@InProceedings{MandúKayGalLauSil:2020:AvDeMi,
author = "Mand{\'u}, Tiago Bentes and Kayano, Mary Toshie and Galetti,
Giovana Deponte and Laureanti, Nicole Cristine and Silva, Eduardo
Almeida da",
affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto
Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de
Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas
Espaciais (INPE)} and {Universidade Federal de Campina Grande
(UFCG)}",
title = "Avalia{\c{c}}{\~a}o do desempenho do mice no preenchimento de
falhas em dados de temperatura m{\'a}xima do ar da regi{\~a}o
metropolitana de S{\~a}o Paulo",
booktitle = "Resumos.../P{\^o}steres",
year = "2020",
editor = "Galetti, Giovana Deponte and Sena, Caio {\'A}tila Pereira and
Mand{\'u}, Tiago Bentes and Jacondino, William Duarte and Alves,
Laurizio Emanuel Ribeiro and Afonso, Eliseu Oliveira Afonso",
organization = "Encontro dos Alunos de P{\'o}s-Gradua{\c{c}}{\~a}o em
Meteorologia do CPTEC/INPE, 19. (EPGMET)",
publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
address = "S{\~a}o Jos{\'e} dos Campos",
keywords = "Imputa{\c{c}}{\~a}o m{\^e}s a m{\^e}s, Estat{\'{\i}}stica
aplicada a meteorologia, Algoritmo, Modelagem, Dados
meteorol{\'o}gicos.",
abstract = "Um dos maiores desafios relacionados ao uso de registros
meteorol{\'o}gicos obtidos a partir de esta{\c{c}}{\~o}es
meteorol{\'o}gicas de superf{\'{\i}}cie {\'e} a incompletude
destes dados. Diante disso, {\'e} necess{\'a}rio utilizar
m{\'e}todos eficazes para preencher essas falhas, na literatura
cient{\'{\i}}fica existe uma ampla variedade de abordagens que
podem ser empregadas para realizar o preenchimento destas lacunas.
O objetivo do presente estudo foi analisar a efici{\^e}ncia do
algoritmo Multivariate Imputation by Chained Equation (MICE) no
preenchimento de registros de temperatura m{\'a}xima do ar na
Regi{\~a}o Metropolitana de S{\~a}o Paulo (RMSP). Foram
utilizados dados di{\'a}rios de temperatura m{\'a}xima e
m{\'{\i}}nima do ar coletados a partir da esta{\c{c}}{\~a}o
meteorol{\'o}gica convencional n° 83781 pertencente ao Instituto
Nacional de Meteorologia (INMET), localizada na {\'a}rea central
da RMSP, para o per{\'{\i}}odo de 1961 a 2019. O controle de
qualidade dos dados foi realizado a partir da varia{\c{c}}{\~a}o
interquartil. O MICE {\'e} uma metodologia estat{\'{\i}}stica
baseada no amostrador de Gibbs, uma t{\'e}cnica de
simula{\c{c}}{\~a}o Bayesiana que utiliza as
distribui{\c{c}}{\~o}es condicionais dos dados a fim de obter
amostras de distribui{\c{c}}{\~a}o conjunta usadas para gerar
m{\'u}ltiplas imputa{\c{c}}{\~o}es a partir de
intera{\c{c}}{\~o}es em conjuntos de dados univariados
utilizando cadeias de Markov via Monte Carlo, possui 24 diferentes
m{\'e}todos de liga{\c{c}}{\~a}o que podem ser utilizados para
realizar as imputa{\c{c}}{\~o}es. Neste estudo, 20
intera{\c{c}}{\~o}es foram comparadas tr{\^e}s diferentes
abordagens: M{\'e}dia Preditiva Correspondente Ponderada (MPCP),
Imputa{\c{c}}{\~a}o via Florestas Aleat{\'o}rias (IFA) e
Regress{\~a}o Linear Bayesiana (RLB) um total de 15 % dos dados
foi utilizada, que {\'e} a porcentagem recomendada, realizada
m{\^e}s a m{\^e}s a fim de reduzir os efeitos de sazonalidade.
Al{\'e}m disso, foi avaliada a qualidade das estimativas a partir
do Erro M{\'e}dio Absoluto (EMA), Raiz do Erro Quadr{\'a}tico
M{\'e}dio (RMSE) e Vi{\'e}s Percentual (VP). Com isso, se
observou que o maior desempenho nos tr{\^e}s {\'{\i}}ndices
para a MPCP foi observado em janeiro, junho, julho, novembro e
dezembro, em agosto para a IFA e nenhum m{\^e}s para a RLB. O EMA
foi menor (3,31°C) no IFA em mar{\c{c}}o e maior (6°C) em junho
para a RLB, o RMSE mais baixo (4,14°C) foi observado para a RLB
tamb{\'e}m no m{\^e}s de mar{\c{c}}o, enquanto o maior (7,4°C)
foi observado para a MPCP em agosto. Para o VP, o menor registro
de -0,5% foi visto em dezembro para a MPCP, em mar{\c{c}}o e
dezembro para a RLB, enquanto que os maiores porcentuais de -24,6%
(janeiro), -19,0% (junho) e -18,5% (julho), para a IFA, RLB e
MPCP, respectivamente, mostrando que o modelo apresentou
subestima{\c{c}}{\~a}o nos tr{\^e}s m{\'e}todos de
liga{\c{c}}{\~a}o comparados. Em rela{\c{c}}{\~a}o {\`a}
m{\'e}dia, os menores EMA (4,45°C) e RMSE (4,97°C) foram para o
IFA enquanto que para o VP o valor mais baixo (-1,18%) foi visto
para a MPCP. Os resultados apontam que as tr{\^e}s
liga{\c{c}}{\~o}es do MICE apresentam alta variabilidade na
precis{\~a}o entre os meses, assim como baixos erros, sendo esses
menores para a MPCP e IFA, o algoritmo MICE apresenta desempenho
satisfat{\'o}rio considerando a limita{\c{c}}{\~a}o de se
utilizar apenas informa{\c{c}}{\~o}es do pr{\'o}prio conjunto
de dados.",
conference-location = "Online",
conference-year = "16-19 nov. 2020",
language = "pt",
organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
ibi = "8JMKD3MGPDW34R/43MDBGS",
url = "http://urlib.net/ibi/8JMKD3MGPDW34R/43MDBGS",
targetfile = "GT1_TIAGOMANDU - Tiago Bentes Mand{\'u}.pdf",
type = "Estudos e Modelagem do Tempo e Clima",
urlaccessdate = "26 abr. 2024"
}