Resumo
O Referido estudo estima e preenche falhas reais em uma série de dados meteorológicos pertencentes a quatro regiões do estado do Rio de Janeiro. Para isso, foi aplicada uma Rede Neural Artificial (RNA) de Perceptrons de múltiplas camadas (MLP). A fim de avaliar sua aptidão, foram estimadas as variáveis mensais de temperatura máxima do ar e umidade relativa do ar do período de 31/05/2002 a 31/12/2014, e comparadas com os resultados obtidos por modelos de Regressão Linear Múltipla (RLM) e Média das regiões (MD), e ainda confrontados com os dados registrados. Para analisar os valores estimados e definir o melhor modelo para preenchimento foram aplicadas técnicas estatísticas como o coeficiente de correlação (r), erro médio percentual (EMP), entre outros. Os resultados demonstraram uma alta relação com os dados registrados, apresentando índices entre 0,94 a 0,98 de (r) para temperatura máxima do ar e entre 2,32% a 1,05% de (EMP), mantendo a precisão entre 97% a 99%. Já para umidade relativa do ar o índice (r) com MLP se manteve entre 0,77 a 0,94, e o (EMP), entre 2,41% a 1,85%, mantendo as estimativas entre 97% a 98%. Esses resultados destacam a MLP como sendo eficaz na estimativa e preenchimento de valores faltantes.
Palavras-chave:
preenchimento de falhas; dados meteorológicos; Rede Neural Artificial (RNA); Perceptron de Múltiplas Camadas (MLP); Regressão Linear Múltipla (RLM)
