Embed Size (px)
Citation preview
1
UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL REI
PRÓ-REITORIA DE ENSINO DE GRADUAÇÃO
BACHARELADO INTERDISCIPLINAR EM BIOSSISTEMA
DAYANE ESTER MORAES DE PAULA
Modelo Baseado em Inteligência Artificial para a Predição Mensal de Chuva na
Cidade de Sete Lagoas
Sete Lagoas - MG
2017
2
UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL REI
PRÓ-REITORIA DE ENSINO DE GRADUAÇÃO
BACHARELADO INTERDISCIPLINAR EM BIOSSISTEMA
DAYANE ESTER MORAES DE PAULA
Modelo Baseado em Inteligência Artificial para a Predição Mensal de
Chuva na Cidade de Sete Lagoas
Trabalho de Conclusão de Curso apresentado
ao curso de Bacharelado Interdisciplinar em
Biossistema da Universidade Federal de São
João Del Rei como requisito parcial para
obtenção do título de bacharel em Biossistema
Orientador: Dr. Leandro Mendes de Souza.
Sete Lagoas - MG
2017
3
Universidade Federal de São João Del-Rei
Campus Sete Lagoas - CSL
Bacharelado Interdisciplinar em Biossistemas
DAYANE ESTER MORAES DE PAULA
Trabalho de Conclusão de Curso em Bacharelado Interdisciplinar em Biossistemas intitulado
Modelo Baseado em Inteligência Artificial para a Predição Mensal de Chuva na Cidade
de Sete Lagoas, aprovada pela banca examinadora constituída pelos seguintes professores:
Aprovada em 17/ 02 /2017
____________________________________________________
Kassílio José Guedes Membro Titular da Banca
____________________________________________________
Weler Walace dos Santos Membro Titular da Banca
___________________________________________________
Leandro Mendes de Souza Orientador
Sete Lagoas - MG
2017
4
AGRADECIMENTOS
Quero agradecer primeiramente a Deus, pelo dom da vida por me abençoar, iluminar
meu caminho e minhas decisões. Obrigada senhor por me permitir chegar ate aqui. A minha
família que me fortalece e esta sempre ao meu lado. Meus pais, Elizabete e João Eudes pela
confiança, amor, paciência. Aos meus irmãos Eudes Rodolfo e Luís Gustavo, pela amizade e
carinho. Ao Herbert pelo carinho e companheirismo e a todos os meus familiares. Aos amigos
de longa data. As meninas da Republica, pela vivência, paciência e troca de experiência. As
novas amizades construídas, que fizeram essa trajetória se tornarem mais divertida, a todos o
meu muito obrigado. Agradeço em especial, ao Prof. Dr. Leandro Mendes de Souza, por sua
compreensão e atenção, pelos conhecimentos transferidos e orientação durante esse trabalho.
Sete Lagoas - MG
2017
5
RESUMO
O presente trabalho apresenta uma revisão bibliográfica relacionada ás Redes Neurais
Artificiais (RNAs) e trata também da importância de obter informações relativas à estimativa
de chuva na região de Sete Lagoas. Para elaborar tal estimativa, o trabalho utiliza RNAs
buscando obter informações a respeito do regime de chuvas da região, utilizando como
plataforma o software livre SCILAB versão 5.5.0. Com os dados históricos de precipitação na
cidade de Sete Lagoas, obtidos em estação meteorológica da EMBRAPA (Empresa Brasileira
de Pesquisa Agropecuária), referentes ao período de 1960 a 2011, foi obtido um modelo
baseado em Inteligência Artificial que consegue prever precipitações um mês à frente
apresentando erro médio de aproximadamente 65,62 mm mensais.
.
PALAVRA-CHAVE: Chuva, Predição, Redes Neurais Artificiais.
Sete Lagoas – MG
2017
6
SUMÁRIO
1. INTRODUÇÃO........................................................................................................7
2. REVISÃO BIBLIOGRÁFICA....................................................................................9
3.MATERIAL E MÉTODOS.........................................................................................12
4. RESULTADO E DISCUSSÃO..........................................................................................14
5. CONCLUSÃO....................................................................................................................18
6. REFERÊNCIAS BIBLIOGRÁFICAS..............................................................................20
Sete Lagoas - MG
2017
7
1. Introdução
A agricultura é uma atividade extremamente dependente do regime de chuvas na região de
cultivo. Quando ocorrem períodos longos com ausência de precipitação, surgem
consequências como a falta de água para consumo humano e para as criações, sendo essa uma
das principais causas da baixa qualidade de vida no meio rural. Causando impactos
socioeconômicos principalmente nas regiões áridas e semi-áridas, que correspondem a 13%
do território brasileiro (Silva, 1993).
O conhecimento de distribuição e das variações da chuva, tanto temporal quanto espacial,
é importante para subsidiar estudos hídricos e o seu planejamento, no ciclo hidrológico. A
precipitação representa a principal variável de entrada de água nos biossistemas, o que é
extremamente importante para estudos estratégicos associados ao planejamento do meio
ambiente, geração de energia, manejo da agricultura (Oliveira, 2011).
As chuvas naturais durante sua ocorrência têm distribuição irregular tanto temporalmente
quanto espacialmente, apresentando consideráveis alterações em termos de intensidade. As
precipitações pluviométricas de maior intensidade e com grande frequência podem elevar os
riscos, como a ocorrência da erosão do solo, inundações, perdas agrícolas, além de
problemas em reservatórios (Oliveira, 2011).
A ausência de água em certos períodos pode comprometer seriamente algumas atividades
agrícolas. Isso é bastante critico na fase de produção de sementes ou grãos. Um estresse
hídrico nessa fase provoca alta esterilidade, reduzindo muito a produção final, Em outras
atividades como, por exemplo, a fenação, é de suma importância que não haja chuvas durante
o processo. A ocorrência e a amplitude dos veranicos são aleatórias, porém o estudo em geral
com mais de 30 anos de dados, permite estabelecer períodos mais prováveis de ocorrência de
estiagem, dando maior segurança às atividades agrícolas. (Alcântara, 1999).
“As chuvas no Estado de Minas Gerais são oriundas de vários sistemas atmosféricos,
como as frentes frias de origem polar, caracterizadas pela ocorrência de chuvas de longa
duração e baixa intensidade; as frentes quentes e úmidas, vindas da região amazônica. A
precipitação anual no Estado de Minas Gerais varia entre cerca de 650 e 2100 mm, e o pico
das chuvas ocorre no mês de Janeiro” (Guimarães, 2009).
A cidade de Sete lagoas está situada no centro-oeste do estado de Minas Gerais e possui
uma população estimada em 2016 de 234.221 habitantes. A mesma possuía em 2010 uma
população de 214.152 habitantes, apresentando crescimento de mais de 20.000 habitantes em
6 anos. A área da unidade territorial em 2015 era de 3.536,644 km² e a densidade demográfica
8
em 2010 de 398,32 (hab/km²) segundo dados do IBGE. A cidade possui um sistema de
abastecimento público de água que é de responsabilidade do SAAE (Serviço Autônomo de
Água e Esgoto).
Para predição da chuva e o uso de modelos matemáticos é uma forma prática e
relativamente precisa para determinação do valor a ser aplicado em projetos, sendo útil para
localidades desprovidas de informações pluviométricas. Dessa forma, podemos transformar as
redes neurais em um modelo matemático, para determinar a predição.
As Redes Neurais Artificiais (RNAs) possuem diversas aplicações relacionadas com a
ciências da natureza, com as ciências humanas, aplicadas em diferentes áreas como, por
exemplo, mercado financeiro, composição musical, psicologia, medicina na área de
engenharia de alimentos e no sistema de predição de chuva.
“As Redes Neurais Artificiais são sistemas computacionais que procuram reproduzir o
modo de raciocínio do cérebro humano, seu modelo matemático baseia-se no conceito de
estrutura neural de seres inteligentes que adquirem conhecimento por meio de experiências
”(Minim,2013)
Os pesquisadores Mc-Cullock e Pitts (Ebe, 90) realizaram o primeiro trabalho com
Redes Neurais Artificiais no ano de 1943. As informações adquiridas desse trabalho foram
extremante importantes para as futuras pesquisas e a implantação de sistemas computacionais
e a criação modelos matemáticos (Schop,2007) descreve as Redes Neurais afirmando que
essas utilizam as adaptações do cérebro humano sendo considerado máquinas para modelar a
maneira como um cérebro ira aprender uma função ou tarefa interesse.
RNAs são técnicas computacionais que apresentam um modelo matemático inspirado
na estrutura neural de organismos inteligentes e que adquirem conhecimento através da
experiência, sendo sistemas inspirados nos neurônios biológicos e na estrutura massivamente
paralela do cérebro, com capacidade de adquirir, armazenar e utilizar conhecimento
experimental (Carvalho, 2006). O esquema de uma rede neural é apresentado na figura 1.
Redes Neurais Artificiais são geralmente utilizadas para detectar complexidades que
não são percebidas pelos seres humanos, sendo especialmente usadas para encontrar soluções
genéricas para os problemas. Dessa forma, o objetivo desse trabalho foi realizar simulações
no programa computacional SCILAB, para determinar de chuva.
9
Figura 1– Esquema de uma Rede Neural – Fonte: http://www.cerebromente.org.br
2. Revisão de Literatura
Sabe-se que cerca de 70% do planeta Terra é coberto por água porem apenas 2% desse
valor corresponde a água doce, desses 2% cerca de 97% encontra-se no subsolo, formando
grandes reservatórios, denominados aquíferos ( Helbel, 2011)
A água proveniente das chuvas podem sofrer alterações climáticas. Podemos assim
entender a importância e a urgência de atitudes que possam prevenir a destruição do meio
ambiente. Alguns dos fatores é a poluição do ar, a chuva ácida, o efeito estufa, entre outros.
Alguns fatores são naturais como correntes marítimas, efeito estufa, efeitos climáticos e
outros causados pelo homem, como poluição do ar, chuva acida entre outros (Petrin, 2014).
Os agrotóxicos são geralmente usados na agricultura em busca de resultados mais rápidos
e expressivos e para sanar as pragas das lavouras. Esses agrotóxicos usados nas lavouras
ficam no solo e com as chuvas são levados aos lençóis freáticos prejudicando a qualidade das
águas e consequentemente dos seres vivos que dela dependem, podendo contaminar também
animais que serão consumidos (Silva, 1993).
Muitas vezes, a água desses lençóis freáticos contaminados é usada na agricultura,
contaminando as lavouras, água que é também usado no consumo humano. Serão utilizadas
Redes Neurais Artificiais para tentar prever o comportamento das chuvas na região de Sete
10
Lagoas. Tais redes fundamentam-se na estrutura de transmissão do impulso nervoso do
neurônio (Feneda,2006).
O neurônio é uma célula do cerebro humano composto pelo corpo, dendritos e axônio,
cuja principal função é colecionar, processar e disseminar sinais elétricos (Feneda 2006). Os
estímulos recebidos em um determinado período de tempo são captados pelos dendritos e em
seguida, são levados ao corpo do neurônio, sendo assim processados. Quando tais estímulos
atingem um determinado limite, o corpo da célula envia novo impulso que se propaga pelo
axônio e é transmitido às células vizinhas por meio de sinapses. Este processo pode se repetir
em várias camadas de neurônios.
As Redes Neurais Artificiais (RNA) possuem componentes físicos essenciais para a
sua formação, que são as conexões e elementos de processamento e não físicos padrões que
são dados de entrada da rede e funções que são modelos matemáticos utilizados no
treinamento e reconhecimentos de padrões (Cardon, 1994). Na figura 2 está presente o
esquema de uma rede neural.
Figura 2: Esquema de um neurônio artificial. Fonte: Edberto Ferneda (2006).
Na figura 2, “n” representa a quantidade de conexões de entrada, ligado por meio de
pesos “pi”a um somatório que, por sua vez, é conectado à função de ativação. Tal função tem
objetivo de definir se o impulso será ou não transmitido para os neurônios subsequentes.
As redes neurais artificiais na maioria das vezes, se diferenciam pela sua arquitetura e
pesos associados às conexões. A arquitetura das redes neurais restringe o tipo de problema no
qual a rede poderá ser utilizada (Ferneda, 2006).
11
Assim, de forma resumida, “Redes neurais é o nome dado a um conjunto de métodos
matemáticos e algoritmos computacionais especialmente projetados para simular o
processamento de informações e aquisição de conhecimento do cérebro humano”, segundo
(Cerqueira, et all,2001).
Segundo (Minim, 2013), as RNAs tem arquitetura de um parâmetro decisivo na sua
concepção, restringindo o tipo de problema que pode ser estudado. Sendo dividido pelo
número de camadas que pode haver e em relação às conexões.
“Independentemente do algoritmo usado para treinar RNAs, a atenção voltada para a
inicialização e ajuste de pesos é fundamental para a convergência, problemas que geralmente
acontece em padrões de treinamento. Algoritmos de aprendizagem são utilizados para ajustar
os valores de peso, backpropagation (BP) é o mais popular, com base no método gradiente
descendente, é eficiente para treinar RNAs. No entanto, este algoritmo é sensível a mínimos
locais e requer ajustes no coeficiente de aprendizagem” (Tissot, et all).
Segundo (Tissot, et all), o método backpropagation foi proposto em 1986 por
Rumelhart, Hinton e Willian, sendo um procedimento de aprendizagem para redes
feedforward de múltiplas camadas. Basicamente, o procedimento de aprendizagem utiliza
vetores que mapeiam um conjunto de entradas para um conjunto de saídas. O aprendizado é
realizado por ajuste iterativo dos pesos da rede, buscando minimizar as diferenças entre a
saída atual e a saída desejada.
Redes de camada única são aquelas que têm um nó entre qualquer entrada e qualquer
saída da rede. Nas redes de múltiplas camadas existe mais de um neurônio entre alguma
entrada e alguma saída da rede.
Para programar os algoritmos que utilizam RNAs para gerar os resultados desse
trabalho foi utilizado o software SCILAB. “O SCILAB é um software para computação
científica e visualização, gratuito, com códigos fontes aberto e interface para linguagem,
permitindo a solução de problemas numéricos” (Filho, 2010, apud, Minas gerais, 2015).
Segundo (Filho, 2010), o programa computacional SCILAB possui algoritmos baseados
em representações e estruturas específicas de dados, podendo ser a forma de vetores,
polinômios e matrizes. Sendo executados através de expressões aritméticas e esboçados
através de gráficos, bidimensional ou tridimensional. Foi desenvolvido um algoritmo para a
solucionar de problemas numéricos utilizando o SCILAB que é um programa gratuito sendo
disponível na internet.
12
3. Material e Métodos
Os estudos foram realizados sobre a base de dados fornecidos pela EMBRAPA - Milho e
Sorgo, com informações de precipitação na cidade de Sete Lagoas, entre os períodos 1960 a
2011, considerando todos os anos, meses e dias. Na cidade de Sete Lagoas, a EMBRAPA
possui estações meteorológicas para extrair dados climáticos. Tais dados foram utilizados
nesse trabalho como padrões de entrada/saída da RNA.
Com os dados da precipitação de todos os anos do intervalo supracitado e com o auxilio
do algoritmo criado no software SCILAB, separou-se a precipitação em grupos de trinta (30)
dias, para representação de cada mês existente na série temporal. A precipitação mensal,
representada na figura 3, foi obtida a partir do somatório dos valores de precipitação dos 30
dias do mês. Esse procedimento foi realizado porque o objetivo do trabalho é obter valores
mensais de precipitação e não diários, uma vez que realizar a predição diária exige um maior
número de informações.
Figura 3: Precipitação por mês. Fonte: Dayane Ester (2016)
Em seguida, foi criado um algoritmo que transformasse o vetor de dados mensais de
precipitação em uma matriz que em seguida se tornaria vetores de a entrada das RNAs e outro
vetor deslocado temporalmente, que se tornaria a saída da RNA. No processo de
aprendizagem da RNA, cada coluna da matriz de entrada corresponderia a um elemento do
vetor de saída podendo ser representado pela figura 4.
13
Figura 4: Esquema de vetores e matrizes , Fonte Dayane Ester (2017)
Dessa forma, foi criado um conjunto de padrões de dados de chuva. Esses padrões
foram utilizados para realizar diversos treinamentos com objetivo de testar empiricamente as
topologias da RNA que seriam mais adequadas para o problema. Para isso, também foi
necessário construir um algoritmo que constitui uma RNA. Tal algoritmo foi estabelecido de
forma flexível, permitindo que o número de entradas e de neurônios da camada escondida
pudessem ser alterados, permitindo assim o teste de diversas topologias de Redes Neurais
Artificiais. Entende-se por topologia, a constituição da RNA, ou seja, seu número de entradas,
de neurônios na camada escondida e número de saídas.
Com o algoritmo construído para a determinação da precipitação, foi montada uma
tabela na qual se alterava a quantidade de neurônios da camada escondida e número de
estradas da rede neural. Foram utilizados quinhentas épocas de treinamento (quantidade de
iterações pelas quais o algoritmo apresenta todos os padrões à RNA e ajusta os pesos para
cada padrão) para obter os dados. A taxa de aprendizagem utilizada na RNA foi de
0,0000001. Essa taxa corresponde os fatores que pondera o tamanho do passo dado pelo
método do gradiente descente, utilizado para ajustar os pesos. Na tabela 1 estão presentes os
valores do erro acumulado para tais variações, ou seja, para diversas topologias de Redes
Neurais Artificiais.
14
Tabela 1: Valores de erros acumulados para cada topologia de RNA testada
Neurônio 3 5 7 9 11 13 15 17
Entrada
2 1.0x10
6 1.1 x10
6 2.9 x10
6 1.5 x10
6 1.2 x10
6 7456187.4 5.8 x10
6 2.9 x10
6
3 1.1 x106 1.5 x10
6 7.382x10
8 4.2 x10
6 2.6 x10
6 9.2 x10
6 1.4 x10
6 1.5 x10
6
4 7.2. x105 1.0 x10
6 1.3 x10
6 1.1 x10
6 1.7 x10
6 2.2 x10
6 1.3 x10
6 1.9 x10
6
5 2.2 x106 3.0 x10
6 2.2 x10
6 2.6 x10
6 1.13x10
8 8.3 x10
6 5.2 x10
6 2.0 x10
6
6 1.5 x106 1.2 x10
6 1.2 x10
6 1.1 x10
6 2.2 x10
6 1.5 x10
6 9.6 x10
6 ____
7 1.5 x106 2.1 x10
6 1.2 x10
6 3.23x10
8 1.1 x10
6 1.8 x10
6 4.3 x10
6
Sendo assim, o melhor resultado foi aquele com o número de entrada da rede igual a
quatro e com o número de neurônios da camada escondida igual a três, pois essa é a estrutura
de RNA que possui um menor erro encontrado na tabela 1. Vale ressaltar que a topologia com
7 entradas e 11 neurônios na camada escondida e a topologia com 6 entradas e 17 neurônios
na camada escondida não forneceram valores de erro porque tais estruturas não convergiram
para um mínimo durante o treinamento, apresentado erro que tende a infinito.
4. Resultado e Discussão
Observamos através da tabela 1 que algumas combinações de “entrada/quantidade de
neurônios” não tiveram resultado. Isso se da devido à falta de convergência do método
Gradiente Descendente para um ponto de mínimo, assim a sua tendência é atingir o infinito,
não sendo gerada nenhuma saída. Os melhores resultados foram obtidos com redes neurais
que possuem quatro entradas, sendo que cada entrada possui um mês a menos do valor de
precipitação, totalizando quatro meses de atraso, com os valores dos meses anteriores a rede
neural fornece o valor de precipitação de chuva no mês futuro. Por exemplo, se forem
utilizados os valores de precipitação de janeiro, fevereiro, março e abril, na entrada da RNA,
em sua saída teremos o valor de precipitação para o mês de maio, conforme a figura 4.
Dessa forma, é obtido o modelo para a precipitação utilizado de uma rede neural artificial,
ou seja, para a determinação da predição futura, usaram-se os valores dos meses anteriores
(somatório de 30 dias), para cada quatro valores de entrada, teremos uma saída , conseguindo
15
então determinar o valor da predição no mês futuro, assim sucessivamente para todo o
conjunto de dados. Tal metodologia pode ser explicada pelo esquema da figura 5.
Figura 5: Esquema de funcionamento da RNA. Fonte: Dayane Ester ( 2017)
Com os valores de número da camada escondida igual a três e número de entradas da rede
igual a quatro, mantendo o número máximo de épocas (kmax) igual a 500, e alfa (taxa de
aprendizagem) igual a 0.000001 foram gerados gráficos de comparação e de erro acumulado.
O erro médio é dado pela média da diferença entre os valores calculados e reais. Sendo
calculado equação 1.
eq.1
Na equação temos:
EM: Erro médio;
Sc: Saída Calculada;
Sd:Saída desejada;
n: Número de padrões.
Os dados de precipitação acumulada foram divididos em dois conjuntos, sendo o
primeiro conjunto usado para o treinamento que consiste no ajuste dos pesos das redes
neurais. No processo de treinamento são apresentados à RNA o conjunto de padrões para
ajustar os pesos. O processo de ajuste é iterativo e cada coluna da matriz de entrada
corresponde a um elemento do vetor de saída. O passo a passo do treinamento é apresentado a
seguir:
1. Apresentar um padrão (coluna da matriz de entrada) à RNA;
2. Calcular a saída da RNA para esse padrão de entrada;
16
3. Comparar o valor de saída calculado pela RNA, com o valor real (elemento do vetor
de saída);
4. Fazer a retropropagação do erro, ajustando os pesos da RNA por meio do método do
gradiente descendente (Backpropagation);
5. Realizar os passos de 1 a 4 para cada um dos padrões;
6. Repetir os passos de 1 a 5 até completar o número máximo de épocas de treinamento;
O segundo conjunto de dados foi utilizado para fazer a validação do modelo obtido.
No processo de validação são apresentados os valores de entrada para a RNA e as saídas da
RNA são calculadas. Para verificar se o treinamento foi eficiente ou não, os valores
calculados na validação são comparados com os valores reais. Sendo assim, caso o modelo
ajuste adequadamente a rede para os dados de validação sendo treinado com o conjunto de
treinamento, tal modelo é considerado valido. A figura 6 apresenta o ajuste do modelo aos
dados de treinamento e a figura 7 apresenta o ajuste do modelo aos dados de validação. Cujo
valor obtido para o conjunto de validação é de 65,62 mm de chuva por mês. Vale ressaltar
que nenhuma informação a respeito dos dados de validação é apresentada à RNA durante o
processo de treinamento, pois são conjuntos distintos.
Figura 6: Comparação entre precipitação real e calculada no treinamento. Fonte:
Dayane Ester (2016)
17
Figura 7: Resultado de predição de chuva para dados de validação. Fonte: Dayane Ester
(2016)
No algoritmo desenvolvido para realizar a predição, foi também inserida a equação1 para
cálculo do erro médio do sistema. Para o teste no qual foi obtida a figura 6, o valor do erro
médio foi de 65,62mm de chuva por mês. Tais erros ocorrem no período de maior intensidade
de chuvas. No caso de Sete Lagoas de outubro a março. A média de chuvas nesses meses é de
aproximadamente 198,67 mm, conforme dados de Climate-Data. Considerando o valor do
erro médio mensal em torno de 65,62mm, temos uma precisão do modelo em torno de
33,02%. Esse valor pode ser considerado razoável para um modelo construído apenas com
dados históricos de chuva, sem considerar outros fatores. Existem modelos estatísticos, como
os avaliados em (Mello e Silva, 2008), que apresentam valores de erros superiores a 30% no
período chuvoso, mesmo utilizando outras variáveis para auxiliar na predição.
Para realizar a predição de chuva no longo prazo, pode-se utilizar uma metodologia na
qual os valores dos quatro meses conhecidos foram inseridos no modelo para determinar o
valor do mês futuro (quinto mês) cujos valores de precipitação não eram conhecidos. Esse
quinto mês torna-se parte dos padrões de entrada e auxilia na predição do sexto mês (também
inicialmente sem valores de precipitação conhecidos). E assim sucessivamente, por um longo
período, até que a rede desse um valor de erro muito grande que será desconsiderado. A figura
18
8 apresenta o esquema de predição para longo prazo. Nesse caso, ocorre a realimentação do
modelo com dados obtidos na saída do próprio modelo.
Figura 8 – Metodologia de realimentação. Fonte: Dayane Ester (2016)
5. Conclusão
Foi verificado que fatores climáticos podem alterar a taxa de precipitação. Tais alterações
dependem de diversos fatores, tais como, umidade, pressão, frentes frias, etc. Isso dificulta a
realização da predição de chuvas, pois aumenta o número de variáveis a serem consideradas.
O desafio desse trabalho foi realizar a predição utilizada somente os valores passados de
chuva na cidade de Sete Lagoas.
A metodologia de predição foi baseada em utilizar valores passados de precipitação
mensal para se determinar valores futuros. Com essa metodologia, foi encontrado um erro
médio para a série histórica de chuvas mensais, com predição de um mês a frente igual a
65,62mm. A vantagem dessa metodologia consiste em utilizar apenas informações referentes
a valores históricos de precipitação. Por outro lado, a predição poderia ser mais precisa se
considerasse também series históricas de umidade, velocidade de ventos, temperaturas, dentre
outros fatores que possam influenciar o regime de chuvas. Porém, a obtenção de séries
históricas desses outros dados nem sempre está disponível, sendo mais comum a
disponibilização de séries temporais de chuva.
19
As redes neurais mostraram-se capazes de aprender a respeito do comportamento
dinâmico das precipitações na região, fornecendo indicações a respeito da intensidade das
chuvas. Sua grande vantagem consiste em sua habilidade de aprender automaticamente
apenas com uso de padrões de entrada e saída gerados com dados da série histórica, sem ser
necessário que o usuário compreenda as equações que regem o sistema como um todo.
20
6. Referência Bibliográfica
ALCÂNTRA, P. B.; OLIVEIRA. A. A. D. Predição em dias sem chuva na época
chuvosa para quatro regiões do estado de São Paulo. B. Ind˙str.anim., N.
Odessa,v.56, n.1, p.35-46,1999
CARDON, A.; MULLER. D. N. Introdução às redes neurais, Universidade Federal
do Rio Grande do Sul Instituto de Informática Curso de Pós-Graduação em Ciência
da Computação, Porto Alegre, novembro de 1994.
CARVALHO. C. Redes Neurais Artificiais, Inteligência Artificial. Instituto de
informática UFG, 2006.
CERQUEIRA. E. O. Redes neurais e suas aplicações em calibração multivariada.
Campinas. Quim. Nova, Vol. 24, n. 6, p.864-873, 2001.
FERNEDA, E. Redes Neurais e suas Aplicações em Sistemas de Recuperação de
Informação, Brasília, v.35, n.1.p.25-30, jan./abr.2006.
FILHO. F. F. C. Fundamentos de Scilab, Belo Horizonte, UFMG, Departamento de
Ciências da Computação do ICEx, Ago.2010.
GUIMARÃES. D.P.; et all. Áreas Homogêneas de Precipitação no Estado de
Minas Gerais. Embrapa Milho e Sorgo, Sete lagoas, 2009.
HELBEL. A. F. Naálise da qualidade das águas subterrâneas no perímetro
urbano de JI-Paraná / RO- Brasil. Paraná. Trabalho de conclusão de curso, 2011.
MINIM, V. P. R. Análise Sensorial Estudos com Consumidores, 3ª edição, revista
e ampliada, Universidade Federal de Viçosa, 2013.
21
PETRIN. N. Fatores que alteram o clima. Disponivel em <
http://www.estudopratico.com.br/fatores-que-alteram-o-clima/ >. Acesso em 22. Jan.
2017
SCHOPE, E. C. Método Neuro-estatístico para a predição de Series Temporais
Ruidosa. Porto Alegre, Julho de 2007.
SILVA. E.B. A Contaminação dos lençóis freáticos provenientes do uso de
agrotóxicos. Disponível em <
www.site.ajes.edu.br/jornada/arquivos/20140711200049.pdf >. Acesso em 22. Jan.
2017.
SILVA. F.B.R.; RICHÉ. G.R.; Et all de. Zoneamento agroecológico do nordeste:
diagnóstico do quadro natural e agrossócioeconomico. Petrolina, PE: EMBRAPA
– CPATSA, Recife, PE: CNPS, Coordenadoria Regional Nordeste, 1993. V. 1.
TISSOT. H. C.; CAMARGO. L. C. P.; AURORA T. R. Treinamento de Redes
Neurais Feedforward: comparativo dos algoritmos Backpropagation e
Differential Evolution. Departamento de Informática – Universidade Federal do
Paraná (UFPR) Jardim das Américas – Curitiba – PR – Brasil
Climate-data.org, disponível em https://pt.climate-data.org/location/2891/, acessado
em 14 de fevereiro de 2017 às 17:20.
Mello, C. R.; Silva, A. M.; “Modelagem estatística da precipitação mensal e anual
e no período seco para o estado de Minas Gerais”, Revista Brasileira de
Engenharia Agrícola e Ambiental, Vol. 3, n.1, pp. 68 a 74, Campina Grande - PB,
2008.
