This study estimates and fills real flaws in a series of meteorological data belonging to four regions of the state of Rio de Janeiro. For this, an Artificial Neural Network (ANN) of Multilayer Perceptron (MLP) was applied. In order to evaluate its adequacy, the monthly variables of maximum air temperature and relative humidity of the period between 05/31/2002 and 12/31/2014 were estimated and compared with the results obtained by Multiple Linear Regression (MLR) and Regions Average (RA), and still faced with the recorded data. To analyze the estimated values and define the best model for filling, statistical techniques were applied such as correlation coefficient (r), Mean Percentage Error (MPE) and others. The results showed a high relation with the recorded data, presenting indexes between 0.94 to 0.98 of (r) for maximum air temperature and between 2.32% to 1.05% of (MPE), maintaining the precision between 97% A 99%. For the relative air humidity, the index (r) with MLP remained between 0.77 and 0.94 and (MPE) between 2.41% and 1.85%, maintaining estimates between 97% and 98%. These results highlight MLP as being effective in estimating and filling missing values.
Resumo O presente trabalho apresenta uma abordagem computacional para a predição de um passo à frente em séries de dados meteorológicos pertencentes às regiões de Paty do Alferes e Paracambi, situadas no estado do Rio de Janeiro (RJ). Para tanto, foram utilizados dois modelos de Redes Neurais Artificiais (RNAs): Perceptrons de Múltiplas Camadas (MLP) e Função de Base Radial (RBF). Para confirmar o desempenho dos modelos foi realizada a predição de variáveis horárias e mensais, que foram comparadas com resultados obtidos por modelos de Regressão Linear Múltipla (RLM), confrontadas com os dados registrados pelas estações meteorológicas e analisadas por meio de técnicas estatísticas, apresentando resultados favoráveis entre 91% a 96% de acerto para todos os casos. Além disso, as previsões também demonstraram uma forte correlação linear com os dados registrados, mantendo-se entre 0,61 a 0,94. Como resultado, pode se destacar as RNAs como uma forte ferramenta para predição dos dados meteorológicos analisados.
Resumo O alto consumo de água pela agricultura torna cada vez mais essencial o conhecimento da evapotranspiração de referência (ETo) para a realização do manejo da irrigação. Entretanto, definir um método adequado às diferentes localidades está associado à disponibilidade dos dados meteorológicos e a adaptação dos métodos às localidades aplicadas. Assim, o objetivo deste trabalho foi comparar e avaliar o desempenho dos métodos de ETo: Hargreaves-Samani, Jensen-Haise, Benavides & Lopez e Hamon com o método padrão Penman Monteith FAO-56, para estimar a ETo diária de seis regiões, três do estado do Rio de Janeiro e três do estado do Espírito Santo. As variáveis meteorológicas empregadas foram cedidas pelo Centro de Previsão de Tempo e Estudos Climáticos e do Instituto Nacional de Pesquisas Espaciais (CPTEC - INPE). O desempenho dos modelos foi avaliado por diferentes técnicas estatísticas onde o modelo que melhor se adaptou às localidades estudadas nos dois estados foi o de Jensen Haise, tendo obtido os índices de correlação (r) entre 0,73 a 0,94 e a confiabilidade (C) entre 0,60 a 0,90 com o modelo de Penman Monteith.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.