Publicação: Modelos de preenchimento de falhas de dados pluviométricos diários usando aprendizado de máquina.
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::ENGENHARIAS, CNPQ::CIENCIAS EXATAS E DA TERRA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Miani, Rodrigo Sanches
Resumo
A reconstrução de séries temporais pluviométricas incompletas é crucial tanto para a
Climatologia e Hidrologia, quanto para a Engenharia Civil. A qualidade e integralidade desses
dados impactam diretamente a acurácia de previsões meteorológicas e investigações
hidrológicas, bem como o dimensionamento adequado de infraestruturas hídricas, como
reservatórios, barragens e sistemas de drenagem urbana, cuja precisão depende da
confiabilidade dos dados pluviométricos. Neste trabalho, investiga-se a aplicação de modelos
de aprendizado de máquina, como KNN Imputer e Iterative Imputer, para a imputação de
dados pluviométricos faltantes, comparando-os com métodos tradicionais, utilizando dados
que abrangem o período de 2002 a 2019, coletados na estação de Itirapina-CRHEA, e o
intervalo de 1979 a 2023, fornecidos pelo Instituto Nacional de Meteorologia (INMET) de
São Carlos. Para tanto, foram empregadas três abordagens distintas: uma análise global,
considerando a totalidade do conjunto de dados, e análises separadas para os períodos
chuvoso e seco, a fim de avaliar o desempenho dos métodos sob diferentes regimes sazonais,
para validar os modelos, retirou-se porcentagens dos dados (2,5%, 5,0%, 7,5% e 10,0%),
simulando falhas, e os valores imputados foram comparados aos originais, além de ser
realizada uma comparação detalhada entre os modelos de aprendizado de máquina e técnicas
tradicionais. Os resultados demonstram que os modelos de aprendizado de máquina
apresentaram desempenho superior aos métodos convencionais em termos de precisão e
manutenção da consistência dos dados, mostrando-se eficazes na melhoria da qualidade dos
dados e no aumento da confiabilidade das previsões, e evidenciando seu potencial para
aplicação em estudos climáticos mais amplos. Para pesquisas futuras, sugere-se a aplicação
dos métodos em diferentes regiões geográficas, biomas e regimes climáticos, o que permitirá
a avaliação da adaptabilidade e eficiência dos métodos propostos em diversos contextos,
contribuindo para a gestão de recursos hídricos e o planejamento climático de longo prazo no
Brasil.
Abstract
The reconstruction of incomplete rainfall time series is crucial for both
Climatology/Hydrology and Civil Engineering. Data quality and integrity directly impact the
accuracy of weather forecasts and hydrological investigations, as well as the proper design of
water infrastructure such as reservoirs, dams, and urban drainage systems, whose precision
relies on the reliability of rainfall data. This study investigates the application of machine
learning models, namely KNN Imputer and Iterative Imputer, for imputing missing rainfall
data, comparing them to traditional methods. Datasets covering the periods from 2002 to 2019
(collected at the Itirapina-CRHEA station) and 1979 to 2023 (provided by the Brazilian
National Institute of Meteorology (INMET) in São Carlos) were used. Three distinct
approaches were employed: a global analysis considering the entire dataset, and separate
analyses for the wet and dry seasons to evaluate the methods' performance under different
seasonal regimes. To validate the models, percentages of the data (2.5%, 5.0%, 7.5%, and
10.0%) were removed, simulating missing values, and the imputed values were compared to
the originals. A detailed comparison between the machine learning models and traditional
techniques was also performed. The results demonstrate that the machine learning models
outperformed conventional methods in terms of accuracy and maintaining data consistency,
proving effective in improving data quality and increasing the reliability of predictions, and
highlighting their potential for application in broader climate studies. For future research, the
application of these methods in different geographical regions, biomes, and climate regimes is
suggested, which will allow for the evaluation of the adaptability and efficiency of the
proposed methods in diverse contexts, contributing to water resource management and
long-term climate planning in Brazil.
Palavras-chave
Séries Temporais Pluviométricas; Imputação de Dados; Aprendizado de Máquina; KNN Imputer; Iterative Imputer; Engenharia Civil; Recursos Hídricos; Climatologia; Hidrologia., Rainfall Time Series; Data Imputation; Machine Learning; KNN Imputer; Iterative Imputer; Civil Engineering; Water Resources; Climatology; Hydrology.
Citação
RIOS, Pedro Augusto Toledo. Modelos de preenchimento de falhas de dados pluviométricos diários usando aprendizado de máquina. Trabalho de Conclusão de Curso (Graduação em Engenharia Civil) - Universidade Federal de Uberlândia, Uberlândia, 2024.