Aplicação de técnicas de inteligência computacional no preenchimento de falhas de séries temporais climatológicas

Abstract

As informações sobre o clima possuem extrema importância para a sociedade e instituições públicas e privadas. Geralmente os dados reais associados com fenômenos climatológicos são obtidos utilizando sensores que estão sujeitos a falhas. Desta forma geram-se dados inválidos que podem prejudicar a análise. O presente estudo visa a aplicação de técnicas de inteligência computacional no desenvolvimento de um modelo híbrido composto por Redes Neurais Artificiais (RNAs) e Algoritmos Genéticos (AGs), para preencher as falhas das variáveis mensais de evaporação, temperatura máxima e umidade relativa do ar pertencentes a seis regiões do estado do Rio de Janeiro. Os resultados obtidos foram comparados com os métodos de Médias, Regressão Linear Múltipla, RNAs Multilayer Perceptron (MLP) e Radial Basis Function (RBF). A performance do modelo proposto foi avaliada utilizando o coeficiente de correlação, erro médio absoluto, raiz do erro médio quadrático, erro médio percentual, índice de concordância e índice de confiança. A avaliação dos resultados mostraram que na maioria dos casos o modelo proposto apresentou índices superiores aos demais modelos, chegando a obter 0,99 de correlação, e erros médios percentuais entre 10% e 1%. No que tange a performance do preenchimento de falhas reais o modelo proposto obteve valor médio de 100% para o preenchimento de dados referentes a evaporação, 89,2% para temperatura máxima do ar e 75,3% para umidade relativa do ar. Logo, pode-se concluir que o modelo proposto é uma alternativa no preenchimento de falhas de dados meteorológicos.