Emprego de redes neurais artificiais na previsão de precipitação pluviométrica
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFFS (Repositório Digital da UFFS) |
Texto Completo: | https://rd.uffs.edu.br/handle/prefix/4676 |
Resumo: | Os serviços meteorológicos possuem relevância para diversas atividades humanas que são significativamente afetadas pelas condições climáticas e meteorológicas, por exemplo, a agricultura e o turismo. Devido ao alto custo, as estações meteorológicas são implementadas, normalmente, para atender a demanda de uma ampla região, dificultando o conhecimento preciso das informações meteorológicas de pequenas localidades. O avanço tecnológico na área de aprendizado de máquina possibilita o desenvolvimento de técnicas para facilitar a previsão de chuva, especialmente em escala local, visando torná-la mais prática e acessível. Esse fato motiva diversas pesquisas a utilizar algoritmos, como as Redes Neurais Artificiais (RNA), para a previsão de precipitação pluviométrica. O objetivo deste trabalho consiste no emprego de RNA para a previsão de precipitação pluviométrica (milímetros de chuva) na região do Campus Cerro Largo da Universidade Federal da Fronteira Sul (UFFS). Foram selecionadas as variáveis temperatura do ar, umidade relativa do ar, temperatura do ponto de orvalho, pressão atmosférica, velocidade do vento, direção do vento, irradiação solar e a precipitação pluviométrica para o treinamento do algoritmo, registradas a nível de superfície pela Estação Meteorológica situada no Campus Cerro Largo da UFFS, por um período de três anos (2016-2019). As RNA utilizadas neste trabalho são classificadas como Perceptron de Múltiplas Camadas e foram treinadas pelo método de retropropagação. Foram desenvolvidos dois modelos, um de classificação (para prever a ocorrência de precipitação) e outro de regressão (para estimar o volume de chuva precipitada). O modelo de classificação foi avaliado a partir da matriz de confusão, acurácia, precisão, sensibilidade, especificidade e medida-F. Considerando estas métricas, os resultados variaram entre 94,35 % (sensibilidade) e 77,60 % (especificidade) de acertos na etapa de validação. Para avaliar o desempenho do modelo de regressão utilizou-se o coeficiente de determinação (R²), o coeficiente de correlação de Pearson (R), o erro médio absoluto (EMA) e o erro quadrático médio (EQM). Os resultados foram R² = 0,71, R = 0,84, EMA = 0,34 mm/dia e EQM = 0,22 mm²/dia, considerando os dados de validação. Com este estudo, conclui-se que a RNA é uma técnica promissora para análise de dados meteorológicos, com potencialidade para ser implementada em aplicações que demandam a previsão de precipitação pluviométrica, como em um sistema de alerta de chuvas fortes, de forma acessível e com custos reduzidos. |
id |
UFFS_70f782d84c399b86ce9c9f8bc63d707d |
---|---|
oai_identifier_str |
oai:rd.uffs.edu.br:prefix/4676 |
network_acronym_str |
UFFS |
network_name_str |
Repositório Institucional da UFFS (Repositório Digital da UFFS) |
repository_id_str |
3924 |
spelling |
Cassol, FabianoNedel, Anderson SpohrLuchese, Thiago de CacioFriedrich, Thalía Lopes2020-12-182021-12-01T14:10:16Z20252021-12-01T14:10:16Z2020https://rd.uffs.edu.br/handle/prefix/4676Os serviços meteorológicos possuem relevância para diversas atividades humanas que são significativamente afetadas pelas condições climáticas e meteorológicas, por exemplo, a agricultura e o turismo. Devido ao alto custo, as estações meteorológicas são implementadas, normalmente, para atender a demanda de uma ampla região, dificultando o conhecimento preciso das informações meteorológicas de pequenas localidades. O avanço tecnológico na área de aprendizado de máquina possibilita o desenvolvimento de técnicas para facilitar a previsão de chuva, especialmente em escala local, visando torná-la mais prática e acessível. Esse fato motiva diversas pesquisas a utilizar algoritmos, como as Redes Neurais Artificiais (RNA), para a previsão de precipitação pluviométrica. O objetivo deste trabalho consiste no emprego de RNA para a previsão de precipitação pluviométrica (milímetros de chuva) na região do Campus Cerro Largo da Universidade Federal da Fronteira Sul (UFFS). Foram selecionadas as variáveis temperatura do ar, umidade relativa do ar, temperatura do ponto de orvalho, pressão atmosférica, velocidade do vento, direção do vento, irradiação solar e a precipitação pluviométrica para o treinamento do algoritmo, registradas a nível de superfície pela Estação Meteorológica situada no Campus Cerro Largo da UFFS, por um período de três anos (2016-2019). As RNA utilizadas neste trabalho são classificadas como Perceptron de Múltiplas Camadas e foram treinadas pelo método de retropropagação. Foram desenvolvidos dois modelos, um de classificação (para prever a ocorrência de precipitação) e outro de regressão (para estimar o volume de chuva precipitada). O modelo de classificação foi avaliado a partir da matriz de confusão, acurácia, precisão, sensibilidade, especificidade e medida-F. Considerando estas métricas, os resultados variaram entre 94,35 % (sensibilidade) e 77,60 % (especificidade) de acertos na etapa de validação. Para avaliar o desempenho do modelo de regressão utilizou-se o coeficiente de determinação (R²), o coeficiente de correlação de Pearson (R), o erro médio absoluto (EMA) e o erro quadrático médio (EQM). Os resultados foram R² = 0,71, R = 0,84, EMA = 0,34 mm/dia e EQM = 0,22 mm²/dia, considerando os dados de validação. Com este estudo, conclui-se que a RNA é uma técnica promissora para análise de dados meteorológicos, com potencialidade para ser implementada em aplicações que demandam a previsão de precipitação pluviométrica, como em um sistema de alerta de chuvas fortes, de forma acessível e com custos reduzidos.The meteorological services are relevant to various human activities that are significantly affected by climatic and meteorological conditions, for example, agriculture and tourism. Due to the high cost, meteorological stations are usually implemented to meet the demand of a wide region, making it difficult to accurately understand the meteorological information of small towns. Technological advances in the machine learning area make it possible to develop techniques to facilitate rain forecasting, especially on a local scale, aiming to make it more practical and accessible. This fact motivates several researches to use algorithms, such as Artificial Neural Networks (ANN), for the prediction of pluviometric precipitation. The objective of this work is the use of ANN for the forecast of pluviometric precipitation (millimeters of rain) in the region of the Cerro Largo Campus of the Federal University of the Fronteira Sul (UFFS). The variables air temperature, relative humidity, dew point temperature, atmospheric pressure, wind speed, wind direction, solar irradiation and rainfall for the algorithm training were selected, recorded at the surface level by the Meteorological Station located on the Campus Cerro Largo of UFFS, for a period of three years (2016-2019).The ANN used in this work are classified as Multilayer Perceptron and were trained by the backpropagation method. Two models were developed, one for classification (to predict the occurrence of precipitation) and the other for regression (to estimate the volume of rainfall). The classification model was evaluated from the confusion matrix, accuracy, precision, sensitivity, specificity and F-score. Considering these metrics, the results varied between 94.35% (sensitivity) and 77.60% (specificity) of correct answers in the validation step. To assess the performance of the regression model, the determination coefficient (R²), the Pearson correlation coefficient (R), the mean absolute error (MAE) and the mean square error (MSE) were used. The results were R² = 0.71 and R = 0.84, MAE = 0.34 mm/day and MSE = 0.22 mm²/day, considering the validation data. With this study, it is concluded that the ANN is a promising technique for analysis of meteorological data, with the potential to be implemented in applications that demand the forecast of pluviometric precipitation, as in an alert system of heavy rains, in an accessible way and with reduced costs.Submitted by Jane Lecardelli (jane.lecardelli@uffs.edu.br) on 2021-11-24T13:44:27Z No. of bitstreams: 1 FRIEDRICH.pdf: 1462296 bytes, checksum: 1a146a2209d9d520d2a69745418dd21b (MD5)Approved for entry into archive by Franciele Scaglioni da Cruz (franciele.cruz@uffs.edu.br) on 2021-12-01T14:10:16Z (GMT) No. of bitstreams: 1 FRIEDRICH.pdf: 1462296 bytes, checksum: 1a146a2209d9d520d2a69745418dd21b (MD5)Made available in DSpace on 2021-12-01T14:10:16Z (GMT). No. of bitstreams: 1 FRIEDRICH.pdf: 1462296 bytes, checksum: 1a146a2209d9d520d2a69745418dd21b (MD5) Previous issue date: 2020porUniversidade Federal da Fronteira SulUFFSBrasilCampus Cerro LargoInteligência artificialAprendizado computacionalMeteorologiaPrevisão do tempoPrecipitação atmosféricaEmprego de redes neurais artificiais na previsão de precipitação pluviométricainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/embargoedAccessreponame:Repositório Institucional da UFFS (Repositório Digital da UFFS)instname:Universidade Federal Fronteira do Sul (UFFS)instacron:UFFSLICENSElicense.txtlicense.txttext/plain; charset=utf-81866https://rd.uffs.edu.br:8443/bitstream/prefix/4676/2/license.txt43cd690d6a359e86c1fe3d5b7cba0c9bMD52ORIGINALFRIEDRICH.pdfFRIEDRICH.pdfapplication/pdf1462296https://rd.uffs.edu.br:8443/bitstream/prefix/4676/1/FRIEDRICH.pdf1a146a2209d9d520d2a69745418dd21bMD51prefix/46762021-12-01 12:10:16.041oai:rd.uffs.edu.br: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ório InstitucionalPUBhttps://rd.uffs.edu.br/oai/requestopendoar:39242021-12-01T14:10:16Repositório Institucional da UFFS (Repositório Digital da UFFS) - Universidade Federal Fronteira do Sul (UFFS)false |
dc.title.pt_BR.fl_str_mv |
Emprego de redes neurais artificiais na previsão de precipitação pluviométrica |
title |
Emprego de redes neurais artificiais na previsão de precipitação pluviométrica |
spellingShingle |
Emprego de redes neurais artificiais na previsão de precipitação pluviométrica Friedrich, Thalía Lopes Inteligência artificial Aprendizado computacional Meteorologia Previsão do tempo Precipitação atmosférica |
title_short |
Emprego de redes neurais artificiais na previsão de precipitação pluviométrica |
title_full |
Emprego de redes neurais artificiais na previsão de precipitação pluviométrica |
title_fullStr |
Emprego de redes neurais artificiais na previsão de precipitação pluviométrica |
title_full_unstemmed |
Emprego de redes neurais artificiais na previsão de precipitação pluviométrica |
title_sort |
Emprego de redes neurais artificiais na previsão de precipitação pluviométrica |
author |
Friedrich, Thalía Lopes |
author_facet |
Friedrich, Thalía Lopes |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Cassol, Fabiano |
dc.contributor.referee1.fl_str_mv |
Nedel, Anderson Spohr |
dc.contributor.referee2.fl_str_mv |
Luchese, Thiago de Cacio |
dc.contributor.author.fl_str_mv |
Friedrich, Thalía Lopes |
contributor_str_mv |
Cassol, Fabiano Nedel, Anderson Spohr Luchese, Thiago de Cacio |
dc.subject.por.fl_str_mv |
Inteligência artificial Aprendizado computacional Meteorologia Previsão do tempo Precipitação atmosférica |
topic |
Inteligência artificial Aprendizado computacional Meteorologia Previsão do tempo Precipitação atmosférica |
description |
Os serviços meteorológicos possuem relevância para diversas atividades humanas que são significativamente afetadas pelas condições climáticas e meteorológicas, por exemplo, a agricultura e o turismo. Devido ao alto custo, as estações meteorológicas são implementadas, normalmente, para atender a demanda de uma ampla região, dificultando o conhecimento preciso das informações meteorológicas de pequenas localidades. O avanço tecnológico na área de aprendizado de máquina possibilita o desenvolvimento de técnicas para facilitar a previsão de chuva, especialmente em escala local, visando torná-la mais prática e acessível. Esse fato motiva diversas pesquisas a utilizar algoritmos, como as Redes Neurais Artificiais (RNA), para a previsão de precipitação pluviométrica. O objetivo deste trabalho consiste no emprego de RNA para a previsão de precipitação pluviométrica (milímetros de chuva) na região do Campus Cerro Largo da Universidade Federal da Fronteira Sul (UFFS). Foram selecionadas as variáveis temperatura do ar, umidade relativa do ar, temperatura do ponto de orvalho, pressão atmosférica, velocidade do vento, direção do vento, irradiação solar e a precipitação pluviométrica para o treinamento do algoritmo, registradas a nível de superfície pela Estação Meteorológica situada no Campus Cerro Largo da UFFS, por um período de três anos (2016-2019). As RNA utilizadas neste trabalho são classificadas como Perceptron de Múltiplas Camadas e foram treinadas pelo método de retropropagação. Foram desenvolvidos dois modelos, um de classificação (para prever a ocorrência de precipitação) e outro de regressão (para estimar o volume de chuva precipitada). O modelo de classificação foi avaliado a partir da matriz de confusão, acurácia, precisão, sensibilidade, especificidade e medida-F. Considerando estas métricas, os resultados variaram entre 94,35 % (sensibilidade) e 77,60 % (especificidade) de acertos na etapa de validação. Para avaliar o desempenho do modelo de regressão utilizou-se o coeficiente de determinação (R²), o coeficiente de correlação de Pearson (R), o erro médio absoluto (EMA) e o erro quadrático médio (EQM). Os resultados foram R² = 0,71, R = 0,84, EMA = 0,34 mm/dia e EQM = 0,22 mm²/dia, considerando os dados de validação. Com este estudo, conclui-se que a RNA é uma técnica promissora para análise de dados meteorológicos, com potencialidade para ser implementada em aplicações que demandam a previsão de precipitação pluviométrica, como em um sistema de alerta de chuvas fortes, de forma acessível e com custos reduzidos. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-12-18 |
dc.date.issued.fl_str_mv |
2020 |
dc.date.accessioned.fl_str_mv |
2021-12-01T14:10:16Z |
dc.date.available.fl_str_mv |
2021-12-01T14:10:16Z 2025 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://rd.uffs.edu.br/handle/prefix/4676 |
url |
https://rd.uffs.edu.br/handle/prefix/4676 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/embargoedAccess |
eu_rights_str_mv |
embargoedAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal da Fronteira Sul |
dc.publisher.initials.fl_str_mv |
UFFS |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Campus Cerro Largo |
publisher.none.fl_str_mv |
Universidade Federal da Fronteira Sul |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFFS (Repositório Digital da UFFS) instname:Universidade Federal Fronteira do Sul (UFFS) instacron:UFFS |
instname_str |
Universidade Federal Fronteira do Sul (UFFS) |
instacron_str |
UFFS |
institution |
UFFS |
reponame_str |
Repositório Institucional da UFFS (Repositório Digital da UFFS) |
collection |
Repositório Institucional da UFFS (Repositório Digital da UFFS) |
bitstream.url.fl_str_mv |
https://rd.uffs.edu.br:8443/bitstream/prefix/4676/2/license.txt https://rd.uffs.edu.br:8443/bitstream/prefix/4676/1/FRIEDRICH.pdf |
bitstream.checksum.fl_str_mv |
43cd690d6a359e86c1fe3d5b7cba0c9b 1a146a2209d9d520d2a69745418dd21b |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFFS (Repositório Digital da UFFS) - Universidade Federal Fronteira do Sul (UFFS) |
repository.mail.fl_str_mv |
|
_version_ |
1809094622473879552 |