Use of Spatial Visualization for Pattern Discovery in Evapotranspiration Estimation
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
In Water Resources area, data are obtained from various sources, such as measuring instruments and satellites. Often such data may contain patterns that are not easily identified, either because of the large volume of data sets or because the analysis requires the use of several data dimensions. In this way, this study proposes the application of machine learning resources and spatial visualization to identify patterns in the estimation of an important component of the hydrological cycle: the evapotranspiration. This work is expected to contribute to an approach to estimate evapotranspiration, using spatial resources for pattern identification and model generation.
Downloads
Métricas
Detalhes do artigo
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Atribuição que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (veja "O Efeito do Acesso Aberto").
Referências
AGARWAL, P.; BISWAS, S. S. Big Data in Climate Change. Global Journal for Research Analysis, vol. 6, n. 7, 2018, pp 50-51.
AL-JARRAH, O. Y.; YOO, P. D.; MUHAIDAT, S.; KARAGIANNIDIS, G. K.; TAHA, K. Efficient machine learning for big data: A review. Big Data Research, vol. 2, n. 3, 2015, pp. 87-93.
CAMARGO, A. D.; MARIN, F. R.; SENTELHAS, P. C.; & PICINI, A. G. (1999). Ajuste da equação de Thornthwaite para estimar a evapotranspiração potencial em climas áridos e superúmidos, com base na amplitude térmica diária. Revista Brasileira de Agrometeorologia, vol. 7, n. 2, 1999, pp. 251-257.
DEO, R. C.;
FAO (2017). Introduction to evapotranspiration. Site < http://www.fao.org/docrep/x0490e/x0490e04.htm>, accessed in July 2017.
FAYYAD, U.; PIATETSKY-SHAPIRO, G; SMYTH, P. From data mining to knowledge discovery in databases. AI magazine, vol. 17, n. 3, 1996, pp. 37-54.
FENG, Y.; PENG, Y.; CUI, N.; GONG, D.; ZHANG, K. Modeling reference evapotranspiration using extreme learning machine and generalized regression neural network only with temperature data. Computers and Electronics in Agriculture, vol. 136, 2017, pp. 71-78.
FRANK, E.; HALL; M.; WITTEN, I. H. The WEKA data mining software: an update. ACM SIGKDD explorations newsletter, vol. 11, n. 1, 2009, pp. 10-18.
MAJIDI, M.; ALIZADEH, A.; VAZIFEDOUST, M.; FARID, A.; AHMADI, T. Analysis of the effect of missing weather data on estimating daily reference evapotranspiration under different climatic conditions. Water Resources Management, vol. 29, n. 7, 2015, pp. 2107-2124.
MMA, Ministry of the Environment. Site <http://www.mma.gov.br/biomas>, accessed in June 2018.
PFEIFFER, D. U.; STEVENS, K. B. Spatial and temporal epidemiological analysis in the Big Data era. Preventive veterinary medicine, vol. 122, n. 1-2, 2015, pp. 213-220.
QGIS, Geographic Information System. Site <http://qgis.osgeo.org>, accessed in July 2017.
RHEE, J; IM, J. Meteorological drought forecasting for ungauged areas based on machine learning: Using long-range climate forecast and remote sensing data. Agricultural and Forest Meteorology, vol. 237, 2017, pp. 105-122.
VAN DER AALST, Wil MP. Data scientist: The engineer of the future. Enterprise interoperability VI. Springer, Cham, 2014. p. 13-26.
XAVIER, F.; BROCHADO, M. L. C. Use of Spatial Visualization for Pattern Discovery in Evapotranspiration Estimation. Proceedings of the XVIII Brazilian Symposium on GeoInformatics, Salvador, 2017. pp. 346-356.
XAVIER, F.; TANAKA, A. K.; REVOREDO, K. C. KDD application on Meteorological Data for Identification of Regional Patterns in Estimation of Evapotranspiration. Proceedings of the 30th Brazilian Symposium on Databases, Petrópolis, 2015. pp. 27-32.
XAVIER, F. Application of Data Science Techniques in Evapotranspiration Estimation. Master
XINGJIAN, S. H. I.; CHEN, Z.; WANG, H.; YEUNG, D. Y.; WONG, W. K.; WOO, W. C. Convolutional LSTM network: A machine learning approach for precipitation nowcasting. Advances in neural information processing systems. 2015, pp. 802-810.
WARD, M. O.; GRINSTEIN, G.; KEIM, D. Interactive data visualization: foundations, techniques, and applications. AK Peters/CRC Press, 2015. 578p.
WMO, Guide to Meteorological Instruments and Methods of Observation, 6th ed., WMO Rep. 8, World Meteorological Organization, Geneva, Switzerland, 1996.