Application of Artificial Neural Networks (ANNs) in the Gap Filling of Meteorological Time Series

Abstract

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.

Modelagem Hidroclimatologica Utilizando Redes Neurais Multi Layer Perceptron Em Bacia Hidrográfica No Sudoeste Da Amazônia

“…Por fim, o Índice de Confidência (Eq. 7) proposto por Willmot (1982) que é o produto do coeficiente de correlação de Pearson entre as cotas medidas e previstas (ρ) com o Índice de Concordância (COUTINHO et al, 2018), que varia de 0 a 1 no qual 1 é mais perfeita concordância (HALLAK & PEREIRA FILHO, 2011).…”

Revisão bibliográfica dos principais métodos de preenchimento de falhas em dados de precipitação

“…Ao se trabalhar com ferramentas estatísticas não lineares como é o caso das redes neurais, torna-se as análises mais eficazes para relacionar as complexas entradas e saídas de simulações como precipitação-precipitação, precipitação-vazão, estimativa e transporte de sedimento, previsão de enchentes, qualidade da água, previsão de níveis de reservatório, assim como simulações climáticas das alterações sobre os recursos hídricos, agrícolas e meteorológicos (COUTINHO et al, 2018;MAQSOOD;ABRAHAM, 2007).…”

“…Para o estudo de fenômenos atmosféricos e processos climáticos necessita-se de séries históricas confiáveis e completas, no entanto, uma das grandes dificuldades que surge ao se utilizar dados medidos a partir de estações meteorológicas está relacionado a problemas nos dispositivos que acarreta a erros de medição gerando dados inconsistentes, assim como a ocorrências de falhas nos mesmos (BIER;FERRAZ, 2017;COUTINHO et al, 2018). Conforme Wanderley, Amorim e Carvalho (2014) citam a utilização de séries que apresentem falhas pode levar a conclusões errôneas, exibindo padrões diferentes dos observados sem a existência de lacunas, comprometendo assim, as análises da variabilidade temporal e espacial de processos hidrometeorológicos, além de prejudicar na caracterização climática de uma determinada região.…”

Filling Gaps in Micro-meteorological Data

“…As far as we know, there is no general machine learning paper dealing with the gap filling problem: some of the work focused on making sense of the data despite the gaps [2], while the rest of the work was mostly using old architectures such as Multi-Layer Perceptron (MLP) [4]. However, the applicability of Recurrent Neural Networks (RNNs) to perform time-series-forecasting is not left to demonstrate, hence, we will present how those approaches could be used in the context of filling gaps.…”