机器学习技术在填补月降雨量时间序列缺口中的应用

Revista DAE Pub Date : 2023-09-07 DOI:10.36659/dae.2023.058
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}
引用次数: 0

摘要

本工作旨在验证人工神经网络(RNA)和随机森林(RF)技术在有故障的月降雨量时间序列重建过程中的有效性。该研究应用于分布在塞阿拉州的一系列雨量站,假设它们存在断层,并根据相邻雨量站的历史序列进行校正。在交叉验证过程中验证了这些技术的有效性。总体而言,随机森林表现出最好的性能,在纳什和萨克利夫系数(NSE)高于0.75的验证次数上超过了RNA。在最佳验证中,对于两个模型,所有基站的NSE值都高于0.9。模型在基站2(EB2)中的性能表明,它们能够更好地适应降雨量更大的年份。关键词:机器学习。时间序列。降水故障填充。随机森林。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
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.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
69
审稿时长
16 weeks
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信