RECONSTRUO DE SRIES METEOROLGICAS VIA REDES NEURAIS ARTIFICIAIS.

P. S. Lucio* 1 ,2, F. C. Conde 2 , I. F. A. Cavalcanti 3 , A. M. Ramos2, A. O. Cardoso3

RESUMO: Usurios de registros climatolgicos, freqentemente, requerem dados temporais de

localizaes geogrficas onde no fora observada qualquer medida direta de atributos meteorolgicos.
Condies climatolgicas das reas ou pontos de interesse tm que ser calculados interpolando
observaes no tempo de estaes vizinhas e de indicadores proxy climticos. Um dos objetivos de
se avaliar a consistncia no espao de uma srie temporal esboar as reas para as quais a srie seja
capaz de fornecer informao climatolgica suficientemente precisa, i.e. onde os erros ou resduos da
interpolao no excedam um valor aceitvel pelo usurio. O objetivo deste trabalho a reconstruo
das sries climatolgicas de precipitao mensal acumulada, cuja ilustrao feita para estaes
meteorolgicas localizadas no Rio Grande do Sul - Brasil, estimando os valores faltantes atravs de
uma interpolao espao-temporal. Dentre as mais diversas tcnicas adequadas a este tipo de aplicao,
destacam-se os modelos de redes neurais artificiais, como uma alternativa interessante na construo de
tecnologias de suporte deciso. Redes neurais artificiais apresentam caractersticas especficas,
intrnsecas sua formulao, que possibilitam a aproximao de qualquer funo contnua, inclusive
funes no lineares complexas, e tambm podem generalizar os resultados obtidos para dados
previamente desconhecidos.
ABSTRACT: Climatological records users, frequently, request time series from geographical
locations where there is no observed meteorological attributes. Climatological conditions of the areas
or points of interest have to be calculated interpolating observations in the time of neighboring stations
and climate proxy. The aim of the present work is the application of reliable and robust procedures for
monthly reconstruction of precipitation time series. Time series is a special case of symbolic regression
and we can use Artificial Neural Network (ANN) to explore the spatiotemporal dependence of
meteorological attributes. The ANN seems to be an important tool for the propagation of the related
weather information to provide practical solution of uncertainties associated with the interpolation,
capturing the spatiotemporal structure of the data. In practice, one determines the embedding
dimension of the time series attractor (delay time that determine how data are processed) and uses these
number to define the networks architecture. Meteorological attributes can be accurately predicted by
the ANN model architecture: designing, training, validation and testing; the best generalization of new
data is obtained when the mapping represents the systematic aspects of the data, rather capturing the
specific details of the particular training set.
Palavras-chave: correlao, precipitao, indicadores proxy climticos.
INTRODUO
A anlise da variabilidade regional de parmetros climticos recorre, freqentemente, a tcnicas
estatsticas que produzem informaes acerca do comportamento atmosfrico local ou global. Os
resultados da modelagem estatstica fornecem indicao sobre a variabilidade climtica e para tal
1

2
3

Instituto Nacional de Meteorologia (INMET) Coordenao de Desenvolvimento e Pesquisa (CDP)

Eixo Monumental Sul Via S1 Setor Sudoeste 70680-900 Braslia DF - Brasil
tel: + (61) 33 44 08 34; e-mail*: paulo.lucio@inmet.gov.br
Centro de Geofsica de vora (CGE) Portugal: fabio.conde@yahoo.com, andramos04@yahoo.com.br
Centro de Previso do Tempo e Estudos Climticos (CPTEC/INPE): iracema@cptec.inpe.br, andreaca@cptec.inpe.br

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).

Em se tratando de sries longas de observaes meteorolgicas, o Estado do Rio Grande do Sul,

praticamente dispe de um nmero de estaes meteorolgicas que relativamente pequeno,

impossibilitando estudos que envolvam a distribuio espacial da maior parte das variveis de
caracterizao climtica. Desta forma, qualquer estudo climatolgico que envolva distribuio espacial
(traado de campos), fica restrito a metodologias que utilizam o limitado espectro de atributos
meteorolgicos existentes. Nada nos garante que o conjunto de dados no contenha erros ou valores
esprios, consideramos que estes constituem o melhor acervo pluviomtrico deste estado.
COVARIVEIS INPUTS INDICADORES PROXY CLIMTICOS MENSAIS
Os chamados proxies climticos so entendidos como fontes naturais da variabilidade do clima
(Andreoli e Kayano, 2005; Zorita et al., 1995; Kousky et al., 1884). H indicadores proxy da
atividade solar, da temperatura do ar, de temperatura dos oceanos, do nvel dos oceanos, etc. No
obstante, so tambm indicadores proxy das variveis do sistema climtico: a radiao solar, os
componentes do balano de energia da atmosfera, os ciclos hidrolgicos, as caractersticas ocenicas e
as mudanas nos ecossistemas. Os fsseis biolgicos, as taxas de acmulo de gelo, os sedimentos no
leito marinho, os anis de rvores, dentre outros, so indicadores denominados proxies
paleoclimticos. Neste trabalho utilizamos as informaes de alguns indicadores proxy climticos
de caracterstica ocenica para a reconstruo das sries de precipitao. Estes indicadores entraram
dentro da primeira camada da ANN ou camada de inputs: IOS - O El Nio-Oscilao Sul (ENSO),
fenmeno acoplado do sistema oceano-atmosfera de grande escala espacial que afeta as circulaes
atmosfricas; PDO - A Oscilao Decadal do Pacfico (PDO), um padro de temperatura da superfcie
do mar no Pacfico com variabilidade mais longa que os episdios de El Nio e La Nia (ENSO) com
escalas temporais mdias de 20 a 30 anos; TNI - O ndice Trans-Nio, definido como a diferena das
anomalias padronizadas de temperatura superfcie do mar (SST) entre as regies de Nio 1+2 e Nio
4; PNA - O PacificNorth American padro, definido como a segunda componente principal das
anomalias de presso extratropical ao nvel do mar no hemisfrio norte; MEI - O ndice Multivariado
de El Nio, baseia-se na construo de uma referncia usando tcnicas de Anlise Estatstica
Multivariada, considerando seis variveis observadas sobre o Pacfico Tropical.
VARIVEIS INPUTS ESTAES DE CONTROLE versus VARIVEIS OUTPUTS
As estaes 83967 (Porto Alegre), 83907 (So Luiz Gonzaga), 83914 (Passo Fundo) e 83980
(Bag) so as sries temporais que apresentam menor nmero de valores faltantes. Desta forma, optouse em introduzi-las como controle da informao local, para verificar o comportamento e a
performance da rede treinada. Observou-se, de forma anloga, que a estao 83919 (Bom Jesus)

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,

via ANN 4 , das estaes meteorolgicas 83919 e 83995.

83919
83995
450

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

Grfico de Disperso (Treino+Teste+Validao)

50

100

150

200

250

300

350

Observado

Grfico de Disperso (Treino+Teste+Validao)

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

83919 srie original com missing values.

83995 srie original com missing values.

600

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

83919 Srie reconstruda pela ANN.

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

83995 Srie reconstruda pela ANN.

Fig.4: Sries temporais de precipitao mensal: Original versus Reconstrudas.

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.