Machine Learning Algorithm for Mapping Extreme Rainfall in a Region of Northeast Brazil

Authors

DOI:

https://doi.org/10.55761/abclima.v34i20.17378

Keywords:

Precipitation, Environmental disaster, Climate event, Gumbel

Abstract

Daily maximum precipitation is an extreme weather event that plays a significant role in understanding climate change. In this study, the objective was to analyze daily maximum precipitation in the state of Paraíba, Brazil, in order to comprehend climate change and present tools to aid in minimizing disasters related to this phenomenon. For this purpose, a supervised machine learning algorithm was used to construct high-resolution maps of maximum precipitation. The database for this study was built from information provided by the Executive Agency for Water Management of Paraíba, containing data from 123 rain gauge stations spanning the period from 1994 to 2021. Statistical tests were performed to model the data and the Gumbel distribution was adjusted to determine relevant results. The Support Vector Machine algorithm was chosen for constructing high-resolution maps, a technique capable of classifying and performing data regression, as well as allowing for the interpolation of unlabeled data. Through this study, estimates of daily maximum precipitation were obtained for the entire state of Paraíba for return periods of 2, 5, 10, and 50 years. These estimates are of great importance for risk area planning and for the development of flood alert systems, aiming to protect the population and reduce the economic and social impacts associated with extreme rainfall events.

Downloads

Download data is not yet available.

Author Biographies

Alexsander Souza da Costa, Universidade Federal da Grande Dourados/Discente

Trabalhou como auxiliar operacional no Hospital Universitário da Grande Dourados/Ebserh de 2017 a 2023, realizando a função de digitador, atualmente possui graduação em andamento em Sistemas de Informação pela Universidade Federal da Grande Dourados (UFGD).

Elias Silva de Medeiros, Universidade Federal da Grande Dourados/Docente

Possui graduação em Bacharelado em Estatística pela Universidade Estadual da Paraíba (2011), mestrado em Ciências (Estatística e Experimentação Agronômica) pela Escola Superior de Agricultura ´Luiz de Queiroz´ - USP (2014) e doutorado em Estatística e Experimentação Agropecuária pela Universidade Federal de Lavras (2018). Atualmente é professor adjunto da Universidade Federal da Grande Dourados. Tem experiência na área de Probabilidade e Estatística, com ênfase em Estatística.

Vanderson Hafemann Fragal, Universidade Federal da Grande Dourados/Docente

Possui graduação em Informática pela Universidade Estadual de Maringá (UEM-2011), mestrado em Ciências da Computação pela Universidade Estadual de Maringá (UEM-2013), doutorado em Ciência da Computação pela Universidade de São Paulo (USP-ICMC-2017) e doutorado em Tecnologia de Informação pela Universidade de Halmstad (Suécia-2018) e professor adjunto na Universidade Federal da Grande Dourados (UFGD-FACET). Tem experiência na área de Ciência da Computação, com ênfase em Engenharia de Software, atuando principalmente nos seguintes temas: Teste de Software, Linha de Produto de Software e Engenharia guiada por modelos (MDE).

Alessandra Querino da Silva, Universidade Federal da Grande Dourados/Docente

Bacharel em Estatística (2000) e licenciada em Matemática (1997) pela Universidade Estadual Paulista Júlio de Mesquita Filho, mestrado (2003) e doutorado (2008) em Estatística e Experimentação Agropecuária pela Universidade Federal de Lavras. Atualmente é professora da FACET-Faculdade de Ciências Exatas e Tecnologia da Universidade Federal da Grande Dourados (UFGD) e foi Coordenadora do subprojeto Licenciatura em Matemática do Programa Institucional de Bolsa de Iniciação à Docência (PIBID) da UFGD. Tem experiência na área de Probabilidade e Estatística Aplicadas.

Carolina Cristina Bicalho, Universidade Estadual de Mato Grosso do Sul/Docente

Doutorado em Estatística em Experimentação Agropecuária pela Universidade Federal de Lavras (MG). Mestrado em Engenharia de Sistemas pela Universidade Federal de Lavras . Pós Graduação Lato-Sensu em Administração em Sistemas de Informação pela Universidade Federal de Lavras. Graduação em Licenciatura em Matemática pela Universidade Federal de Lavras (MG) e Graduação em Tecnologia em Análise e Desenvolvimento de Sistemas pelo Centro Federal de Educação Tecnológica de Bambuí - MG. Técnica em Informática pelo Centro Federal de Educação Tecnológica de Bambuí-MG.. Área de atuação: Modelagem Matemática, Estatística, Estatística espacial, Séries Temporais, Regressão.Geometria, Cálculo. Atualmente é professora da Universidade Estadual do Mato Grosso do Sul, atuando nas disciplinas de cálculo, cálculo numérico, geometria analítica e álgebra linear.

References

ABREU, L. P.; MUTTI, P. R.; LIMA, K. C. Variabilidade espacial e temporal da precipitação na bacia hidrográfica do Rio Parnaíba, Nordeste do Brasil. Revista Brasileira de Meio Ambiente, v. 7, n. 2, p. 82-97, 2019. DOI: https://doi.org/10.5281/zenodo.3524759.

BACK, A. J. Aplicação de análise estatística para identificação de tendências climáticas. Pesquisa Agropecuária Brasileira, v. 36, n. 5, p. 717-726, 2001. DOI: https://doi.org/10.1590/S0100-204X2001000500001.

CARVALHO, A. L.; SANTOS, D. V.; MARENGO, J. A.; COUTINHO, S. M. V.; MAIA, S. M. F. Impacts of extreme climate events on Brazilian agricultural production. Sustainability in Debate, v. 11, n. 3, p. 197–224, 2020. DOI: https://doi.org/10.18472/SustDeb.v11n3.2020.33814.

CASTRO, C.; COSTEIRA, H.; GOUVEIA, J.; MARTINS, P.; SILVA, J. Tutorial R Shiny. Braga, Portugal: Departamento de Matemática e Aplicações da Universidade do Minho, 2023.

CEPED. Atlas Brasileiro de Desastres Naturais: 1991-2012. Centro Universitário sobre Estudos e Pesquisa sobre Desastres, Florianópolis, v. Paraíba, n. 2, p. 105, 2013. Disponível em: https://s2id.mi.gov.br/paginas/atlas/. Acesso em: 11 nov. 2023.

CHANG, C. C.; LIN, C. J. LIBSVM: a library for support vector machines. ACM transactions on intelligent systems and technology, v. 2, n. 3, p. 1-27, 2011.

CUNHA, J. P. Z. Um estudo comparativo das técnicas de validação cruzada aplicadas a modelos mistos. 2019. Tese de Doutorado. Universidade de São Paulo.

DAUNI, P.; FIRDAUS, M. D.; ASFARIANI, R.; SAPUTRA, M. I. N.; HIDAYAT, A. A.; ZULFIKAR, W. B. Implementation of Haversine formula for school location tracking. Journal of Physics: Conference Series. v. 1402, n. 7, p. 077028. DOI: https://doi.org/10.1088/1742-6596/1402/7/077028.

HEARST, M. A.; DUMAIS, S. T.; OSUNA, E.; PLATT, J.; SCHOLKOPF, B. Support vector machines. IEEE Intelligent Systems and their applications, v. 13, n. 4, p. 18-28, 1998.

HENGL, T.; NUSSBAUM, M.; WRIGHT, M. N.; HEUVELINK, G. B.; GRÄLER, B. Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables. PeerJ, v. 6, n. e5518, p. e5518, 2018. DOI: https://doi.org/10.7717/peerj.5518.

IMAI, N. N.; VICENTE, J.; LIMA, D. L.; TACHIBANA, V. M.; SILVA, E. A.; VOLL, E.; OLIVEIRA, H. E. S. Análise comparativa da interpolação por krigagem ordinária e krigagem por indicação no caso de ervas daninhas em cultura de soja. In: XXI Congresso Brasileiro de Cartografia. Publicação em CD-Rom sem paginação. 2003.

LJUNG, G. M.; BOX, G. E. P. On a measure of lack of fit in time series models. Biometrika, v. 65, n. 2, p. 297–303, 1978. DOI: https://doi.org/10.2307/2335207.

MAMMONE, A.; TURCHI, M.; CRISTIANINI, N. Support vector machines. Wiley Interdisciplinary Reviews: Computational Statistics, v. 1, n. 3, p. 283-289, 2009.

MARCUZZO, F. F. N.; ROMERO, V. Effects of El Niño and La Niña in maximum daily precipitation of the State Goiás. Revista Brasileira de Meteorologia, v. 28, n. 4, p. 429-440, 2013. DOI: https://doi.org/10.1590/S0102-77862013000400009.

MARENGO, J. A.; TORRES, R. R.; ALVES, L. M. Drought in Northeast Brazil-past, present, and future. Theoretical and Applied Climatology, v. 129, p. 1189-1200, 2017. DOI: https://doi.org/10.1007/s00704-016-1840-8.

MEDEIROS, E. S. D.; ALVES, M. A.; SOUZA, S. A. D. Return level of estimation of maximum daily precipitation in the municipality of Jataí, Goiás. Ciência e Natura, v. 41, p. e36, 2019. DOI: http://doi.org/10.5902/2179460X35639.

PEREIRA, T. P.; ALBUQUERQUE, C. S.; MATTOS, V. L. D.; KONRATH, A. C.; NAKAMURA, L. R.; CARMO, C. V. D. Análise de desempenho do teste ljung-box na aplicação do modelo sarima nos dados mensais da demanda de energia elétrica da classe consumidora comercial do RS. Encontro nacional de modelagem computacional e encontro de ciência e tecnologia de materiais. Recife, Brasil, 2021. DOI: https://doi.org/10.29327/154013.24-22.

PINTO, W. D. P.; MONTE, E. Z.; LIMA, G. B.; & MONTEBELLER, C. A. Using logistic regression techniques to evaluate of maximum flow rates of the Rio Doce, city of Colatina, ES, Brazil. Ciência e Natura, v. 39, n. 3, p. 526-538, 2017.

SANTOS, E. M. D. Teoria e aplicação de support vector machines à aprendizagem e reconhecimento de objetos baseado na aparência. Dissertação (Mestrado em Informática) – Centro de Informática, Universidade Federal da Paraíba. Campina Grande, p. 110. 2002.

SEKULIĆ, A.; KILIBARDA, M.; HEUVELINK, G. B.; NIKOLIĆ, M.; BAJAT, B. Random forest spatial interpolation. Remote Sensing, v. 12, n. 10, p. 1687, 2020. DOI: https://doi.org/10.3390/rs12101687.

SILVA, J. W. D.; GUIMARÃES, E. C.; TAVARES, M. Temporal variability of monthly rains in the climatological station of Uberaba-MG, Brazil. Ciência e Agrotecnologia, v. 27, n. 3, p. 665-674, 2003. DOI: https://doi.org/10.1590/S1413-70542003000300023.

SILVA, K. R. D.; CECÍLIO, R. A.; XAVIER, A. C.; PEZZOPANE, J. R. M.; GARCIA, G. D. O. Interpolação espacial da precipitação no Estado do Espírito Santo. Floresta e Ambiente, v. 18, n. 4, p. 417-427, 2012.

SOUZA, L. S.; MEDEIROS, E. S.; GALBETTI, M. V.; BICALHO, C. C.; SANTOS, C. A. C.; SHINMA, T. A.; SILVA, A. Q.; OLIVEIRA, L. A. Spatial Modeling of Intense Rainfall in the State of Paraíba. Revista Brasileira de Meteorologia, v. 37, n. 3, p. 373-383, 2022a. DOI: https://doi.org/10.1590/0102-77863730059.

SOUZA, L. S.; MEDEIROS, E. S.; SILVA, A. Q.; OLIVEIRA, L. A. Modeling the maximum daily rainfall in the municipality of João Pessoa-PB, Brazil, using the Extreme Value Theory. Revista Brasileira de Climatologia, v. 30, p. 488-503, 2022b. DOI: https://doi.org/10.55761/abclima.v30i18.14886.

SUGANYADEVI, M. V.; BABULAL, C. K. Support vector regression model for the prediction of loadability margin of a power system. Applied Soft Computing, v. 24, p. 304-315, 2014. DOI: https://doi.org/10.1016/j.asoc.2014.07.015.

WALD, A.; WOLFOWITZ, J. On a test whether two samples are from the same population. The Annals of Mathematical Statistics, v. 11, n. 2, p. 147-162, 1940. DOI: https://doi.org/10.1214/aoms/1177731909.

Downloads

Published

25/02/2024

How to Cite

Costa, A. S. da, Medeiros, E. S. de, Fragal, V. H., Silva, A. Q. da, & Bicalho, C. C. (2024). Machine Learning Algorithm for Mapping Extreme Rainfall in a Region of Northeast Brazil. Brazilian Journal of Climatology, 34(20), 288–305. https://doi.org/10.55761/abclima.v34i20.17378

Issue

Vol. 34 (2024)

Section

Artigos

License

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