Análise de Séries Temporais com Aprendizado de Máquina para Dados de Contagem

Abstract

Este estudo apresenta metodologias para modelagem e previsão da série temporal de focos ativos detectados pelo satélite AQUA_M-T no Bioma do Pantanal, Brasil. A abordagem utiliza um modelo misto de Redes Neurais Recorrentes (RNN), combinando as arquiteturas Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU) para prever os acumulados mensais de focos ativos detectados diariamente. O objetivo principal foi verificar se essas previsões capturam a sazonalidade inerente dos dados, aplicando técnicas de aprendizado de máquina especificamente adaptadas para dados de contagem. Ao manter a série em sua estrutura original baseada em contagem, o modelo busca preservar a variabilidade natural do conjunto de dados, essencial para desenvolver modelos com alta capacidade preditiva. A análise dos dados revelou uma sazonalidade consistente ao longo do tempo, com picos e mínimas anuais recorrentes em intervalos semelhantes a cada ano. A metodologia envolveu uma preparação cuidadosa dos dados, configuração do modelo e treinamento com validação cruzada utilizando três sementes, assegurando uma generalização robusta tanto para os conjuntos de teste quanto de validação. Os resultados mostraram que o modelo combinado de LSTM e GRU apresentou bom desempenho, capturando padrões temporais complexos e demonstrando sua adequação para a modelagem de séries temporais baseadas em dados de contagem. Este trabalho contribui significativamente para a aplicação de técnicas de aprendizado profundo no monitoramento ambiental, especificamente na previsão de focos ativos. A abordagem proposta também destaca o potencial de adaptação para outros desafios de previsão em séries temporais, oferecendo novas oportunidades para pesquisa e desenvolvimento em aprendizado de máquina e previsão de séries temporais.