Clusterização de padrões espaço-temporais de precipitação na Amazônia Legal via deep convolutional autoencoder
DOI:
https://doi.org/10.5902/2179460X85042Palavras-chave:
Aprendizado de máquina, Autoencoder convolucional profundo, Agrupamentos, Reconhecimento de padrões, Séries temporais de precipitaçãoResumo
Identificar padrões em séries temporais de precipitação em uma determinada região é fundamental para seu desenvolvimento socioeconômico. Muitos estudos dessa temática foram realizados no Brasil, principalmente na região amazônica. Esta pesquisa objetivou o desenvolvimento de um método computacional para análise de séries temporais de precipitação utilizando técnicas de machine learning, visando um método capaz de realizar a extração de características complexas dos dados, obtendo um mapa de atributos em baixa dimensionalidade para reconhecimento de padrões e descoberta de regiões homogêneas com relação a precipitação da Amazônia Legal. O modelo proposto é treinado para aprender as principais e mais complexas características dos dados originais e apresentá-los em baixa dimensionalidade no espaço latente. Após o treinamento, as observações dos dados reconstruídos apresentaram bom desempenho conforme avaliação da métrica de RMSE e NRMSE com valores resultantes iguais a 0.06610 e 0.3355 respectivamente. O resultado da representação dos dados em baixa dimensão foi analisada por uma estrutura de clustering usando aglomerativo hierárquico com método de Ward. Essa metodologia realizou agrupamentos consistentes caracterizando regiões homogêneas com relação aos dados de precipitação. Dessa forma, demonstrando que a representação em baixa dimensionalidade carregava as características principais das séries temporais dos dados estudados.
Downloads
Referências
Amanaj´as, J. C. & Braga, C. C. (2012). Padr˜oes espac¸ o-temporal pluviom´etricos na amazˆonia oriental utilizando an´alise multivariada. Revista Brasileira de Meteorologia, 27:423–434. DOI: https://doi.org/10.1590/S0102-77862012000400006
Baia, A. F. & Castro, A. R. G. (2018). A Competitive Structure of Convolutional Autoencoder Networks for Electrocardiogram Signals Classification. In Anais do XV Encontro Nacional de Inteligˆencia Artificial e Computacional. (pp. 538-549). Porto Alegre: SBC. DOI: https://doi.org/10.5753/eniac.2018.4446
Bail˜ao, A. S. d. O. et al. (2020). Reconhecimento de padr˜oes por processos adaptativos de compress˜ao (Dissertação de Metsrado). Universidade Federal de Goi´as, Goiˆania, GO, Brasil.
Bhavsar, P., Safro, I., Bouaynaya, N., Polikar, R., & Dera, D. (2017). Machine learning in transportation data analytics. In Data analytics for intelligent transportation systems. (pp. 283-307). Elsevier. DOI: https://doi.org/10.1016/B978-0-12-809715-1.00012-2
Crispim, D. L., Fernandes, L. L., Ferreira Filho, D. F., & Lira, B. R. P. (2020). Comparação de m´etodos de agrupamentos hier´arquicos aglomerativos em indicadores de sustentabilidade em munic´ıpios do estado do par´a. Research, Society and Development, 9(2):e60922067–e60922067. DOI: https://doi.org/10.33448/rsd-v9i2.2067
Cruz, E. B. et al. (2016). Representac¸ ˜ao de s´eries temporais usando descritores de forma
aplicados a recurrence plots (Dissertação de Mestrado). Universidade Estadual de Campinas, Campinas, SP, Brasil.
Dourado, C. d. S., Oliveira, S. R. d. M., & Avila, A. M. H. d. (2013). An´alise de zonas homogˆeneas em s´eries temporais de precipitação no estado da bahia. Bragantia, 72(2):192–198. DOI: https://doi.org/10.1590/S0006-87052013000200012
Esling, P. & Agon, C. (2012). Time-series data mining. ACM Computing Surveys (CSUR), 45(1):1–34. DOI: https://doi.org/10.1145/2379776.2379788
Essien, A. & Giannetti, C. (2020). A deep learning model for smart manufacturing using convolutional lstm neural network autoencoders. IEEE Transactions on Industrial Informatics, 16(9):6069–6078. DOI: https://doi.org/10.1109/TII.2020.2967556
Gonc¸ alves, E. D., Pessoa, F. C. L., Neves, R. R., Rodrigues, R. S. S., & de Sousa, A. C. S. R. (2017). Identificação de regi˜oes homogˆeneas e an´alise de regress˜ao m´ultipla para regionalização de vaz˜ao na bacia hidrogr´afica do rio tapaj´os. Revista Brasileira deCartografia, 69(9). DOI: https://doi.org/10.14393/rbcv69n9-44082
Granzotti, R. A. (2020). Extrac¸ ˜ao de caracter´ısticas via autoencoders aplicada a interfaces c´erebro-computador baseadas em potenciais evocados visualmente em regime estacion´ario. (Tese de Doutorado). Faculdade de Engenharia El´etroca e de Computação, Universidade Estadual de Campinas, Campinas, SP, Brasil.
Guarienti, G. S. S. et al. (2015). Desenvolvimento de uma t´ecnica computacional de processamento espaço-temporal aplicada em s´eries de precipitac¸ção(Dissertação de Metrado). Universidade Federal de Mato Grosso, Cuiab´a, MS, Brasil˜ao.
Huang, H., Hu, X., Zhao, Y., Makkie, M., Dong, Q., Zhao, S., Guo, L., & Liu, T. (2017). Modeling task fmri data via deep convolutional autoencoder. IEEE transactions on medical imaging, 37(7):1551–1561. DOI: https://doi.org/10.1109/TMI.2017.2715285
Kingma, D. P. & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Lira, B. R. P., Crispim, D. L., Ferreira Filho, D. F., Fernandes, L. L., & Pessoa, F. C. L. (2020a). Agrupamento de Precipitac¸ ˜ao no estado do (Par´a), Brasil. Revista de Gest˜ao de ´Aguas da Am´erica Latina, 17(19). DOI: https://doi.org/10.21168/rega.v17e19
Lira, B. R. P. et al. (2019). Avaliação do comportamento e da tendˆencia pluviom´etrica na Amazˆonia Legal no Per´ıodo de 1986 a 2015 (Dissertac¸ ˜ao de Mestrado). Universidade Federal do Par´a, Bel´em, PA, Brasil.
Lira, B. R. P., Lopes, L. d. N. A., das Chaves, J. R., Santana, L. R., & Fernandes, L. L. (2020b). Identificação de Homogeneidade, Tendˆencia e Magnitude da Precipitação em Bel´em (Par´a) entre 1968 e 2018. Anu´ario do Instituto de Geociˆencias, 43(4), 426–439. DOI: https://doi.org/10.11137/2020_4_426_439
Maggioni & Silva, A. (2016). Classificac¸ ˜ao de s´eries temporais baseada em an´alise de recorrˆencia e extrac¸ ˜ao de caracter´ısticas (Dissertac¸ ˜ao de Mestrado). Universidade Federal de Mato Grosso do Sul, Campo Grande, MS, Brasil.
Masci, J., Meier, U., Cires¸ an, D., & Schmidhuber, J. (2018). Stacked convolutional auto-encoders for hierarchical feature extraction. In International conference on artificial neural networks. (pp. 52-59). Springer. DOI: https://doi.org/10.1007/978-3-642-21735-7_7
Menezes, F. P., Fernandes, L. L., & da Rocha, E. J. P. (2015). O uso da estat´ıstica para regionalização da precipitação no Estado do Par´a, Brasil. Revista Brasileira de Climatologia, 16. DOI: https://doi.org/10.5380/abclima.v16i0.40023
Neves, R. R., Gonc¸ alves, E. D., Pessoa, F. C. L., Fernandes, L. L., G´omez, Y. D., & dos Santos, J. I. N. (2017). Identificac¸ ˜ao de regi˜oes pluviometricamente homogˆeneas na sub bacia trombetas. Revista AIDIS de Ingenier´ıa y Ciencias Ambientales. Investigaci´on, desarrollo y pr´actica, 10(2):125–135.
S´a, J. E. F. C. S. d. (2023). Aplicação de T´ecnicas de Ciˆencia de Dados na Previs˜ao de Consumos Energ´eticos (Mestrado em Ciˆencia de Dados). Instituto Polit´ecnico de Leiria, Leiria, Portugal.
Santos, E. B., Lucio, P. S., & Silva, C. M. S. e. (2015). Precipitation regionalization of the brazilian amazon. Atmospheric Science Letters, 16(3):185–192. DOI: https://doi.org/10.1002/asl2.535
Severo, D. L., dos Santos Silva, H., & Tachini, M. (2019). Flutuações clim´aticas da precipitação no vale do itaja´ı (sc). Revista de Estudos Ambientais, 20(2):37–48. DOI: https://doi.org/10.7867/1983-1501.2018v20n2p37-48
Yin, C., Zhang, S., Wang, J., & Xiong, N. N. (2020). Anomaly detection based on convolutional recurrent autoencoder for iot time series. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 52(1), 112-122. DOI: https://doi.org/10.1109/TSMC.2020.2968516
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Ciência e Natura
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.
Diretrizes Éticas para Publicação de Revistas
A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.
A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.
Em particular,
Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.
Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.
Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.
