Algoritmo de Aprendizaje Automático para el Mapeo de Lluvias Extremas en una Región del Noreste de Brasil

Autores/as

DOI:

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

Palabras clave:

Precipitación, Desastre ambiental, Evento meteorológico, Gumbel

Resumen

La precipitación máxima diaria es un evento climático extremo que desempeña un papel significativo en la comprensión del cambio climático. En este estudio, el objetivo fue analizar la precipitación máxima diaria en el estado de Paraíba, Brasil, con el fin de comprender el cambio climático y presentar herramientas para ayudar a minimizar los desastres relacionados con este fenómeno. Para ello, se utilizó un algoritmo de aprendizaje automático supervisado para construir mapas de alta resolución de la precipitación máxima. La base de datos para este estudio se construyó a partir de información proporcionada por la Agencia Ejecutiva de Gestión del Agua de Paraíba, que contiene datos de 123 estaciones de medición de lluvia que abarcan el período de 1994 a 2021. Se realizaron pruebas estadísticas para modelar los datos y se ajustó la distribución Gumbel para determinar resultados relevantes. Se eligió el algoritmo de Support Vector Machine para la construcción de mapas de alta resolución, una técnica capaz de clasificar y realizar regresión de datos, así como permitir la interpolación de datos no etiquetados. A través de este estudio, se obtuvieron estimaciones de la precipitación máxima diaria para todo el estado de Paraíba para períodos de retorno de 2, 5, 10 y 50 años. Estas estimaciones son de gran importancia para la planificación de áreas de riesgo y para el desarrollo de sistemas de alerta de inundaciones, con el objetivo de proteger a la población y reducir los impactos económicos y sociales asociados con eventos extremos de lluvia.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

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.

Citas

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.

Descargas

Publicado

25/02/2024

Cómo citar

Costa, A. S. da, Medeiros, E. S. de, Fragal, V. H., Silva, A. Q. da, & Bicalho, C. C. (2024). Algoritmo de Aprendizaje Automático para el Mapeo de Lluvias Extremas en una Región del Noreste de Brasil. Revista Brasileña De Climatología, 34(20), 288–305. https://doi.org/10.55761/abclima.v34i20.17378

Número

Vol. 34 (2024)

Sección

Artigos

Licencia

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