ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade de Meteorologia 2 Instituto de Física e Matemática Universidade Federal de Pelotas Caixa Postal 4, 960-900 Pelotas/RS Brasil e-mail: afrassoni@yahoo.com.br krebs@ufpel.tche.br ABSTRACT Air temperature is relevant in the climatic analysis and forecasting. In the present work we relate our preliminary experience using neural network to forecast air temperature behavior. In particular we show a neural network able to forecast air temperature with relative success using the SNNS simulator (Stuttgart Neural Network Simulator). 1. INTRODUÇÃO A temperatura do ar é uma das variáveis mais importantes em análises climáticas e previsão do tempo. Variações anormais de temperatura afetam diversos setores, como na agricultura, ocasionando perdas nas lavouras, na pecuária, interferindo no manejo e na produção dos animais e também na saúde do homem. Temperaturas anômalas e variações de temperatura em épocas não normais, em conjunto com outras variações do clima, afetam a saúde humana, aumentando a procura pela rede hospitalar e até gerando um número crescente de óbitos, que, por exemplo, ocorrem pela chamada hipertermia, que é a morte por superaquecimento do corpo devido a temperaturas altas ou por doenças respiratórias, como a pneumonia. O conhecimento antecipado de como a temperatura irá se comportar ao longo do tempo é de grande importância para que possam haver medidas preventivas dos setores atingidos pelas anomalias de temperatura. Atualmente a Meteorologia tem utilizado-se de modelos para a previsão sazonal de temperatura, que são de grande valor como ferramenta de estudo. Este é um trabalho preliminar que tem como objetivo analisar um método numérico de estimativa da temperatura média diária, com base em dados passados, através de redes neurais, para a cidade de Pelotas. As redes neurais artificiais consistem em um método de solucionar problemas de inteligência artificial, construindo um sistema que tenha circuitos que simulem o cérebro humano, seja na aprendizagem como na generalização. Além disso, são técnicas computacionais que apresentam um modelo inspirado na estrutura neural de organismos inteligentes, que adquirem conhecimento através de experiência (figuras 1 e 2). A previsão meteorológica é de fundamental importância em praticamente todas as atividades humanas e a utilização de redes neurais artificiais na previsão de variáveis meteorológicas tem crescido nos últimos anos. 2. DADOS Os dados utilizados neste trabalho foram obtidos da Estação Agroclimatológica de Pelotas, convênio Embrapa/UFPel, localizada a 31 45 de latitude, 52 52 de longitude e altitude de 13 m. Foram utilizados dados de temperatura média diária, pressão atmosférica média diária, umidade relativa média diária e precipitação total diária, do ano de 1991 a 00. O software utilizado foi o Stuttgat Neural Network Simulator (SNNS), versão 4.2, da Universidade de Stuttgart, na Alemanha, em um computador K6-2 de 566MHz e 64MB de memória RAM. 3. METODOLOGIA Utilizou-se uma rede com quatro neurônios de entrada, vinte e oito na camada intermediária e um neurônio de saída. Foram gerados quatro resultados, com a mesma rede, usando parâmetros diferentes e 500 ciclos de treinamento. Foi considerado um erro mínimo de 0,5 graus centígrados e uma taxa de aprendizagem de 0,2. Para melhor visualização dos resultados foi obtido um resultado médio com os quatro resultados da rede. Na camada de 3885
entrada, utilizou-se os dados de temperatura, umidade relativa, pressão atmosférica e precipitação de 1991 a 1999, como dados de treinamento da rede. Foi utilizado um conjunto de dados como validação para evitar overtraining (que a rede decorasse os dados), que corresponde aos dados de janeiro a outubro de 00. Para a análise da previsão, foram comparados os dados de saída da rede com os meses de novembro e dezembro de 00. Para o treinamento das redes utilizou-se o algoritmo Backpropagation com momentum. O algoritmo de aprendizagem do modelo Feedforward com aprendizado Backpropagation consiste de dois momentos perfeitamente distintos: em primeiro lugar, quando um padrão de entrada é apresentado à rede, o fluxo é alimentado para frente, isto é, propagado adiante até a camada de saída. Após, a saída obtida é comparada com a saída desejada e, em caso de erro, isto é, se a saída desejada não corresponde à obtida dentro de uma determinada precisão estabelecida, é feita uma correção nos pesos das conexões sinápticas, ajustando-se os pesos na direção oposta, isto é, da camada de saída até a camada de entrada. Esta operação pode ser repetida quantas vezes forem necessárias, de acordo com a parametrização do modelo. Inicialmente foram gerados 3286 dados de treinamento, devidamente normalizados, para serem apresentados à rede. Posteriormente apresentou-se 5 dados de validação, e a rede respondeu com a previsão para cada valor já observado, ou seja, os meses de novembro e dezembro de 00. Figura 1: A célula neural e o seu modelo matemático. Figura 2: Arquitetura de uma rede multicamadas. 3886
Figura 3 : Rede perceptron gerada pelo simulador SNNS. 4. RESULTADOS Depois das redes serem treinadas e comparadas ao conjunto de validação, foi obtido o conjunto de previsão que gerou os resultados para os valores de temperatura. Ao variarmos os parâmetros, os resultados obtidos foram levemente diferentes e pudemos comparar os resultados para cada conjunto de parâmetros utilizados em cada rodada, mas a variação dos parâmetros não teve grande relevância nos resultados da rede, indicando que esta respondeu bem para os conjuntos de parâmetros utilizados. Para o dia de novembro, por exemplo, obtivemos temperaturas da ordem de,82 C, 32,68 C, 32,69 C, 32,75 C e 32,68 C, para cada iteração, respectivamente, sendo que o observado foi de 32 C. Pelos gráficos, vê-se que o erro mínimo dos quatro resultados não ficou em 0,5 C em todos os dias, como determinado inicialmente. Isso se deve ao fato de que o algoritmo utilizado converge lentamente, necessitando de um número de ciclos maiores. Para isso seria necessário um computador mais veloz que pudesse rodar os resultados mais rapidamente, com um número muito maior de ciclos. Na figura 4 são mostradas as curvas dos quatro resultados, para os dois meses em estudo. Nota-se que as curvas quase se sobrepõem, com uma leve diferença entre elas. Na figura 5 são mostradas as quatro redes e a curva da temperatura média diária em separado, onde se observa o acompanhamento de cada resultado. O comportamento médio da rede comparado com a medida é mostrado nas figuras 6 e 7, para novembro e dezembro, respectivamente. 3887
previsto 1 previsto 2 previsto 3 previsto 4 1 6 11 16 21 26 31 36 41 46 51 56 novembro/dezembro Figura 4: Previsão dos quatro resultados da rede, para novembro e dezembro. 190 170 0 1 1 90 70 50 1 6 11 16 21 26 31 36 41 46 51 56 novembro/dezembro previsão 4 previsão 3 previsão 2 previsão 1 Figura 5: Resultado das redes e a curva. média 1 6 11 16 21 26 novembro 3888
Figura 6: Previsão média e a curva, para novembro. média 1 6 11 16 21 26 dezembro Figura 7: Previsão média e a curva, para dezembro. 5. CONCLUSÃO Os resultados mostram uma boa aproximação das temperaturas previstas com os valores reais. Conclui-se que a utilização de Redes Neurais Artificiais na previsão da variável temperatura média diária é satisfatória. Melhores resultados são esperados com a utilização de um maior arquivo de dados, um aumento no número de ciclos de treinamento e acrescentando-se mais variáveis aos dados de entrada das redes. A comparação das redes utilizadas neste trabalho com redes parcialmente recorrentes será izada em estudos futuros. 6. AGRADECIMENTO Trabalho parcialmente financiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico - CNPq BIBLIOGRAFIA KOVÁCS, Z.L., Redes neurais Artificiais- Fundamentos e Aplicações, Brasil, 1996. RUMELHART, D., HINTON, G., WILLIANS, R., Learning Internal Representations by Error Propagation, in Parallel Distributed Processing Explorations in Microstrures of Cognition, vol. 1: Foundations, pp. 318-362, MIT Press, 1986. MULLER, B., REINHARDT, J., Neural Networks An introduction, Springer Verlag Berlin Heidelberg, 1990. SOARES, A.P., LACERDA, F., MOURA, G.B.A., Estimativa de precipitação pluviométrica mensal através de redes neurais, Preprint (00). ZELL, A., et al., SNNS - Stuttgart Neural Network Simulator, User Manual, Version 4.2, University of Stuttgart. 3889