Séries Temporais e Técnicas de Regressão: Uma Análise Comparativa a Partir de Dados de Precipitações Pluviométricas Coletados por Estação Meteorológica Automática

  • Ananias Caetano de Oliveira IFCE
  • Adonias Caetano de Oliveira IFCE
  • Rhyan Ximenes de Brito IFCE

Resumo


As previsões de chuva-vazões são aplicadas em cenários de falta de chuvas, como as estiagens e as secas, principal cenário nordestino. No intuito de contribuir com possíveis modelos hidrológicos de apoio à gestão dos recursos hídricos, este artigo analisa o desempenho de Random Forest, Regressão Polinomial e Support Vector Regression Machines em uma série de dados de vazão e chuvas diárias obtidos de uma estação pluviométrica. Os melhores resultados apresentaram o R2 entre 49,8% e 53,2% de acordo com abordagem aplicada para o problema estudado.

Referências

Almeida, A. Q. d., Ribeiro, A., Paiva, Y. G., Rascon Jr, N., Lima, E. P., et al. (2011). Geoestatística no estudo de modelagem temporal da precipitação. Revista Brasileira de Engenharia Agrícola e Ambiental, 15:354–358.

Ballini, R. et al. (2000). Analise e previsões de vasões utilizando modelos de series temporais, redes neurais e redes neurais nebulosas.

Bezerra, M. I. S. (2006). Apostila de análise de séries temporais. UNESP: Curso de estatística. São Paulo, SP.

Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.

Brubacher, J. P., Oliveira, G. G. d., and Guasselli, L. A. (2020). Preenchimento de falhas e espacialização de dados pluviométricos: Desafios e perspectivas. Revista Brasileira de Meteorologia, 35:615–629.

da Costa, E. S. (2019). Análise da série temporal de precipitação total mensal do município de cruz das almas-ba. Universidade Federal do Recôncavo da Bahia. Bacharelado em Ciências Exatas e Tecnológicas.

de Albuquerque, R. C. (2019). Modelagem em séries: aplicação em dados de precipitação na região do sertão de pernambuco-brasil. Universidade Federal Rural de Pernambuco. Programa de Pós-graduação Em Biometria e Estatística Aplicada.

de Lima, P. M. and Guedes, E. B. (2015). Uma abordagem baseada em redes neurais para a predição de chuva em Manaus, Amazonas. Latin America Congress on Computational Intelligence (LA-CCI).

de Mendonça, L. M., de Souza Gomide, I., de Sousa, J. V., and Blanco, C. J. C. (2021). Modelagem chuva-vazão via redes neurais artificiais para simulação de vazões de uma bacia hidrográfica da amazônia. Revista de Gestão de Água da América Latina, 18(2021).

Debastiani, A. B., Neto, S. L. R., and da Silva, R. D. (2019). Árvore modelo frente a uma rede neural artificial para a modelagem chuva-vazão. Nativa, 7(5):527–534.

Drucker, H., Burges, C. J., Kaufman, L., Smola, A., Vapnik, V., et al. (1997). Support vector regression machines. Advances in neural information processing systems, 9:155–161.

Faceli, K., Lorena, A. C., Gama, J., and Carvalho, A. (2011). Inteligência artificial. Uma Abordagem de Aprendizado de Máquina. Editora LTC.

Fan, J. and Gijbels, I. (2018). Local polynomial modelling and its applications: monographs on statistics and applied probability 66. Routledge.

Figueredo, C. J. (2008). Previsão de séries temporais utilizando a metodologia box & jenkins e redes neurais para inicialização de planejamento e controle da produção. Curitiba: UFPR.

Gorodetskaya, Y., da Fonseca, L. G., and de Melo Ribeiro, C. B. (2018). Previsão de vazão de curto prazo utilizando redes neurais artificiais. estudo de caso: Rio paraíba do sul.

Guirado, A. G. (2019). Critérios robustos de seleção de modelos de regressão e identificação de pontos aberrantes. PhD thesis, Universidade de São Paulo.

Ingsrisawang, L., Ingsriswang, S., Somchit, S., Aungsuratana, P., and Khantiyanan, W. (2008). Machine learning techniques for short-term rain forecasting system in the northeastern part of thailand. In Proceedings of World Academy of Science, Engineering and Technology, volume 31. Citeseer.

LIMA, J. R.; MAGALHÃES, A. R. (2018). Secas no nordeste: registros históricos das catástrofes econômicas e humanas do século 16 ao século 21. 23.

Parmezan, A. R. S., Batista, G. E. d. A. P. A., et al. (2016). Descrição de modelos estatísticos e de aprendizado de máquina para predição de séries temporais.

Santana, A. S. d. and Santos, G. R. d. (2020). Impactos da seca de 2012-2017 na região semiárida do nordeste: notas sobre a abordagem de dados quantitativos e conclusões qualitativas.

Santos, J. R. S. and Celeste, A. B. (2014). Avaliação de estratégias de modelagem guiada por dados para previsão de vazão em rio sergipano. Revista Ambiente & Água, 9:488–498.

Schroder, T. et al. (2020). Modelos chuva-vazão: Uso de técnicas de aprendizagem de máquinas para calibração de modelos em uma pequena bacia hidrográfica. Geoambiente On-line, (37).

Soyapi, C. B. (2017). Water security and the right to water in southern africa: an overview. Potchefstroom Electronic Law Journal/Potchefstroomse Elektroniese Regsblad, 20(1).

Stenghele, G., dos Santos, J. A. A., Miura, F. S., Pasa, L. A., and Schmidt, C. A. P. (2020). Previsão de consumo de energia elétrica na região sudeste: Um estudo de caso usando sarima/forecast of electricity consumption in the southeast region: A case study using sarima. Revista FSA (Centro Universitário Santo Agostinho), 17(2):169–183.

Sumi, S. M., Zaman, M. F., and Hirose, H. (2012). A rainfall forecasting method using machine learning models and its application to the fukuoka city case. International Journal of Applied Mathematics and Computer Science, 22:841–854.

Yan, J., Xu, T., Yu, Y., and Xu, H. (2021). Rainfall forecast model based on the tabnet model. Water, 13(9):1272.
Publicado
23/11/2021
Como Citar

Selecione um Formato
OLIVEIRA, Ananias Caetano de; OLIVEIRA, Adonias Caetano de; BRITO, Rhyan Ximenes de. Séries Temporais e Técnicas de Regressão: Uma Análise Comparativa a Partir de Dados de Precipitações Pluviométricas Coletados por Estação Meteorológica Automática. In: ENCONTRO UNIFICADO DE COMPUTAÇÃO DO PIAUÍ (ENUCOMPI), 14. , 2021, Picos. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 97-104. DOI: https://doi.org/10.5753/enucompi.2021.17759.