Abordagem de árvore de regressão para análise de dados de distribuição pluviométrica na cidade de São Carlos – SP
Resumo
O advento da inteligência artificial nos dias atuais tem possibilitado associação com modelos de predição de desastres naturais com foco em chuvas intensas na prevenção de fenômenos naturais e extremos. Este trabalho propõe uma abordagem de análise de dados pluviométricos da cidade de São Carlos – SP. A abordagem de árvore de regressão apresentada visa contribuir com uma determinação assertiva acerca de dados pluviométricos futuros. Para tanto, foi realizada uma estimativa de dados volumétricos de precipitação no intervalo de 2016 a 2023, a qual se aproximou dos valos reais divulgados, com valores de RMSE de 1,274, de MSE de 1,624 e MAE de 0,305. Com vistas ao desenvolvimento futuro, espera-se aplicar o método em diferentes contextos.
Referências
Charbuty, B., & Abdulazeez, A. (2021). Classification Based on Decision Tree Algorithm for Machine Learning. Journal of Applied Science and Technology Trends, 2(01), 20–28. DOI: 10.38094/jastt20165
Dananjali, T., Wijesinghe, S., & Ekanayake, J. (2020). Forecasting weekly rainfall using data mining technologies. 2020 From Innovation to Impact, FITI 2020. DOI: 10.1109/FITI52050.2020.9424877
G1.GLOBO. (2022). São Carlos tem manhã de alagamentos e interdições após chuva de 96 milímetros Locais mais afetados foram Parque Ecológico, Rotatória do Cristo e Kartódromo. Defesa Civil também registrou quedas de árvores. Não há desabrigados. G1.GLOBO. [link]
G1.GLOBO. (2023). Chuva forte em São Carlos causa alagamento, derruba árvores e interdita rotatória do Cristo. G1.GLOBO. [link]
IBGE Cidades. (2022). Portal IBGE - Instituto Brasileiro de Geoagrafia e Estatística. IBGE. [link]
INMET. (2023, August 26). Portal INMET - Instituto Nacional de Meteorologia. PortalINMET. [link]
Juneja, A., & Das, N. N. (2019, February). Big Data Quality Framework: Pre-Processing Data in Weather Monitoring Application. 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon), 559–563. DOI: 10.1109/COMITCon.2019.8862267
Karatayev, M., Clarke, M., Salnikov, V., Bekseitova, R., & Nizamova, M. (2022). Monitoring climate change, drought conditions and wheat production in Eurasia: the case study of Kazakhstan. Heliyon, 8(1), e08660. DOI: 10.1016/j.heliyon.2021.e08660
Li, K., Ma, J., Gao, J., Xu, C., Li, W., Mao, Y., & Jiang, S. (2023). Resilience Assessment of Urban Distribution Network Under Heavy Rain: A Knowledge-Informed Data-Driven Approach (April 2023). IEEE Access. DOI: 10.1109/ACCESS.2023.3288341
Prefeitura de São Carlos. (2020). DADOS DA CIDADE - Prefeitura de São Carlos. DADOS DA CIDADES. [link]
Python Software Foundation. (2023). python SOFTWARE FOUNDATION. PYTHON.ORG. [link]
Shehadeh, A., Alshboul, O., Al Mamlook, R. E., & Hamedat, O. (2021). Machine learning models for predicting the residual value of heavy construction equipment: An evaluation of modified decision tree, LightGBM, and XGBoost regression. Automation in Construction, 129, 103827. DOI: 10.1016/j.autcon.2021.103827
Singh Kushwah, J., Kumar, A., Patel, S., Soni, R., Gawande, A., & Gupta, S. (2022). Comparative study of regressor and classifier with decision tree using modern tools. Materials Today: Proceedings, 56, 3571–3576. DOI: 10.1016/j.matpr.2021.11.635
Thapelo, T. S., Namoshe, M., Matsebe, O., Motshegwa, T., & Bopape, M.-J. M. (2021). SASSCAL WebSAPI: A Web Scraping Application Programming Interface to Support Access to SASSCAL’s Weather Data. Data Science Journal, 20. DOI: 10.5334/dsj-2021-024
Usman, C. D., Widodo, A. P., Adi, K., & Gernowo, R. (2023). Rainfall prediction model in Semarang City using machine learning. Indonesian Journal of Electrical Engineering and Computer Science, 30(2), 1224. DOI: 10.11591/ijeecs.v30.i2.pp1224-1231
Yovan Felix, A., Vinay, G. S. S., & Akhik, G. (2019). K-Means Cluster Using Rainfall and Storm Prediction in Machine Learning Technique. Journal of Computational and Theoretical Nanoscience, 16(8), 3265–3269. DOI: 10.1166/jctn.2019.8174
Dananjali, T., Wijesinghe, S., & Ekanayake, J. (2020). Forecasting weekly rainfall using data mining technologies. 2020 From Innovation to Impact, FITI 2020. DOI: 10.1109/FITI52050.2020.9424877
G1.GLOBO. (2022). São Carlos tem manhã de alagamentos e interdições após chuva de 96 milímetros Locais mais afetados foram Parque Ecológico, Rotatória do Cristo e Kartódromo. Defesa Civil também registrou quedas de árvores. Não há desabrigados. G1.GLOBO. [link]
G1.GLOBO. (2023). Chuva forte em São Carlos causa alagamento, derruba árvores e interdita rotatória do Cristo. G1.GLOBO. [link]
IBGE Cidades. (2022). Portal IBGE - Instituto Brasileiro de Geoagrafia e Estatística. IBGE. [link]
INMET. (2023, August 26). Portal INMET - Instituto Nacional de Meteorologia. PortalINMET. [link]
Juneja, A., & Das, N. N. (2019, February). Big Data Quality Framework: Pre-Processing Data in Weather Monitoring Application. 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon), 559–563. DOI: 10.1109/COMITCon.2019.8862267
Karatayev, M., Clarke, M., Salnikov, V., Bekseitova, R., & Nizamova, M. (2022). Monitoring climate change, drought conditions and wheat production in Eurasia: the case study of Kazakhstan. Heliyon, 8(1), e08660. DOI: 10.1016/j.heliyon.2021.e08660
Li, K., Ma, J., Gao, J., Xu, C., Li, W., Mao, Y., & Jiang, S. (2023). Resilience Assessment of Urban Distribution Network Under Heavy Rain: A Knowledge-Informed Data-Driven Approach (April 2023). IEEE Access. DOI: 10.1109/ACCESS.2023.3288341
Prefeitura de São Carlos. (2020). DADOS DA CIDADE - Prefeitura de São Carlos. DADOS DA CIDADES. [link]
Python Software Foundation. (2023). python SOFTWARE FOUNDATION. PYTHON.ORG. [link]
Shehadeh, A., Alshboul, O., Al Mamlook, R. E., & Hamedat, O. (2021). Machine learning models for predicting the residual value of heavy construction equipment: An evaluation of modified decision tree, LightGBM, and XGBoost regression. Automation in Construction, 129, 103827. DOI: 10.1016/j.autcon.2021.103827
Singh Kushwah, J., Kumar, A., Patel, S., Soni, R., Gawande, A., & Gupta, S. (2022). Comparative study of regressor and classifier with decision tree using modern tools. Materials Today: Proceedings, 56, 3571–3576. DOI: 10.1016/j.matpr.2021.11.635
Thapelo, T. S., Namoshe, M., Matsebe, O., Motshegwa, T., & Bopape, M.-J. M. (2021). SASSCAL WebSAPI: A Web Scraping Application Programming Interface to Support Access to SASSCAL’s Weather Data. Data Science Journal, 20. DOI: 10.5334/dsj-2021-024
Usman, C. D., Widodo, A. P., Adi, K., & Gernowo, R. (2023). Rainfall prediction model in Semarang City using machine learning. Indonesian Journal of Electrical Engineering and Computer Science, 30(2), 1224. DOI: 10.11591/ijeecs.v30.i2.pp1224-1231
Yovan Felix, A., Vinay, G. S. S., & Akhik, G. (2019). K-Means Cluster Using Rainfall and Storm Prediction in Machine Learning Technique. Journal of Computational and Theoretical Nanoscience, 16(8), 3265–3269. DOI: 10.1166/jctn.2019.8174
Publicado
23/11/2023
Como Citar
TEIXEIRA, Lucas de Barros.
Abordagem de árvore de regressão para análise de dados de distribuição pluviométrica na cidade de São Carlos – SP. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 11. , 2023, Aracati/CE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 112-121.
DOI: https://doi.org/10.5753/ercemapi.2023.236364.
