Previsão de precipitação usando máquinas de vetores de suporte visando sua implementação em sistemas embarcados

Abstract

A previsão e a evolução dos parâmetros climáticos (como radiação solar, índices de precipitações, temperatura atmosférica e da umidade relativa) são informações importantes para a sociedade e suas áreas de aplicação. As novas tecnologias (como estações meteorológicas inteligentes, colheitadeiras, robôs e drones) necessitam de informações atuais e futuras sobre as condições de clima e tempo de sua localidade, para melhorar a eficiência no uso de recursos e permitir o funcionamento sustentável destes dispositivos. Adicionalmente os indicadores de clima e tempo para a região amazônica apresentam baixa acurácia nas previsões com os modelos disponíveis, devido a fatores como a dinâmica tropical da região, instrumentação escassa e dificuldade logística da região-acesso e energia elétrica. Este trabalho apresenta uma proposta de aplicação de algoritmos de Inteligência Artificial (IA), para dispositivos inteligentes com sistemas embarcados, como: drones, robôs e estações meteorológicas, para previsão de classes de chuva (precipitação). Como classificador foi utilizado o algoritmo SVM, combinados com o algoritmos bio-inspirados - MOPSO e MODE. Para validação desta proposta foram utilizados dados reais de uma localidade da região amazônica, a cidade de Belém-PA. Essas técnicas foram propostas recentemente na literatura e apresentaram boa capacidade de previsão de chuva na Europa, China e India. Os resultados qualitativos e quantitativos, deste trabalho, demostraram que o desempenho destes algoritmos foram bons, e mostrou que seu desempenho depende das reais necessidades do problema a ser aplicado. Os modelos apresentaram uma boa eficiência computacional, para aplicações em sistemas embarcados, já que não requerem grandes recursos de hardware e software. Os modelos apresentaram, também, uma boa acurácia, boa precisão e recall eficientes, para as classes de precipitação utilizadas, podendo ser implementado para previsão de curto prazo com baixo custo computacional.