PREENCHIMENTO DE FALHAS EM DADOS PLUVIOMÉTRICOS: COMPARAÇÃO ENTRE MÉTODOS TRADICIONAIS E TÉCNICAS DE APRENDIZADO DE MÁQUINA

Descrição

Comparar a eficácia de diferentes técnicas de Machine Learning (ML) com a utilização de métodos tradicionais no processo de preenchimento de falhas em dados de estações pluviométricas de Mato Grosso.Como objetivos específicos, este projeto apresenta: selecionar e caracterizar estações pluviométricas com séries temporais consistentes e representativas das diferentes bacias hidrográficas do estado de Mato Grosso, a partir da base de dados HidroWEB/ANA; implementar e calibrar técnicas de ML (como Redes Neurais Artificiais, Support Vector Machines, Random Forest) e métodos de Regressão Linear e de Ponderação Regional para o preenchimento de falhas em dados pluviométricos; simular diferentes cenários de ausência de dados nas séries pluviométricas selecionadas, introduzindo percentuais de falhas controlados (5%, 10% e 20%), de forma a constituir a base para a avaliação comparativa dos diferentes métodos de preenchimento; avaliar o desempenho dos diferentes métodos de preenchimento em cada cenário simulado, utilizando um conjunto de métricas estatísticas (como KGE, RMSE e NSE) e identificar as técnicas mais adequadas para o preenchimento de falhas de dados pluviométricos no âmbito do estado de Mato Grosso, tanto para o estado como um todo, quanto para cada bacia hidrográfica presente no estado.

Palavras-chave

• climatologia
• estações meteorológicas
• séries temporais
• inteligência artificial em hidrologia.

Grupo de pesquisa

RESANGEO