USO DE TÉCNICAS DE MUDANÇA DE PERIODICIDADE DE SÉRIES TEMPORAIS PARA A PREVISÃO DA TEMPERATURA DE SUPERFÍCIE DO MAR DO OCEANO ATLÂNTICO

Abstract

Extreme environmental events such as droughts affect billions of people around all the world. Although it is not possible to prevent this type of event happens, its prediction enables mitigate some of the damage resulting from its occurrence. One important variable for identifying occurrences of droughts is the sea surface temperature (SST). In the Tropical Atlantic Ocean, the SST data are collected and provided by the Pilot Research Moored Array in the Tropical Atlantic (PIRATA) Project, which is an observation network composed of buoys arranged in this region. This study aims compares the prediction of SST using two different prediction techniques: ARIMA models and neural networks. Furthermore, SST data are used in three different frequencies of time, ie, daily, weekly and monthly, in order to evaluate the impact of data transformation in forecasting SST horizons. The computational experiments showed positive results and suggest that the use of low-frequency series brings an improvement of 71% in the long-term forecast.

Eventos ambientais extremos como as secas afetam a vida de bilhões de pessoas em todo o mundo. Embora não se possa impedir que este tipo de evento aconteça, a sua previsão possibilita mitigar parte do dano resultante de sua ocorrência. Uma das variáveis importantes para identificação de ocorrências de secas é a temperatura de superfície do mar (TSM). No Oceano Atlântico Tropical, os dados de TSM são coletados e providos pelo projeto Pilot Research Moored Array in the Tropical Atlantic (PIRATA), que é uma rede de observação composta por boias dispostas nesta região. Este trabalho compara a previsão de TSM utilizando duas técnicas de previsão diferentes: os modelos ARIMA e as redes neurais. Além disso, são utilizados dados de TSM em três frequências distintas, isto é, diária, semanal e mensal, a fim de avaliar os impactos da transformação de dados nos horizontes de previsão de TSM. Os experimentos computacionais apresentaram resultados positivos e apontam que a utilização da série em baixa frequência traz uma melhora de 71% na previsão de longo prazo.