Show simple item record

dc.contributor.authorCarvalho, Wanessa Karoline Maciel
dc.date.accessioned2020-07-22T18:48:30Z
dc.date.available2020-07-22T18:48:30Z
dc.date.issued2020-02-17
dc.identifier.urihttps://repositorio.ufscar.br/handle/ufscar/13069
dc.description.abstractClimate events that represent risks to communities in general are becoming more frequent and arise due to the daily, seasonal and year-to-year variability of the climate as well as from regional climatic differences. The Science of Climate Change studies models in order to ensure prediction of effects and impacts with precision. This work aimed to evaluate the behavior of climatic variables, air temperature and solar irradiation, in five municipalities located in the state of Maranhão and to present a long-term forecast model (one year ahead) of these variables using the Artificial Neural Networks intelligent model. Samples of five automatic meteorological stations were collected from INMET for the historical series from 2008 to 2019 and, to reach a consistent database, the processes of data cleaning and feature selection were performed to assemble the information database for the chosen ANN model. The databases of each municipality were subdivided by seasonal period so that the temporal forecast for the same period could be carried out one year ahead. The metrics for evaluating the forecasts were: Mean Absolute Error (MAE), Absolute Relative Error (RAE) and Root Mean Square Error (RMSE). The climatic variables used for the development of the method were Maximum Temperature (ºC), Relative Air Humidity (%), Minimum Temperature (ºC), Dew Point Temperature (ºC), Wind Speed (m/s), Maximum Gust Wind (m/s), Wind Direction (degrees), Precipitation (mm) and Atmospheric Pressure of the Station (mBar) in addition to the variables Solar Irradiation (kJ/m²) and Air Temperature (ºC) that were being predicted. The collected data were divided into 80% for training and 20% for testing. The results of the Solar Irradiation forecast models were MAE = 0.062 kJ/m², RAE = 0.00005 kJ/m² and RMSE = 0.0002 kJ/m². Values for Air Temperature forecast metrics are MAE = 0.4737 ºC, RAE = 0.0003 ºC and RMSE = 0.0025 ºC. The most consistent bases for the calculation of MAE and RAE were the winter of the municipalities of Imperatriz and Turiaçu, while for the RMSE, the best results were obtained using the spring period database of the municipalities of Caxias and Imperatriz.eng
dc.description.sponsorshipFundação de Amparo à Pesquisa e ao Desenvolvimento Científico do Maranhão (FAPEMA)por
dc.language.isoporpor
dc.publisherUniversidade Federal de São Carlospor
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectMudanças climáticaspor
dc.subjectPrevisão de séries temporaispor
dc.subjectRedes neurais artificiaispor
dc.subjectTemperatura do arpor
dc.subjectIrradiação solarpor
dc.subjectClimate changeeng
dc.subjectTime series forecasteng
dc.subjectArtificial neural networkseng
dc.subjectAir temperatureeng
dc.subjectSolar irradiationeng
dc.titleAnálise de mudanças climáticas no estado do Maranhão: estudo das temperaturas e radiações solarespor
dc.title.alternativeAnalysis of climatic changes in the state of Maranhão: study of temperatures and solar radiationseng
dc.typeDissertaçãopor
dc.contributor.advisor1Fernandes, Ricardo Augusto Souza
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0880243208789454por
dc.description.resumoOs eventos climáticos que representam riscos para as comunidades de forma geral são cada vez mais frequentes e surgem da variabilidade diária, sazonal e ano a ano do clima, bem como das diferenças climáticas regionais. A ciência das Mudanças Climáticas estuda modelos com o intuito de garantir a previsão de efeitos e impactos com precisão. Este trabalho teve como objetivo avaliar o comportamento das variáveis climáticas temperatura do ar e irradiação solar de cinco municípios localizados no estado do Maranhão e apresentar um modelo de previsão temporal a longo prazo (um ano a frente) destas variáveis utilizando o modelo inteligente de Redes Neurais Artificiais. Foram coletadas as amostras de cinco estações meteorológicas automáticas junto ao INMET para a série histórica de 2008 a 2019 e, para alcançar uma base de dados consistente, foram executados os processos de data cleaning e seleção de atributos para então montar a base de dados fonte de informações para o modelo de RNA escolhido. As bases de dados de cada município foram subdivididas por período sazonal para que fosse realizada a previsão temporal do mesmo período um ano a frente. As métricas de avaliação das previsões foram: Erro Absoluto Médio (MAE), Erro Relativo Absoluto (RAE) e Raiz do Erro Quadrático Médio (RMSE). As variáveis climáticas utilizadas para o desenvolvimento do método foram Temperatura Máxima (ºC), Umidade Relativa do Ar (%), Temperatura Mínima (ºC), Temperatura do Ponto de Orvalho (ºC), Velocidade do Vento (m/s), Rajada Máxima de Vento (m/s), Direção do Vento (graus), Precipitação (mm) e Pressão Atmosférica da Estação (mBar) além das variáveis Irradiação Solar (kJ/m²) e Temperatura do Ar (ºC) a serem previstas. Os dados coletados foram divididos em para 80% para treinamento e 20% para teste. Os resultados dos modelos de previsão de Irradiação Solar foram MAE = 0,062 kJ/m², RAE = 0,00005 kJ/m² e RMSE = 0,0002 kJ/m². Os valores das métricas de previsão de Temperatura do Ar são MAE = 0,4737 ºC, RAE = 0,0003 ºC e RMSE = 0,0025 ºC. As bases mais consistentes para o cálculo do MAE e do RAE foram o Inverno de Imperatriz e Turiaçu, enquanto que para o RMSE, os melhores resultados foram obtidos utilizando a base de dados do período da Primavera dos municípios de Caxias e Imperatriz.por
dc.publisher.initialsUFSCarpor
dc.publisher.programPrograma de Pós-Graduação em Engenharia Urbana - PPGEUpor
dc.subject.cnpqENGENHARIASpor
dc.subject.cnpqCIENCIAS SOCIAIS APLICADAS::PLANEJAMENTO URBANO E REGIONAL::METODOS E TECNICAS DO PLANEJAMENTO URBANO E REGIONALpor
dc.subject.cnpqCIENCIAS SOCIAIS APLICADAS::PLANEJAMENTO URBANO E REGIONAL::SERVICOS URBANOS E REGIONAISpor
dc.description.sponsorshipIdFAPEMA: BM-08469/17por
dc.publisher.addressCâmpus São Carlospor
dc.contributor.authorlatteshttp://lattes.cnpq.br/6586680299774201por


Files in this item

Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Brazil
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 Brazil