Aplicação de Descoberta de Conhecimento em Bases de Dados na Estimativa da Evapotranspiração: um Experimento no Estado do Rio de Janeiro
Resumo
Com o crescimento do volume de dados em diversas áreas, como a Hidrologia, aumenta a necessidade do uso de sistemas de informação para auxílio na manipulação desses dados. Este artigo é um relato de um experimento que usou técnicas de descoberta de conhecimento para a estimativa de um importante componente do ciclo hidrológico: a evapotranspiração. O experimento relatado neste artigo foi realizado com dados meteorológicos e mostrou que alguns algoritmos, como o M5P, apresentam bons resultados quando comparados com os dados históricos da evapotranspiração estimada.
Palavras-chave:
KDD, Mineração de Dados, Hidrologia, Evapotranspiração, Regressão Linear
Referências
Branco, P. M. (2014). Elementos que caracterizam o clima. Disponível http://www.cprm.gov.br/publique/cgi/cgilua.exe/sys/start.htm ?infoid=1267&sid=129 [acessado em 28-Novembro-2014].
Di Bello, R. C. (2005). Análise do Comportamento da Umidade do Solo no Modelo Chuva-Vazão Smap II–Versão com Suavização Hiperbólica Estudo de Caso: Região de Barreiras na Bacia do Rio Grande-BA (Dissertação de Mestrado, Universidade Federal do Rio de Janeiro).
Eagleson, P. S. (1994). The evolution of modern hydrology (from watershed to continent in 30 years). Advances in water resources, 17(1), 3-18.
El-Shafie, A., Najah, A., Alsulami, H. M., & Jahanbani, H. (2014). Optimized neural network prediction model for potential evapotranspiration utilizing ensemble procedure. Water Resources Management, 28(4), 947-967.
FAO (2014). Organização das Nações Unidas para Alimentação e Agricultura. Chapter 2 - fao penman-monteith equation. [Online; accessado em 10-Janeiro-2015].
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37.
Ferreira, A., & Meirelles, M. (2011). Implementação preliminar do modelo SEBAL para estimativa da evapotranspiração na Mesorregião do Sul Goiano. Anais XV Simpósio Brasileiro de Sensoriamento Remoto.
Haghverdi, A., Ghahraman, B., Leib, B. G., Pulido-Calvo, I., Kafi, M., Davary, K., & Ashorun, B. (2014). Deriving data mining and regression based water-salinity production functions for spring wheat (Triticum aestivum). Computers and Electronics in Agriculture, 101, 68-75.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA data mining software: an update. ACM SIGKDD explorations newsletter, 11(1), 10-18.
Hendrickx, J. M., Pradhan, N. R., Hong, S. H., Ogden, F. L., Byrd, A. R., & Toll, D. (2009, May). Improvement of hydrologic model soil moisture predictions using SEBAL evapotranspiration estimates. In SPIE Defense, Security, and Sensing (pp. 730311-730311). International Society for Optics and Photonics.
Holman, D., Sridharan, M., Gowda, P., Porter, D., Marek, T., Howell, T., & Moorhead, J. (2013, August). Estimating reference evapotranspiration for irrigation management in the texas high plains. In Proceedings of the Twenty-Third international joint conference on Artificial Intelligence (pp. 2819-2825). AAAI Press.
Holman, D., Sridharan, M., Gowda, P., Porter, D., Marek, T., Howell, T., & Moorhead, J. (2014). Gaussian process models for reference ET estimation from alternative meteorological data sources. Journal of Hydrology, 517, 28-35.
INMET (2014). Instrumentos meteorológicos. Disponível em http://www.inmet.gov.br/html/informacoes/sobre meteorologia/instrumentos (acessado em 28-Novembro2014).
IPCC (2014). Intergovernmental panel on climate change, Disponível em http://www.ipcc.ch (acessado em 28- Novembro-2014).
Liou, Y. A., & Kar, S. K. (2014). Evapotranspiration estimation with remote sensing and various surface energy balance algorithms - A review. Energies, 7(5), 2821-2849.
Manesh, S. S., Ahani, H., & Rezaeian-Zadeh, M. (2014). ANN-based mapping of monthly reference crop evapotranspiration by using altitude, latitude and longitude data in Fars province, Iran. Environment, development and sustainability, 16(1), 103-122.
MMA (2015). Ciclo Hidrológico, Ministério do Meio Ambiente. Disponível em http://www.mma.gov.br/agua/recursos-hidricos/aguassubterraneas/ciclo-hidrologico. (acessado em 06-março2015)
Oliveira, M. D., & Carvalho, D. D. (1998). Estimativa da evapotranspiração de referência e da demanda suplementar de irrigação para o milho (Zea mays L.) em Seropédica e Campos, Estado do Rio de Janeiro. Revista Brasileira de Engenharia Agrícola e Ambiental, 2(2), 132-135.
Quinlan, J. R. (1992, November). Learning with continuous classes. In 5th Australian joint conference on artificial intelligence (Vol. 92, pp. 343-348).
Recker, J. (2012). Scientific research in information systems: a beginner's guide. Springer Science & Business Media.
Shiri, J., Sadraddini, A. A., Nazemi, A. H., Kisi, O., Landeras, G., Fard, A. F., & Marti, P. (2014). Generalizability of Gene Expression Programming-based approaches for estimating daily reference evapotranspiration in coastal stations of Iran. Journal of Hydrology, 508, 1-11.
Tang, R., & Li, Z. L. (2015). Evaluation of two end-memberbased models for regional land surface evapotranspiration estimation from MODIS data. Agricultural and Forest Meteorology, 202, 69-82.
Wang, Y., & Witten, I. H. (1996). Induction of model trees for predicting continuous classes.
Wikipedia (2015). Definição de R². Disponível em http://pt.wikipedia.org/wiki/R%C2%B2 (acessado em 06- março-2015
Zhou, X., Bi, S., Yang, Y., Tian, F., & Ren, D. (2014). Comparison of ET estimations by the three-temperature model, SEBAL model and eddy covariance observations. Journal of Hydrology, 519, 769-776.
Zhu, M., Hou, X., Lu, X., & Li, M. (2011, June). Spatialtemporal characters of evapotranspiration in the Yellow River Delta. In Spatial Data Mining and Geographical Knowledge Services (ICSDM), 2011 IEEE International Conference on (pp. 409-412). IEEE.
Di Bello, R. C. (2005). Análise do Comportamento da Umidade do Solo no Modelo Chuva-Vazão Smap II–Versão com Suavização Hiperbólica Estudo de Caso: Região de Barreiras na Bacia do Rio Grande-BA (Dissertação de Mestrado, Universidade Federal do Rio de Janeiro).
Eagleson, P. S. (1994). The evolution of modern hydrology (from watershed to continent in 30 years). Advances in water resources, 17(1), 3-18.
El-Shafie, A., Najah, A., Alsulami, H. M., & Jahanbani, H. (2014). Optimized neural network prediction model for potential evapotranspiration utilizing ensemble procedure. Water Resources Management, 28(4), 947-967.
FAO (2014). Organização das Nações Unidas para Alimentação e Agricultura. Chapter 2 - fao penman-monteith equation. [Online; accessado em 10-Janeiro-2015].
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37.
Ferreira, A., & Meirelles, M. (2011). Implementação preliminar do modelo SEBAL para estimativa da evapotranspiração na Mesorregião do Sul Goiano. Anais XV Simpósio Brasileiro de Sensoriamento Remoto.
Haghverdi, A., Ghahraman, B., Leib, B. G., Pulido-Calvo, I., Kafi, M., Davary, K., & Ashorun, B. (2014). Deriving data mining and regression based water-salinity production functions for spring wheat (Triticum aestivum). Computers and Electronics in Agriculture, 101, 68-75.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA data mining software: an update. ACM SIGKDD explorations newsletter, 11(1), 10-18.
Hendrickx, J. M., Pradhan, N. R., Hong, S. H., Ogden, F. L., Byrd, A. R., & Toll, D. (2009, May). Improvement of hydrologic model soil moisture predictions using SEBAL evapotranspiration estimates. In SPIE Defense, Security, and Sensing (pp. 730311-730311). International Society for Optics and Photonics.
Holman, D., Sridharan, M., Gowda, P., Porter, D., Marek, T., Howell, T., & Moorhead, J. (2013, August). Estimating reference evapotranspiration for irrigation management in the texas high plains. In Proceedings of the Twenty-Third international joint conference on Artificial Intelligence (pp. 2819-2825). AAAI Press.
Holman, D., Sridharan, M., Gowda, P., Porter, D., Marek, T., Howell, T., & Moorhead, J. (2014). Gaussian process models for reference ET estimation from alternative meteorological data sources. Journal of Hydrology, 517, 28-35.
INMET (2014). Instrumentos meteorológicos. Disponível em http://www.inmet.gov.br/html/informacoes/sobre meteorologia/instrumentos (acessado em 28-Novembro2014).
IPCC (2014). Intergovernmental panel on climate change, Disponível em http://www.ipcc.ch (acessado em 28- Novembro-2014).
Liou, Y. A., & Kar, S. K. (2014). Evapotranspiration estimation with remote sensing and various surface energy balance algorithms - A review. Energies, 7(5), 2821-2849.
Manesh, S. S., Ahani, H., & Rezaeian-Zadeh, M. (2014). ANN-based mapping of monthly reference crop evapotranspiration by using altitude, latitude and longitude data in Fars province, Iran. Environment, development and sustainability, 16(1), 103-122.
MMA (2015). Ciclo Hidrológico, Ministério do Meio Ambiente. Disponível em http://www.mma.gov.br/agua/recursos-hidricos/aguassubterraneas/ciclo-hidrologico. (acessado em 06-março2015)
Oliveira, M. D., & Carvalho, D. D. (1998). Estimativa da evapotranspiração de referência e da demanda suplementar de irrigação para o milho (Zea mays L.) em Seropédica e Campos, Estado do Rio de Janeiro. Revista Brasileira de Engenharia Agrícola e Ambiental, 2(2), 132-135.
Quinlan, J. R. (1992, November). Learning with continuous classes. In 5th Australian joint conference on artificial intelligence (Vol. 92, pp. 343-348).
Recker, J. (2012). Scientific research in information systems: a beginner's guide. Springer Science & Business Media.
Shiri, J., Sadraddini, A. A., Nazemi, A. H., Kisi, O., Landeras, G., Fard, A. F., & Marti, P. (2014). Generalizability of Gene Expression Programming-based approaches for estimating daily reference evapotranspiration in coastal stations of Iran. Journal of Hydrology, 508, 1-11.
Tang, R., & Li, Z. L. (2015). Evaluation of two end-memberbased models for regional land surface evapotranspiration estimation from MODIS data. Agricultural and Forest Meteorology, 202, 69-82.
Wang, Y., & Witten, I. H. (1996). Induction of model trees for predicting continuous classes.
Wikipedia (2015). Definição de R². Disponível em http://pt.wikipedia.org/wiki/R%C2%B2 (acessado em 06- março-2015
Zhou, X., Bi, S., Yang, Y., Tian, F., & Ren, D. (2014). Comparison of ET estimations by the three-temperature model, SEBAL model and eddy covariance observations. Journal of Hydrology, 519, 769-776.
Zhu, M., Hou, X., Lu, X., & Li, M. (2011, June). Spatialtemporal characters of evapotranspiration in the Yellow River Delta. In Spatial Data Mining and Geographical Knowledge Services (ICSDM), 2011 IEEE International Conference on (pp. 409-412). IEEE.
Publicado
26/05/2015
Como Citar
XAVIER, Fernando; TANAKA, Asterio; REVOREDO, Kate.
Aplicação de Descoberta de Conhecimento em Bases de Dados na Estimativa da Evapotranspiração: um Experimento no Estado do Rio de Janeiro. In: SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 11. , 2015, Goiânia.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2015
.
p. 179-186.
DOI: https://doi.org/10.5753/sbsi.2015.5815.
