???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: http://www.bdtd.ueg.br/handle/tede/967
Tipo do documento: Dissertação
Título: Deep Learning para estimativa na escala mensal das temperaturas do ar para a região Centro-Oeste do Brasil
Título(s) alternativo(s): Deep Learning to estimate the monthly scale of air temperatures for the Midwest region of Brazil
Autor: Capuchinho, Frank Freire 
Primeiro orientador: Melo, Francisco Ramos de
Primeiro membro da banca: Melo, Francisco Ramos de
Segundo membro da banca: Moraes, Maria Joselma de
Terceiro membro da banca: Carvalho, Sirlon Diniz de
Resumo: Dentre os elementos climáticos que exercem influência na produção agropecuária, tem-se a temperatura do ar e que por sua vez, depende de outros fatores e elementos. Neste sentido, o estudo do clima para as estimativas dos valores mínimos, médios e máximos da temperatura do ar é importante, especialmente em regiões que não apresentam uma densidade de estações meteorológicas aceitável, dados faltantes ou valores inconsistentes, como é o caso da região Centro-Oeste do Brasil. Este trabalho foi conduzido com o objetivo de estudar o emprego de Redes Neurais Artificiais Deep Learning, capazes de estimar as temperaturas máximas (Tmax), mínimas (Tmin) e médias (Tmed) do ar, na escala mensal, para o Centro-Oeste do Brasil. Foram obtidos dados de 1990 a 2020, de 81 estações meteorológicas disponíveis nos Estados que compreendem a região Centro-Oeste brasileira. Os dados foram subdivididos em parcelas de treino, validação e teste. As variáveis independentes de altitude, latitude, longitude, umidade relativa do ar e velocidade do vento foram combinadas em nove cenários (C1 a C9) para estudar a melhor combinação e quantidade de neurônios para estruturação das camadas das RNAs. Foram selecionadas e analisadas três configurações de camadas ocultas e neurônios em cada camada. Em relação a camada de saída é composta por três neurônios que dizem respeito as temperaturas do ar (máxima, média e mínima) na escala mensal. Dessa maneira, foram geradas RNAs Deep Learning para cada um dos nove cenários, configuração de camadas intermediárias, para cada mês do ano (janeiro a dezembro) e temperaturas do ar. Os ajustes das RNAs foram avaliados para a parcela dos dados de teste e por meio de índices estatísticos de Raiz Quadrática do Erro Médio (RQEM), Erro Médio Absoluto (EMA), coeficiente de correlação de Pearson (r), coeficiente de determinação (R²), índice de concordância (d) e índice de performance (IP). Os melhores cenários na combinação de variáveis independentes, para a maioria dos meses foram C1, C2, C3, C4 e C6, que apresentaram R² ≥ 70%. As RNAs desenvolvidas nas configurações de camadas ocultas M3, M2 e M1, nesta ordem, obtiveram os melhores índices estatísticos de r ≥ 70%; RQEM e EMA ≤ 1,0 °C; índice (d) ≥ 0,8 e IP classificados como ótimos. Utilizar um grande volume de dados vinculados a aplicação do Deep Learning apresentou ser possível estimar as médias mensais das temperaturas do ar Tmax, Tmed e Tmin, com aceitável grau de acurácia, para a região Centro-Oeste do Brasil.
Abstract: Among the climatic elements that influence agricultural production, there is the air temperature, which in turn depends on other factors and elements. In this sense, the study of the climate for the estimates of the minimum, average and maximum values of air temperature is important, especially in regions that do not have an acceptable density of meteorological stations, missing data or inconsistent values, as is the case of the Midwest region of Brazil. This work was carried out with the objective of studying the use of Deep Learning Artificial Neural Networks, capable of estimating the maximum (Tmax), minimum (Tmin) and average (Tmed) air temperatures, on a monthly scale, for the Midwest of Brazil. Data were obtained from 1990 to 2020, from 81 meteorological stations available in the states that comprise the Brazilian Midwest region. The data were subdivided into training, validation and test plots. The independent variables of altitude, latitude, longitude, relative humidity and wind speed were combined in nine scenarios (S1 to S9) to study the best combination and number of neurons for structuring the ANN layers. Three configurations of hidden layers and neurons in each layer were selected and analyzed. Regarding the output layer, it is composed of three neurons that relate to air temperatures (maximum, average and minimum) on the monthly scale. In this way, Deep Learning ANNs were generated for each of the nine scenarios, configuration of intermediate layers, for each month of the year (January to December) and air temperatures. The adjustments of the ANNs were evaluated for the portion of the test data and through statistical indices of Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Pearson's correlation coefficient (r), coefficient of determination (R²), agreement index (d) and performance index (PI). The best scenarios in the combination of independent variables for most months were S1, S2, S3, S4 and S6, which presented R² ≥ 70%. The ANNs developed in the configurations of hidden layers M3, M2 and M1, in that order, obtained the best statistical indices of r ≥ 70%; RMSE and MAE ≤ 1.0 °C; index (d) ≥ 0.8 and PI classified as excellent. Using a large volume of data linked to the application of Deep Learning, it was possible to estimate the monthly averages of air temperatures Tmax, Tmed and Tmin, with an acceptable degree of accuracy, for the Midwest region of Brazil.
Palavras-chave: Agroclimatologia
Inteligência artificial
Séries históricas
Agroclimatology
Artificial intelligence
Historical series
Área(s) do CNPq: CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA
AGRONOMIA::AGROMETEOROLOGIA
Idioma: por
País: Brasil
Instituição: Universidade Estadual de Goiás
Sigla da instituição: UEG
Departamento: UEG ::Coordenação de Mestrado em Engenharia Agrícola
Programa: Programa de Pós-Graduação Stricto sensu em Engenharia Agrícola
Citação: CAPUCHINHO, F. F. Deep Learning para estimativa na escala mensal das temperaturas do ar para a região Centro-oeste do Brasil. 2021. 90 f. Dissertação (Mestrado em Engenharia Agrícola) - Câmpus Central - Sede: Anápolis - CET, Universidade Estadual de Goiás, Anápolis-GO.
Tipo de acesso: Acesso Aberto
URI: http://www.bdtd.ueg.br/handle/tede/967
Data de defesa: 16-Dec-2021
Appears in Collections:Mestrado em Engenharia Agrícola

Files in This Item:
File Description SizeFormat 
DISSERTACAO_FRANK_FREIRE_CAPUCHINHO.pdfDissertação_Mestrado em Engenharia Agrícola4,31 MBAdobe PDFDownload/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.