Aplicação das redes neurais artificiais no preenchimento de dados diários de chuva no estado de São Paulo
DOI:
https://doi.org/10.20396/sbgfa.v1i2017.2379Palavras-chave:
Precipitação pluvial. Redes neurais artificiais. Dados diários. São PauloResumo
A precipitação pluvial é uma grandeza que apresenta grande variabilidade espacial e temporal e para analisá-la de forma apurada é necessário dispor de séries de qualidade. No entanto, existem dificuldades em encontrar dados consistentes porque as falhas (humanas e de aparelhos) são muito comuns. Neste trabalho, foram utilizadas 171 séries temporais obtidas por meio do sistema Hidroweb abrangendo o período em comum de 37 anos (1976 a 2012). Os registros de cada posto pluviométrico foram preenchidos utilizando conjuntos de estações próximas com o uso da técnica das Redes Neurais Artificiais Perceptron Multicamadas através de sub-rotina no ambiente R. Os resultados apresentaram-se satisfatórios, 159 postos pluviométricos tiveram um bom preenchimento, 12 foram descartados por conterem uma grande quantidade de dados faltantes, o que impossibilitou a aprendizagem pelas Redes Neurais. Considerou-se que o preenchimento com esta técnica se mostrou uma boa alternativa para a obtenção de dados sólidos para análises da chuva.
Referências
AGÊNCIA NACIONAL DE ÁGUAS – ANA. Portal Do Sistema Nacional De Informações Sobre Recursos Hídricos – SNIRH. Disponível em: portalsnirh.ana.gov.br. Acesso em: 10 de Mar. 2016.
AMARAL, M. R. S. do; CESARIO, C. V. Apostila do Minicurso: Software R. IX Semana de Estatística da UERJ. Solução Estatística Júnior, Rio de Janeiro, 2009. Disponível em: <http://www.ime.uerj.br/~mrubens/slae/minicursosoftwareR.pdf>. Acesso em: 15 de gosto de 2016.
GUIJARRO, J. A. CLIMATOL: Software libre para la depuración y homogeneización de datos climatológicos. In: CONCHA D. L.; CODRÓN, J. C. G.; ALVAREZ, D. F. R.; HERNÁEZ, P. F. A.; PEDRAJA, C. G. (coord.) El clima, entre el mar y la montaña. Santander: Universidad de Cantabria. p. 493–502, 2004.
HAYKIN, S. O. Neural networks and learning machines (3ª edição). Upper Saddle River, Nova Jersey: Prentice Hall, 2008.
NERY, J. T.; CARFAN, A. C. Re-analysis of pluvial precipitation in southern Brazil. Atmósfera, México, v. 27, n. 2, p. 103-115, 2014.
PIAZZA, A. et al. Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy. International Journal of Applied Earth Observation and Geoinformation, v. 13, p. 396-408, 2011.
POVOA, L. V. prefann: Precipitation forecasting with Artificial Neural Network and others. Pacote do R. Versão 0.0.1. Disponível em: <https://github.com/lucasvenez/prefann>. Acesso em agosto de 2016.
TEEGAVARAPU, R. S. V.; CHANDRAMOULI, V. Improved weighting methods, deterministic and stochastic data-driven models for estimation of missing precipitation records. Journal of Hydrology, v. 312, p. 191–206, 2005.
WANDERLEY, H. S. et al. Interpolação espacial de dados médios mensais pluviométricos com redes neurais artificiais. Revista Brasileira de Meteorologia, 29(3), p. 389-396, 2014.
