Preenchimento de falhas em séries temporais da temperatura do ar: uma comparação entre modelos de Machine Learning

Autores

DOI:

https://doi.org/10.55761/abclima.v35i20.17649

Palavras-chave:

Preenchimento de falhas. Aprendizado de Máquina. árvores de decisão. máquinas de vetores de suporte. SVR. CART. Rede Elaśtica. LASSO. KNN. Regressão Linear.

Resumo

Neste estudo, foi conduzida uma análise comparativa de diferentes algoritmos de Aprendizado de Máquina (ML) para o preenchimento de falhas em dados de temperatura do ar de quatro localizações de estados brasileiros distintos. Seis algoritmos foram avaliados: regressão linear, regressão LASSO, rede elástica, k-vizinhos próximos, árvores de decisão (CART) e regressão de vetor de suporte (SVR). Os resultados, referentes a todas as localizações, mostram que o modelo Support Vector Regression (SVR) foi o mais promissor, com RMSE excepcionalmente baixos, variando entre 0,1712 °C e 0,2062 °C. Isso sugere que o SVR pode ser a melhor escolha para a previsão da temperatura do ar. Enquanto a Árvore de Decisão apresentou resultados sólidos, com RMSE variando entre 0,2198 °C e 0,3746 °C. Os modelos Elastic Net (EN) e LASSO tiveram desempenho inferior, com RMSE entre 1,6935 °C e 2,8555 °C. O modelo K-Nearest Neighbors (KNN) obteve resultados intermediários, com RMSE variando entre 0,5579 °C e 0,7567 °C. A Regressão Linear também apresentou resultados variáveis, com RMSE entre 0,7474 °C e 1,4010 °C.

Downloads

Não há dados estatísticos.

Biografia do Autor

Anisio Alfredo da Silva Junior, Instituto Federal de São Paulo

Doutor e mestre em Física Ambiental pela Universidade Federal do Mato Grosso (UFMT), bacharel em Sistemas de Informação pela Associação Bandeirantes de Ensino S/C Ltda (2008). Como pesquisador, atua na área de inteligência artificial, principalmente em pesquisas relacionadas a análise de dados meteorológicos. Desenvolvedor altamente qualificado com ampla experiência em JAVA e sistemas empresariais.

Raphael de Souza Rosa Gomes , Universidade Federal de Mato Grosso

Possui graduação em Ciência da Computação pela Universidade Federal de Mato Grosso (2009). Mestrado em Física Ambiental pelo Programa de Pós-Graduação em Física Ambiental pela Universidade Federal de Mato Grosso (2012). Doutorado em Física Ambiental pelo Programa de Pós-Graduação em Física Ambiental pela Universidade Federal de Mato Grosso (2015). Pesquisa na área de Ciências Ambientais com ênfase em evapotranspiração baseado no balanço de energia utilizando imagens de satélites.

Carlo Ralph De Musis , Universidade de Cuiabá

Sou doutor em Educação pela Pontifícia Universidade Católica de São Paulo, mestre em Agricultura Tropical e engenheiro civil pela Universidade Federal de Mato Grosso. Atuo como orientador de mestrado e doutorado nos Programas de Estudos Pós-Graduados em Física Ambiental da Universidade Federal de Mato Grosso, e em Ciências Ambientais na Universidade de Cuiabá. Atuo também como perito criminal na área de Computação na POLITEC/MT. Tenho-me dedicado a estudos e pesquisas multidisciplinares tendo como referentes estatística multivariada, teoria das representações sociais, conforto ambiental, interação atmosfera-biosfera, modelagem por sistemas dinâmicos e física ambiental

Jonathan Willian Zangeski Novais , Instituto Federal de Mato Grosso

Doutor em Física Ambiental pelo Programa de Pós-Graduação em Física Ambiental da UFMT, professor pesquisador do mestrado em Ciências Ambientais da Universidade de Cuiabá-UNIC, atuando nas linhas de pesquisa Monitoramento e Desenvolvimento Ambiental e Dinâmica de Ambientes Urbanos e Rurais, desenvolvendo atividades interdisciplinares quanto à avaliação e estrutura do meio físico dos diversos ambientes regionais com ênfase na questão das mudanças globais e na influência da ação antrópica no meio-ambiente, urbano ou rural. Mestre em Física Ambiental pelo Programa de Pós-Graduação em Física Ambiental da UFMT. Graduado em Engenharia Elétrica pela Universidade de Cuiabá - UNIC e graduado em Licenciatura Plena em Física pela Universidade Federal do Mato Grosso-UFMT

Daniela Maionchi , Universidade Federal de Mato Grosso

Possui graduação em Física pela Universidade Estadual de Campinas (2001), mestrado em Física pela Universidade Estadual de Campinas (2004), Doutorado em Física pela Universidade Federal do Ceara (2008), com pos-doutorado no Laboratório de Combustão e Propulsão (LCP) do (INPE) e no Departamento de Engenharia Química da UFRJ. Tem experiência na área de Física, com ênfase em sistemas dinamicos, fluidodinâmica, sistemas granulares e combustão. Atualmente é professora na Universidade Federal de Mato Grosso (UFMT) e faz parte do corpo docente do Mestrado Nacional Profissional em Ensino de Física e do Programa de Pós Graduação de Física Ambiental, atuando principalmente nos seguintes temas: machine learning, redes neurais, escoamento multifásico e ensino de física.

Josiel Maimone de Figueiredo , Universidade Federal de Mato Grosso

É Professor Titular do Instituto de Computação da Universidade Federal de Mato Grosso (IC-UFMT), onde atua no Programa de Pós-Graduação em Propriedade Intelectual e Transferência de Tecnologia para a Inovação (PROFNIT). Desenvolve pesquisas na área de Ciência da Computação, com ênfase em banco de dados, tratamento de dados ambientais, dados semi-estruturados, dados textuais, big data e software livre. Possui graduação em Engenharia de Computação pela Universidade Federal de São Carlos - UFSCar (1998); mestrado em Ciência da Computação, com ênfase em Banco de Dados, pela Universidade Federal de São Carlos (2000); doutorado em Ciências da Computação e Matemática Computacional, com ênfase em Banco de Dados, pela Universidade de São Paulo - USP (2005); e Pós-doutorado no Departamento de Ciência da Computação da Universidade de Sheffield, Inglaterra(2018) e também no Departamento de Computação da Imperial College (Londres)

Referências

AWAD, Mariette; KHANNA, Rahul. Efficient learning machines: theories, concepts, and applications for engineers and system designers. Springer nature, 2015.

BONFANTE, Andreia Gentil et al. Uma abordagem computacional para preenchimento de falhas em dados micro meteorológicos. Revista Brasileira de Ciências Ambientais (RBCIAMB), n. 27, p. 61-70, 2013.

BREIMAN, Leo et al. Classification and regression trees. CRC press, 1984.

CONNELLY, Lynne. Logistic regression. Medsurg Nursing, v. 29, n. 5, p. 353-354, 2020.

COULIBALY, P.; EVORA, N. D. Comparison of neural network methods for infilling missing daily weather records. Journal of hydrology, v. 341, n. 1-2, p. 27-41, 2007.

CHATTERJEE, Soumyadeep et al. Sparse group lasso for regression on land climate variables. In: 2011 IEEE 11th International Conference on Data Mining Workshops. IEEE, 2011. p. 1-8.

FIX, Evelyn; HODGES, Joseph Lawson. Discriminatory analysis. Nonparametric discrimination: Consistency properties. International Statistical Review/Revue Internationale de Statistique, v. 57, n. 3, p. 238-247, 1989.

FRIEDMAN, Jerome; HASTIE, Trevor; TIBSHIRANI, Rob. Regularization paths for generalized linear models via coordinate descent. Journal of statistical software, v. 33, n. 1, p. 1, 2010.

GARRETA, Raul; MONCECCHI, Guillermo. Learning scikit-learn: machine learning in python. Packt Publishing Ltd, 2013.

KAJEWSKA-SZKUDLAREK, Joanna; STAŃCZYK, Justyna. Filling missing meteorological data with Computational Intelligence methods. In: ITM web of conferences. EDP Sciences, 2018. p. 00015.

KATİPOĞLU, Okan Mert; REŞAT, A. C. A. R. Estimation of missing temperature data by Artificial Neural Network (ANN). Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, v. 12, n. 2, p. 431-438, 2021.

LATIF, Sarmad Dashti et al. Assessing rainfall prediction models: Exploring the advantages of machine learning and remote sensing approaches. Alexandria Engineering Journal, v. 82, p. 16-25, 2023.

MATSUMOTO, Makoto; NISHIMURA, Takuji. Mersenne twister: a 623-dimensionally equidistributed uniform pseudo-random number generator. ACM Transactions on Modeling and Computer Simulation (TOMACS), v. 8, n. 1, p. 3-30, 1998.

MEGETO, Guilherme AS et al. Decision tree for classification of soybean rust occurence in commercial crops based on weather variables. Engenharia Agrícola, v. 34, p. 590-599, 2014.

MOHAMMADI, Kasra et al. Extreme learning machine based prediction of daily dew point temperature. Computers and Electronics in Agriculture, v. 117, p. 214-225, 2015.

MORI, Hiroyuki; TAKAHASHI, Akira. A data mining method for selecting input variables for forecasting model of global solar radiation. In: PES T&D 2012. IEEE, 2012. p. 1-6.

MORRIS, Clint; YANG, Jidong J. Effectiveness of resampling methods in coping with imbalanced crash data: Crash type analysis and predictive modeling. Accident Analysis & Prevention, v. 159, p. 106240, 2021.

PATRICK, Edward A.; FISCHER III, Frederic P. A generalized k-nearest neighbor rule. Information and control, v. 16, n. 2, p. 128-152, 1970.

PEDRO, Hugo TC; COIMBRA, Carlos FM. Nearest-neighbor methodology for prediction of intra-hour global horizontal and direct normal irradiances. Renewable Energy, v. 80, p. 770-782, 2015.

RAOUHI, El Mehdi; LACHGAR, Mohamed; KARTIT, Ali. Comparative Study of Regression and Regularization Methods: Application to Weather and Climate Data. In: WITS 2020: Proceedings of the 6th International Conference on Wireless Technologies, Embedded, and Intelligent Systems. Springer Singapore, 2022. p. 233-240.

SMOLA, Alex J.; SCHÖLKOPF, Bernhard. A tutorial on support vector regression. Statistics and computing, v. 14, p. 199-222, 2004.

TCHAKONTE, Siméon et al. Using machine learning models to assess the population dynamic of the freshwater invasive snail Physa acuta Draparnaud, 1805 (Gastropoda: Physidae) in a tropical urban polluted streams-system. Limnologica, v. 99, p. 126049, 2023.

THOBER, Stephan et al. Multi-model ensemble projections of European river floods and high flows at 1.5, 2, and 3 degrees global warming. Environmental Research Letters, v. 13, n. 1, p. 014003, 2018.

TOSUNOĞLU, Fatih et al. Monthly streamflow forecasting using machine learning. Erzincan University Journal of Science and Technology, v. 13, n. 3, p. 1242-1251, 2020.

WEN, Jiabao et al. Big data driven marine environment information forecasting: a time series prediction network. IEEE Transactions on Fuzzy Systems, v. 29, n. 1, p. 4-18, 2020.

XU, Yongjun et al. Artificial intelligence: A powerful paradigm for scientific research. The Innovation, v. 2, n. 4, 2021.

Downloads

Publicado

16-10-2024

Como Citar

Silva Junior, A. A. da, Gomes , R. de S. R., De Musis , C. R., Novais , J. W. Z., Maionchi , D., & Figueiredo , J. . M. de. (2024). Preenchimento de falhas em séries temporais da temperatura do ar: uma comparação entre modelos de Machine Learning. Revista Brasileira De Climatologia, 35(20), 362–377. https://doi.org/10.55761/abclima.v35i20.17649

Edição

v. 35 (2024)

Seção

Artigos

Licença

A aprovação dos artigos implica a aceitação imediata e sem ônus de que a Revista Brasileira de Climatologia terá exclusividade na primeira publicação do artigo. Os autores continuarão, não obstante, a deter os direitos autorais. Os autores autorizam também que seus artigos sejam disponibilizados em todos os indexadores aos quais a revista está vinculada.

Os autores mantém seus direitos de publicação sem restrições

A Comissão Editorial não se responsabiliza pelos conceitos ou afirmações expressos nos trabalhos publicados, que são de inteira responsabilidade dos autores.

A Revista Brasileira de Climatologia oferece acesso livre imediato ao seu conteúdo, seguindo o entendimento de que disponibilizar gratuitamente o conhecimento científico ao público proporciona maior democratização do conhecimento e tende a produzir maior impacto dos artigos publicados. Os artigos publicados na revista são disponibilizados segundo a Licença Creative Commons CC-BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/). Segundo essa licença é permitido acessar, distribuir e reutilizar os artigos para fins não comerciais desde que citados os autores e a fonte. Ao submeter artigos à Revista Brasileira de Climatologia, os autores concordam em tornar seus textos legalmente disponíveis segundo essa licença