|
|
Registro Completo |
Biblioteca(s): |
Embrapa Agricultura Digital. |
Data corrente: |
18/10/2017 |
Data da última atualização: |
21/01/2020 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
OLIVEIRA, H. L. C. de; OLIVEIRA, S. R. de M.; MONTEIRO, J. E. B. de A. |
Afiliação: |
HENRIQUE LIMA CARÁ DE OLIVEIRA, Unicamp, Bolsista CNPq; STANLEY ROBSON DE MEDEIROS OLIVEIRA, CNPTIA; JOSE EDUARDO B DE ALMEIDA MONTEIRO, CNPTIA. |
Título: |
Geração de séries temporais de dados meteorológicos utilizando algoritmos de aprendizado de máquina. |
Ano de publicação: |
2017 |
Fonte/Imprenta: |
In: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 11., 2017, Campinas. Anais... [S.l: s.n.], 2017. |
Páginas: |
Não paginado. |
Descrição Física: |
1 CD-ROM. |
ISBN: |
978-85-7029-141-7 |
Idioma: |
Português |
Notas: |
CIIC 2017. Nº 17602. |
Conteúdo: |
RESUMO - 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. MenosRESUMO - 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... Mostrar Tudo |
Palavras-Chave: |
Agrometeorologia; Algoritmo Random Forest; Aprendizado com classes desbalanceadas; Aprendizado de máquina; Data imputation; Imputação de dados; Machine Learning; Modelos preditivos; Predictive modeling; Séries temporais; Unbalanced class learning. |
Thesaurus Nal: |
Agrometeorology; Artificial intelligence; Time series analysis. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/165194/1/PL-Geracao-CIIC.pdf
|
Marc: |
LEADER 02726nam a2200337 a 4500 001 2077534 005 2020-01-21 008 2017 bl uuuu u00u1 u #d 020 $a978-85-7029-141-7 100 1 $aOLIVEIRA, H. L. C. de 245 $aGeração de séries temporais de dados meteorológicos utilizando algoritmos de aprendizado de máquina.$h[electronic resource] 260 $aIn: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 11., 2017, Campinas. Anais... [S.l: s.n.]$c2017 300 $aNão paginado.$c1 CD-ROM. 500 $aCIIC 2017. Nº 17602. 520 $aRESUMO - 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. 650 $aAgrometeorology 650 $aArtificial intelligence 650 $aTime series analysis 653 $aAgrometeorologia 653 $aAlgoritmo Random Forest 653 $aAprendizado com classes desbalanceadas 653 $aAprendizado de máquina 653 $aData imputation 653 $aImputação de dados 653 $aMachine Learning 653 $aModelos preditivos 653 $aPredictive modeling 653 $aSéries temporais 653 $aUnbalanced class learning 700 1 $aOLIVEIRA, S. R. de M. 700 1 $aMONTEIRO, J. E. B. de A.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registros recuperados : 95 | |
3. | | MONTEIRO, J. E. B. de A. Zoneamentos de uso agrícola. In: LANDAU, E. C.; SILVA, G. A. da; MOURA, L.; HIRSCH, A.; GUIMARÃES, D. P. (ed.). Dinâmica da produção agropecuária e da paisagem natural no Brasil nas últimas décadas: cenário histórico, divisão política, características demográficas, socioeconômicas e ambientais. Brasília, DF: Embrapa, 2020. v. 1, cap. 7, p. 177-190.Biblioteca(s): Embrapa Agricultura Digital. |
| |
9. | | HUNOFF, T. S.; MONTEIRO, J. E. B. de A.; CAVALCANTI, F. R.; FINGER, G. Caracterização do tratamento e da atividade biológica associados ao Thermal Pest Control (TPC) no contexto da proteção da videira contra o míldio. In: ENCONTRO DE INICIAÇÃO CIENTÍFICA DA EMBRAPA UVA E VINHO, 12., ENCONTRO DE PÓS-GRADUANDOS DA EMBRAPA UVA E VINHO, 8., 2014, Bento Gonçalves. Resumos... Bento Gonçalves: Embrapa Uva e Vinho, 2014. p. 55Tipo: Resumo em Anais de Congresso |
Biblioteca(s): Embrapa Uva e Vinho. |
| |
20. | | OLIVEIRA, H. L. C. de; OLIVEIRA, S. R. de M.; MONTEIRO, J. E. B. de A. Metodologia baseada em florestas aleatórias para geração de séries espaço-temporais de temperatura e precipitação. In: CONGRESSO BRASILEIRO DE AGROMETEOROLOGIA, 20., SIMPÓSIO DE MUDANÇAS CLIMÁTICAS E DESERTIFICAÇÃO NO SEMIÁRIDO BRASILEIRO, 5., 2017, Juazeiro. A agrometeorologia na solução de problemas multiescala: anais. Juazeiro: Sociedade Brasileira de Agrometeorologia, 2017. Não paginado. CBAgro, SMUD 2017. Na publicação: José Eduardo B. A. Monteiro.Tipo: Artigo em Anais de Congresso |
Biblioteca(s): Embrapa Agricultura Digital. |
| |
Registros recuperados : 95 | |
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|