@MASTERSTHESIS{ 2021:1107155112, title = {Deep Learning para estimativa na escala mensal das temperaturas do ar para a região Centro-Oeste do Brasil}, year = {2021}, url = "http://www.bdtd.ueg.br/handle/tede/967", abstract = "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.", publisher = {Universidade Estadual de Goiás}, scholl = {Programa de Pós-Graduação Stricto sensu em Engenharia Agrícola}, note = {UEG ::Coordenação de Mestrado em Engenharia Agrícola} }