Avaliação de Desempenho Utilizando Diferentes Arquiteturas de Aprendizagem Profunda a Partir de Dados Relacionados a Precipitação Pluviométrica Coletados por Estação Meteorológica Automática
Resumo
As chuvas exercem um importante papel no contexto social por trazerem a possibilidade de planejamento para o cultivo e colheita de várias culturas alimentares. Dessa forma o estudo teve como finalidade a predição de precipitações pluviométricas através da aplicação das Redes Neurais Convolucionais. Para a metodologia utilizou-se de uma base de dados colhida por uma estação meteorológica automática e da aplicação das arquiteturas LeNet, VGGNet e ResNet, assim como das técnicas k-fold, SMOTE e normalização z-score. Os resultados demonstraram que a arquitetura VGGNet obteve a melhor taxa média de acerto com 91,53%, quanto a especificidade e taxa de falso positivo a LeNet obteve os melhores resultados com 95,23% e 4,77% respectivamente.
Referências
Baugh, J. B., Hallcom, A. S., and Harris, M. E. (2010). Computer assisted qualitative data analysis software: a practical perspective for applied research. Revista Digital Del Instituto Internacional de Costos, (6):69–81.
Bertoni, A. L. and Feder, D. V. d. S. (2018). Rede neural convolucional aplicada à visão computacional para detecção de incêndio. B.S. thesis, Universidade Tecnológica Federal do Paraná.
Block, S. A. B. et al. (2018). Inspeção e classicação de picos em peças estampadas de metal utilizando rede neural convolucional. Master’s thesis, Universidade Tecnológica Federal do Paraná.
Chateld, K., Simonyan, K., Vedaldi, A., and Zisserman, A. (2014). Return of the devil in the details: Delving deep into convolutional nets. arXiv preprint arXiv:1405.3531.
Coutinho, E. R., Silva, R. M., and Delgado, A. R. S. (2016). Utilização de técnicas de inteligência computacional na predição de dados meteorológicos. Revista Brasileira de Meteorologia, 31:24–36.
Cruz, A. A. d. et al. (2019). Uma abordagem para reconhecimento de emoção por expressão facial baseada em redes neurais de convolução.
da Costa Ferreira, M., Rocha, J. V., Sannomia, D., and Ferreira, T. B. (2019). Método simplicado para previsão de chuva aplicado no agronegócio. In Congresso Transformação Digital 2019.
Dantas, D., Luz, T. M. O., de Souza, M. J. H., Barbosa, G. P., and Cunha, E. G. S. (2016). Uso de redes neurais artificiais na previsão da precipitação de períodos chuvosos. Revista Espinhaço - UFVJM, pages 11–18.
dos Santos Sousa, R., Silva, L., Guedes, E. B., and de Oliveira, M. B. L. (2017). Redes neurais artificiais aplicadas à previsão antecipada de precipitações na região central de manaus. IV Escola Regional de Informática Norte I, pages 1–9.
Kawase, K. H., Coutinho, E. R., and da Silva, R. M. (2015). Aplicação de modelo computacional de redes neurais na previsão de dados pluviométricos no município de paty alferes-rj. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics, 3(1).
LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.
Martins, R. A. P. et al. (2019). Aplicação de redes convolucionais profundas para detecção de massas em mamografias.
Souza, V., Silva, L., Santos, A., and Araújo, L. (2020). Análise comparativa de redes neurais convolucionais no reconhecimento de cenas. Anais do Computer on the Beach, 11(1):419–426.
Bertoni, A. L. and Feder, D. V. d. S. (2018). Rede neural convolucional aplicada à visão computacional para detecção de incêndio. B.S. thesis, Universidade Tecnológica Federal do Paraná.
Block, S. A. B. et al. (2018). Inspeção e classicação de picos em peças estampadas de metal utilizando rede neural convolucional. Master’s thesis, Universidade Tecnológica Federal do Paraná.
Chateld, K., Simonyan, K., Vedaldi, A., and Zisserman, A. (2014). Return of the devil in the details: Delving deep into convolutional nets. arXiv preprint arXiv:1405.3531.
Coutinho, E. R., Silva, R. M., and Delgado, A. R. S. (2016). Utilização de técnicas de inteligência computacional na predição de dados meteorológicos. Revista Brasileira de Meteorologia, 31:24–36.
Cruz, A. A. d. et al. (2019). Uma abordagem para reconhecimento de emoção por expressão facial baseada em redes neurais de convolução.
da Costa Ferreira, M., Rocha, J. V., Sannomia, D., and Ferreira, T. B. (2019). Método simplicado para previsão de chuva aplicado no agronegócio. In Congresso Transformação Digital 2019.
Dantas, D., Luz, T. M. O., de Souza, M. J. H., Barbosa, G. P., and Cunha, E. G. S. (2016). Uso de redes neurais artificiais na previsão da precipitação de períodos chuvosos. Revista Espinhaço - UFVJM, pages 11–18.
dos Santos Sousa, R., Silva, L., Guedes, E. B., and de Oliveira, M. B. L. (2017). Redes neurais artificiais aplicadas à previsão antecipada de precipitações na região central de manaus. IV Escola Regional de Informática Norte I, pages 1–9.
Kawase, K. H., Coutinho, E. R., and da Silva, R. M. (2015). Aplicação de modelo computacional de redes neurais na previsão de dados pluviométricos no município de paty alferes-rj. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics, 3(1).
LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.
Martins, R. A. P. et al. (2019). Aplicação de redes convolucionais profundas para detecção de massas em mamografias.
Souza, V., Silva, L., Santos, A., and Araújo, L. (2020). Análise comparativa de redes neurais convolucionais no reconhecimento de cenas. Anais do Computer on the Beach, 11(1):419–426.
Publicado
23/11/2021
Como Citar
SOUSA, Roney Nogueira de; BRITO, Rhyan Ximenes de; XIMENES, Janaide Nogueira de Sousa.
Avaliação de Desempenho Utilizando Diferentes Arquiteturas de Aprendizagem Profunda a Partir de Dados Relacionados a Precipitação Pluviométrica 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. 168-175.
DOI: https://doi.org/10.5753/enucompi.2021.17768.
