Publicação
Desenvolvimento de modelos de previsão de variáveis climáticas
| Resumo: | Num mundo onde as mudanças climáticas e os crescentes conflitos sociais são uma realidade, é essencial uma gestão adequada dos recursos naturais escassos. A análise de séries temporais de dados meteorológicos tem assumido um interesse crescente em muitas áreas, em particular no problema da irrigação. Este estudo realizado no contexto do projeto “TO CHAIR - Os Desafios Óptimos na Irrigação”, financiado pelo Fundo Europeu de Desenvolvimento Regional (FEDER), do Programa Operacional Competitividade e Internacionalização (POCI) e pela Fundação para a Ciência e a Tecnologia (FCT), tem como principal objetivo identificar os modelos de previsão mais adequados para modelar séries meteorológicas que têm impacto no processo de evapotranspiração e da humidade no solo, por forma a planear de forma mais eficiente o uso da água nos sistemas de irrigação. Para isso, é necessário estimar e prever variáveis meteorológicas (velocidade média do vento, temperatura mínima e máxima do ar e precipitação) em tempo real (diário) para uma determinada localização, sendo, neste caso, numa quinta em Carrazeda de Ansiães, situada no distrito de Bragança, no Norte de Portugal. Os dados em estudo são registos diários observados no período de 1 de janeiro de 2010 até ao dia 23 de abril de 2019. Assim, neste estudo, apresenta-se uma comparação de dois métodos de previsão, os modelos TBATS (transformação Box-Cox, erros ARMA, tendência e componentes sazonais trigonométricas) e os modelos de regressão linear com erros correlacionados. Estes modelos foram selecionados devido à sua capacidade para modelar flutuações sazonais fortemente presentes nos dados meteorológicos, em particular, em lidar com séries temporais com padrões sazonais complexos. |
|---|---|
| Autores principais: | Costa, Cláudia Maria Ferreira |
| Assunto: | Irrigação Séries temporais Variáveis meteorológicas Previsão TBATS Regressão com erros correlacionados Irrigation Time series Meteorological variables Forecasting Regression with correlated errors |
| Ano: | 2019 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | português |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | Num mundo onde as mudanças climáticas e os crescentes conflitos sociais são uma realidade, é essencial uma gestão adequada dos recursos naturais escassos. A análise de séries temporais de dados meteorológicos tem assumido um interesse crescente em muitas áreas, em particular no problema da irrigação. Este estudo realizado no contexto do projeto “TO CHAIR - Os Desafios Óptimos na Irrigação”, financiado pelo Fundo Europeu de Desenvolvimento Regional (FEDER), do Programa Operacional Competitividade e Internacionalização (POCI) e pela Fundação para a Ciência e a Tecnologia (FCT), tem como principal objetivo identificar os modelos de previsão mais adequados para modelar séries meteorológicas que têm impacto no processo de evapotranspiração e da humidade no solo, por forma a planear de forma mais eficiente o uso da água nos sistemas de irrigação. Para isso, é necessário estimar e prever variáveis meteorológicas (velocidade média do vento, temperatura mínima e máxima do ar e precipitação) em tempo real (diário) para uma determinada localização, sendo, neste caso, numa quinta em Carrazeda de Ansiães, situada no distrito de Bragança, no Norte de Portugal. Os dados em estudo são registos diários observados no período de 1 de janeiro de 2010 até ao dia 23 de abril de 2019. Assim, neste estudo, apresenta-se uma comparação de dois métodos de previsão, os modelos TBATS (transformação Box-Cox, erros ARMA, tendência e componentes sazonais trigonométricas) e os modelos de regressão linear com erros correlacionados. Estes modelos foram selecionados devido à sua capacidade para modelar flutuações sazonais fortemente presentes nos dados meteorológicos, em particular, em lidar com séries temporais com padrões sazonais complexos. |
|---|