Variabilidade espaço-temporal de variáveis climáticas na mesorregião sul do Amazonas

Martins, Paulo André da Silva; Querino, Carlos Alexandre Santos; Moura, Marcos Antônio Lima; Querino, Juliane Kayse Albuquerque da Silva; Moura, Aryanne Resende de Melo

doi:10.6008/cbpc2179-6858.2019.002.0015

Cited by 4 publications

(4 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…As an example, Martins et al (2019) explain in their study that the relative humidity reaches higher percentages at night. Thus, on scales larger than the hourly, such as the monthly scale, these values are reduced because they are measured as the average of the period.…”

Section: Model Performance Analysis Using "C1" and "C2" Input Data Combinations In Trainingmentioning

confidence: 92%

Rainfall Prediction by Artificial Neural Networks Trained using Different Climate Variables

Silva

Merlo

Thebaldi

et al. 2021

Preprint

View full text Add to dashboard Cite

Predicting rainfall can prevent and mitigate damages caused by its deficit or excess, besides providing necessary tools for adequate planning for the use of water. This research aimed to predict the monthly rainfall, one month in advance, in four municipalities in the metropolitan region of Belo Horizonte, using artificial neural networks (ANN) trained with different climate variables, and to indicate the suitability of such variables as inputs to these models. The models were developed through the MATLAB® software version R2011a, using the NNTOOL toolbox. The ANN’s were trained by the multilayer perceptron architecture and the Feedforward and Back propagation algorithm, using two combinations of input data were used, with 2 and 6 variables, and one combination of input data with 3 of the 6 variables most correlated to observed rainfall from 1970 to 1999, to predict the rainfall from 2000 to 2009. The most correlated variables to the rainfall of the following month are the sequential number corresponding to the month, total rainfall and average compensated temperature, and the best performance was obtained with these variables. Furthermore, it was concluded that the performance of the models was satisfactory; however, they presented limitations for predicting months with high rainfall.

show abstract

Section: Model Performance Analysis Using "C1" and "C2" Input Data Combinations In Trainingmentioning

confidence: 92%

Rainfall Prediction by Artificial Neural Networks Trained using Different Climate Variables

Silva

Merlo

Thebaldi

et al. 2021

Preprint

View full text Add to dashboard Cite

show abstract

“…As an example, Martins et al (2019) explained that the relative humidity reached higher percentages at night. Thus, on scales larger than the hourly scale, such as the monthly scale, these values were reduced because they were measured as the average of the period.…”

Section: Model Performance Using "C1" and "C2" Input Data Combination...mentioning

confidence: 99%

Climate-related variables may not improve monthly scale rainfall predictions by artificial neural networks for the metropolitan region of Belo Horizonte, Brazil

et al. 2023

View full text Add to dashboard Cite

Artificial neural networks (ANNs) may experience problems due to insufficient or uninformative predictors, and these problems are common for complex predictions such as those for rainfall. However, some studies point to the use of climate variables and anomalies as predictors to make the forecast more accurate. This research aimed to predict the monthly rainfall, one month in advance, in four municipalities of the metropolitan region of Belo Horizonte using an ANN trained with different climate variables; additionally, it aimed to indicate the suitability of such variables as inputs to these models. The models were developed using the MATLAB® software Version R2011a using the NNTOOL toolbox. The ANNs were trained by the multilayer perceptron architecture and the feedforward and backpropagation algorithm using two combinations of input data, with two and six variables, and one combination of input data with the three most correlated variables to observed rainfall from 1970 to 1999 to predict the rainfall from 2000 to 2009. The climate variable most correlated with the rainfall of the following month was the average compensated temperature. Even when using the variables most correlated with precipitation as predictors (0.66 ≤ nt index ≤ 1.26), there was no notable improvement in the predictive capacity of the models when compared to those that did not use climate variables as predictors (0.55 ≤ nt index ≤ 0.80). Keywords: artificial intelligence, ENSO, hydrological modelling.

show abstract

“…Para o período seco, essas diferenças são mais acentuadas: 9,32% (Tipo 1), 3.7% (Tipo 2), 7% (Tipo 3) e 10.47% (Tipo 4) (Figura 5 e-h). A evapotranspiração possui grande relevância na contribuição da precipitação total sobre uma região, por meio da reciclagem de precipitação, podendo ser entendida como uma ferramenta de realimentação entre o sistema Terra-Atmosfera, em que a água evaporada em determinada região, cairá novamente como precipitação nessa mesma região (MARTINS et al, 2019;NÓBREGA et al, 2005).…”

Section: Variabilidade Horária Da Umidade Relativa Do Ar Para Os Perí...unclassified

Avaliação dos efeitos da arborização nas variáveis de temperatura e umidade relativa do ar na cidade de Manicoré, Amazonas, Brasil

Oliveira

Querino

Alves

et al. 2023

RBClima

Self Cite

View full text Add to dashboard Cite

A expansão da área urbana de Manicoré-AM, devido o aumento populacional, tem impulsionado o desmatamento na região. Com isso, a redução constante de corpos arbóreos implica em alterações meteorológicas significativas, tais como o aumento da temperatura e a diminuição da umidade. Logo, o objetivo deste estudo foi avaliar os efeitos da arborização no comportamento da temperatura do ar e umidade relativa do ar em ambiente interno de diferentes tipos de casas na cidade de Manicoré-AM. Os dados foram coletados em Dezembro/2021, Janeiro/2022 (período chuvoso), Junho e Julho/2022 (período seco) por oito termo-higrômetros. Estes operaram mensalmente, fazendo leituras das variáveis a cada 10 minutos. A dinâmica das médias horárias da temperatura e umidade relativa do ar para os períodos chuvoso e seco, foram exibidas em gráficos de linha. Além disso, foi empregado o teste não paramétrico de Mann-Whitney (α = 0,05) para comparar a distribuição de cada variável em função das áreas arbórea e não-arbórea para cada período hidrológico. Com isso, verificou-se que, durante o período chuvoso, a temperatura no interior da casa de madeira não se difere entre as áreas. Já a umidade não se difere apenas para a casa de laje. No período seco, a casa de madeira também não apresentou diferença estatisticamente significativa na temperatura em termos das áreas. Já com relação à umidade, todas as casas apresentaram diferenças. De modo geral, nas áreas arbóreas, a mediana da temperatura, para cada tipo de casa, é sempre menor que a das áreas não-arbóreas e a umidade do ar se revela sempre maior. Assim, áreas arborizadas podem promover um ambiente mais adequado para o ser humano, pois favorecem temperaturas menos elevadas e maiores níveis de umidade, quando comparadas com áreas desprovidas de corpos arbóreos.

show abstract

Variabilidade espaço-temporal de variáveis climáticas na mesorregião sul do Amazonas

Cited by 4 publications

References 7 publications

Rainfall Prediction by Artificial Neural Networks Trained using Different Climate Variables

Rainfall Prediction by Artificial Neural Networks Trained using Different Climate Variables

Climate-related variables may not improve monthly scale rainfall predictions by artificial neural networks for the metropolitan region of Belo Horizonte, Brazil

Avaliação dos efeitos da arborização nas variáveis de temperatura e umidade relativa do ar na cidade de Manicoré, Amazonas, Brasil

Contact Info

Product

Resources

About