence, 120:105899. DOI: 10.1016/j.engappai.2023.105899.

Anderson, K. (2005). Predicting the weather: Victorians and the science of meteorology. University of Chicago Press.

Buono, P., Aris, A., Plaisant, C., Khella, A., and Shneiderman, B. (2005). Interactive pattern search in time series. In Erbacher, R. F., Roberts, J. C., Grohn, M. T., and Borner, K., editors, Visualization and Data Analysis 2005, volume 5669, pages 175 – 186. International Society for Optics and Photonics, SPIE. DOI: 10.1117/12.587537.

Ceravolo, R., Coletta, G., Miraglia, G., and Palma, F. (2021). Statistical correlation between environmental time series and data from long-term monitoring of buildings. Mechanical Systems and Signal Processing, 152:107460. DOI: 10.1016/j.ymssp.2020.107460.

Choi, K., Yi, J., Park, C., and Yoon, S. (2021). Deep learning for anomaly detection in time-series data: Review, analysis, and guidelines. IEEE Access, 9:120043–120065. DOI: 10.1109/ACCESS.2021.3107975.

Daipha, P. (2019). Masters of uncertainty: Weather forecasters and the quest for ground truth. University of Chicago Press.

Defrise, P. (1958). Petterssen, s.-introduction to meteorology. Ciel et Terre, Vol. 74, p. 472, 74:472.

Harrison, G. (2014). Meteorological measurements and instrumentation. John Wiley & Sons.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.

Ravindra, K., Rattan, P., Mor, S., and Aggarwal, A. N. (2019). Generalized additive models: Building evidence of air pollution, climate change and human health. Environment International, 132. DOI: 10.1016/j.envint.2019.104987.

Tredennick, A. T., Hooker, G., Ellner, S. P., and Adler, P. B. (2021). A practical guide to selecting models for exploration, inference, and prediction in ecology. Ecology, 102(6):e03336. DOI: 10.1002/ecy.3336.

Vuckovic, M. and Schmidt, J. (2020). Visual analytics approach to comprehensive meteorological time-series analysis. Data, 5(4). DOI: 10.3390/data5040094.

Zhai, Z., Martínez, J. F., Beltran, V., and Martínez, N. L. (2020). Decision support systems for agriculture 4.0: Survey and challenges. Computers and Electronics in Agriculture, 170:105256. DOI: 10.1016/j.compag.2020.105256.