Datasets from Brazilian Weather Stations

这些数据集包含从1990年1月至2015年12月，来自巴西四个气象站（马瑙斯、圣保罗、纳塔尔和阿雷格里港）的每月数据，包括空气湿度、云量、降雨量、最高温度、最低温度和平均温度。数据集用于开发天气时间序列预测模型。

These datasets encompass monthly data from January 1990 to December 2015, collected from four meteorological stations in Brazil (Manaus, São Paulo, Natal, and Porto Alegre). The data includes air humidity, cloud cover, rainfall, maximum temperature, minimum temperature, and average temperature. The datasets are utilized for developing weather time series forecasting models.

原始信息汇总

巴西气象站数据集概述

数据集信息

• 来源：数据原始来源为巴西国家气象研究所（INMET）。
• 内容：包含四个巴西城市（Manaus, Sao Paulo, Natal, Porto Alegre）的月度气象数据，包括空气湿度、云量、降雨量、最高温度、最低温度和平均温度。
• 时间范围：数据收集自1990年1月至2015年12月。
• 样本数量：每个数据集包含312个样本。
• 属性数量：6个属性。

属性信息

• 1. 湿度：连续型，单位为百分比（%）。
• 2. 云量：连续型，单位为十分之一（T）。
• 3. 降雨量：连续型，单位为每平方米毫米（mm/m^2）。
• 4. 最高温度：连续型，单位为摄氏度（C）。
• 5. 最低温度：连续型，单位为摄氏度（C）。
• 6. 平均温度：连续型，单位为摄氏度（C），作为预测值。

相关论文

• Soares, E.; Costa Jr., P.; Costa, B.; Leite, D. "Ensemble of evolving data clouds and fuzzy models for weather time series prediction." Applied Soft Computing - Elsevier, xx (x), 2018.
• Soares, E.; Mota, V.; Poucas, R.; Leite, D. "Cloud-based evolving intelligent method for weather time series prediction." 2017 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE) - Naples IT, 6p. 2017.
• Leite, D.; Ballini, R.; Costa, P.; Gomide, F. "Evolving fuzzy granular modeling from nonstationary fuzzy data streams." Evolving Systems 3 (2), 65-79, 2012.

搜集汇总

数据集介绍

构建方式

该数据集源自巴西国家气象研究所（INMET），涵盖了1990年1月至2015年12月期间四个巴西气象站（马瑙斯、圣保罗、纳塔尔和波尔图阿雷格里）的月度气象数据。数据包括空气湿度、云量、降雨量、最高温度、最低温度和平均温度六个属性，每个数据集包含312个样本。数据集的构建旨在支持气象时间序列预测模型的开发与验证。

使用方法

该数据集可用于气象时间序列预测模型的开发与验证。用户可通过加载数据集，提取湿度、云量、降雨量、最高温度和最低温度作为输入特征，以平均温度作为目标变量进行模型训练。数据集的结构清晰，可直接用于机器学习或深度学习框架，支持实验复现和模型性能对比。

背景与挑战

背景概述

巴西气象站数据集（Datasets from Brazilian Weather Stations）由巴西国家气象研究所（INMET）提供，涵盖了1990年1月至2015年12月期间四个巴西气象站（马瑙斯、圣保罗、纳塔尔和阿雷格里港）的月度气象数据。该数据集包含空气湿度、云量、降雨量、最高温度、最低温度和平均温度等六项关键气象指标，共计312个样本。该数据集由Soares等人于2018年发表在《Applied Soft Computing》期刊上的研究中首次使用，旨在开发基于数据云和模糊模型的天气时间序列预测方法。该数据集的发布为气象预测领域的研究者提供了重要的实验数据支持，推动了基于演化计算的智能预测方法的发展。

当前挑战

巴西气象站数据集在解决气象时间序列预测问题时面临多重挑战。首先，气象数据具有高度非线性和非平稳性，如何有效捕捉数据中的复杂模式并构建高精度的预测模型是一个核心难题。其次，数据集的时间跨度较长，气象条件随季节和年份变化显著，模型需要具备良好的泛化能力以应对不同时间尺度的预测需求。此外，数据集的构建过程中也面临挑战，例如气象站的地理分布差异可能导致数据的不一致性，而数据采集设备的精度和维护状况也可能影响数据的可靠性。这些挑战要求研究者在数据处理和模型设计上投入更多精力，以确保预测结果的准确性和稳定性。

常用场景

经典使用场景

巴西气象站数据集广泛应用于气候模型的构建与验证。研究者利用该数据集中的湿度、云量、降雨量及温度等多元气象参数，进行时间序列分析和预测模型的训练。这些模型不仅能够模拟历史气象变化，还能预测未来气候趋势，为气象学研究提供了坚实的数据基础。

解决学术问题

该数据集解决了气象预测中的关键问题，如非平稳时间序列的处理和复杂气候模式的识别。通过提供长达25年的连续气象数据，研究者能够开发出更为精确的预测算法，如基于模糊逻辑的进化模型，这些算法在应对气候变化和极端天气事件方面表现出色。

实际应用

在实际应用中，巴西气象站数据集被用于农业规划、灾害预防和城市规划等多个领域。例如，通过分析降雨量和温度数据，农民可以优化种植计划，减少气候风险；城市规划者则可以利用这些数据设计更为有效的排水系统，以应对极端降雨事件。

数据集最近研究

最新研究方向

近年来，巴西气象站数据集在气候预测和智能建模领域引起了广泛关注。该数据集涵盖了1990年至2015年间巴西四个主要气象站的月度气象数据，包括湿度、云量、降雨量及温度等关键指标。这些数据为开发动态预测模型提供了坚实的基础，特别是在模糊系统和数据云集成方法的应用中。例如，Soares等人利用该数据集构建了基于模糊模型和数据云的集成预测系统，显著提升了气象时间序列预测的准确性。此外，随着气候变化问题的日益严峻，该数据集在极端天气事件预测和气候模式分析中的应用也备受瞩目，为全球气候研究提供了重要的区域数据支持。