Guilherme Marques Farias, Francisco de Assis de Souza Filho, Marco Aurelio Holanda de Castro, David Lopes de Souza, Luís Henrique Magalhães Costa
{"title":"机器学习技术在填补月降雨量时间序列缺口中的应用","authors":"Guilherme Marques Farias, Francisco de Assis de Souza Filho, Marco Aurelio Holanda de Castro, David Lopes de Souza, Luís Henrique Magalhães Costa","doi":"10.36659/dae.2023.058","DOIUrl":null,"url":null,"abstract":"O presente trabalho tem como objetivo verificar a eficácia das técnicas de Redes Neurais Artificiais (RNA) e Random Forest (RF) no processo de reconstrução de séries temporais de precipitação mensal com falhas. O estudo foi aplicado em séries de estações pluviométricas distribuídas no Estado do Ceará, admitindo que as mesmas apresentam falhas, as quais são corrigidas em função das séries históricas de estações vizinhas. A eficácia das técnicas foi verificada dentro de um processo de validação cruzada. No geral, a Random Forest apresentou o melhor desempenho, superando a RNA em número de validações com coeficiente de Nash e Sutcliffe (NSE) superior a 0,75. Nas melhores validações, para ambos os modelos, encontraram-se valores de NSE acima de 0,9 para todas as estações base. O desempenho dos modelos na estação base 2 (EB2), onde obteve-se o melhor desempenho do estudo, apresenta um indicativo de que há uma melhor adaptação dos mesmos a anos com precipitações mais intensas.\nPalavras-chave: Machine Learning. Séries temporais. Precipitação. Preenchimento de falhas. Random Forest.","PeriodicalId":33186,"journal":{"name":"Revista DAE","volume":" ","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-09-07","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Aplicação de técnicas de machine learning no preenchimento de falhas em séries temporais de precipitação mensal\",\"authors\":\"Guilherme Marques Farias, Francisco de Assis de Souza Filho, Marco Aurelio Holanda de Castro, David Lopes de Souza, Luís Henrique Magalhães Costa\",\"doi\":\"10.36659/dae.2023.058\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"O presente trabalho tem como objetivo verificar a eficácia das técnicas de Redes Neurais Artificiais (RNA) e Random Forest (RF) no processo de reconstrução de séries temporais de precipitação mensal com falhas. O estudo foi aplicado em séries de estações pluviométricas distribuídas no Estado do Ceará, admitindo que as mesmas apresentam falhas, as quais são corrigidas em função das séries históricas de estações vizinhas. A eficácia das técnicas foi verificada dentro de um processo de validação cruzada. No geral, a Random Forest apresentou o melhor desempenho, superando a RNA em número de validações com coeficiente de Nash e Sutcliffe (NSE) superior a 0,75. Nas melhores validações, para ambos os modelos, encontraram-se valores de NSE acima de 0,9 para todas as estações base. O desempenho dos modelos na estação base 2 (EB2), onde obteve-se o melhor desempenho do estudo, apresenta um indicativo de que há uma melhor adaptação dos mesmos a anos com precipitações mais intensas.\\nPalavras-chave: Machine Learning. Séries temporais. Precipitação. Preenchimento de falhas. Random Forest.\",\"PeriodicalId\":33186,\"journal\":{\"name\":\"Revista DAE\",\"volume\":\" \",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-09-07\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Revista DAE\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.36659/dae.2023.058\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Revista DAE","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.36659/dae.2023.058","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Aplicação de técnicas de machine learning no preenchimento de falhas em séries temporais de precipitação mensal
O presente trabalho tem como objetivo verificar a eficácia das técnicas de Redes Neurais Artificiais (RNA) e Random Forest (RF) no processo de reconstrução de séries temporais de precipitação mensal com falhas. O estudo foi aplicado em séries de estações pluviométricas distribuídas no Estado do Ceará, admitindo que as mesmas apresentam falhas, as quais são corrigidas em função das séries históricas de estações vizinhas. A eficácia das técnicas foi verificada dentro de um processo de validação cruzada. No geral, a Random Forest apresentou o melhor desempenho, superando a RNA em número de validações com coeficiente de Nash e Sutcliffe (NSE) superior a 0,75. Nas melhores validações, para ambos os modelos, encontraram-se valores de NSE acima de 0,9 para todas as estações base. O desempenho dos modelos na estação base 2 (EB2), onde obteve-se o melhor desempenho do estudo, apresenta um indicativo de que há uma melhor adaptação dos mesmos a anos com precipitações mais intensas.
Palavras-chave: Machine Learning. Séries temporais. Precipitação. Preenchimento de falhas. Random Forest.