Preenchimento de Falhas em Séries Temporais de Precipitação Diária no Rio Grande do Sul
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Revista Brasileira de Meteorologia (Online) |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0102-77862020000200335 |
Resumo: | Resumo O preenchimento de falhas em séries temporais de precipitação é um importante processo para aplicações em hidrologia, visando o aproveitamento de longas séries, evitando que as mesmas sejam descartadas. Desse modo, este estudo teve como objetivo realizar o preenchimento de falhas em séries históricas de precipitação diária no Rio Grande do Sul (RS), auxiliando no aproveitamento desses dados em estudos que necessitem de analises de longo prazo. Para tanto, foram utilizadas séries históricas de 287 estações, no período entre 1987 e 2016 e aplicados os métodos de Regressão Linear Múltipla (RLM) e Redes Neurais Artificiais (RNA), comparando e avaliando os valores preenchidos. Um algoritmo foi desenvolvido para realizar as seguintes operações: i) identificar os dias com falhas em cada estação; ii) identificar as estações que podem ser utilizadas para o preenchimento de cada falha; iii) identificar todas as combinações de entrada para o preenchimento de falhas em cada estação; iv) realizar o ajuste/treinamento dos modelos RLM e RNA; v) realizar a validação dos modelos com base no período sem falhas de cada estação. Os principais resultados indicam que a maior densidade de estações pluviométricas favorece o processo de preenchimento de falhas em séries históricas de precipitação, melhorando a qualidade da série preenchida. O preenchimento de falhas apresentou maior coeficiente de determinação e menor erro médio absoluto usando o modelo RLM em relação às RNA, possivelmente em função da forte correlação linear entre os dados de precipitação de cada local em relação a sua vizinhança. O modelo de RLM apresentou um coeficiente de determinação (R2) médio de 0,697, enquanto que o modelo RNA obteve media de 0,675. Levando-se em conta a análise por meio do erro médio absoluto (EMA), a média dos valores foi de 2,27 mm para a RLM, enquanto para a RNA o erro ficou em 2,31 mm. Conclui-se, considerando o conjunto de dados de precipitação diária do RS, que houve uma pequena superioridade do método RLM em relação à RNA. |
id |
SBMET-1_2243ac2976fc620648f52016d6356d96 |
---|---|
oai_identifier_str |
oai:scielo:S0102-77862020000200335 |
network_acronym_str |
SBMET-1 |
network_name_str |
Revista Brasileira de Meteorologia (Online) |
repository_id_str |
|
spelling |
Preenchimento de Falhas em Séries Temporais de Precipitação Diária no Rio Grande do Sulregressão linear múltiplaredes neurais artificiaisestações pluviométricasResumo O preenchimento de falhas em séries temporais de precipitação é um importante processo para aplicações em hidrologia, visando o aproveitamento de longas séries, evitando que as mesmas sejam descartadas. Desse modo, este estudo teve como objetivo realizar o preenchimento de falhas em séries históricas de precipitação diária no Rio Grande do Sul (RS), auxiliando no aproveitamento desses dados em estudos que necessitem de analises de longo prazo. Para tanto, foram utilizadas séries históricas de 287 estações, no período entre 1987 e 2016 e aplicados os métodos de Regressão Linear Múltipla (RLM) e Redes Neurais Artificiais (RNA), comparando e avaliando os valores preenchidos. Um algoritmo foi desenvolvido para realizar as seguintes operações: i) identificar os dias com falhas em cada estação; ii) identificar as estações que podem ser utilizadas para o preenchimento de cada falha; iii) identificar todas as combinações de entrada para o preenchimento de falhas em cada estação; iv) realizar o ajuste/treinamento dos modelos RLM e RNA; v) realizar a validação dos modelos com base no período sem falhas de cada estação. Os principais resultados indicam que a maior densidade de estações pluviométricas favorece o processo de preenchimento de falhas em séries históricas de precipitação, melhorando a qualidade da série preenchida. O preenchimento de falhas apresentou maior coeficiente de determinação e menor erro médio absoluto usando o modelo RLM em relação às RNA, possivelmente em função da forte correlação linear entre os dados de precipitação de cada local em relação a sua vizinhança. O modelo de RLM apresentou um coeficiente de determinação (R2) médio de 0,697, enquanto que o modelo RNA obteve media de 0,675. Levando-se em conta a análise por meio do erro médio absoluto (EMA), a média dos valores foi de 2,27 mm para a RLM, enquanto para a RNA o erro ficou em 2,31 mm. Conclui-se, considerando o conjunto de dados de precipitação diária do RS, que houve uma pequena superioridade do método RLM em relação à RNA.Sociedade Brasileira de Meteorologia2020-06-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S0102-77862020000200335Revista Brasileira de Meteorologia v.35 n.2 2020reponame:Revista Brasileira de Meteorologia (Online)instname:Sociedade Brasileira de Meteorologia (SBMET)instacron:SBMET10.1590/0102-7786352035info:eu-repo/semantics/openAccessBrubacher,João PauloOliveira,Guilherme Garcia deGuasselli,Laurindo Antoniopor2020-08-10T00:00:00Zoai:scielo:S0102-77862020000200335Revistahttp://www.rbmet.org.br/port/index.phpONGhttps://old.scielo.br/oai/scielo-oai.php||rbmet@rbmet.org.br1982-43510102-7786opendoar:2020-08-10T00:00Revista Brasileira de Meteorologia (Online) - Sociedade Brasileira de Meteorologia (SBMET)false |
dc.title.none.fl_str_mv |
Preenchimento de Falhas em Séries Temporais de Precipitação Diária no Rio Grande do Sul |
title |
Preenchimento de Falhas em Séries Temporais de Precipitação Diária no Rio Grande do Sul |
spellingShingle |
Preenchimento de Falhas em Séries Temporais de Precipitação Diária no Rio Grande do Sul Brubacher,João Paulo regressão linear múltipla redes neurais artificiais estações pluviométricas |
title_short |
Preenchimento de Falhas em Séries Temporais de Precipitação Diária no Rio Grande do Sul |
title_full |
Preenchimento de Falhas em Séries Temporais de Precipitação Diária no Rio Grande do Sul |
title_fullStr |
Preenchimento de Falhas em Séries Temporais de Precipitação Diária no Rio Grande do Sul |
title_full_unstemmed |
Preenchimento de Falhas em Séries Temporais de Precipitação Diária no Rio Grande do Sul |
title_sort |
Preenchimento de Falhas em Séries Temporais de Precipitação Diária no Rio Grande do Sul |
author |
Brubacher,João Paulo |
author_facet |
Brubacher,João Paulo Oliveira,Guilherme Garcia de Guasselli,Laurindo Antonio |
author_role |
author |
author2 |
Oliveira,Guilherme Garcia de Guasselli,Laurindo Antonio |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Brubacher,João Paulo Oliveira,Guilherme Garcia de Guasselli,Laurindo Antonio |
dc.subject.por.fl_str_mv |
regressão linear múltipla redes neurais artificiais estações pluviométricas |
topic |
regressão linear múltipla redes neurais artificiais estações pluviométricas |
description |
Resumo O preenchimento de falhas em séries temporais de precipitação é um importante processo para aplicações em hidrologia, visando o aproveitamento de longas séries, evitando que as mesmas sejam descartadas. Desse modo, este estudo teve como objetivo realizar o preenchimento de falhas em séries históricas de precipitação diária no Rio Grande do Sul (RS), auxiliando no aproveitamento desses dados em estudos que necessitem de analises de longo prazo. Para tanto, foram utilizadas séries históricas de 287 estações, no período entre 1987 e 2016 e aplicados os métodos de Regressão Linear Múltipla (RLM) e Redes Neurais Artificiais (RNA), comparando e avaliando os valores preenchidos. Um algoritmo foi desenvolvido para realizar as seguintes operações: i) identificar os dias com falhas em cada estação; ii) identificar as estações que podem ser utilizadas para o preenchimento de cada falha; iii) identificar todas as combinações de entrada para o preenchimento de falhas em cada estação; iv) realizar o ajuste/treinamento dos modelos RLM e RNA; v) realizar a validação dos modelos com base no período sem falhas de cada estação. Os principais resultados indicam que a maior densidade de estações pluviométricas favorece o processo de preenchimento de falhas em séries históricas de precipitação, melhorando a qualidade da série preenchida. O preenchimento de falhas apresentou maior coeficiente de determinação e menor erro médio absoluto usando o modelo RLM em relação às RNA, possivelmente em função da forte correlação linear entre os dados de precipitação de cada local em relação a sua vizinhança. O modelo de RLM apresentou um coeficiente de determinação (R2) médio de 0,697, enquanto que o modelo RNA obteve media de 0,675. Levando-se em conta a análise por meio do erro médio absoluto (EMA), a média dos valores foi de 2,27 mm para a RLM, enquanto para a RNA o erro ficou em 2,31 mm. Conclui-se, considerando o conjunto de dados de precipitação diária do RS, que houve uma pequena superioridade do método RLM em relação à RNA. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-06-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0102-77862020000200335 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0102-77862020000200335 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/0102-7786352035 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Sociedade Brasileira de Meteorologia |
publisher.none.fl_str_mv |
Sociedade Brasileira de Meteorologia |
dc.source.none.fl_str_mv |
Revista Brasileira de Meteorologia v.35 n.2 2020 reponame:Revista Brasileira de Meteorologia (Online) instname:Sociedade Brasileira de Meteorologia (SBMET) instacron:SBMET |
instname_str |
Sociedade Brasileira de Meteorologia (SBMET) |
instacron_str |
SBMET |
institution |
SBMET |
reponame_str |
Revista Brasileira de Meteorologia (Online) |
collection |
Revista Brasileira de Meteorologia (Online) |
repository.name.fl_str_mv |
Revista Brasileira de Meteorologia (Online) - Sociedade Brasileira de Meteorologia (SBMET) |
repository.mail.fl_str_mv |
||rbmet@rbmet.org.br |
_version_ |
1752122086688555008 |