|
Registro Completo |
|
Biblioteca(s): |
Embrapa Agricultura Digital. |
|
Data corrente: |
21/12/2017 |
|
Data da última atualização: |
15/08/2023 |
|
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 L. C. DE OLIVEIRA, Bolsista CNPTIA; STANLEY ROBSON DE MEDEIROS OLIVEIRA, CNPTIA; JOSE EDUARDO B DE ALMEIDA MONTEIRO, CNPTIA. |
|
Título: |
Metodologia baseada em florestas aleatórias para geração de séries espaço-temporais de temperatura e precipitação. |
|
Ano de publicação: |
2017 |
|
Fonte/Imprenta: |
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. |
|
Páginas: |
Não paginado. |
|
Idioma: |
Português |
|
Notas: |
CBAgro, SMUD 2017. Na publicação: José Eduardo B. A. Monteiro. |
|
Conteúdo: |
RESUMO: O objetivo deste trabalho foi desenvolver uma metodologia, baseada no algoritmo Random Forest, para gerar séries espaço-temporais de temperatura e de precipitação. Foi definida uma região de estudo de formato retangular, 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. Essa região foi escolhida por ser climaticamente bastante heterogênea, tanto no tempo como no espaço, 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 AgMERRA, AgCFSR, radiação solar GL 1.2 CPTEC, TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grids 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 vários modelos preditivos, para temperatura máxima, mínima, precipitação diária e acumulada de 10 dias, utilizando o algoritmo de Aprendizado de Máquina Random Forest. Os resultados revelaram um bom ajuste dos modelos preditivos em relação aos valores previstos e observados para as quadrículas avaliadas, 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: O objetivo deste trabalho foi desenvolver uma metodologia, baseada no algoritmo Random Forest, para gerar séries espaço-temporais de temperatura e de precipitação. Foi definida uma região de estudo de formato retangular, 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. Essa região foi escolhida por ser climaticamente bastante heterogênea, tanto no tempo como no espaço, 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 AgMERRA, AgCFSR, radiação solar GL 1.2 CPTEC, TRMM e Nasa Power, cujos dados estão espacialmente dispostos em grids 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 vários modelos preditivos, para temperatura máxima, mínima, precipitação diária e acumulada de 10 dias, utilizando o algoritmo de Aprendizado de Máquina Random Forest. Os resultados revelaram um bom ajuste dos modelos preditivos em relação aos valores previstos e observados para as quadrículas avaliadas, indicando um grande potencial da metodologia proposta tanto para... Mostrar Tudo |
|
Palavras-Chave: |
Agrometeorologia; Aprendizado de máquina; Classificação de dados; Data classification; Data imputation; Imputação de dados; Inteligência artificial; Machine learning; Modelos preditivos; Optimization; Otimização; Predictive modeling. |
|
Thesaurus Nal: |
Agrometeorology; Artificial intelligence; Models. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
Marc: |
null
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
