Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos

Detalhes bibliográficos
Autor(a) principal: Silva Junior, Anisio Alfredo da
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFMT
Texto Completo: http://ri.ufmt.br/handle/1/2364
Resumo: This work aimed to to study the use of Deep Learning in gap filling in microclimatic data series. The databases used belong to automatic stations of the Institute of Meteorology (INMET), located in the cities of Campina Verde - MG, Sorriso -MT, Diamante do Norte -PR and Campo Bom -RS, collected from November 2014 to January 2015, composed by the following variables: solar radiation, wind speed, dew point, relative humidity, atmospheric pressure and air temperature. The experiment consisted in the construction of a model of machine learning and analysis of four basic factors, such as the number of hidden layers, number of neurons, number of independent variables used in the estimation of the target variable, and finally the impacts caused by the percentage of failures contained in the series. For the statistical analysis, Kruskal-Wallis and Mann-Whitney tests were used in the analysis of variance, Nemenyi test to paired comparison, and comparisons with other models widely used in the literature. The results showed that the number of 50 and 100 neurons does have a significant impact on the network response, that the use of only one independent variable has a significant difference in comparison to the use of more, and the percentage of failures influenced only the filling of the point time series of dew. It is concluded that the developed model presents good results for filling temperature, relative humidity and dew point faults.
id UFMT_0567f6d155a45a95da3230b50c99e956
oai_identifier_str oai:localhost:1/2364
network_acronym_str UFMT
network_name_str Repositório Institucional da UFMT
repository_id_str
spelling Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicosInteligência artificialTratamento de dadosCNPQ::CIENCIAS EXATAS E DA TERRA::FISICAArtificial intelligenceData correctionThis work aimed to to study the use of Deep Learning in gap filling in microclimatic data series. The databases used belong to automatic stations of the Institute of Meteorology (INMET), located in the cities of Campina Verde - MG, Sorriso -MT, Diamante do Norte -PR and Campo Bom -RS, collected from November 2014 to January 2015, composed by the following variables: solar radiation, wind speed, dew point, relative humidity, atmospheric pressure and air temperature. The experiment consisted in the construction of a model of machine learning and analysis of four basic factors, such as the number of hidden layers, number of neurons, number of independent variables used in the estimation of the target variable, and finally the impacts caused by the percentage of failures contained in the series. For the statistical analysis, Kruskal-Wallis and Mann-Whitney tests were used in the analysis of variance, Nemenyi test to paired comparison, and comparisons with other models widely used in the literature. The results showed that the number of 50 and 100 neurons does have a significant impact on the network response, that the use of only one independent variable has a significant difference in comparison to the use of more, and the percentage of failures influenced only the filling of the point time series of dew. It is concluded that the developed model presents good results for filling temperature, relative humidity and dew point faults.O objetivo deste trabalho é estudar a utilização de Deep Learning no preenchimento de falhas em séries de dados microclimáticos, para isso, utilizou dados de estações automáticas do INMET, localizadas nas cidades de Campina Verde -MG, Sorriso -MT, Diamante do Norte -PR e Campo Bom -RS, coletados no período de novembro de 2014 à janeiro de 2015, compostos pelas variáveis: radiação solar, velocidade do vento, ponto de orvalho, umidade relativa do ar, pressão atmosférica e temperatura do ar. O experimento consistiu na construção de um modelo de aprendizado de máquina e análise de quatro fatores básicos, como a quantidade de camadas ocultas utilizadas, quantidade de neurônios, quantidade de variáveis independentes utilizadas na estimativa da variável alvo e, por fim, os impactos causados pela porcentagem de falhas contida na série. Para a análise estatística foram utilizados os testes de Kruskal-Wallis e Mann-Whitney na análise de variância, e o teste de Nemenyi na comparação em pares, além de comparações com outros modelo amplamente utilizados na literatura. Os resultados demonstraram que a quantidade de 50 e 100 neurônios causa impacto significante na resposta da rede, que a utilização de apenas uma variável independente tem diferença significativa e m c omparação a o u so d e m ais, e q ue a p orcentagem de falhas influenciou apenas o preenchimento das séries temporais de ponto de orvalho. Conclui-se que o modelo desenvolvido apresenta resultados significantes para o preenchimento de falhas de temperatura, umidade relativa e ponto de orvalhoUniversidade Federal de Mato GrossoBrasilInstituto de Física (IF)UFMT CUC - CuiabáPrograma de Pós-Graduação em Física AmbientalGomes, Raphael de Souza Rosahttp://lattes.cnpq.br/7352154839166198Gomes, Raphael de Souza Rosa011.912.491-23http://lattes.cnpq.br/7352154839166198Musis, Carlo Ralph de545.383.511-72http://lattes.cnpq.br/2229878954372934011.912.491-23Figueiredo, Josiel Maimone de568.019.391-49http://lattes.cnpq.br/1242386923227672Ventura, Thiago Meirelles004.845.441-95http://lattes.cnpq.br/5645243204926918Silva Junior, Anisio Alfredo da2021-03-10T14:00:09Z2019-02-272021-03-10T14:00:09Z2019-02-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisSILVA JUNIOR, Anisio Alfredo da. Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos. 2019. 62 f. Dissertação (Mestrado em Física Ambiental) - Universidade Federal de Mato Grosso, Instituto de Física, Cuiabá, 2019.http://ri.ufmt.br/handle/1/2364porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMTinstname:Universidade Federal de Mato Grosso (UFMT)instacron:UFMT2021-03-12T07:05:18Zoai:localhost:1/2364Repositório InstitucionalPUBhttp://ri.ufmt.br/oai/requestjordanbiblio@gmail.comopendoar:2021-03-12T07:05:18Repositório Institucional da UFMT - Universidade Federal de Mato Grosso (UFMT)false
dc.title.none.fl_str_mv Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos
title Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos
spellingShingle Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos
Silva Junior, Anisio Alfredo da
Inteligência artificial
Tratamento de dados
CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
Artificial intelligence
Data correction
title_short Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos
title_full Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos
title_fullStr Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos
title_full_unstemmed Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos
title_sort Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos
author Silva Junior, Anisio Alfredo da
author_facet Silva Junior, Anisio Alfredo da
author_role author
dc.contributor.none.fl_str_mv Gomes, Raphael de Souza Rosa
http://lattes.cnpq.br/7352154839166198
Gomes, Raphael de Souza Rosa
011.912.491-23
http://lattes.cnpq.br/7352154839166198
Musis, Carlo Ralph de
545.383.511-72
http://lattes.cnpq.br/2229878954372934
011.912.491-23
Figueiredo, Josiel Maimone de
568.019.391-49
http://lattes.cnpq.br/1242386923227672
Ventura, Thiago Meirelles
004.845.441-95
http://lattes.cnpq.br/5645243204926918
dc.contributor.author.fl_str_mv Silva Junior, Anisio Alfredo da
dc.subject.por.fl_str_mv Inteligência artificial
Tratamento de dados
CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
Artificial intelligence
Data correction
topic Inteligência artificial
Tratamento de dados
CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
Artificial intelligence
Data correction
description This work aimed to to study the use of Deep Learning in gap filling in microclimatic data series. The databases used belong to automatic stations of the Institute of Meteorology (INMET), located in the cities of Campina Verde - MG, Sorriso -MT, Diamante do Norte -PR and Campo Bom -RS, collected from November 2014 to January 2015, composed by the following variables: solar radiation, wind speed, dew point, relative humidity, atmospheric pressure and air temperature. The experiment consisted in the construction of a model of machine learning and analysis of four basic factors, such as the number of hidden layers, number of neurons, number of independent variables used in the estimation of the target variable, and finally the impacts caused by the percentage of failures contained in the series. For the statistical analysis, Kruskal-Wallis and Mann-Whitney tests were used in the analysis of variance, Nemenyi test to paired comparison, and comparisons with other models widely used in the literature. The results showed that the number of 50 and 100 neurons does have a significant impact on the network response, that the use of only one independent variable has a significant difference in comparison to the use of more, and the percentage of failures influenced only the filling of the point time series of dew. It is concluded that the developed model presents good results for filling temperature, relative humidity and dew point faults.
publishDate 2019
dc.date.none.fl_str_mv 2019-02-27
2019-02-26
2021-03-10T14:00:09Z
2021-03-10T14:00:09Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv SILVA JUNIOR, Anisio Alfredo da. Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos. 2019. 62 f. Dissertação (Mestrado em Física Ambiental) - Universidade Federal de Mato Grosso, Instituto de Física, Cuiabá, 2019.
http://ri.ufmt.br/handle/1/2364
identifier_str_mv SILVA JUNIOR, Anisio Alfredo da. Aplicação de Deep Learning no preenchimento de falhas em dados micrometeorológicos. 2019. 62 f. Dissertação (Mestrado em Física Ambiental) - Universidade Federal de Mato Grosso, Instituto de Física, Cuiabá, 2019.
url http://ri.ufmt.br/handle/1/2364
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Mato Grosso
Brasil
Instituto de Física (IF)
UFMT CUC - Cuiabá
Programa de Pós-Graduação em Física Ambiental
publisher.none.fl_str_mv Universidade Federal de Mato Grosso
Brasil
Instituto de Física (IF)
UFMT CUC - Cuiabá
Programa de Pós-Graduação em Física Ambiental
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMT
instname:Universidade Federal de Mato Grosso (UFMT)
instacron:UFMT
instname_str Universidade Federal de Mato Grosso (UFMT)
instacron_str UFMT
institution UFMT
reponame_str Repositório Institucional da UFMT
collection Repositório Institucional da UFMT
repository.name.fl_str_mv Repositório Institucional da UFMT - Universidade Federal de Mato Grosso (UFMT)
repository.mail.fl_str_mv jordanbiblio@gmail.com
_version_ 1804648505319358464

Registros relacionados