A machine learning and statistical learning-based pipeline to perform multipoint rainfall forecasting

Abstract

Analisar e prever a precipitação é crucial para a sociedade, principalmente quando ocorrem chuvas extremas e inundações. Tais eventos impactam as estruturas socioeconômicas e podem levar a fatalidades. O entendimento da formação das chuvas e das variáveis associadas auxilia no desenvolvimento de modelos preditivos dos níveis de precipitação, auxiliando na tomada de decisões nas cadeias produtivas e na mobilidade urbana. Avanços recentes neste campo resultam do aumento do poder de processamento do computador e da disponibilidade de dados meteorológicos em todo o mundo. Este estudo se concentra na avaliação dos modelos SARIMA, RNN e XGBoost para prever a precipitação mensal ao longo de uma ferrovia no norte do Brasil. Usando valores de precipitação defasados, SARIMA teve melhor desempenho em 11 dos 13 pontos (com R² variando de 0,704 a 0,817), enquanto RNN superou nos pontos restantes (15,39% dos pontos avaliados).