Preenchimento de falhas em dados meteorológicos com uso de inteligência artificial

Abstract

Dados meteorológicas são utilizados para diversos fins, como na agricultura, planejamento e prevenção contra riscos climáticos, gestão de recursos ambientais, entre outros exemplos. Entretanto, os dados provenientes das estações meteorológicas podem apresentar falhas, devido a fatores relacionados a erros de medição e deterioração de equipamentos, apresentando inconsistência na coleta e armazenamento dos dados. A utilização de séries com ausência de dados pode comprometer pesquisas e gerar conclusões errôneas. Para preenchimento de falhas em dados meteorológicos na estação base de Curitibanos-SC, os modelos de inteligência artificial Random Forest e K-nearest neighbors e um modelo de Regressão Linear Múltipla, estiveram sendo testados. Os dados das variáveis climatológicas foram obtidos do Instituto Nacional de Meteorologia (INMET), fornecidos por 11 estações automáticas, localizadas a um raio de 150 km em relação a estação base. O software R Studio, auxiliou na organização e automatização dos cálculos. A qualidade do ajuste foi calculada pela raiz do erro médio quadrático (REMQ). Diante dos resultados, todos modelos apresentaram boas predições. O modelo Random Forest melhor apresentou estimativas das variáveis estudadas, podendo ser indicado para o preenchimento de falhas nas séries de dados utilizadas no estudo. Dentre os demais modelos utilizados o de Regressão Linear Múltipla também apresentou bons resultados. No entanto, as piores predições foram registradas para o modelo K-nearest neighbords.