Application of Artificial Neural Networks (ANNs) in the Gap Filling of Meteorological Time Series

Abstract This study estimates and fills real flaws in a series of meteorological data belonging to four regions of the state of Rio de Janeiro. For this, an Artificial Neural Network (ANN) of Multilayer Perceptron (MLP) was applied. In order to evaluate its adequacy, the monthly variables of maximum air temperature and relative humidity of the period between 05/31/2002 and 12/31/2014 were estimated and compared with the results obtained by Multiple Linear Regression (MLR) and Regions Average (RA), and still faced with the recorded data. To analyze the estimated values and define the best model for filling, statistical techniques were applied such as correlation coefficient (r), Mean Percentage Error (MPE) and others. The results showed a high relation with the recorded data, presenting indexes between 0.94 to 0.98 of (r) for maximum air temperature and between 2.32% to 1.05% of (MPE), maintaining the precision between 97% A 99%. For the relative air humidity, the index (r) with MLP remained between 0.77 and 0.94 and (MPE) between 2.41% and 1.85%, maintaining estimates between 97% and 98%. These results highlight MLP as being effective in estimating and filling missing values. Resumo O Referido estudo estima e preenche falhas reais em uma série de dados meteorológicos pertencentes a quatro regiões do estado do Rio de Janeiro. Para isso, foi aplicada uma Rede Neural Artificial (RNA) de Perceptrons de múltiplas camadas (MLP). A fim de avaliar sua aptidão, foram estimadas as variáveis mensais de temperatura máxima do ar e umidade relativa do ar do período de 31/05/2002 a 31/12/2014, e comparadas com os resultados obtidos por modelos de Regressão Linear Múltipla (RLM) e Média das regiões (MD), e ainda confrontados com os dados registrados. Para analisar os valores estimados e definir o melhor modelo para preenchimento foram aplicadas técnicas estatísticas como o coeficiente de correlação (r), erro médio percentual (EMP), entre outros. Os resultados demonstraram uma alta relação com os dados registrados, apresentando índices entre 0,94 a 0,98 de (r) para temperatura máxima do ar e entre 2,32% a 1,05% de (EMP), mantendo a precisão entre 97% a 99%. Já para umidade relativa do ar o índice (r) com MLP se manteve entre 0,77 a 0,94, e o (EMP), entre 2,41% a 1,85%, mantendo as estimativas entre 97% a 98%. Esses resultados destacam a MLP como sendo eficaz na estimativa e preenchimento de valores faltantes.