Mineração de dados de padrões climáticos sazonais usando a lógica paraconsistente

• Main Author: Valdemir Silva Souza
• Other Authors: José Demísio Simões da Silva
• Language: Portuguese
• Published: Instituto Nacional de Pesquisas Espaciais 2009
• Online Access: http://urlib.net/sid.inpe.br/mtc-m18@80/2009/04.30.22.30

Esta dissertação apresenta uma técnica não-paramétrica que utiliza a Lógica Paraconsistente na Mineração de Dados Meteorológicos de reanálise dos históricos de informações de cinco regiões da América do Sul, de um período de 21 anos dos ciclos sazonais ocorridos entre os anos de 1980-2000. Esses dados são as entradas de uma Rede Neural Artificial baseada na Lógica Paraconsistente, que tem como objetivo gerar um conjunto reduzido de dados para ser submetido a uma Rede de Funções de Base Radial na elaboração de um modelo de previsão sazonal de clima. O processamento da rede neural paraconsistente contribui na identificação de padrões, por ciclos sazonais nos dados históricos do período 1980-1997. Para a validação da técnica de redução desenvolvida, o modelo de previsão obtido foi submetido aos dados extraídos do período de 1998-2000, para as mesmas áreas geográficas. Os resultados da previsão com modelo estabelecido apresentaram erros inferiores que as previsões obtidas pelo modelo proposto no trabalho de Pessoa (2004) que utilizou a Teoria dos Conjuntos Aproximativos sobre os mesmos dados para diminuir a complexidade dos dados e compor um modelo de previsão baseado em uma rede neural do tipo Perceptron de Múltiplas Camadas. === This work presents a non-parametric technique that uses the paraconsistent logic to develop a data mining based approach to analyze reanalysis meteorological data of five areas of South America composed of seasonal cycles, of 21 years from 1998 to 2000. The available data was used as inputs for a paraconsistent neural network to generate a reduced set to be submitted to a Radial Basis Function (RBF) network to derive a seasonal forecasting model. The paraconsistent neural network performs the identification of patterns of seasonal cycles from data extracted from 1980 to 1997. The remainder of the data (from 1998 to 2000) is used to validate the proposed RBF based forecasting method for the same geographical areas. The results produced by the proposed forecasting method were more accurate than the ones obtained in the work of Pessoa (2004) that used the Rough Sets Theory to reduce the embedded complexity of the same data set in order to construct a Multilayer Perceptron (MLP) neural network based forecasting model for seasonal cycles.