@InProceedings{BrubacherOlivGuas:2019:CoMéPr,
               author = "Brubacher, Jo{\~a}o Paulo and Oliveira, Guilherme Garcia de and 
                         Guasselli, Laurindo Antonio",
          affiliation = "{Universidade Federal do Rio Grande do Sul (UFRGS)} and 
                         {Universidade Federal do Rio Grande do Sul (UFRGS)} and 
                         {Universidade Federal do Rio Grande do Sul (UFRGS)}",
                title = "Compara{\c{c}}{\~a}o de m{\'e}todos para preenchimento 
                         espa{\c{c}}o-temporal de falhas em dados hist{\'o}ricos de 
                         precipita{\c{c}}{\~a}o no Rio Grande do Sul",
            booktitle = "Anais...",
                 year = "2019",
               editor = "Gherardi, Douglas Francisco Marcolino and Sanches, Ieda DelArco 
                         and Arag{\~a}o, Luiz Eduardo Oliveira e Cruz de",
                pages = "2053--2056",
         organization = "Simp{\'o}sio Brasileiro de Sensoriamento Remoto, 19. (SBSR)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
             keywords = "regress{\~a}o m{\'u}ltipla, redes neurais artificiais, 
                         preenchimento de falhas, multiple regression, artificial neural 
                         networks, gap filling.",
             abstract = "Este estudo teve como objetivo comparar a aplica{\c{c}}{\~a}o 
                         dos m{\'e}todos de Regress{\~a}o M{\'u}ltipla (RM) e de Redes 
                         Neurais Artificiais (RNA) para o preenchimento 
                         espa{\c{c}}o-temporal de falhas em s{\'e}ries hist{\'o}ricas de 
                         precipita{\c{c}}{\~a}o no Rio Grande do Sul. Foram utilizadas 
                         s{\'e}ries hist{\'o}ricas de precipita{\c{c}}{\~a}o 
                         di{\'a}ria de 287 esta{\c{c}}{\~o}es, no per{\'{\i}}odo de 
                         1987 a 2016. Foi desenvolvido um algoritmo para 
                         organiza{\c{c}}{\~a}o dos dados e realiza{\c{c}}{\~a}o do 
                         processo de preenchimento a partir de RM e RNA. Os principais 
                         resultados indicam que, em 76% das esta{\c{c}}{\~o}es, o modelo 
                         RM apresentou melhor desempenho do que as RNAs, tendo obtido R2 
                         m{\'e}dio de 0,697. Al{\'e}m disso, observa-se que a maior 
                         densidade de esta{\c{c}}{\~o}es na por{\c{c}}{\~a}o nordeste 
                         do RS favorece o processo de estimativa de chuva, melhorando a 
                         qualidade da s{\'e}rie preenchida. ABSTRACT: In this study, we 
                         compared the application of the Multiple Regression (MR) and 
                         Artificial Neural Networks (ANN) methods for the spatial-temporal 
                         gap filling in historical rainfall series in Rio Grande do Sul. We 
                         used 287 historical series of daily precipitation in the period 
                         from 1987 to 2016. We developed an algorithm to organize the data 
                         and perform the fill process with the MR and ANN models. The main 
                         results indicate that, in 76% of the stations, the MR model 
                         presented better performance than the ANNs, with an average R2 of 
                         0.697. In addition, it is observed that the higher density of 
                         stations in the Northeast RS favors the rain estimation process, 
                         improving the quality of the filled series.",
  conference-location = "Santos",
      conference-year = "14-17 abril 2019",
                 isbn = "978-85-17-00097-3",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGP6W34M/3U3N6J2",
                  url = "http://urlib.net/ibi/8JMKD3MGP6W34M/3U3N6J2",
           targetfile = "97572.pdf",
                 type = "Hidrologia",
        urlaccessdate = "12 maio 2024"
}