Análise estatística e tratamento de séries temporais climáticas com variational autoencoder

Abstract

Este trabalho apresenta o desenvolvimento de um sistema interativo voltado à coleta, validação, reconstrução e visualização de dados meteorológicos, com ênfase na análise estatística descritiva e na aplicação de técnicas de aprendizado de máquina, especificamente o Variational Autoencoder (VAE). A solução proposta integra, em uma única interface, múltiplas etapas do fluxo de análise, incluindo a extração automatizada de informações de estações climáticas, o processamento baseado em critérios de qualidade e a geração de visualizações dinâmicas. O sistema foi implementado utilizando a biblioteca Streamlit, permitindo o acesso a funcionalidades avançadas de forma intuitiva e acessível a usuários com diferentes níveis de conhecimento em programação. A aplicação do VAE possibilitou a reconstrução de valores ausentes, contribuindo para a consistência e completude das séries temporais analisadas, além de fornecer meios para investigar a estrutura latente dos dados. O referencial teórico que sustenta este trabalho abrange conceitos fundamentais da estatística descritiva, tais como medidas de tendência central, dispersão, assimetria, curtose e autocorrelação, bem como técnicas modernas de reconstrução de dados. Os experimentos realizados evidenciaram a eficiência e a reprodutibilidade da abordagem, demonstrando que o sistema atende às demandas de pesquisadores e instituições que necessitam de ferramentas confiáveis e organizadas para a análise de séries temporais climáticas. Conclui-se que a proposta apresentada oferece contribuições relevantes tanto em termos de automação e qualidade analítica quanto em aderência a boas práticas de Engenharia de Software, destacando-se como um exemplo de aplicação acadêmica de integração entre ciência de dados e engenharia de sistemas.

This work presents the development of an interactive system designed for the collection, validation, reconstruction, and visualization of meteorological data, with emphasis on descriptive statistical analysis and the application of machine learning techniques, specifically the Variational Autoencoder (VAE). The proposed solution integrates multiple stages of the analytical workflow into a single interface, including automated extraction of information from climate stations, quality-based data processing, and dynamic visualizations. The system was implemented using the Streamlit library, enabling access to advanced functionalities through an intuitive and user-friendly environment for researchers with different levels of programming expertise. The application of the VAE enabled the reconstruction of missing values, contributing to the consistency and completeness of the analyzed time series, in addition to providing a way to investigate the latent structure of the data. The theoretical framework supporting this work encompasses fundamental concepts of descriptive statistics, such as measures of central tendency, dispersion, skewness, kurtosis, and autocorrelation, as well as modern techniques for data reconstruction. The experiments carried out demonstrated the efficiency and reproducibility of the approach, showing that the system meets the demands of researchers and institutions that require reliable and organized tools for the analysis of climate time series. It is concluded that the proposed system provides relevant contributions both in terms of automation and analytical quality and in adherence to software engineering best practices, standing out as an academic example of the integration between data science and systems engineering.