Avaliação de Agregação Temporal na Previsão da Temperatura de Superfície do Mar do Oceano Atlântico
Resumo
Eventos ambientais extremos como secas afetam milhões de pessoas em todo o mundo. A sua previsão permite a mitigação de eventuais danos causados por sua ocorrência. Uma variável importante para a identificação de ocorrências de secas é a Temperatura da Superfície do Mar (TSM). No Oceano Atlântico Tropical, dados de TSM são coletados e fornecidos pelo projeto PIRATA, que é uma rede de observação composta por boias com sensores dispostas nesta região. Sensores deste tipo, assim como sensores relacionados a Internet das Coisas (IoT), comumente falham, levando a perda de dados que influencia a qualidade dos conjuntos de dados coletados para o ajustamento de modelos de previsão. Neste contexto, esta pesquisa explora a influência da agregação temporal na previsão de horizontesá frente de TSM considerando diferentes horizontes de previsão e diferentes tamanhos dos conjuntos de dados de treino. Os resultados obtidos apontam cenários para conjuntos de treino e horizontes de previsão indicando se séries temporais agregadas de TSM podem ser vantajosas para a previsão.
Referências
Cho, J., Yeh, P. J. F., Lee, Y.-W., Kim, H., Oki, T., Kanae, S., Kim, W., e Otsuki, K. (2010). A study on the relationship between Atlantic sea surface temperature and Amazonian greenness. Ecological Informatics, 5(5):367–378.
Durand, B., Servain, J., Laurent, H., e Machado, L. A. T. (2005). Tropical Atlantic Moisture Flux, Convection over Northeastern Brazil, and Pertinence of the PIRATA Network*. Journal of Climate, 18(12):2093–2101.
EM-DAT (2016). The international disasters database.
GOOS-Brasil (2015). PIRATA Dataset. Technical report, [link].
Gujarati, D. (2002). Basic Econometrics. McGraw-Hill/Irwin, Boston; Montreal, 4 edition edition.
Hertig, E. e Jacobeit, J. (2010). Predictability of Mediterranean climate variables from oceanic variability. Part II: Statistical models for monthly precipitation and temperature in the Mediterranean area. Climate Dynamics, 36(5-6):825–843.
Perera, C., Liu, C. H., Jayawardena, S., e Chen, M. (2014). A survey on internet of things from industrial market perspective. IEEE Access, 2:1660–1679.
Salles, R., Assis, L., Guedes, G., Bezerra, E., Porto, F., e Ogasawara, E. (2017). A framework for benchmarking machine learning methods using linear models for univariate time series prediction. In The 2017 International Joint Conference on Neural Networks (IJCNN), pages 1–8.
Salles, R., Bezerra, E., Soares, J., e Ogasawara, E. (2015). Evaluating Linear Models as a Baseline for Time Series Imputation. In XXX Simpósio Brasileiro de Banco de Dados, Petrópolis, RJ.
Salles, R., Mattos, P., Iorgulescu, A.-M. D., Bezerra, E., Lima, L., e Ogasawara, E. (2016). Evaluating temporal aggregation for predicting the sea surface temperature of the Atlantic Ocean. Ecological Informatics, 36:94–105.
Salles, R. P. e Ogasawara, E. (2015). TSPred: Functions for Baseline-Based Time Series Prediction. Technical report, [link].
Shumway, R. H. e Stoffer, D. S. (2010). Time Series Analysis and Its Applications: With R Examples. Springer, New York, 3rd ed. 2011 edition edition.
Teixeira, P. M., Dubois-Iorgulescu, A.-M., Salles, R., Bezerra, E., Ogasawara, E., e Lima, L. S. d. (2015). Uso de Redes Neurais para Previsão da Temperatura da Superfície do Mar do Oceano Atlântico Tropical. In IX Brazilian e-Science Workshop, Recife, PE.
Tiao, G. C. (1972). Asymptotic behaviour of temporal aggregates of time series. Biometrika, 59(3):525–531.
Wei, W. W. S. (2005). Time Series Analysis : Univariate and Multivariate Methods. Pearson, Boston, 2 edition edition.
