Predição de níveis de precipitação em Catalão-Goiás com base em séries temporais de múltiplos pontos geográficos / Precipitation forecast in Catalão-Goiás based on time series of multiple geographic points

Gabriel Santos Resende, Lucas Ávila Oliveira, Tércio Alberto dos Santos Filho, Sérgio Francisco da Silva

Abstract


Predição de precipitação é importante para planejamento do dia-a-dia e para tomada de decisões de curto à longo prazo. Atualmente, o campo de predição meteorológica conta com o suporte da evolução tecnológica, tal como das redes de sensores, que permitem a coleta automática de grande quantidade de dados com alta precisão, e da comunidade científica que tem desenvolvido várias técnicas de aprendizado de máquina, especialmente de redes neurais. Este estudo investiga o uso de uma rede neural chamada long short-term memory (LSTM) para a predição da precipitação em Catalão/Goiás com séries temporais de múltiplos pontos geográficos. Considerou-se as tarefas de regressão (predição de valor real em mm de chuva) e de classificação do nível chuva em cinco classe (sem chuva, pouca chuva, chuva, chuva moderada, muita chuva) usando a base de dados com diferentes periodicidades: horária e diária. Os resultados mostram que o uso de dados com periodicidade horária produz resultados mais precisos tanto de classificação quanto de regressão. Adicionalmente, considerando os dados em periodicidade diária, os resultados de classificação foram mais precisos.


Keywords


Séries temporais, predição de precipitação, redes neurais, memória de longo a curto prazo.

References


ABREU, J. P. M. Agrometeorologia. Aplicação da Meteorologia para Maximizar a Produção Agrícola. Editora Agrobook, 2018.

AGGARWAL, C. C. An Introduction to Neural Networks. Cham: Springer International Publishing, 2018. 1–52 p. ISBN 978-3-319-94463-0. Disponível em: . Acesso em: 14 de Março de 2021.

CHATFIELD, C. (2004).The analysis of time series: an introduction. Florida, US, 6th edition.

DAS, M.; GHOSH, S. K. Data-driven approaches for meteorological time series prediction:A comparative study of the state-of-the-art computational intelligence techniques. Pattern Recognition Letters, v. 105, p. 155 – 164, 2018.

DIKSHIT, A.; PRADHAN, B.; ALAMRI, A. M. Long lead time drought forecasting using laggedclimate variables and a stacked long short-term memory model. Science of The Total Environment, v. 755, p. 142638, 2021.

DUAN, J.; WANG, P.; MA, W.; TIAN, X.; FANG, S.; CHENG, Y.; CHANG, Y.; LIU, H. Short-term wind power forecasting using the hybrid model of improved variational mode decomposition and correntropy long short -term memory neural network. Energy, v. 214, p.118980, 2021.

GOMES, A. C. A.; OLIVEIRA, M. C. F; FERREIRA, A. N. P. Influência dos elementos meteorológicos na produção do feijão (Phaseolus vulgares L.) no município de Traquateua-PA. XV Confresso Brasileiro de Agrometeorologia, Aracaju-SE, 2007.

HAYKIN, S. S. Neural networks and learning machines. Third. Upper Saddle River, NJ: Pearson Education, 2009.

HOCHREITER, S.; SCHMIDHUBER, J. Long-short term memory. Neural Computation, v. 9,n. 8, p. 1735–1780, 1997.

HEWAGE, P.; BEHERA, A.; TROVATI, M.; PEREIRA, E.; GHAHREMANI, M.; PALMIERI,F.; LIU, Y. Temporal convolutional neural (tcn) network for an effective weather forecastingusing time-series data from the local weather station. Soft Computing, v. 24, 2020

KE, J.; ZHENG, H.; YANG, H.; CHEN, X. M. Short-term forecasting of passenger demand underon-demand ride services: A spatio-temporal deep learning approach. Transportation Research, Part C: Emerging Technologies, v. 85, p. 591 – 608, 2017.

KIM, T.; SHARDA, S.; ZHOU, X.; PENDYALA, R. M. A stepwise interpretable machinelearning framework using linear regression (lr) and long short-term memory (lstm): City-widedemand-side prediction of yellow taxi and for-hire vehicle (fhv) service.Transportation Rese-arch Part C: Emerging Technologies, v. 120, p. 102786, 2020.

LIU, H.; MI, X. wei; LI, Y. fei. Wind speed forecasting method based on deep learning strategyusing empirical wavelet transform, long short term memory neural network and elman neuralnetwork. Energy Conversion and Management, v. 156, p. 498 – 514, 2018.

NATIONAL RESEARCH COUNCIL. Urban Meteorology: Forecasting, Monitoring, and Meeting Users' Needs. Washington, DC: The National Academies, 2012.

MA, X.; TAO, Z.; WANG, Y.; YU, H.; WANG, Y. Long short-term memory neural network fortraffic speed prediction using remote microwave sensor data.Transportation Research Part C:Emerging Technologies, v. 54, p. 187 – 197, 2015.

MARCHEZAN, E. Efeito de elementos meteorológicos na época de colheita sobre a quantidade de grãos inteiros de arroz. Ciência Rural, vol 25, no. 2, Santa Maria, 1995.

MARRAS, S.; KELLY, J. F.; MORAGUES, M.; MÜLLER, A.; KOPERA, M. A.; VÁZQUEZ,M.; GIRALDO, F. X.; HOUZEAUX, G.; JORBA, O. A review of element-based galerkin methods for numerical weather prediction: Finite elements, spectral elements, and discontinuous galerkin. Archives of Computational Methods in Engineering, v. 23, n. 4, p. 673–722, 2016.

MONQUERO, P.A., AMARAL, L.R., BINHA, D.P., SILVA, A.C., & SILVA, P.V.. (2008). Potencial de lixiviação de herbicidas no solo submetidos a diferentes simulações de precipitação. Planta Daninha, 26(2), 403-409.

N. V. Chawla; K. W. Bowyer; L. O. Hall; W. P. Kegelmeyer. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, vol. 16 (2002), pág. 321–357.

OLAH, C. Understanding LSTM Networks. 2015. Disponível em: . Acesso em: 10 de Março de 2021.

Qu Xiaoyun; Kang Xiaoning; Zhang Chao; Jiang Shuai; Ma Xiuda. Short-term prediction ofwind power based on deep long short-term memory. In:2016 IEEE PES Asia-Pacific Powerand Energy Engineering Conference (APPEEC). [S.l.: s.n.], 2016. p. 1148–1152.

SENE, E. D.; MOREIRA, J. C. Geografia geral e do Brasil : espaço geográfico e globalização. 2th. ed. [S.l.]: scipione, 2013. v. 1. ISBN 978 85262 9128 7.

ZAYTAR, M. A.; AMRANI, C. E. Sequence to sequence weather forecasting with long short-term memory recurrent neural networks. International Journal of Computer Applications,v. 143, p. 7–11, 06 2016.

WERNER, L.; BISOGNIN, C; ARAÚJO, C. W. Análise De Técnicas De Previsão: Um Estudo De Caso Para O Volume De Ações Da Petrobras/ Forecasting Techniques Analysis: A Case Study For Petrobras Stock Volume. Brazilian Journal of Development. V. 16, No. 1 2020, p. 1103-1115. DOI: .




DOI: https://doi.org/10.34117/bjdv7n4-113

Refbacks

  • There are currently no refbacks.