Uso do Algoritmo PARAFAC-EM para Preenchimento de Falhas em Séries Temporais de Velocidade do Vento na Região Nordeste do Brasil
DOI:
https://doi.org/10.26848/rbgf.v18.1.p077-094Palavras-chave:
Preenchimento de falhas, velocidade do vento, Algoritmo PARAFAC-EMResumo
Apresenta-se neste estudo a avaliação do desempenho de um método de preenchimento de falhas em séries temporais de dados meteorológicos, em particular para séries de dados de velocidade do vento, usando-se o algoritmo PARAFAC-EM. Foram usados dados de médias horárias de velocidade do vento obtidos das plataformas de coleta de dados dos municípios de Acopiara e Sobral no Estado do Ceará/Brasil, totalizando 8.640 registros para cada ano em cada região. Em seguida foram induzidas falhas nas séries de dados de 10%, 30% e 50%, que foram preenchidas com os modelos PARAFAC-EM a fim de determinar o rank de melhor resultado. O desempenho do método proposto foi validado através do cálculo de métricas estatísticas e aplicação do teste t de Student. Os resultados obtidos mostraram que o método proposto com rank = 2 apresentou o melhor desempenho em estimar as falhas nas séries de dados, com correlação estatística classificadas como moderadas no preenchimento das falhas de 10%, 30% e 50% para a região de Acopiara/CE, e de fortes a muito forte para a região de Sobral/CE, com nível de significância da de 99%.
Downloads
Referências
Acar, E.; Dunlavy, D.M.; Kolda, T.G.; Morup, M. 2010. Scalable Tensor Factorizations with Missing Data. Chemometrics and Intelligent Laboratory Systems, v.106, p. 41-46. https://epubs.siam.org/doi/pdf/10.1137/1.9781611972801.61.
Afrifa-Yamoah, E., Mueller. U.A., Taylor, S.M., Fisher, A.J. 2020. Missing data imputation of high-resolution temporal climate time series data. Meteorol Appl., 27, e1873. https://doi.org/10.1002/met.1873.
Ahn, H., Sun, K., Kim, K.P. 2022. Comparison of Missing Data Imputation Methods in Time Series Forecasting. Computers, Materials & Continua, 70 (1), 767-779. https://doi.org/10.32604/cmc. 2022.019369.
Baraldi, A.N.; Enders, C.K. 2010. An introduction to modern missing data analyses. Journal of School Psychology, v.48, p.5-37. DOI: 10.1016/j.jsp.2009.10.001.
Bonfante, A.G.; Ventura, T.M.; Oliveira, A.G.; Marques, H.O.; Oliveira, R.S.; Martins, C.A.; Figueiredo, J.M. 2013. Uma abordagem computacional para preenchimento de falhas em dados micrometeorológicos. Revista Brasileira de Ciências Ambientais, v.27, p.61-70.
Brubacher, J. P., Oliveira, G. G., Guasselli, L. A. 2020. Preenchimento de Falhas e Espacialização de Dados Pluviométricos: Desafios e Perspectivas. Revista Brasileira de Meteorologia, 35(4), 615–629. https://doi.org/10.1590/0102-77863540067.
Cai, M., Tian, Y., Li, A., Li, Y., Han, Y., Ji, W., Zhou, Q., Li, J., Li, W. (2023). Unraveling the evolution of dissolved organic matter in full-scale A/A/O wastewater treatment process using size exclusion chromatography with PARAFAC and nonnegative matrix factorization analysis, Water Research, vol. 235,119879. ISSN 0043-1354, https://doi.org/10.1016/j.watres.2023.119879.
Camargos, V.P.; César, C.C.; Caiaffa, W.T.; Xavier, C.C.; Proietti, F.A. 2011. Imputação múltipla e análise de casos completos em modelos de regressão logística: uma avaliação prática do impacto das perdas em covariáveis. Caderno de Saúde Pública, v.27, n.12, p.2299-2313.https://doi.org/10.1590/S0102311X2011001200003.
Corbo, A.R., Santos, S.A.F., Bertolino, A.V.F.A., Pinto, A.B.S. 2024. Técnicas individuais e combinadas para preenchimento de falhas em dados diários de precipitação no município de São Gonçalo (RJ). Revista Brasileira de Climatologia, 35(20), 401–427. https://doi.org/10.55761/abclima.v35i20.1739.
Devore, J. L. 2006. Probabilidade e Estatística para Engenharia e Ciência. Thomson Pioneira, São Paulo, Brasil.
Donders, A.R.T. et al. Review: 2006. A gentle introduction to imputation of missing values. Journal of Clinical Epidemiology, v.59, p.1087-1091. 10.1016/j.jclinepi.2006.01.014.
Giovanella, T.H., Oliveira, F.C., Marchi, V. A. A., Tluszcz, J. 2021. Desempenho de Métodos de Preenchimento de Falhas em Dados de Evapotranspiração de Referência para Região Oeste do Paraná. Revista Brasileira de Meteorologia, 36(3), 415–422. https://doi.org/10.1590/0102-77863630001.
Harshman, R.A. 1970. Foundations of Parafac procedure: Models and conditions of an “explanatory” multi-model facor analysis. UCLA, Working papers in phonetics. pp.1-84.
Hitichcock, F.L. The Expression of a Tensor or a Polyadic as Sum of Products. 1927. Journal of Mathematics and Physics, vol. 6, pp. 164-189.
Huang, G.; Paes, A. T. 2009. Posso usar o teste t de Student quando preciso comparar três ou mais grupos? Einstein: Educação Continuada em Saúde, v.7, n.2, p.63-64.
Junninen, H.; Niska, H.; Tuppurainem, K.; Ruuskanen, J. 2004. Methods for imputation of missing values in air quality data sets. Atmospheric Environment, v.38, p.2895-2907. DOI: 10.1016/j.atmosenv.2004.02.026.
Kolda, T.; Bader, B. 2009. Tensor Decompositions and Applications. SIAM Publication Library, vol.51, n.3, p.455-500. DOI: https://doi.org/10.1137/07070111X.
Larson, R.; Farber, B. 2010. Estatística Aplicada. Prentice Hall, 4˚Edição, São Paulo: Pearson.
Lira, M.A.T.; Silva, E.M.; Brabo, J.M. 2011. Estimativas dos Recursos Eólicos no Litoral Cearense usando a Teoria da Regressão Linear. 2007. Revista Brasileira de Meteorologia, vol.26, n.3, p.349-366. DOI: https://doi.org/10.1590/S010277862011000300003.
Lira, M.A.T.; Silva, E.M.; Alves, J.M.B.; Veras, G.V.O. 2014. Estimation of wind resources in the coast of Ceará, Brazil, using the linear regression theory. Renewable & Sustainable Energy Reviews, v.39, p.509-529. DOI: https://doi.org/10.1016/j.rser.2014.07.097.
Lima, F.J.P.; Cavalcanti, E.P.; Souza, E.P.; Silva, E.M. 2012. Evalution of the Wind Power in the State of Paraíba Using the Mesoscale Atmospheric Model Brazilian Developments on the Regional Atmospheric Modelling System. ISRN Renewable Energy. Article ID 847356. https://doi.org/10.5402/2012/847356.
Miao, X., Wu, Y., Wang, J., Gao, Y., Mao, X., & Yin, J. 2021. Generative Semi-supervised Learning for Multivariate Time Series Imputation. Proceedings of the AAAI Conference on Artificial Intelligence, 35(10), 8983-8991. https://doi.org/10.1609/aaai. v35i10.17086.
Mongomery, D. C.; Runger, G.C. 2009. Estatística aplicada e probabilidade para engenheiros. LTC, Rio de Janeiro.
Nunes, L.N.; Kluck, M.M.; Fachel, J.M.G. 2009. Uso da imputação múltipla de dados faltantes: uma simulação utilizando dados epidemiológicos. Cad. Saúde Pública, vol. 25, n.2, pp.268-278.https://doi.org/10.1590/S0102-311X2009000200005.
Oliveira, L.F.C.; Fioreze, A.P.; Medeiros, A.M.M.; Silva. M.A.S. 2010. Comparação de metodologias de preenchimento de falhas de séries históricas de precipitação anual. Revista Brasileira de Engenharia Agrícola e Ambiental, v.14, n.11, p.1186-1192. DOI: https://doi.org/10.1590/S141543662010001100008.
Ooba, M.; Hirano, T.; Mogami, J.; Hirata, R. 2006. Comparisons of Gap-Filling Methods for Carbon Flux Dataset: A Combination of a Genetic Algorithm and an Artificial Neural Network. Ecological Modelling, vol.198, n.3-4, pp.473-486. 10.1016/j.ecolmodel.2006.06.006.
Ramli, M.N.N.; Yahaya, A.S.; Ramli, N.A.; Yusof, N.F.F.M.; Abdullah, M.M.Ab. 2013. Roles of Imputation Methods for Filling the Missing Values: A Review. Advances in Environmental Biology, v.7, n.12, p.3861-3869.
Rubin D.B. 1996. Multiple Imputation after 18+ years. Journal of the American Statistical Association, v.91, p.473-489. DOI: https://doi.org/10.2307/2291635.
Ruezzene, C.B., Miranda, R.B., Tech, A.R.B., Mauad, F.F. 2021. Preenchimento de Falhas em Dados de Precipitação através de Métodos Tradionais e por Inteligência Artificial. Revista Brasileira de Climatologia, 29, 177–204. https://ojs.ufgd.edu.br/rbclima/article/view/1518.
Sciscenko, I., Arques, A., Micó, P., Mora, M., García-Ballesteros, S. 2022. Emerging applications of EEM-PARAFAC for water treatment: a concise review, Chemical Engineering Journal Advances, vol. 10, 100286. ISSN 2666-8211. https://doi.org/10.1016/j.ceja.2022.100286.
Silva Junior, A. A., Gomes, R.S.R., Musis, C.R., Novais, J.W.Z., Maionchi, D., Figueiredo, J.M. 2024. Preenchimento de falhas em séries temporais da temperatura do ar: uma comparação entre modelos de Machine Learning. Revista Brasileira de Climatologia, 35(20), 362–377. https://doi.org/10.55761/abclima.v35i20.17649.
Tavares, P.S., Pilotto, I.L., Chou, S.C., Souza, S.A., Fonseca, L.M.G. Chagas, J. D. 2024. A Dataset of High-Resolution Climate Change Projections Over South America with Bias Correction. Derbyana, ISSN 2764-1465, 45: e821, 2024. DOI: 10.69469/derb.v45.821.
Tomasi, G.; Bro, R. 2005. Parafac and missing values. Sicence Direct, Chemometrics and Intelligent Laboratory Systems, v.75, n.2, p.163-180. 10.1016/j.chemolab.2004.07.003.
Turova, P., Styles, I., Timashev, V., Kravets, K., Grechnikov, A., Lyskov, D., Samigullin, T., Podolskiy, I., Shpigun, O., Stavrianidi, A.
(2021). Unsupervised methods in LC-MS data treatment: Application for potential chemotaxonomic markers search, Journal of Pharmaceutical and Biomedical Analysis, vol. 206, 114382. ISSN 0731-7085, https://doi.org/10.1016/j.jpba.2021.114382.
Weerakody, P.B., Wong, K.W., Wang, G., Ela, W. 2021. A review of irregular time series data handling with gated recurrent neural networks, Neurocomputing, 441 (161-178). https://doi.org/10.1016/j.neucom.2021.02.046.
Zhang, P. 2003. Multiple imputation: Theory and method. International Statistical Review, v.71(3), 581-592. https://www.jstor.org/stable /1403830.
Zhang, Y., Thorburn, P.J. 2021. A dual-head attention model for time series data imputation, Computers and Electronics in Agriculture, vol.189, 106377. ISSN 0168-1699. https://doi.org/10.1016/j.compag.2021.106377.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Emerson Mariano Silva, Israel Luís Rodrigues Pinto
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam na Revista Brasileira de Geografia Física concordam com os seguintes termos:
Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0) 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 (exemplo: depositar em repositório institucional ou publicar como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
Autores têm permissão para disponibilizar seu trabalho online antes ou durante o processo editorial, em redes sociais acadêmicas, repositórios digitais ou servidores de preprints. Após a publicação na Revista Brasileira de Geografia Física, os autores se comprometem a atualizar as versões preprint ou pós-print do autor, nas plataformas onde foram originalmente disponibilizadas, informando o link para a versão final publicada e outras informações relevantes, com o reconhecimento da autoria e da publicação inicial nesta revista.
Qualquer usuário tem direito de:
Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
Adaptar — remixar, transformar e criar a partir do material para qualquer fim, mesmo que comercial.
O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.
De acordo com os termos seguintes:
Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
