@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"
}