Preenchimento de Falhas em Dados Espaciais Binários de Precipitação Utilizando Máquinas de Vetor de Suporte (Support Vector Machines)

Falhas em dados observacionais é um problema frequente em estatística, aparecendo na análise de dados de diversas áreas do conhecimento e exigindo muitas vezes modelos complexos para preenchimento dessas falhas. No campo de hidro-climatologia, é comum observar falhas (ausências) em dados históricos de precipitação obtidos de estações pluviométricas. Com a crescente demanda pela água e sinais de esgotamento global desse recurso, torna-se necessário o preenchimento dessas falhas para um melhor entendimento dos padrões espaço-temporais de oferta hídrica e para que se possa prever com melhor confiabilidade e menor incerteza o comportamento futuro desse recurso natural. Dessa forma, é apresentado neste trabalho um modelo estatístico baseado em máquinas de vetor de suporte (SVM) para o preenchimento de falhas em dados de chuva diária de diversas estações pluviométricas. Os dados utilizados são binários, sendo que 0 representa um dia sem chuva ou estado seco, e 1 representa um dia chuvoso, ou estado úmido. A título de comparação, utilizou-se também o método dos vizinhos (knn) e regressão logística para o problema analisado. Os modelos foram testados a partir dos dados de chuva diária de 504 estações pluviométricas localizadas no Nordeste Brasileiro, que é uma região caracterizada por um complexo padrão espaço-temporal de chuva. As taxas de acerto obtidas a partir de validação cruzada mostram uma melhor performance do método SVM para preenchimento de falhas em dados binários de chuva. Assim, identificam-se novos caminhos para a disseminação e uso de técnicas inovadoras como SVM na análise de dados hidro-climatológicos.