Procedimentos multivariados para identificação de outliers e imputação de dados faltantes em séries temporais meteorológicas

Abstract

A qualidade dos dados meteorológicos é fundamental para análises agrometeorológicas confiáveis. Séries temporais frequentemente apresentam falhas de medição (missings) e distorções causadas por valores atípicos (outliers), que comprometem a precisão das estimativas e, consequentemente, a confiabilidade das decisões baseadas nesses dados. O presente trabalho propõe uma abordagem multivariada para a avaliação e comparação de métodos de imputação de missings e detecção de outliers, considerando a estrutura temporal dos dados. No Capítulo 1, são avaliadas sete técnicas de imputação para séries temporais multivariadas: média simples, Análise de Componentes Principais (PCA), Floresta Aleatória, K-Nearest Neighbors (KNN), Imputação Iterativa Dependente do Tempo (TDI), Redes Neurais Recorrentes (RNN) e SAITS. Os métodos são avaliados por MAE, MSE, RMSE, correlação de Pearson e tempo de processamento em diferentes níveis de ausência (5%–35%). O método Floresta Aleatória apresenta os menores erros e maior robustez à elevação do missing, embora com maior custo computacional. O TDI mantém desempenho elevado e menor custo de processamento, configurando o melhor compromisso entre precisão e eficiência. PCA e KNN apresentam desempenho intermediário quando o missing é baixo, mas perdem acurácia à medida que a ausência cresce, especialmente em variáveis com maior variabilidade. RNN e SAITS atingem precisão intermediária, porém com custo computacional mais alto. A média simples apresenta o pior desempenho, por não capturar a variabilidade dos dados. No Capítulo 2, são testados modelos multivariados de detecção de outliers, como PCA Tradicional e suas variações (RPCA, MWPCA), Isolation Forest e modelos baseados em LSTM. As abordagens são validadas com métricas voltadas a dados desbalanceados, como G-Mean, Kappa, F1-Score e MCC. Os métodos RPCA e LSTM se destacam por apresentar desempenho superior na detecção de pontos atípicos, mesmo em conjuntos de dados altamente desbalanceados.