Algoritmo de machine learning para mapeamento das chuvas extremas em uma Região do Nordeste Brasileiro

Autores

DOI:

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

Palavras-chave:

Precipitação, Desastre Ambiental, Evento climático, Gumbel

Resumo

A precipitação máxima diária é um evento climático extremo que desempenha um papel significativo na compreensão das mudanças climáticas. Neste estudo, o objetivo foi analisar a precipitação máxima diária no estado da Paraíba, como forma de compreender as mudanças climáticas e apresentar ferramentas que auxiliem na minimização dos desastres relacionados a esse fenômeno. Para isso, foi utilizado um algoritmo de aprendizagem de máquina supervisionado para construir mapas em alta resolução da precipitação máxima. A base de dados para este estudo foi construída a partir de informações fornecidas pela Agência Executiva de Gestão das Águas da Paraíba, contendo dados de 123 estações pluviométricas, abrangendo o período de 1994 a 2021. Para modelagem dos dados foram realizados testes estatísticos e ajustada a distribuição Gumbel, com o objetivo de determinar os resultados relevantes. O algoritmo escolhido para a construção dos mapas em alta resolução foi o Support Vector Machine, uma técnica capaz de classificar e realizar regressão de dados, além de permitir a interpolação de dados não rotulados. Por meio deste estudo, foi possível obter estimativas da precipitação máxima diária para todo o estado da Paraíba em períodos de retorno de 2, 5, 10 e 50 anos. Essas estimativas têm grande importância para o planejamento de áreas de risco e para o desenvolvimento de sistemas de alerta de inundações, visando proteger a população e reduzir os impactos econômicos e sociais associados a eventos extremos de chuva.

Downloads

Não há dados estatísticos.

Biografia do Autor

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.

Referências

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

Publicado

25-02-2024

Como Citar

Costa, A. S. da, Medeiros, E. S. de, Fragal, V. H., Silva, A. Q. da, & Bicalho, C. C. (2024). Algoritmo de machine learning para mapeamento das chuvas extremas em uma Região do Nordeste Brasileiro. Revista Brasileira De Climatologia, 34(20), 288–305. https://doi.org/10.55761/abclima.v34i20.17378

Edição

Seção

Artigos