Proposta de aprimoramento da relação Z-R de estimativa de precipitação utilizando aprendizagem de máquina
Resumo
Apresentamos neste artigo uma proposta de uso e otimização de algoritmos de aprendizagem de máquina, tais como Random Forest e Gradient Boosting, para melhorar o desempenho e acurácia da Estimativa Quantitativa de Precipitação (QPE), utilizando dados provenientes de radar meteorológico e estações pluviométricas.Referências
Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.
Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., et al. (2015). Xgboost: extreme gradient boosting. R package version 0.4-2, 1(4):1–4.
Dulong, C. (1998). The ia-64 architecture at work. Computer, 31(7):24–32.
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29:1189–1232.
McGovern, A., Lagerquist, R., Gagne, D. J., Jergensen, G. E., Elmore, K. L., Homeyer, C. R., and Smith, T. (2019). Making the black box more transparent: Understanding the physical implications of machine learning. Bulletin of the American Meteorological Society.
Shin, J.-Y., Ro, Y., Cha, J.-W., Kim, K.-R., and Ha, J.-C. (2019). Assessing the applicability of rf, sgb model, and elm methods to the quantitative precipitation estimation of the radar data: A case study to gwangdeoksan radar, south korea, in 2018. Advances in Meteorology, 2019:6542410.
Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., et al. (2015). Xgboost: extreme gradient boosting. R package version 0.4-2, 1(4):1–4.
Dulong, C. (1998). The ia-64 architecture at work. Computer, 31(7):24–32.
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29:1189–1232.
McGovern, A., Lagerquist, R., Gagne, D. J., Jergensen, G. E., Elmore, K. L., Homeyer, C. R., and Smith, T. (2019). Making the black box more transparent: Understanding the physical implications of machine learning. Bulletin of the American Meteorological Society.
Shin, J.-Y., Ro, Y., Cha, J.-W., Kim, K.-R., and Ha, J.-C. (2019). Assessing the applicability of rf, sgb model, and elm methods to the quantitative precipitation estimation of the radar data: A case study to gwangdeoksan radar, south korea, in 2018. Advances in Meteorology, 2019:6542410.
Publicado
18/04/2022
Como Citar
VERDELHO, Fernanda F.; ALVES, Marco A. Z.; OLIVEIRA, Luiz E. S.; BENETI, Cesar.
Proposta de aprimoramento da relação Z-R de estimativa de precipitação utilizando aprendizagem de máquina. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 22. , 2022, Curitiba.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 65-66.
ISSN 2595-4164.
DOI: https://doi.org/10.5753/eradrs.2022.19164.
