O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar

Detalhes bibliográficos
Autor(a) principal: Viana, Rosane Soares Moreira
Data de Publicação: 2019
Tipo de documento: Tese
Idioma: por
Título da fonte: LOCUS Repositório Institucional da UFV
Texto Completo: http://www.locus.ufv.br/handle/123456789/25142
Resumo: Dados espaço-temporais são caracterizados pela descrição da variabilidade no tempo e no espaço. Atualmente, os estudos desses tipos de dados têm proporcionado grandes avanços em áreas como ciências ambientais, geofísicas, biologia, epidemiologia e outras. Os procedimentos comuns de estatística, frequentemente, não são suficientes para descrever os processos espaço-temporais, pois não conseguem captar a variabilidade nas dimensões espaço e tempo conjuntamente. Para estes processos existem três tipos de abordagem: análise puramente espacial, que considera cada tempo separadamente, ou seja, desconsidera a dependência temporal e analisa os dados do processo utilizando técnicas usuais de estatística espacial para cada tempo; análise puramente temporal, onde cada localização desconsidera-se a dependência espacial e analisa os dados do processo utilizando técnicas usuais de séries temporais; e análise espacial e temporal, que é capaz de analisar conjuntamente tanto as dependências espaciais quanto as temporais existentes no conjunto de dados. Ainda não existe um consenso sobre quais são as técnicas mais adequadas de modelagem que atendem às necessidades de aplicações que envolvam simultaneamente tempo e espaço. O desenvolvimento destas técnicas e a construção de representações computacionais apropriadas é um dos grandes desafios da geoinformação. Desta forma, este trabalho tem como objetivo fazer uma exposição teórica de algumas metodologias disponíveis na geoestatística espaço-temporal e/ou aprendizagem de máquina, bem como utilizar um conjunto de dados reais para fazer predição via estrutura de funções de covariâncias espaço-temporais e via modelos de regressão baseados em aprendizagem de máquina, em especial, os algoritmos de random Forest e support vector machine.
id UFV_37208f0b17e428aaf920e2647b93b835
oai_identifier_str oai:locus.ufv.br:123456789/25142
network_acronym_str UFV
network_name_str LOCUS Repositório Institucional da UFV
repository_id_str 2145
spelling Louzada, João MarcosEmiliano, Paulo CésarViana, Rosane Soares Moreirahttp://lattes.cnpq.br/5692282198888503Santos, Gérson Rodrigues dos2019-05-13T11:53:13Z2019-05-13T11:53:13Z2019-02-21VIANA, Rosane Soares Moreira. O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar. 2019. 106 f. Tese (Doutorado em Estatística Aplicada e Biometria) - Universidade Federal de Viçosa, Viçosa. 2019.http://www.locus.ufv.br/handle/123456789/25142Dados espaço-temporais são caracterizados pela descrição da variabilidade no tempo e no espaço. Atualmente, os estudos desses tipos de dados têm proporcionado grandes avanços em áreas como ciências ambientais, geofísicas, biologia, epidemiologia e outras. Os procedimentos comuns de estatística, frequentemente, não são suficientes para descrever os processos espaço-temporais, pois não conseguem captar a variabilidade nas dimensões espaço e tempo conjuntamente. Para estes processos existem três tipos de abordagem: análise puramente espacial, que considera cada tempo separadamente, ou seja, desconsidera a dependência temporal e analisa os dados do processo utilizando técnicas usuais de estatística espacial para cada tempo; análise puramente temporal, onde cada localização desconsidera-se a dependência espacial e analisa os dados do processo utilizando técnicas usuais de séries temporais; e análise espacial e temporal, que é capaz de analisar conjuntamente tanto as dependências espaciais quanto as temporais existentes no conjunto de dados. Ainda não existe um consenso sobre quais são as técnicas mais adequadas de modelagem que atendem às necessidades de aplicações que envolvam simultaneamente tempo e espaço. O desenvolvimento destas técnicas e a construção de representações computacionais apropriadas é um dos grandes desafios da geoinformação. Desta forma, este trabalho tem como objetivo fazer uma exposição teórica de algumas metodologias disponíveis na geoestatística espaço-temporal e/ou aprendizagem de máquina, bem como utilizar um conjunto de dados reais para fazer predição via estrutura de funções de covariâncias espaço-temporais e via modelos de regressão baseados em aprendizagem de máquina, em especial, os algoritmos de random Forest e support vector machine.Spatial-temporal data are characterized by the description of variability in time and space. Currently, studies of these types of data has provided great advances in areas such as environmental sciences, geophysics, biology, epidemiology and others. Common statistical procedures are often not sufficient to describe spatio-temporal processes because they fail to capture the variability in space and time dimensions together. For these processes there are three types of approaches: purely spatial analysis, which considers each time separately, ie, disregards the temporal dependence and analyzes the process data using usual techniques of spatial statistics for each time; purely temporal analysis, where each location is disregarded the spatial dependence and analyzes the data of the process using usual techniques of time series; and spatial and temporal analysis, which is able to analyze both spatial and temporal dependencies in the dataset together. There is still no consensus on which are the most appropriate modeling techniques that meet the needs of applications that involve both time and space. The development of these techniques and the construction of appropriate computational representations is one of the great challenges of geoinformation. In this way, this work has as objective to make a theoretical exposition of the available methodologies in the space-time geostatistics and machine learning, as well as to use a real data set to make prediction via space-time covariance function structures and via regression models based on machine learning, especially the algorithms of random forest and support vector machine.porUniversidade Federal de ViçosaGeologia EstatísticasDados geoespaciaisCovariânciaGráficos aelatóriosAnalise de regressãoMáquina de vetores de suporteAlgarítmosProbabilidade de Estatística AplicadasO uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do arThe use of space-time geostatistics and machine learning in the prediction of maximum air temperatureinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUniversidade Federal de ViçosaDepartamento de EstatísticaDoutor em Estatística Aplicada e BiometriaViçosa - MG2019-02-21Doutoradoinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALtexto completo.pdftexto completo.pdftexto completoapplication/pdf5626689https://locus.ufv.br//bitstream/123456789/25142/1/texto%20completo.pdfb16de0fc198ce9cea3ecd6b09c6d0935MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/25142/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/251422019-05-13 09:04:56.369oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452019-05-13T12:04:56LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false
dc.title.pt-BR.fl_str_mv O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar
dc.title.en.fl_str_mv The use of space-time geostatistics and machine learning in the prediction of maximum air temperature
title O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar
spellingShingle O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar
Viana, Rosane Soares Moreira
Geologia Estatísticas
Dados geoespaciais
Covariância
Gráficos aelatórios
Analise de regressão
Máquina de vetores de suporte
Algarítmos
Probabilidade de Estatística Aplicadas
title_short O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar
title_full O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar
title_fullStr O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar
title_full_unstemmed O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar
title_sort O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar
author Viana, Rosane Soares Moreira
author_facet Viana, Rosane Soares Moreira
author_role author
dc.contributor.authorLattes.pt-BR.fl_str_mv http://lattes.cnpq.br/5692282198888503
dc.contributor.none.fl_str_mv Louzada, João Marcos
Emiliano, Paulo César
dc.contributor.author.fl_str_mv Viana, Rosane Soares Moreira
dc.contributor.advisor1.fl_str_mv Santos, Gérson Rodrigues dos
contributor_str_mv Santos, Gérson Rodrigues dos
dc.subject.pt-BR.fl_str_mv Geologia Estatísticas
Dados geoespaciais
Covariância
Gráficos aelatórios
Analise de regressão
Máquina de vetores de suporte
Algarítmos
topic Geologia Estatísticas
Dados geoespaciais
Covariância
Gráficos aelatórios
Analise de regressão
Máquina de vetores de suporte
Algarítmos
Probabilidade de Estatística Aplicadas
dc.subject.cnpq.fl_str_mv Probabilidade de Estatística Aplicadas
description Dados espaço-temporais são caracterizados pela descrição da variabilidade no tempo e no espaço. Atualmente, os estudos desses tipos de dados têm proporcionado grandes avanços em áreas como ciências ambientais, geofísicas, biologia, epidemiologia e outras. Os procedimentos comuns de estatística, frequentemente, não são suficientes para descrever os processos espaço-temporais, pois não conseguem captar a variabilidade nas dimensões espaço e tempo conjuntamente. Para estes processos existem três tipos de abordagem: análise puramente espacial, que considera cada tempo separadamente, ou seja, desconsidera a dependência temporal e analisa os dados do processo utilizando técnicas usuais de estatística espacial para cada tempo; análise puramente temporal, onde cada localização desconsidera-se a dependência espacial e analisa os dados do processo utilizando técnicas usuais de séries temporais; e análise espacial e temporal, que é capaz de analisar conjuntamente tanto as dependências espaciais quanto as temporais existentes no conjunto de dados. Ainda não existe um consenso sobre quais são as técnicas mais adequadas de modelagem que atendem às necessidades de aplicações que envolvam simultaneamente tempo e espaço. O desenvolvimento destas técnicas e a construção de representações computacionais apropriadas é um dos grandes desafios da geoinformação. Desta forma, este trabalho tem como objetivo fazer uma exposição teórica de algumas metodologias disponíveis na geoestatística espaço-temporal e/ou aprendizagem de máquina, bem como utilizar um conjunto de dados reais para fazer predição via estrutura de funções de covariâncias espaço-temporais e via modelos de regressão baseados em aprendizagem de máquina, em especial, os algoritmos de random Forest e support vector machine.
publishDate 2019
dc.date.accessioned.fl_str_mv 2019-05-13T11:53:13Z
dc.date.available.fl_str_mv 2019-05-13T11:53:13Z
dc.date.issued.fl_str_mv 2019-02-21
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv VIANA, Rosane Soares Moreira. O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar. 2019. 106 f. Tese (Doutorado em Estatística Aplicada e Biometria) - Universidade Federal de Viçosa, Viçosa. 2019.
dc.identifier.uri.fl_str_mv http://www.locus.ufv.br/handle/123456789/25142
identifier_str_mv VIANA, Rosane Soares Moreira. O uso da geoestatística espaço-temporal e aprendizagem de máquina na predição da temperatura máxima do ar. 2019. 106 f. Tese (Doutorado em Estatística Aplicada e Biometria) - Universidade Federal de Viçosa, Viçosa. 2019.
url http://www.locus.ufv.br/handle/123456789/25142
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 Viçosa
publisher.none.fl_str_mv Universidade Federal de Viçosa
dc.source.none.fl_str_mv reponame:LOCUS Repositório Institucional da UFV
instname:Universidade Federal de Viçosa (UFV)
instacron:UFV
instname_str Universidade Federal de Viçosa (UFV)
instacron_str UFV
institution UFV
reponame_str LOCUS Repositório Institucional da UFV
collection LOCUS Repositório Institucional da UFV
bitstream.url.fl_str_mv https://locus.ufv.br//bitstream/123456789/25142/1/texto%20completo.pdf
https://locus.ufv.br//bitstream/123456789/25142/2/license.txt
bitstream.checksum.fl_str_mv b16de0fc198ce9cea3ecd6b09c6d0935
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)
repository.mail.fl_str_mv fabiojreis@ufv.br
_version_ 1801212915979649024