dc.contributor.author |
Santos, Jefferson Vieira dos |
|
dc.date.accessioned |
2023-12-21T10:44:30Z |
|
dc.date.available |
2023-12-21T10:44:30Z |
|
dc.date.issued |
2023-11-14 |
|
dc.identifier.other |
CDD 519.5 |
|
dc.identifier.uri |
http://dspace.bc.uepb.edu.br/jspui/handle/123456789/30847 |
|
dc.description |
VIEIRA, Jefferson. Um estudo do Standardized Precipitation Index (SPI) e técnicas de machine learning para previsão de secas no estado da Paraíba. 2023. 45 p. Trabalho de Conclusão de Curso (Graduação em Estatística) - Universidade Estadual da Paraíba, Centro de Ciências e Tecnologia, 2023 |
pt_BR |
dc.description.abstract |
Objetivou-se neste estudo identificar e analisar as secas na Paraíba, utilizando o Índice Padronizado de Precipitação (SPI) e técnicas de modelagem com algoritmos de machine learning para prever o SPI para os anos subsequentes (2020-2021) em seis estações pluviométricas distribuídas nas mesorregiões da Paraíba. Os dados de precipitação foram obtidos a partir do Global Precipitation Climatology Centre (GPCC) e da base de dados da National Oceanic and Atmospheric Administration (NOAA), abrangendo o período de 1991 a 2019. Foram selecionados três algoritmos de machine learning com base em sua capacidade de ajuste aos dados históricos de SPI: Extra Trees Regressor, Gradient Boosting Regressor e Random Forest Regressor. Os modelos de machine learning aplicados apresentaram resultados satisfatórios, com destaque para o Extra Trees Regressor, que consistentemente produziu o maior valor de R² em todas as estações, indicando uma alta explicabilidade dos dados. As previsões foram analisadas para determinar sua precisão e confiabilidade, fornecendo insights valiosos sobre a variabilidade da precipitação e a ocorrência de secas nas diferentes mesorregiões da Paraíba. Em conclusão, este estudo contribuiu para a compreensão da variabilidade climática e de suas implicações na Paraíba, fornecendo insights valiosos sobre a ocorrência de secas e a importância de abordagens adaptativas para mitigar impactos adversos. A aplicação do SPI e técnicas de machine learning mostrou-se eficaz na análise e previsão da precipitação, oferecendo uma abordagem objetiva para caracterizar a intensidade das secas e chuvas em determinadas regiões. |
pt_BR |
dc.description.sponsorship |
Orientador: Prof. Dr. Silvio Fernando Alves Xavier Júnior |
pt_BR |
dc.language.iso |
other |
pt_BR |
dc.subject |
Índice Padronizado de Precipitação (SPI). |
pt_BR |
dc.subject |
Seca |
pt_BR |
dc.subject |
Machine Learning |
pt_BR |
dc.title |
Um estudo do Standardized Precipitation Index (SPI) e técnicas de machine learning para previsão de secas no estado da Paraíba |
pt_BR |
dc.type |
Other |
pt_BR |