Estimação da quantidade de precipitação com algoritmos de aprendizado de máquina
Resumo
Resumo: A estimação da quantidade de precipitação com precisão é primordial para uma série de atividades, tais como a agricultura e a previsão de desastres naturais, e a aplicação de técnicas de aprendizado de máquina nessa tarefa tem sido cada vez mais frequente. Nesse sentido, este trabalho foca na aplicação de algoritmos de aprendizado de máquina para estimar a quantidade de precipitação usando dados de variáveis polarimétricas do radar meteorológico de Cascavel e medições de pluviômetros de estações na área de atuação do radar. Os algoritmos de aprendizado de máquina utilizados incluem regressão linear, Decision Tree, Random Forest, XGBoost e LightGBM. Os resultados foram avaliados com base em duas métricas: raiz do erro quadrado médio (RMSE) e erro absoluto médio (MAE). O modelo LightGBM obteve os melhores resultados em ambas as métricas, tanto para os dados completos (RMSE=0,4864 e MAE=0,0857) quanto para os dados onde a variável dependente era maior que zero (RMSE=1,7427 e MAE=0,9713) Abstract: The accurate estimation of precipitation amounts is paramount for a range of activities, such as agriculture and natural disaster forecasting, and the application of machine learning techniques in this task has been increasingly frequent. In this sense, this work focuses on the application of machine learning algorithms to estimate the amount of precipitation using data from polarimetric variables of the Cascavel meteorological radar and rain gauge measurements from stations in the radar’s area of operation. The machine learning algorithms used include linear regression, Decision Tree, Random Forest, XGBoost, and LightGBM. The results were evaluated based on two metrics: root mean square error (RMSE) and mean absolute error (MAE). The LightGBM model achieved the best results in both metrics, both for the complete data (RMSE=0.4864 and MAE=0.0857) and for the data where the dependent variable was greater than zero (RMSE=1.7427 and MAE=0.9713).
Collections
- Data Science & Big Data [107]