Use este identificador para citar ou linkar para este item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1077534
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorOLIVEIRA, H. L. C. de
dc.contributor.authorOLIVEIRA, S. R. de M.
dc.contributor.authorMONTEIRO, J. E. B. de A.
dc.date.accessioned2017-10-19T09:29:55Z-
dc.date.available2017-10-19T09:29:55Z-
dc.date.created2017-10-18
dc.date.issued2017
dc.identifier.citationIn: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 11., 2017, Campinas. Anais... [S.l: s.n.], 2017.
dc.identifier.isbn978-85-7029-141-7
dc.identifier.urihttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1077534-
dc.descriptionRESUMO - Este trabalho objetivou desenvolver uma metodologia baseada em algoritmos de Aprendizado de Máquina para gerar séries espaço-temporais de precipitação e temperatura. Foi definida uma região de estudo de formato retangular, entre as latitudes de -18º e -22º e as longitudes de -52º e -39º, incluindo a metade norte do Estado de São Paulo e parte do sul de Goiás, a metade sul de Minas Gerais e o Estado do Espírito Santo. A região foi escolhida por ser climaticamente bastante heterogênea e por conter muitas estações meteorológicas de diversas instituições, principalmente ANA e INMET. Foram utilizadas as séries temporais de precipitação e de temperatura máxima e mínima disponíveis na região, compreendendo o período de 01/01/1999 a 31/12/2013. Também foram utilizadas as bases externas TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grades que cobrem a região de estudo. A região de estudo foi subdividida em formato de grade regular com resolução de 0,5º (latitude e longitude), resultando em 280 quadrículas, sendo 28 na horizontal e 10 na vertical. Para cada quadrícula foram ajustados modelos preditivos de precipitação diária, acumulada de 10 dias, temperatura máxima e temperatura mínima. Os resultados revelaram um bom ajuste dos modelos em relação aos valores previstos e observados, indicando um grande potencial da metodologia proposta tanto para a imputação de dados ausentes quanto para a geração de séries espaço-temporais em regiões sem a presença de dados medidos.
dc.format1 CD-ROM.
dc.language.isoporpt_BR
dc.rightsopenAccesspt_BR
dc.subjectSéries temporais
dc.subjectAprendizado de máquina
dc.subjectAprendizado com classes desbalanceadas
dc.subjectModelos preditivos
dc.subjectImputação de dados
dc.subjectAlgoritmo Random Forest
dc.subjectUnbalanced class learning
dc.subjectPredictive modeling
dc.subjectData imputation
dc.subjectMachine Learningpt_BR
dc.subjectAgrometeorologiapt_BR
dc.titleGeração de séries temporais de dados meteorológicos utilizando algoritmos de aprendizado de máquina.
dc.typeArtigo em anais e proceedings
dc.date.updated2020-01-21T11:11:11Zpt_BR
dc.subject.nalthesaurusTime series analysis
dc.subject.nalthesaurusArtificial intelligence
dc.subject.nalthesaurusAgrometeorology
dc.description.notesCIIC 2017. Nº 17602.
dc.format.extent2Não paginado.
riaa.ainfo.id1077534
riaa.ainfo.lastupdate2020-01-21 -02:00:00
dc.contributor.institutionHENRIQUE LIMA CARÁ DE OLIVEIRA, Unicamp, Bolsista CNPq; STANLEY ROBSON DE MEDEIROS OLIVEIRA, CNPTIA; JOSE EDUARDO B DE ALMEIDA MONTEIRO, CNPTIA.
Aparece nas coleções:Artigo em anais de congresso (CNPTIA)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PLGeracaoCIIC.pdf790.39 kBAdobe PDFThumbnail
Visualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace