modelo baseado em inteligência artificial para a predição
Propaganda
UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL REI PRÓ-REITORIA DE ENSINO DE GRADUAÇÃO BACHARELADO INTERDISCIPLINAR EM BIOSSISTEMA DAYANE ESTER MORAES DE PAULA Modelo Baseado em Inteligência Artificial para a Predição Mensal de Chuva na Cidade de Sete Lagoas Sete Lagoas - MG 2017 1 UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL REI PRÓ-REITORIA DE ENSINO DE GRADUAÇÃO BACHARELADO INTERDISCIPLINAR EM BIOSSISTEMA DAYANE ESTER MORAES DE PAULA Modelo Baseado em Inteligência Artificial para a Predição Mensal de Chuva na Cidade de Sete Lagoas Trabalho de Conclusão de Curso apresentado ao curso de Bacharelado Interdisciplinar em Biossistema da Universidade Federal de São João Del Rei como requisito parcial para obtenção do título de bacharel em Biossistema Orientador: Dr. Leandro Mendes de Souza. Sete Lagoas - MG 2017 2 Universidade Federal de São João Del-Rei Campus Sete Lagoas - CSL Bacharelado Interdisciplinar em Biossistemas DAYANE ESTER MORAES DE PAULA Trabalho de Conclusão de Curso em Bacharelado Interdisciplinar em Biossistemas intitulado Modelo Baseado em Inteligência Artificial para a Predição Mensal de Chuva na Cidade de Sete Lagoas, aprovada pela banca examinadora constituída pelos seguintes professores: Aprovada em 17/ 02 /2017 ____________________________________________________ Kassílio José Guedes Membro Titular da Banca ____________________________________________________ Weler Walace dos Santos Membro Titular da Banca ___________________________________________________ Leandro Mendes de Souza Orientador Sete Lagoas - MG 2017 3 AGRADECIMENTOS Quero agradecer primeiramente a Deus, pelo dom da vida por me abençoar, iluminar meu caminho e minhas decisões. Obrigada senhor por me permitir chegar ate aqui. A minha família que me fortalece e esta sempre ao meu lado. Meus pais, Elizabete e João Eudes pela confiança, amor, paciência. Aos meus irmãos Eudes Rodolfo e Luís Gustavo, pela amizade e carinho. Ao Herbert pelo carinho e companheirismo e a todos os meus familiares. Aos amigos de longa data. As meninas da Republica, pela vivência, paciência e troca de experiência. As novas amizades construídas, que fizeram essa trajetória se tornarem mais divertida, a todos o meu muito obrigado. Agradeço em especial, ao Prof. Dr. Leandro Mendes de Souza, por sua compreensão e atenção, pelos conhecimentos transferidos e orientação durante esse trabalho. Sete Lagoas - MG 2017 4 RESUMO O presente trabalho apresenta uma revisão bibliográfica relacionada ás Redes Neurais Artificiais (RNAs) e trata também da importância de obter informações relativas à estimativa de chuva na região de Sete Lagoas. Para elaborar tal estimativa, o trabalho utiliza RNAs buscando obter informações a respeito do regime de chuvas da região, utilizando como plataforma o software livre SCILAB versão 5.5.0. Com os dados históricos de precipitação na cidade de Sete Lagoas, obtidos em estação meteorológica da EMBRAPA (Empresa Brasileira de Pesquisa Agropecuária), referentes ao período de 1960 a 2011, foi obtido um modelo baseado em Inteligência Artificial que consegue prever precipitações um mês à frente apresentando erro médio de aproximadamente 65,62 mm mensais. . PALAVRA-CHAVE: Chuva, Predição, Redes Neurais Artificiais. Sete Lagoas – MG 2017 5 SUMÁRIO 1. INTRODUÇÃO........................................................................................................7 2. REVISÃO BIBLIOGRÁFICA....................................................................................9 3.MATERIAL E MÉTODOS.........................................................................................12 4. RESULTADO E DISCUSSÃO..........................................................................................14 5. CONCLUSÃO....................................................................................................................18 6. REFERÊNCIAS BIBLIOGRÁFICAS..............................................................................20 Sete Lagoas - MG 2017 6 1. Introdução A agricultura é uma atividade extremamente dependente do regime de chuvas na região de cultivo. Quando ocorrem períodos longos com ausência de precipitação, surgem consequências como a falta de água para consumo humano e para as criações, sendo essa uma das principais causas da baixa qualidade de vida no meio rural. Causando impactos socioeconômicos principalmente nas regiões áridas e semi-áridas, que correspondem a 13% do território brasileiro (Silva, 1993). O conhecimento de distribuição e das variações da chuva, tanto temporal quanto espacial, é importante para subsidiar estudos hídricos e o seu planejamento, no ciclo hidrológico. A precipitação representa a principal variável de entrada de água nos biossistemas, o que é extremamente importante para estudos estratégicos associados ao planejamento do meio ambiente, geração de energia, manejo da agricultura (Oliveira, 2011). As chuvas naturais durante sua ocorrência têm distribuição irregular tanto temporalmente quanto espacialmente, apresentando consideráveis alterações em termos de intensidade. As precipitações pluviométricas de maior intensidade e com grande frequência podem elevar os riscos, como a ocorrência da erosão do solo, inundações, perdas agrícolas, além de problemas em reservatórios (Oliveira, 2011). A ausência de água em certos períodos pode comprometer seriamente algumas atividades agrícolas. Isso é bastante critico na fase de produção de sementes ou grãos. Um estresse hídrico nessa fase provoca alta esterilidade, reduzindo muito a produção final, Em outras atividades como, por exemplo, a fenação, é de suma importância que não haja chuvas durante o processo. A ocorrência e a amplitude dos veranicos são aleatórias, porém o estudo em geral com mais de 30 anos de dados, permite estabelecer períodos mais prováveis de ocorrência de estiagem, dando maior segurança às atividades agrícolas. (Alcântara, 1999). “As chuvas no Estado de Minas Gerais são oriundas de vários sistemas atmosféricos, como as frentes frias de origem polar, caracterizadas pela ocorrência de chuvas de longa duração e baixa intensidade; as frentes quentes e úmidas, vindas da região amazônica. A precipitação anual no Estado de Minas Gerais varia entre cerca de 650 e 2100 mm, e o pico das chuvas ocorre no mês de Janeiro” (Guimarães, 2009). A cidade de Sete lagoas está situada no centro-oeste do estado de Minas Gerais e possui uma população estimada em 2016 de 234.221 habitantes. A mesma possuía em 2010 uma população de 214.152 habitantes, apresentando crescimento de mais de 20.000 habitantes em 6 anos. A área da unidade territorial em 2015 era de 3.536,644 km² e a densidade demográfica 7 em 2010 de 398,32 (hab/km²) segundo dados do IBGE. A cidade possui um sistema de abastecimento público de água que é de responsabilidade do SAAE (Serviço Autônomo de Água e Esgoto). Para predição da chuva e o uso de modelos matemáticos é uma forma prática e relativamente precisa para determinação do valor a ser aplicado em projetos, sendo útil para localidades desprovidas de informações pluviométricas. Dessa forma, podemos transformar as redes neurais em um modelo matemático, para determinar a predição. As Redes Neurais Artificiais (RNAs) possuem diversas aplicações relacionadas com a ciências da natureza, com as ciências humanas, aplicadas em diferentes áreas como, por exemplo, mercado financeiro, composição musical, psicologia, medicina na área de engenharia de alimentos e no sistema de predição de chuva. “As Redes Neurais Artificiais são sistemas computacionais que procuram reproduzir o modo de raciocínio do cérebro humano, seu modelo matemático baseia-se no conceito de estrutura neural de seres inteligentes que adquirem conhecimento por meio de experiências ”(Minim,2013) Os pesquisadores Mc-Cullock e Pitts (Ebe, 90) realizaram o primeiro trabalho com Redes Neurais Artificiais no ano de 1943. As informações adquiridas desse trabalho foram extremante importantes para as futuras pesquisas e a implantação de sistemas computacionais e a criação modelos matemáticos (Schop,2007) descreve as Redes Neurais afirmando que essas utilizam as adaptações do cérebro humano sendo considerado máquinas para modelar a maneira como um cérebro ira aprender uma função ou tarefa interesse. RNAs são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência, sendo sistemas inspirados nos neurônios biológicos e na estrutura massivamente paralela do cérebro, com capacidade de adquirir, armazenar e utilizar conhecimento experimental (Carvalho, 2006). O esquema de uma rede neural é apresentado na figura 1. Redes Neurais Artificiais são geralmente utilizadas para detectar complexidades que não são percebidas pelos seres humanos, sendo especialmente usadas para encontrar soluções genéricas para os problemas. Dessa forma, o objetivo desse trabalho foi realizar simulações no programa computacional SCILAB, para determinar de chuva. 8 Figura 1– Esquema de uma Rede Neural – Fonte: http://www.cerebromente.org.br 2. Revisão de Literatura Sabe-se que cerca de 70% do planeta Terra é coberto por água porem apenas 2% desse valor corresponde a água doce, desses 2% cerca de 97% encontra-se no subsolo, formando grandes reservatórios, denominados aquíferos ( Helbel, 2011) A água proveniente das chuvas podem sofrer alterações climáticas. Podemos assim entender a importância e a urgência de atitudes que possam prevenir a destruição do meio ambiente. Alguns dos fatores é a poluição do ar, a chuva ácida, o efeito estufa, entre outros. Alguns fatores são naturais como correntes marítimas, efeito estufa, efeitos climáticos e outros causados pelo homem, como poluição do ar, chuva acida entre outros (Petrin, 2014). Os agrotóxicos são geralmente usados na agricultura em busca de resultados mais rápidos e expressivos e para sanar as pragas das lavouras. Esses agrotóxicos usados nas lavouras ficam no solo e com as chuvas são levados aos lençóis freáticos prejudicando a qualidade das águas e consequentemente dos seres vivos que dela dependem, podendo contaminar também animais que serão consumidos (Silva, 1993). Muitas vezes, a água desses lençóis freáticos contaminados é usada na agricultura, contaminando as lavouras, água que é também usado no consumo humano. Serão utilizadas Redes Neurais Artificiais para tentar prever o comportamento das chuvas na região de Sete 9 Lagoas. Tais redes fundamentam-se na estrutura de transmissão do impulso nervoso do neurônio (Feneda,2006). O neurônio é uma célula do cerebro humano composto pelo corpo, dendritos e axônio, cuja principal função é colecionar, processar e disseminar sinais elétricos (Feneda 2006). Os estímulos recebidos em um determinado período de tempo são captados pelos dendritos e em seguida, são levados ao corpo do neurônio, sendo assim processados. Quando tais estímulos atingem um determinado limite, o corpo da célula envia novo impulso que se propaga pelo axônio e é transmitido às células vizinhas por meio de sinapses. Este processo pode se repetir em várias camadas de neurônios. As Redes Neurais Artificiais (RNA) possuem componentes físicos essenciais para a sua formação, que são as conexões e elementos de processamento e não físicos padrões que são dados de entrada da rede e funções que são modelos matemáticos utilizados no treinamento e reconhecimentos de padrões (Cardon, 1994). Na figura 2 está presente o esquema de uma rede neural. Figura 2: Esquema de um neurônio artificial. Fonte: Edberto Ferneda (2006). Na figura 2, “n” representa a quantidade de conexões de entrada, ligado por meio de pesos “pi”a um somatório que, por sua vez, é conectado à função de ativação. Tal função tem objetivo de definir se o impulso será ou não transmitido para os neurônios subsequentes. As redes neurais artificiais na maioria das vezes, se diferenciam pela sua arquitetura e pesos associados às conexões. A arquitetura das redes neurais restringe o tipo de problema no qual a rede poderá ser utilizada (Ferneda, 2006). 10 Assim, de forma resumida, “Redes neurais é o nome dado a um conjunto de métodos matemáticos e algoritmos computacionais especialmente projetados para simular o processamento de informações e aquisição de conhecimento do cérebro humano”, segundo (Cerqueira, et all,2001). Segundo (Minim, 2013), as RNAs tem arquitetura de um parâmetro decisivo na sua concepção, restringindo o tipo de problema que pode ser estudado. Sendo dividido pelo número de camadas que pode haver e em relação às conexões. “Independentemente do algoritmo usado para treinar RNAs, a atenção voltada para a inicialização e ajuste de pesos é fundamental para a convergência, problemas que geralmente acontece em padrões de treinamento. Algoritmos de aprendizagem são utilizados para ajustar os valores de peso, backpropagation (BP) é o mais popular, com base no método gradiente descendente, é eficiente para treinar RNAs. No entanto, este algoritmo é sensível a mínimos locais e requer ajustes no coeficiente de aprendizagem” (Tissot, et all). Segundo (Tissot, et all), o método backpropagation foi proposto em 1986 por Rumelhart, Hinton e Willian, sendo um procedimento de aprendizagem para redes feedforward de múltiplas camadas. Basicamente, o procedimento de aprendizagem utiliza vetores que mapeiam um conjunto de entradas para um conjunto de saídas. O aprendizado é realizado por ajuste iterativo dos pesos da rede, buscando minimizar as diferenças entre a saída atual e a saída desejada. Redes de camada única são aquelas que têm um nó entre qualquer entrada e qualquer saída da rede. Nas redes de múltiplas camadas existe mais de um neurônio entre alguma entrada e alguma saída da rede. Para programar os algoritmos que utilizam RNAs para gerar os resultados desse trabalho foi utilizado o software SCILAB. “O SCILAB é um software para computação científica e visualização, gratuito, com códigos fontes aberto e interface para linguagem, permitindo a solução de problemas numéricos” (Filho, 2010, apud, Minas gerais, 2015). Segundo (Filho, 2010), o programa computacional SCILAB possui algoritmos baseados em representações e estruturas específicas de dados, podendo ser a forma de vetores, polinômios e matrizes. Sendo executados através de expressões aritméticas e esboçados através de gráficos, bidimensional ou tridimensional. Foi desenvolvido um algoritmo para a solucionar de problemas numéricos utilizando o SCILAB que é um programa gratuito sendo disponível na internet. 11 3. Material e Métodos Os estudos foram realizados sobre a base de dados fornecidos pela EMBRAPA - Milho e Sorgo, com informações de precipitação na cidade de Sete Lagoas, entre os períodos 1960 a 2011, considerando todos os anos, meses e dias. Na cidade de Sete Lagoas, a EMBRAPA possui estações meteorológicas para extrair dados climáticos. Tais dados foram utilizados nesse trabalho como padrões de entrada/saída da RNA. Com os dados da precipitação de todos os anos do intervalo supracitado e com o auxilio do algoritmo criado no software SCILAB, separou-se a precipitação em grupos de trinta (30) dias, para representação de cada mês existente na série temporal. A precipitação mensal, representada na figura 3, foi obtida a partir do somatório dos valores de precipitação dos 30 dias do mês. Esse procedimento foi realizado porque o objetivo do trabalho é obter valores mensais de precipitação e não diários, uma vez que realizar a predição diária exige um maior número de informações. Figura 3: Precipitação por mês. Fonte: Dayane Ester (2016) Em seguida, foi criado um algoritmo que transformasse o vetor de dados mensais de precipitação em uma matriz que em seguida se tornaria vetores de a entrada das RNAs e outro vetor deslocado temporalmente, que se tornaria a saída da RNA. No processo de aprendizagem da RNA, cada coluna da matriz de entrada corresponderia a um elemento do vetor de saída podendo ser representado pela figura 4. 12 Figura 4: Esquema de vetores e matrizes , Fonte Dayane Ester (2017) Dessa forma, foi criado um conjunto de padrões de dados de chuva. Esses padrões foram utilizados para realizar diversos treinamentos com objetivo de testar empiricamente as topologias da RNA que seriam mais adequadas para o problema. Para isso, também foi necessário construir um algoritmo que constitui uma RNA. Tal algoritmo foi estabelecido de forma flexível, permitindo que o número de entradas e de neurônios da camada escondida pudessem ser alterados, permitindo assim o teste de diversas topologias de Redes Neurais Artificiais. Entende-se por topologia, a constituição da RNA, ou seja, seu número de entradas, de neurônios na camada escondida e número de saídas. Com o algoritmo construído para a determinação da precipitação, foi montada uma tabela na qual se alterava a quantidade de neurônios da camada escondida e número de estradas da rede neural. Foram utilizados quinhentas épocas de treinamento (quantidade de iterações pelas quais o algoritmo apresenta todos os padrões à RNA e ajusta os pesos para cada padrão) para obter os dados. A taxa de aprendizagem utilizada na RNA foi de 0,0000001. Essa taxa corresponde os fatores que pondera o tamanho do passo dado pelo método do gradiente descente, utilizado para ajustar os pesos. Na tabela 1 estão presentes os valores do erro acumulado para tais variações, ou seja, para diversas topologias de Redes Neurais Artificiais. 13 Tabela 1: Valores de erros acumulados para cada topologia de RNA testada Neurônio 3 5 7 9 11 13 15 17 2 1.0x106 1.1 x106 2.9 x106 1.5 x106 1.2 x106 7456187.4 5.8 x106 2.9 x106 3 1.1 x106 1.5 x106 7.382x108 4.2 x106 2.6 x106 9.2 x106 1.4 x106 1.5 x106 4 7.2. x105 1.0 x106 1.3 x106 1.1 x106 1.7 x106 2.2 x106 1.3 x106 1.9 x106 5 2.2 x106 3.0 x106 2.2 x106 2.6 x106 1.13x108 8.3 x106 5.2 x106 2.0 x106 6 1.5 x106 1.2 x106 1.2 x106 1.1 x106 2.2 x106 1.5 x106 9.6 x106 ____ 7 1.5 x106 2.1 x106 1.2 x106 3.23x108 1.1 x106 1.8 x106 4.3 x106 Entrada Sendo assim, o melhor resultado foi aquele com o número de entrada da rede igual a quatro e com o número de neurônios da camada escondida igual a três, pois essa é a estrutura de RNA que possui um menor erro encontrado na tabela 1. Vale ressaltar que a topologia com 7 entradas e 11 neurônios na camada escondida e a topologia com 6 entradas e 17 neurônios na camada escondida não forneceram valores de erro porque tais estruturas não convergiram para um mínimo durante o treinamento, apresentado erro que tende a infinito. 4. Resultado e Discussão Observamos através da tabela 1 que algumas combinações de “entrada/quantidade de neurônios” não tiveram resultado. Isso se da devido à falta de convergência do método Gradiente Descendente para um ponto de mínimo, assim a sua tendência é atingir o infinito, não sendo gerada nenhuma saída. Os melhores resultados foram obtidos com redes neurais que possuem quatro entradas, sendo que cada entrada possui um mês a menos do valor de precipitação, totalizando quatro meses de atraso, com os valores dos meses anteriores a rede neural fornece o valor de precipitação de chuva no mês futuro. Por exemplo, se forem utilizados os valores de precipitação de janeiro, fevereiro, março e abril, na entrada da RNA, em sua saída teremos o valor de precipitação para o mês de maio, conforme a figura 4. Dessa forma, é obtido o modelo para a precipitação utilizado de uma rede neural artificial, ou seja, para a determinação da predição futura, usaram-se os valores dos meses anteriores (somatório de 30 dias), para cada quatro valores de entrada, teremos uma saída , conseguindo 14 então determinar o valor da predição no mês futuro, assim sucessivamente para todo o conjunto de dados. Tal metodologia pode ser explicada pelo esquema da figura 5. Figura 5: Esquema de funcionamento da RNA. Fonte: Dayane Ester ( 2017) Com os valores de número da camada escondida igual a três e número de entradas da rede igual a quatro, mantendo o número máximo de épocas (kmax) igual a 500, e alfa (taxa de aprendizagem) igual a 0.000001 foram gerados gráficos de comparação e de erro acumulado. O erro médio é dado pela média da diferença entre os valores calculados e reais. Sendo calculado equação 1. eq.1 Na equação temos: EM: Erro médio; Sc: Saída Calculada; Sd:Saída desejada; n: Número de padrões. Os dados de precipitação acumulada foram divididos em dois conjuntos, sendo o primeiro conjunto usado para o treinamento que consiste no ajuste dos pesos das redes neurais. No processo de treinamento são apresentados à RNA o conjunto de padrões para ajustar os pesos. O processo de ajuste é iterativo e cada coluna da matriz de entrada corresponde a um elemento do vetor de saída. O passo a passo do treinamento é apresentado a seguir: 1. Apresentar um padrão (coluna da matriz de entrada) à RNA; 2. Calcular a saída da RNA para esse padrão de entrada; 15 3. Comparar o valor de saída calculado pela RNA, com o valor real (elemento do vetor de saída); 4. Fazer a retropropagação do erro, ajustando os pesos da RNA por meio do método do gradiente descendente (Backpropagation); 5. Realizar os passos de 1 a 4 para cada um dos padrões; 6. Repetir os passos de 1 a 5 até completar o número máximo de épocas de treinamento; O segundo conjunto de dados foi utilizado para fazer a validação do modelo obtido. No processo de validação são apresentados os valores de entrada para a RNA e as saídas da RNA são calculadas. Para verificar se o treinamento foi eficiente ou não, os valores calculados na validação são comparados com os valores reais. Sendo assim, caso o modelo ajuste adequadamente a rede para os dados de validação sendo treinado com o conjunto de treinamento, tal modelo é considerado valido. A figura 6 apresenta o ajuste do modelo aos dados de treinamento e a figura 7 apresenta o ajuste do modelo aos dados de validação. Cujo valor obtido para o conjunto de validação é de 65,62 mm de chuva por mês. Vale ressaltar que nenhuma informação a respeito dos dados de validação é apresentada à RNA durante o processo de treinamento, pois são conjuntos distintos. Figura 6: Comparação entre precipitação real e calculada no treinamento. Fonte: Dayane Ester (2016) 16 Figura 7: Resultado de predição de chuva para dados de validação. Fonte: Dayane Ester (2016) No algoritmo desenvolvido para realizar a predição, foi também inserida a equação1 para cálculo do erro médio do sistema. Para o teste no qual foi obtida a figura 6, o valor do erro médio foi de 65,62mm de chuva por mês. Tais erros ocorrem no período de maior intensidade de chuvas. No caso de Sete Lagoas de outubro a março. A média de chuvas nesses meses é de aproximadamente 198,67 mm, conforme dados de Climate-Data. Considerando o valor do erro médio mensal em torno de 65,62mm, temos uma precisão do modelo em torno de 33,02%. Esse valor pode ser considerado razoável para um modelo construído apenas com dados históricos de chuva, sem considerar outros fatores. Existem modelos estatísticos, como os avaliados em (Mello e Silva, 2008), que apresentam valores de erros superiores a 30% no período chuvoso, mesmo utilizando outras variáveis para auxiliar na predição. Para realizar a predição de chuva no longo prazo, pode-se utilizar uma metodologia na qual os valores dos quatro meses conhecidos foram inseridos no modelo para determinar o valor do mês futuro (quinto mês) cujos valores de precipitação não eram conhecidos. Esse quinto mês torna-se parte dos padrões de entrada e auxilia na predição do sexto mês (também inicialmente sem valores de precipitação conhecidos). E assim sucessivamente, por um longo período, até que a rede desse um valor de erro muito grande que será desconsiderado. A figura 17 8 apresenta o esquema de predição para longo prazo. Nesse caso, ocorre a realimentação do modelo com dados obtidos na saída do próprio modelo. Figura 8 – Metodologia de realimentação. Fonte: Dayane Ester (2016) 5. Conclusão Foi verificado que fatores climáticos podem alterar a taxa de precipitação. Tais alterações dependem de diversos fatores, tais como, umidade, pressão, frentes frias, etc. Isso dificulta a realização da predição de chuvas, pois aumenta o número de variáveis a serem consideradas. O desafio desse trabalho foi realizar a predição utilizada somente os valores passados de chuva na cidade de Sete Lagoas. A metodologia de predição foi baseada em utilizar valores passados de precipitação mensal para se determinar valores futuros. Com essa metodologia, foi encontrado um erro médio para a série histórica de chuvas mensais, com predição de um mês a frente igual a 65,62mm. A vantagem dessa metodologia consiste em utilizar apenas informações referentes a valores históricos de precipitação. Por outro lado, a predição poderia ser mais precisa se considerasse também series históricas de umidade, velocidade de ventos, temperaturas, dentre outros fatores que possam influenciar o regime de chuvas. Porém, a obtenção de séries históricas desses outros dados nem sempre está disponível, sendo mais comum a disponibilização de séries temporais de chuva. 18 As redes neurais mostraram-se capazes de aprender a respeito do comportamento dinâmico das precipitações na região, fornecendo indicações a respeito da intensidade das chuvas. Sua grande vantagem consiste em sua habilidade de aprender automaticamente apenas com uso de padrões de entrada e saída gerados com dados da série histórica, sem ser necessário que o usuário compreenda as equações que regem o sistema como um todo. 19 6. Referência Bibliográfica ALCÂNTRA, P. B.; OLIVEIRA. A. A. D. Predição em dias sem chuva na época chuvosa para quatro regiões do estado de São Paulo. B. Ind˙str.anim., N. Odessa,v.56, n.1, p.35-46,1999 CARDON, A.; MULLER. D. N. Introdução às redes neurais, Universidade Federal do Rio Grande do Sul Instituto de Informática Curso de Pós-Graduação em Ciência da Computação, Porto Alegre, novembro de 1994. CARVALHO. C. Redes Neurais Artificiais, Inteligência Artificial. Instituto de informática UFG, 2006. CERQUEIRA. E. O. Redes neurais e suas aplicações em calibração multivariada. Campinas. Quim. Nova, Vol. 24, n. 6, p.864-873, 2001. FERNEDA, E. Redes Neurais e suas Aplicações em Sistemas de Recuperação de Informação, Brasília, v.35, n.1.p.25-30, jan./abr.2006. FILHO. F. F. C. Fundamentos de Scilab, Belo Horizonte, UFMG, Departamento de Ciências da Computação do ICEx, Ago.2010. GUIMARÃES. D.P.; et all. Áreas Homogêneas de Precipitação no Estado de Minas Gerais. Embrapa Milho e Sorgo, Sete lagoas, 2009. HELBEL. A. F. Naálise da qualidade das águas subterrâneas no perímetro urbano de JI-Paraná / RO- Brasil. Paraná. Trabalho de conclusão de curso, 2011. MINIM, V. P. R. Análise Sensorial Estudos com Consumidores, 3ª edição, revista e ampliada, Universidade Federal de Viçosa, 2013. 20 PETRIN. N. Fatores que alteram o clima. Disponivel em < http://www.estudopratico.com.br/fatores-que-alteram-o-clima/ >. Acesso em 22. Jan. 2017 SCHOPE, E. C. Método Neuro-estatístico para a predição de Series Temporais Ruidosa. Porto Alegre, Julho de 2007. SILVA. E.B. A Contaminação dos lençóis freáticos provenientes do uso de agrotóxicos. Disponível em < www.site.ajes.edu.br/jornada/arquivos/20140711200049.pdf >. Acesso em 22. Jan. 2017. SILVA. F.B.R.; RICHÉ. G.R.; Et all de. Zoneamento agroecológico do nordeste: diagnóstico do quadro natural e agrossócioeconomico. Petrolina, PE: EMBRAPA – CPATSA, Recife, PE: CNPS, Coordenadoria Regional Nordeste, 1993. V. 1. TISSOT. H. C.; CAMARGO. L. C. P.; AURORA T. R. Treinamento de Redes Neurais Feedforward: comparativo dos algoritmos Backpropagation e Differential Evolution. Departamento de Informática – Universidade Federal do Paraná (UFPR) Jardim das Américas – Curitiba – PR – Brasil Climate-data.org, disponível em https://pt.climate-data.org/location/2891/, acessado em 14 de fevereiro de 2017 às 17:20. Mello, C. R.; Silva, A. M.; “Modelagem estatística da precipitação mensal e anual e no período seco para o estado de Minas Gerais”, Revista Brasileira de Engenharia Agrícola e Ambiental, Vol. 3, n.1, pp. 68 a 74, Campina Grande - PB, 2008. 21
