Académique Documents
Professionnel Documents
Culture Documents
2
3
necessita-se de sries climatolgicas de boa qualidade. Uma das medidas de qualidade das sries
refere-se homogeneidade espao-temporal dos atributos meteorolgicos assim como um nmero
reduzido de falhas (valores faltantes ou missing values). Por outro lado, os usurios de registros
climatolgicos, comumente, necessitam de dados temporais em localizaes geogrficas onde no fora
observada qualquer medida direta das variveis. Condies climatolgicas das reas ou pontos de
interesse tm que ser calculados interpolando observaes no tempo de estaes vizinhas. Um dos
objetivos de se avaliar a consistncia no espao de uma srie temporal delinear as reas para as quais
a cadeia (rede meteorolgica) seja capaz de fornecer informaes climatolgicas suficientemente
precisa, i.e., onde os erros ou resduos associados interpolao no tempo ou no espao no excedam
um valor considerado aceitvel.
O propsito deste trabalho obter sries climatolgicas homogneas a partir de uma rede de
atributos meteorolgicos. Adotou-se um critrios de reconstruo baseado na construo de uma rede
de inteligncia artificial (Bishop, 1995). Na verificao da coerncia da reconstruo foram utilizadas
funes de autocorrelao. Este procedimento serviu para verificar se os valores apresentavam-se
integrados numa estrutura espaotemporal da srie, possibilitando avaliar a estimativa do erro
associado a cada valor estimado da nova srie. Numa primeira fase, com o objetivo de ilustrar o
mtodo, foram selecionadas 6 estaes meteorolgicas do estado do Rio Grande do Sul Brasil (Fig.1),
consideradas representativas da variabilidade climtica da regio, estimando e preenchendo os missing
values nas sries de precipitao mensal acumulada. importante ressaltar que o modelo de ANN
pode ser treinado para determinar a melhor relao matemtica entre a circulao atmosfrica (preditor)
e o clima regional (preditando e/ou preditor), sem restries pr-definidas. Esta metodologia capaz de
capturar algumas das relaes no-lineares entre o clima local e suas covariveis.
Fig.1: Regio sob estudo (elipse assinalada em azul) e estaes meteorolgicas de controle (elipses assinaladas em
vermelho) e estaes meteorolgicas com maior nmero de missing values (elipses assinaladas em preto).
apresentou um total de 95 missing values contnuos no incio da srie e que a estao 83995 (Rio
Grande) continha um total de 49 valores faltantes intermitentes - estas sero nossos alvos.
REDES NEURAIS ARTIFICIAIS ASPECTOS PRTICOS
As variveis de entrada (inputs) correspondem a camadas que renem os dados meteorolgicos,
alguns indicadores proxy climticos de interao oceano-atmosfera e variveis de periodicidade,
enquanto que a varivel de sada (output) a srie meteorolgica mensal a ser reconstruda. Como,
naturalmente, as sries meteorolgicas demonstram uma dependncia em relao ao ciclo sazonal (4
entradas), adotou-se a incluso das variveis de periodicidade: vero, outono, inverno e primavera;
assim como os meses (12 entradas). A incluso da periodicidade, nesse caso, uma informao
importante na reduo do erro durante o prognstico gerado pela rede - para considerar o ciclo sazonal,
no suficiente considerar apenas a climatologia mensal. Na prtica, as sries temporais so
subdivididas em trs conjuntos: (1) Srie de Treinamento: srie temporal usada para o ajuste dos
ponderadores da rede; (2) Srie de Validao: srie temporal usada para aperfeioar a topologia da rede
ou parmetros da rede para diferentes ponderadores - calcula a perda de generalizao retendo a
melhor rede; (3) Srie de Teste: srie temporal usada para testar a performance que a rede (treinada)
executar sob a insero de novos dados. Em tarefas de predio a meta determinar um modelo e
ento us-lo para fazer projees. A rede neural, com sua notvel habilidade para derivar significado de
dados complicados ou imprecisos, pode ser usada para extrair padres e detectar tendncias que so
muito complexos para serem notados pelo ser humano ou outras tcnicas computacionais.
40
35
INPUTS
35
INPUTS
30
30
25
25
(%)
(%)
20
20
15
15
10
10
83919
EST-83980
EST-83907
EST-83967
EST-83914
MEI
TNI
PNA
NINO3
NINO3.4
NINO2
NINO1.2
SOI
PDO
Season
EST-83980
EST-83907
EST-83967
EST-83914
MEI
TNI
PNA
NINO3
NINO3.4
NINO2
NINO1.2
SOI
PDO
Season
Month
Month
83995
Fig.2: Ponderadores (grau de importncia) de cada uma das variveis na reconstruo das sries temporais de precipitao,
350
Observado
Modelado
400
Observado
Modelado
300
350
Precipitao (mm/ms)
Precipitao (mm/ms)
250
300
250
200
150
200
150
100
100
50
50
0
TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN
0
TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN TRN
Treino
Treino
350
400
Observado
Modelado
Observado
Modelado
350
300
300
Precipitao (mm/ms)
Precipitao (mm/ms)
250
250
200
150
200
150
100
100
50
50
0
TST
TST
TST
TST
TST
TST
TST
TST
TST
TST
TST
TST
TST
TST
TST TST TST TST TST TST TST TST TST TST TST TST TST TST TST
Teste
Teste
350
400
Observado
Modelado
Observado
Modelado
350
300
300
Precipitao (mm/ms)
Precipitao (mm/ms)
250
250
200
150
200
150
100
100
50
50
0
VLD
VLD
VLD
VLD
VLD
VLD
VLD
VLD
VLD
VLD
VLD
VLD
VLD
VLD
VLD VLD VLD VLD VLD VLD VLD VLD VLD VLD VLD VLD VLD VLD VLD
Validao
Validao
400
350
Observado X Modelado: R
350
= 0,51 e R = 0,72
300
300
250
Modelado
Modelado
250
200
200
150
150
100
100
50
50
Observado X Modelado: R
= 0,71 e R = 0,84
0
0
50
100
150
200
250
300
350
400
450
Observado
50
100
150
200
250
300
350
Observado
Fig.3: 83919 Arquitetura da ANN: [29-76-1], taxa de resmostragem Bottstrap: |W|=0,8% e 83995 [29-39-1], |W|=1,4%
Tangente Hiperblica, Quick Propagation. Taxa de aprendizado 10%; taxa de momentum: 1,75; 2000 iteraes e 2
retreinamentos.
Acknowledgements: Grateful thanks to Dr. Alex Grechanowski for kindly providing us the program NeuroIntelligence Neural Network Software for Professionals. (http://www.leokrut.com/store/alyudaneurointelligence.html)
CONCLUSO
O desenvolvimento de modelos para a gerao de sries sintticas de dados climticos para o
preenchimento de falhas em sries histricas de grande importncia para a avaliao de sistemas
agronmicos, modelos de clima e simulao dos sistemas atmosfricos. Este trabalho apresenta um
mtodo de reconstruo das sries climatolgicas, no qual a estrutura espao-temporal dos campos de
precipitao acumulada analisada isoladamente. A aplicao desta metodologia apresentou resultados
muito animadores demonstrando a capacidade do mtodo de interpolar dados produzindo solues
regulares e consistentes. Fundamentado na avaliao do desempenho dos modelos, ANN parece ser um
mtodo promissor para a gerao de sries mensais sintticas de dados climatolgicos. Podendo
tambm ser uma tcnica muito til na gerao de previses climticas.
83919
83995
700
600
Precipitao (mm/ms)
500
400
300
200
Oct-05
Jun-00
Feb-03
Oct-97
Jun-92
Feb-95
Oct-89
Jun-84
Feb-87
Oct-81
Jun-76
Feb-79
Oct-73
Feb-71
Jun-68
100
700
EST-83995
EST-83995_rec
STA-83919
STA-83919_rec
600
500
Precipitao (mm/ms)
Precipitao (mm/ms)
500
400
300
400
300
200
200
Mar-04
Jan-98
Feb-01
Dec-94
Oct-88
Nov-91
Sep-85
Jul-79
Aug-82
Jun-76
Apr-70
May-73
Mar-67
Jan-61
Mar-04
Feb-01
Jan-98
Dec-94
Nov-91
Oct-88
Sep-85
Aug-82
Jul-79
Jun-76
May-73
Apr-70
Mar-67
Jan-61
Feb-64
Feb-64
100
100
REFERNCIAS BIBLIOGRFICAS
Andreoli, R. V., Kayano, M. T. 2005. ENSO-related rainfall anomalies in South America and
associated circulation features during warm and cold Pacific decadal oscillation regimes. Inter. J.
Climat., 25, 2017-2030.
Bishop, C. M. (1995). Neural Networks for Pattern Recognition. Oxford: Oxford University Press.
Kaplan, A.; Kushnir, Y., Cane, M. A. (2000). Reduced Space Optimal Interpolation of Historical
Marine Sea Level Pressure: 18541992. Journal of Climate, 13, 2987-3002.
Kousky, V .E.; M. T. Kayano; I. F. A. Cavalcanti, 1984. A review of the Southern Oscillation: oceanicatmospheric circulation changes and related rainfall anomalies. Tellus, 36A, 490-504.
Zorita, E., Hughes, J. P., Lettemaier, D. P., von Storch, H., (1995). Stochastic characterization of
regional circulation patterns for climate model diagnosis and estimation of local precipitation. J.
Climate, 8, 10231042.