Funções gerais de regressão entre variáveis |
Regressão Linear Simples (RLS), Regressão Linear Múltipla (RLM) e demais ajustes de curvas ou superfícies por meio de funções matemáticas. |
Wilks, 2006WILKS, D.S. Statistical Methods in the Atmospheric Sciences. International Geophisics Series, v. 91, 2. ed., Philadelphia, Elsevier Academic Press Publications, 649 p., 2006.; Fernandez, 2007; Tucci, 2009TUCCI, C.E.M. Hidrologia: Ciência e Aplicação, 4ª ed., Porto Alegre: ABRH/Editora UFRGS, 944 p., 2009.; Villazón e Willems, 2010VILLAZóN, M.F.; WILLEMS, P. Filling gaps and daily disaccumulation of precipitation data for rainfall-runoff model. In: IV International Scientific Conference on Water Observation and Information Systems for Decision Support, Ohrid, Republic of Macedonia, 2010.; Bier e Ferraz, 2017BIER, A.A; FERRAZ, S.E.T. Comparação de metodologias de preenchimento de falhas em dados meteorológicos para estações no Sul do Brasil. Rev. Bras. Met, v. 32, n. 2, p. 215-226, 2017.; Souza et al., 2017SOUZA, A.; SANTOS, D.A.S.; ARISTONE, F.; KOVA-ANDRI, E.; MATASOVI, B.; PIRES, J.C.; IKEFUTI, P.V.V. Impacto de fatores meteorológicos sobre as concentrações de ozônio modelados por análise de séries temporais e métodos estatísticos multivariados. Revista Holos, v. 5, p. 2-16, 2017.; Malfatti et al., 2018MALFATTI, M.G.L.; CARDOSO, A.O.; HAMBURGUER, D.S. Modelo empírico linear para previsão de vazão de rios na usina hidrelétrica de Itaipu – Bacia do Rio Paraná. Rev. Bras. Met., v. 33, n. 2, p. 257-268, 2018..SULAIMAN, J.; WAHAB, S.H. Heavy rainfall forecasting model using artificial neural network for flood prone area. IT Convergence and Security, v. 449, p. 68-76, 2018.UMEHARA, S.; YAMAZAKI, T.; SUGAI, Y.A. Precipitation estimation system based on support vector machine and neural network. In: Electronics and Communications in Japan, Part. 3: Fundamental Electronic Science, v. 89, n. 3, p. 38-47, 2006.
|
Modelos de simples utilização e interpretação; não necessitam de grande esforço computacional; extensas bibliotecas de funções disponíveis em softwares para uso, fácil ajuste e validação. |
Baixa capacidade de generalização dos dados, muitas vezes, desconsiderando relações não-lineares entre as variáveis. |
Inteligência artificial e aprendizagem de máquinas |
Redes Neurais Artificiais (RNA), Máquina de Vetores de Suporte (MVS) e demais técnicas e algoritmos de aprendizagem autômata. |
Boser, 1992BOSER, B.E.; GUYON, I.M.; VAPNIK, V.N. A training algorithm for optimal margin classifiers. In: V Workshop on Computational Learning Theory, Pittsburgh, Pennsylvania, p. 144-152, 1992.; Assad e Evangelista, 1994ASSAD, ε.D.; EVANGELISTA, B.A. Análise freqüencial da precipitação Pluviométrica. In: ASSAD, ε.D. et al., Chuva nos Cerrados: Análise e Espacialização. Brasília: EMBRAPA-SPI, Cap. II, p. 25-41, 1994.; Pinto, 1999; Umehara et al. 2005; Gupta, 2013GUPTA, N. Artificial neural network. Network and Complex Systems, v. 3, n. 1, p. 24-28, 2013.; Mekanik et al., 2013MEKANIK, F.; IMTEAZ, M.A.; GATO-TRINIDAD, S.; ELMAHDI, A. Multiple regression and artificial neural network for long-term rainfall forecasting using large scale climate modes. J. hidr., v. 503, p. 11-21, 2013.; Cerri e Carvalho, 2017CERRI, R.; CARVALHO, A.C.P.L.F. Aprendizado de máquina: breve introdução e aplicações. Cadernos de Ciência & Tecnologia, v. 34, n. 3, p. 297-313, 2017.; Sulaiman e Wahab, 2017. |
Grande capacidade de aprendizado, adaptabilidade e de generalização, principalmente em situações complexas; modelos costumam apresentar melhor desempenho e acurácia. |
Requer maior esforço computacional; grande volume de dados gerados; maior dificuldade de interpretação dos resultados. |
Interpolação espacial ponderada pela localização e/ou outras variáveis espaciais |
Inverso da Potência da Distância (IPD), Vizinho Natural (VN), Splines (SPL), Krigagem (KRG) e demais métodos geoestatísticos para estimativa de valores no espaço. |
Sibson, 1981SIBSON, R. A brief description of natural neighbor interpolation. In: BARNETT, V. Interpreting Multivariate Data. New York: John Wiley e Sons, p. 21-36, 1981.; Isaaks e Srivastava, 1989ISAAKS, E.H.; SRIVASTAVA, R.M. Applied Geostatistics. New York: Oxford University Press, 561 p., 1989.; Phillips et al., 1992PHILLIPS, D.L.; DOLPH, J.; MARKS, D. A comparison of geostatistical procedures for spatial analysis of precipitations in mountainous terrain. Agriculture and Forest Meteorology, v. 58, n. 1-2, p. 119-141, 1992.; Thompson, 1992THOMPSON, S.K. Sampling. New York: Interscience Publication, 343 p., 1992.; Gong et al., 2014GONG, G.; MATTEVADA, S.; O'BRIANT, S. Comparison of the accuracy of kriging and IDW interpolations in estimating groundwater arsenic concentrations in Texas. Environ. Res., v. 130, p. 59-69, 2014.; Giacomin et al., 2014GIACOMIN, G.; CARVALHO, M.B.; SANTOS, A.P.; MEDEIROS, N.C.; FERRAZ, A.S. S. Análise comparativa entre métodos interpoladores de modelos de superfícies. Rev. Bras. Cart., v. 66, n. 6, p. 1315-1329, 2014.; Ali et al., 2017ALI, S.; RAHMAN, A.; SALINAS, J.; GUNTER BLOSCHL, G. Applicability of Kriging to Regional Flood Estimation Problem in Eastern Australia. In: International Conference on Engineering Research and Practice, Dhaka, Bangladesh, p. 82-89, 2017.; Javari, 2017JAVARI, M. Comparison of interpolation methods for modeling spatial variations of precipitation in Iran. International Journal of Environmental e Science Education, v. 12, n. 5, p. 1037-1054, 2017.; Batista et al., 2018BATISTA, M.L.; COELHO, G.; TEIXEIRA, M.B.R.; OLIVEIRA, M.S. S. Estimadores de semivariância: análise de desempenho no mapeamento da precipitação anual para o estado de minas gerais. Rev. Sci. Agr., v. 19, n. 1, p. 64-74, 2018..Agência Nacional de águas e Saneamento Básico. Disponível em: https://www.ana.gov.br/. Acesso em: 11 set. 2019. https://www.ana.gov.br/...
|
Os pesos são determinados considerando contexto espacial e não de forma indireta como nas demais técnicas; costuma ser mais eficiente para regiões com alta densidade de amostras; não necessitam de grande esforço computacional. |
O desempenho desses modelos é prejudicado pela distribuição irregular de pontos amostrais; alguns métodos não consideram a correlação das variáveis, resultando em erros maiores na estimativa dos valores. |